矿山设备轴承故障诊断与异常分析

赖华友

(江西铜业集团有限公司 德兴铜矿，江西 德兴市，334224)

0 前言

近年来随着我国科技的快速发展，大量新型技术涌入工业、制造业，传统的机械设备逐渐被智能化、集成化和综合化的精密机械产品所取代[1]。但这类机械设备面临工作环境、部件损耗与人为操作不当等情况时，易导致巨大的经济损失和严重的社会影响[2]。长江三峡工程中一塔吊机由于底座轴承选型、焊接不当而发生严重倒塌事件，导致3 人死亡，30 余人受伤[3]。因此，针对精密机械设备中易发生故障的关键部件开展实时状态监测和故障诊断分析能够保证设备安全稳定运行，提高经济效益[4]。

由于矿山设备工作环境特殊，机械设备长期处于这种环境下工作，极易产生故障。例如机械钻头、滚动轴承等在强应力、易腐蚀环境下，在持续工作中易引发机械设备故障，若未对故障进行及时有效的处理，将为安全、稳定生产带来较大隐患[5]。而滚动轴承作为矿山机械设备中的重要部件之一，主要由内圈、外圈、滚动体和保持架这4 部分组成，起到支撑和传递载荷的作用，具有工作效率高、摩擦阻力小、装配方便的优点[6−7]。但是，极度恶劣的工作状况使得滚动轴承成为矿山机械设备最容易发生故障的部件。大量数据表明，轴承工作失效而导致的机械设备故障的情况约占30%[8]。滚动轴承的健康状态与机械设备的工作性能密切相关，一旦出现故障，轻则会影响生产效率和质量，重则会导致严重的生产事故。因此，对矿山机械设备的轴承开展故障诊断和状态监测，一方面能够保持其在监测状态下的良好运行状态，另一方面在轴承故障诊断技术的支持下，能够实现对矿上机械设备运行故障的科学处理，减少电铲、挖掘机、推土机等矿山设备运行中可能存在的安全隐患，确保维修方式由事后维修转为事前维护，降低维修费用，延长设备运行寿命。

1 矿山设备故障诊断技术

1.1 主观诊断技术

主观诊断技术主要依靠操作者丰富的工作经验和扎实的理论知识来分析、判断机械设备发生故障可能的位置和原因。采用主观诊断技术一定程度上能够节约设备维修前所需的仪器检查、分析的维修时间[9]。但是诊断效果常常受限于操作者的个人能力，需要操作者对矿山机械设备的故障情况、运行状态有很好的掌握。同时，由于采用主观诊断技术进行故障诊断时，通常采用肉眼观察等人力方法，一些特征表现细微的故障容易被忽略，难以对复杂的矿山机械设备故障进行准确判断。因此，主观诊断技术常与智能诊断技术和仪器诊断技术配合使用[10]。

1.2 仪器诊断技术

仪器诊断技术主要利用先进的诊断仪器对机械设备进行故障诊断，一旦机械设备发生故障，采用相关仪器对设备的机电组件进行监测后，将监测结果与设备出厂时设定的波动阈值相比对，确认设备是否发生故障以及故障类型[11]。仪器诊断技术刚出现时主要针对轻微故障诊断，当主观诊断法存在限制时，用以弥补其缺陷。但随着科技水平的不断提高，诊断设备逐渐趋于全面，诊断精度逐渐提高[12]，该技术将会在矿山设备故障诊断和维修中起到重要作用。

1.3 数学模型诊断技术

数学模型诊断技术在应用时，首先根据相关数学知识和设备运行原理，再结合实际生产环境和设备运行数据，构建合理、可靠、有效的机械设备数学模型。模型建立后，对模型的标准数据和实际数据进行对比，确定是否存在故障。数学模型建模耗时较长，便携性较弱[13]，但其诊断技术的可靠性比仪器诊断技术更强，一旦构建好科学的模型后，能够对设备故障提供有效快速的诊断，进而及时提出准确的处理方法。

