基于深度学习的滚动轴承故障诊断方法研究

摘要：当前随着我国科学技术水平的不断提升，旋转机械设备的复杂程度越来越高，在对旋转机械设备进行监测时，使用了很多大数据技术。而滚动轴承作为旋转机械设备的重要组成部件，一旦出现了故障，不仅会影响旋转机械设备的正常使用，还会对人们的生命安全造成严重的威胁。所以必须要基于深度学习，对滚动轴承的故障进行高效的诊断。本文则通过分析深度学习的相关理论，探究滚动轴承故障诊断的方法。

关键词：深度学习;滚动轴承;旋转机械设备;故障诊断

引言：旋转机械设备在使用的过程中旋转速度相对较快，并且经常会在高负荷的状态下运行，如果出现了故障，将会造成严重的经济损失。在旋转机械设备中，滚动轴承的故障频率相对较高，所以负责检修的工作人员必须要明确滚动轴承的常见故障，并且基于深度学习，采取科学合理的诊断措施。

一、深度学习相关理论分析

1.自动编码器分析

自动编码器属于无监督学习类型，因为其学习能力较强，所以不需要标签数据，即可以完成数据内部特征的学习过程。目前我国常用的自动编码器有稀疏自编码器、欠完备自编码器以及去噪自编码器等，通过不同类型自动编码器的使用，可以有效提升故障诊断效率。在使用自动编码器的过程中，我们不仅需要明确输出和输入的数据，还需要发现隐藏层所需要获得的相关特征。欠完备自编码器的主要特征是，输入层的神经元数大于中间层的神经元数，因此要保证在自编码器使用的过程中，获取输入数据中的显著特征。因为其具有较强的特征提取能力，所以目前在故障诊断的过程中得到了广泛的应用。稀疏自编码器的实际使用原理是通过增加稀疏惩罚，进而提取数据分布的特性。去噪自编码器的使用原理是通过人为的方式添加噪声，进而能够对原始的数据进行重新构造。通过去噪自编码器的使用，可以有效的降低环境噪声对数据特征提取过程的影响。

2.卷积神经网络结构分析

目前在深度学习模型中，使用效果最好的是卷积神经网络模型，这种模型在使用时取得了良好的效果，并且目前广泛应用在各类机械设备的故障检测过程中。卷积神经网络的主要组成结构，有输入层、池化层、卷积层以及输出层和全连接层等，不同的组成结构按照一定的顺序排列使用，可以完成故障检测流程。卷积层是卷积神经网络结构中的重要组成部分，其主要的功能是进行卷积运算。在计算的过程中必须要设置不同数量的卷积核，进而生成对应数量的矩阵，完成数据的输入和计算。由于输入数据和矩阵的深度需要保持一致，所以必须要按照输入数据，设置不同尺寸的矩阵。在卷积层后连接的是池化层，利用池化层，可以减小卷积层对应的矩阵尺寸，进而不断提高计算的速率。同时，还可以降低模型占有的储存空间。目前常见的池化措施有，随机池化措施、最大值池化措施以及均值池化措施等。利用全连接层，能够有效的将不同层级之间的数据进行全面连接，进而保障使数据信息能够形成整体化的系统。在全连接层的最后一层中是输出层，利用输出层能够将数据输出到显示设备中。

3.其他相关参数分析

原始的神经网络结构中，主要是輸入数据和输出数据之间的线性关系。由于目前很多神经网络结构中出现的较为复杂的非线性关系，所以必须要使用激活函数，进行数据特征的分析和学习。在深度神经网络结构中，学习率属于超参数，决定了反向传播的步长，如果步长较小，则必须使用迭代多次的方式进行弥补，如果步长过大，则可能会大于最优的数值，进而降低深度网络模型使用效率。因此要根据梯度下降的参数，进行学习率的设计。如果其学习率较小，可能会导致损失梯度下降过慢，进而增加了收敛的时间，影响模型的使用效率。所以为了使模型获得更好的表现，必须要根据参数，寻找最合适的学习率。由于在进行深度学习模型应用的过程中，所掌握的数据相对较少，所以可能会出现过拟合现象。同时因为在模型结构设计的过程中，复杂程度越来越高，也可能会影响深度学习模型的使用效果，所以必须要通过正则化参数，对其进行控制。

二、滚动轴承故障诊断措施

1.堆叠自编码网络的应用

利用多个自编码器进行堆叠，进而可以完成深度学习的目的。在进行数据输入的过程中，必须要通过自编码器获得相应的维度数据特征。因为利用自编码器进行深度学习，属于无监督形式，所以必须要针对不同的维度输入不同的数据表达方式。将堆叠自编码网络应用在滚动轴承的故障诊断过程中，要提取其最原始的数据。为了设计出适合不同网络结构的编码器类型，事先对滚动轴承中的相关故障数据特征进行分析，进而保障提高故障诊断准确率。其主要的工作流程如下所示，首先要针对深度堆叠自编码器进行选择，并且设计出合适的模型，选择合适的参数，然后要对模型进行前向模拟训练，通过前向训练，对反向传播中相关的模型及参数进行更新，通过循环往复的训练方式，使模型的使用效率达到最优化。最后把测试完成后的数据，输入到事先已经检测合格的模型中，利用分类计算，提高数据处理准确率。

2.卷积神经网络的应用

目前在计算机视觉领域中，卷积神经网络的应用最为广泛。其中最主要的特征是卷积层和池化层的相关操作。在进行二维数据处理的过程中，因为其具有较强的优势，所以目前在轴承故障诊断中得到广泛的使用。通过时频变化，可以将故障信号转化为图像信息，增加故障数据的清晰度。其主要包含以下几个流程，首先是对信息进行采集，利用事先安装好的传感器收集原始信号，然后将采集到的信息作为传输数据，输入到处理模型中。其次要对信号进行预处理操作，对所有数据进行统一处理，降低波动的范围。最后进行模型训练操作，由于输入的是二维图像，所以要保证其训练的时间和深度网络的大小成正比关系。同时要对网络进行测试和训练，提高数据预处理效率。

结束语

随着工业水平的不断提升，机械设备逐渐向智能化的方向发展，尤其是在现代工业的发展进程中，旋转机械设备得到了广泛的使用，并且其智能化水平也在逐渐提升。滚动轴承作为旋转机械设备的重要组成部件，要采取合理的故障处理措施，提高滚动轴承使用效果。

参考文献：

[1]刘闯.基于深度学习滚动轴承故障诊断算法研究[D].导师：郝润芳;曲根峰.太原理工大学，2021.

[2]郑秋梅.基于深度学习的滚动轴承故障诊断与剩余寿命预测研究[D].导师：赵娟.青岛理工大学，2021.

[3]施文锐.基于深度学习的滚动轴承早期故障诊断研究[D].导师：马新娜;成彬.石家庄铁道大学，2021.

[4]杨位伟.基于深度学习的滚动轴承故障诊断与剩余寿命预测方法研究[D].导师：于忠清.青岛大学，2021.

[5]蒋金元.基于深度学习的滚动轴承故障诊断与预测方法研究[D].导师：彭成.湖南工业大学，2021.

[6]陈志刚，高鹤，刘菲，杨志达.基于深度学习的滚动轴承故障诊断方法[J].设备管理与维修，2021，（07）：144-146.

课题：（基于深度学习的滚动轴承故障诊断方法研究、教育厅、2021J0775）。

作者简介：马石飞（1989.11），男，汉，云南曲靖人，云南经济管理学院讲师，主要研究方向为机械工程及自动化。