基于SSAE的滚动轴承故障的分类预测

凌静

摘要：本文提出了一种基于堆栈稀疏自编码器（SSAE）的滚动轴承故障类别的自动识别方法。将原始轴承信号进行截断处理，既保留了有用信息，又扩充了样本数量，有利于神经网络的训练。采用双层SAE神经网络模型，结合softmax分类器，完成对轴承故障类別的自动识别，通过对比实验表明，本文所提方法稳定有效，且准确率高。

关键词：堆栈稀疏自编码器;滚动轴承;神经网络模型

中图分类号：TH165.3                                    文献标识码：A                                  文章编号：1674-957X（2021）01-0143-03

0  引言

作为现代制造业的重要组成部分，轴承在大多数旋转机械的可靠运行中起着至关重要的作用。机械设备的安全性和稳定性由滚动轴承的性能所直接影响[1]，但是由于经常在各种复杂工况下，轴承容易发生滚动体变形和裂缝等各种缺陷，不仅可能会造成经济损失，甚至会带来安全隐患。因此如何实现对滚动轴承的故障检测和识别具有重要的意义。

从某种意义上讲，滚动轴承故障诊断可视为一个故障模式识别过程，通常轴承的故障诊断包含两个主要步骤：特征提取和故障识别[2]。特征提取主要是采用某种数学变换，一般根据经验选择数学变换居多，将采集到的原始信号变换成低维特征空间的新的向量，多种变换得到的多个新向量组成特征向量，从而能够更简洁且更突出的表达故障的特征信息。故障识别是一种将提取到的特征向量输入到设计合理的模式分类器来进行模式识别的方法。赵洪山等[3]提出了基于奇异值分解和变分模态分解的特征提取方法，他采用标准模糊C均值聚类（fuzzy C means clustering，FCM）对滚动轴承进行故障的识别。郑近德等[4]引入多尺度排列熵（MPE）的概念，利用其对机械故障诊断中滚动轴承故障进行特征提取，再结合支持向量机（SVM）对滚动轴承进行故障类别的识别。胥永刚等[5]提出一种基于支持向量机（SVM）和双树复小波包变换的故障类别识别方法，先从各个频带分量中提取能量特征参数，再将其输入到支持向量机中来进行滚动轴承的故障类别识别。虽然传统的方法在滚动轴承故障类别识别方面取得了巨大的成就，但是轴承故障类别的识别精度高低与故障特征的提取是否有效息息相关，针对复杂且大量的故障特征，为了从中筛选出有效的特征，人工选择特征面临着巨大的挑战。

近年来，深度学习方法在轴承的故障诊断方面提供了新方法和新思路，大大优于其他方法[6]。深度学习的特点在于它能够从训练数据中自动学习低层特征，并通过多层网络结构的非线性变换逐步形成更加抽象的高层特征，换言之，其可以自动提取有效特征。因此人工选择故障特征不够较为有效的缺点可以由深度学习的理论从根本上弥补，通过自动提取有效特征，在提高轴承故障类别的识别精度方面较为可观。汤芳等[7]提出了一种基于稀疏自编码（SAE）的深度神经网络，它是一种无监督学习的方法，利用SAE自动提取信号的有效特征，然后用于滚动轴承故障识别。

受上述深度学习的启发，在轴承故障识别研究中，本文提出了一种基于堆栈稀疏自编码器（SSAE）结合softmax分类器的方法。堆叠两层SAE构成本文所需的SSAE，从第二层SAE的隐含层中提取特征，输入到softmax分类器中，最后实验结果表明，该方法对轴承故障分类识别有较好的分类效果。

1  堆栈稀疏自编码器

1.1 自编码器

自编码器是一个神经网络，它由输入层、隐含层以及输出层构成。从输入层到隐含层可以看做是一个编码的过程，而从隐含层到输出层可以看做是一个解码过程，编码和解码的计算公式如下：

式（1）和式（2）中，f和g分别是编码函数和解码函数。sf和sg分别是编码激活函数和解码激活函数，本文选用的是Sigmod函数，w和■为权重矩阵，两者互为共轭关系，另外，p和q分别是编码和解码过程中的偏置向量。结合自编码器的输入和输出，通过反向传播算法对权重矩阵和偏置向量等参数进行更新，迭代多次将会逐步更新多次，从而使模型更优。图1是自编码器的网络结构图。

1.2 堆栈稀疏自编码器

堆栈式稀疏自编码器（SSAE）是由多个稀疏自编码器（SAE）堆叠构成的，和不同的分类器进行连接构成了不同的深度学习神经网络模型[8]。对堆栈式稀疏自编码器进行训练，得到该层SAE的隐含层相应的特征，输入到激活函数得到下一个SAE的输入，经过多次迭代之后，完成对SSAE的训练。本文选择了两层SAE构成SSAE，并将第二层SAE的隐含层提取出来输入到Softmax分类器中，来实现对信用卡客户信用度的分类识别。其中softmax的输出为概率分布，且可以得到属于每个类别的概率，输出概率之和为1，输出概率计算如式（3），分类器模型结构如图2所示。