1.4 智能诊断技术

随着人工智能、机器学习的迅猛发展，智能诊断技术在许多领域已经取得了很好的应用。随着矿山机械设备的高度集成化、信息化与智能化，在设备运行时常常能够获取大量监测数据。采用智能诊断技术，结合设备实际运行情况和运行数据，建立完善而科学的故障诊断系统，根据诊断系统进行相关数据的比较和分析，及时确定故障类型。现有智能诊断方法包括专家系统、神经网络、支持向量机、模糊诊断法等[14−15]。而神经网络凭借其非线性映射能力强，自学习能力高且对先验知识低等优点在故障诊断领域得到广泛应用，因此本文针对机械设备轴承故障重点介绍卷积神经网络方法。

2 卷积神经网络

2.1 卷积神经网络

20 世纪60 年代，Hubel 和Wiesel[16]研究猫脑皮层中感受视野的神经元在处理图像时，每一段神经元只负责处理一小块区域的视觉图像，这种特殊的网络结构可以有效降低反馈神经网络的复杂性。基于这种网络结构，提出了卷积神经网络（Convolutional Neural Networks,CNN）。卷积神经网络的基本结构包括输入层、卷积层、激活层、池化层和全连接层，如图1 所示。

图1 卷积神经网络结构

卷积神经网络根据输入数据类型，可以分为一维、二维和三维卷积神经网络，二维神经网络主要应用于图像处理、计算机视觉等领域，三维卷积神经网络主要应用于视频处理和行为识别等领域[17]。为了避免过拟合导致数据的一些正常波动被识别为故障，本文采用一维卷积神经网络处理轴承运行的一维时序数据。

2.2 一维卷积神经网络

2.2.1 一维卷积层

卷积层是构成卷积神经网络的重要部分，卷积层是用卷积核对输入信号的局部特征进行卷积计算，并产生相应的特征。假设卷积层输入数据为i×1 维矩阵A=[a1，a2，…，ai]T，设置滤波器为j×1 维矩阵B=[b1，b2，…，bj]T，一般设置滤波器的维度小于原始数据，卷积过程步长为一固定值o，卷积计算过程见式（1）。

卷积层最大的特点是权值共享和局部感受视野，通过这个特点能够极大地减少卷积层的网络参数，避免卷积神经网络因参数过多而发生过拟合问题，并节约神经网络运行资源。

2.2.2 激活层

当输入样本经过卷积层进行卷积计算后，会将每个卷积输出的逻辑值作为激活层的输入，经过激活函数的非线性变换，增加卷积后特征的可识别性。3 种常见的激活函数[18]，即Sigmoid 函数、Tanh函数和ReLu 函数，其数学表达式如下（卷积层输出为x，激活层输出为y）：

2.2.3 池化层

池化层被设置于激活层后，其目的是降低卷积、激活后的数据数量，减少模型参数，提高模型计算效率，避免模型出现过拟合现象。池化方法主要分为两种，最大值池化和平均值池化[19]，其实质为以一定宽度、一定步长在卷积层上滑动，获取该宽度窗口下输入数据的均值或最大值。

最大值池化计算方式为：

平均值池化计算方式为：

池化层的输入数据为矩阵X=[x1,x2,…,xq]T，池化步长为t。

2.3 dropout 技术

由于神经网络含有大量的神经元，其中包含大量的参数，因此数据集尤其是一些较小的数据集容易出现过拟合现象，导致网络模型在训练集上的准确率与测试集上的准确率之间存在较大差距。而dropout 技术作为一种防止过拟合方法，被广泛用于神经网络之中。其核心思想在于，让神经网络在学习训练过程中，随机将部分神经元节点的权值置0，并且在每次迭代过程中，被抑制的神经元节点互不相同，因此每个神经元节点对于整个网络的贡献率依旧相同。dropout 技术作为一种能给神经网络模型提供正则化作用的防过拟合技术，能够有效改进模型的表现性能，在计算机视觉、自然语言处理中得到了广泛的应用。

3 故障诊断试验与分析

3.1 数据集介绍

为验证一维卷积神经网络对于轴承故障诊断与异常分析的效果，本文选取经典的滚动轴承公开数据集CWRU 进行了相关试验，其整体轴承数据采集系统如图2 所示。在试验过程中，选取了其中驱动端滚轴SKF6205 在12 kHz 的采样频率下采集的信号作为试验对象。

图2 CWRU 轴承数据采集系统

SKF6205 轴承的故障类型分为滚珠故障、外圈故障与内圈故障3种，故障直径分为0.1778，0.3556，0.5334，0.772 mm 4 种。由于0.772 mm 故障直径对应的数据不够全面，本文最终选了0.1778，0.3556，0.5334 mm 3 种故障直径对应的故障数据作为试验数据。因此，包含正常轴承数据在内，试验所构建的数据集共包含10 个类别。具体而言，对应每个类别的轴承数据，按照2048 个信号点作为一个训练样本的方法，将所有数据分割为多个不相互重叠的训练样本，并将其按照7:3 的比例划分为训练集与测试集。

3.2 网络结构及参数设置

首先构建了一个一维卷积神经网络，包含两个卷积层、一个全连接层以及一个Softmax 层，并且每个卷积层及全连接层之后都添加了一个Relu 激活函数，以引入神经网络的非线性特征。具体而言，网络模型中的第一层卷积核大小为125，步长为16，第二层卷积核的大小为15，步长为4，全连接层的神经元个数为64，最后网络模型输出10 个类别的识别概率，并将其中概率取值最高的类别作为模型对该样本所预测的类别。

由于卷积神经网络中含有大量的参数，容易出现过拟合的现象。本文在一维卷积神经网络的基础上，进一步研究了dropout 技术能否进一步改进模型的性能，分别将dropout 率设为0.1，0.2，0.3，0.4，0.5，构建了5 种基于不同dropout 率的改进一维卷积神经网络模型，并进行相关对比试验。此外，本文的试验均基于开源的深度学习框架pytorch 实现，在训练过程中，每个批次的训练数据batch_size被设定为16，优化算法采用随机梯度算法，迭代的次数被设定为3000。

3.3 试验结果与分析

基础一维卷积神经网络和基于dropout 技术改进的一维卷积神经网络模型，在训练集和测试集上的诊断准确率见表1。从表1 可以看出，基础一维卷积神经网络模型在训练集上的故障诊断准确率能达到100%，在测试集上的故障诊断准确率仅为83.2%。而引入dropout 技术后的改进模型，都较基础模型而言，在测试集上的诊断准确率得到有效提高。并且当dropout 设为0.3 时，一维卷积神经网络的表现性能最佳，在测试集上的故障准确率高达92.9%。

表1 故障诊断准确率

为了进一步探究基于dropout 技术的一维卷积神经网络的有效性，对基础一维卷积神经网络与dropout 率设为0.3 的改进一维卷积神经网络，在测试集和训练集上的3000 次迭代过程进行了具体对比分析，模型训练结果对比如图3 所示，其中实线代表基础一维卷积神经网络，虚线代表基于dropout技术的改进一维卷积神经网络。从图3 可以看出，在引入dropout 技术后，模型在测试集上的识别准确率得到有效改进。此外，相比于基础模型，改进模型的优化拟合时间更长，损失函数优化过程更慢，说明dropout 技术能给网络模型起到正则化作用，从而有效抑制模型过拟合。总体而言，各网络模型在轴承数据集上都达到了较高的识别准确率，充分验证了一维卷积神经网络能够应用于矿山设备的轴承故障与异常分析。

图3 模型训练结果对比

4 结论

基于矿山设备故障诊断的研究背景，构建了一维卷积神经网络，在此基础上引入了dropout 技术构建了相应的改进模型，并在CWRU 轴承数据集上进行了相关的试验。试结果表明，一维卷积神经网络能够较为准确地诊断出轴承的故障状态，表明了一维卷积神经网络对于轴承故障诊断具有较好的应用前景，同时通过试验发现，dropout 技术能够抑制一维卷积神经网络模型出现过拟合的现象，进一步改进模型性能。在此次试验中，各网络模型在训练集上的诊断准确率都达到了100%，而在测试集上的诊断准确率仍然有一定的提升空间。因此在未来的工作中，将采取其他的样本分割方法，以构造更大的数据集进行相关试验，进一步提高一维卷积神经网络的表现性能。