2  实验与分析

2.1 数据描述

本文采用的数据来源于paderborn大学实验室，对6203型滚动轴承以高分辨率和采样率同步测量得到的轴承振动信号，数据样本总共分为三类：健康轴承、人为损坏的轴承和由加速寿命测试而造成损坏的轴承。采样条件有四种：T1、T2、T3和T4。T1表示转数900rpm、转矩0.7Nm和径向力1000N的采样条件;T2表示转数1500rpm、转矩0.1Nm和径向力1000N的采样条件;T3表示转数1500rpm、转矩0.7Nm和径向力400N的采样条件;T4表示转数1500rpm、转矩0.7Nm和径向力1000N的采样条件。

2.2 实验流程

本文对于原始信号首先采取的是数据截断处理，将一维原始信号依次截成每个样本信号为2048个点的新样本信号。每个原始信号样本点数都达到了25万个点，样本长度过大，采取截断操作，既对样本长度进行了缩减，又对样本数量进行了扩充，图3是各类别截断之后的信号图;接着根据标签将数据分类并进行one-hot编码。截断之后得到新样本数据有3000个，分为训练集2100个，测试集900个，将训练集输入到SSAE中进行训练，从SSAE中的隐藏层提取出特征，放入softmax分类器中，再利用反向传播算法更新模型参数，迭代多次之后得到训练完成的网络模型。

2.3 实验结果与分析

通过堆栈稀疏自编码器与softmax分类器网络模型训练，完成了对轴承故障的分类预测模型的建立，将测试集输入到预测模型中，得到总的准确率达到了72.9%。实验结果的混淆矩阵如图4所示。

图4中，横坐标表示轴承故障的实际类别，纵坐标表示轴承故障的预测类别，标签‘1’、‘2’和‘3’分别表示了健康标签、人为损坏标签和加速寿命测试损坏标签，在所有健康测试样本中，预测错误率仅为4.9%;总的准确率达到72.9%。

为了验证本文方法的有效性，另外还分别采用BP模型[9]和SSAE结合BP模型与本文方法进行了对比性的实验。同样利用训练集进行模型的训练，测试集输入到训练好的模型中，得到的结果为：BP模型的预测准确率为52.2%，SSAE结合BP模型的的预测准确率为64.6%。准确率均低于本文所提方法的72.9%。综上表明，本文所提方法在轴承故障的分类识别上具有良好的稳定性和准确性。

3  结论

本文提出了一种基于堆栈稀疏自编码器（SSAE）的深度学习识别模型，对轴承的故障类型进行分类。结果表明：

①采用堆栈稀疏自编码器（SSAE）模型结合softmax分类器，对轴承故障数据进行模型训练，能够自动对数据的自变量进行维度的转换且不失数据的有效信息，同时能够减少后段模型（softmax）的参数数量级。

②经过实验对比得出，本文所提的基于SSAE的深度学习方法，在轴承故障的分类识别上，比传统的机器学习方法（如BP），具有更好的稳定性和准确性。

参考文献：

[1]王晓凤.齿轮箱中圆锥滚子轴承游隙的应用问题研究[J].科技传播，2014：66-67.

[2]胡德强.滚动轴承故障诊断方法综述[J].内燃机与配件，2019：151-153.

[3]赵洪山，郭双伟，高夺.基于奇异值分解和变分模态分解的轴承故障特征提取[J].振动与冲击，2016，35（22）：183-188.

[4]鄭近德，程军圣.多尺度排列熵及其在滚动轴承故障诊断中的应用[J].中国机械工程，2013，24（19）：2641-2646.

[5]胥永刚，孟志鹏，陆明.基于双树复小波包变换和SVM的滚动轴承故障诊断方法[J].航空动力学报，2014，29（01）：67-73.

[6]Wu， X.W.， D. Sahoo， and S.C.H. Hoi， Recent advances in deep learning for object detection[J]. Neurocomputing， 2020. 396： p. 39-64.

[7]汤芳，刘义伦，龙慧.稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用[J].机械科学与技术，2018，37（03）：352-357.

[8]杜灿谊，林祖胜，张绍辉.参数优化SAE方法及在轴承故障诊断的应用[J].控制工程，2019，26（5）：957-964.

[9]任君兰.基于小波变换和BP神经网络的滚动轴承故障信号诊断[J].内燃机与配件，2019（2）：35-37.