本發(fā)明涉及一種變負(fù)載下滾動軸承狀態(tài)識別方法，屬于滾動軸承故障檢測領(lǐng)域。

背景技術(shù)：

滾動軸承是眾多旋轉(zhuǎn)機(jī)械的關(guān)鍵部件，其運行狀態(tài)受多種因素影響^[1-2]。負(fù)載在滾動軸承工作中常常是變化的，且負(fù)載的變化會直接影響滾動軸承振動特征的改變。因此在變負(fù)載情況下，準(zhǔn)確地識別出滾動軸承運行狀態(tài)，對保證整臺機(jī)械設(shè)備的正常運行具有非常重要的意義。

滾動軸承不同故障位置及不同性能退化程度的多狀態(tài)識別本質(zhì)上是對其運行狀態(tài)的模式識別^[3]。在特征提取方面，集合經(jīng)驗?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)對滾動軸承振動信號的非平穩(wěn)性具有很好的處理效果^[4-5]，其可進(jìn)一步結(jié)合包絡(luò)譜，人工尋找故障頻率進(jìn)而識別出軸承的運行狀態(tài)^[6-7]。近年來，故障智能診斷技術(shù)不斷發(fā)展，支持向量機(jī)(support vector machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)和相關(guān)向量機(jī)等淺層智能分類算法對滾動軸承振動信號提取的低維特征具有良好的狀態(tài)識別效果^[8-10]。為了更全面獲取滾動軸承多狀態(tài)特征，學(xué)者們從不同的角度提取并構(gòu)建高維特征，但利用淺層學(xué)習(xí)直接對高維特征進(jìn)行分類，顯得力不從心，一般是先進(jìn)行特征約簡，這就增加了智能診斷方法的復(fù)雜性。對于變負(fù)載下的滾動軸承故障智能診斷問題，當(dāng)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)對應(yīng)軸承負(fù)載不同時，挖掘?qū)S承不同負(fù)載不同性能退化狀態(tài)敏感的深層次特征尤為困難。因此，尋求能從高維數(shù)據(jù)中挖掘軸承深度故障特征的方法，對于變負(fù)載下滾動軸承多狀態(tài)識別尤為重要。

2006年，由Hinton等提出的深度學(xué)習(xí)理論在學(xué)術(shù)界和工業(yè)界掀起了第二次機(jī)器學(xué)習(xí)的浪潮^[11]。深度學(xué)習(xí)顯著優(yōu)點是能從高維數(shù)據(jù)中自主學(xué)習(xí)得到所需的特征，具有很好的泛化能力和魯棒性^[12-13]。結(jié)合滾動軸承振動信號特點，深度學(xué)習(xí)理論可同時完成軸承故障特征的自適應(yīng)提取和軸承多狀態(tài)的識別，克服了傳統(tǒng)特征提取方法無法提取深層特征的缺點。文獻(xiàn)[14]從原始滾動軸承時域振動信號出發(fā)，利用深度信念網(wǎng)絡(luò)(deep belief network，DBN)進(jìn)行7種不同狀態(tài)的識別，得到較高的準(zhǔn)確率。文獻(xiàn)[15]利用自動編碼機(jī)對滾動軸承進(jìn)行10種不同狀態(tài)的識別，在訓(xùn)練負(fù)載和測試負(fù)載一致的情況下，以頻域幅值譜作為輸入數(shù)據(jù)，得到99％以上的識別準(zhǔn)確率。但目前對于復(fù)雜工況下的滾動軸承多狀態(tài)識別問題，還有很大的研究空間^[16]。現(xiàn)有技術(shù)中滾動軸承狀態(tài)識別方法一般都采用不變負(fù)載軸承振動信號進(jìn)行模型測試，沒有反應(yīng)滾動軸承的實際運行狀態(tài)。也就說，現(xiàn)在技術(shù)存在針對訓(xùn)練數(shù)據(jù)采用一種負(fù)載，測試數(shù)據(jù)選用其他負(fù)載的情況下，滾動軸承故障狀態(tài)及故障程度難以準(zhǔn)確識別的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決現(xiàn)有滾動軸承狀態(tài)識別方法由于采用不變負(fù)載軸承振動信號進(jìn)行模型測試，不符合滾動軸承實際運行狀態(tài)，致使?jié)L動軸承狀態(tài)識別方法無法推廣應(yīng)用。即本發(fā)明為了解決針對訓(xùn)練數(shù)據(jù)采用一種負(fù)載，測試數(shù)據(jù)選用其他負(fù)載的情況下，滾動軸承故障狀態(tài)及故障程度難以準(zhǔn)確識別的問題。

本發(fā)明為解決上述技術(shù)問題采取的技術(shù)方案是：

一種EEMD-Hilbert包絡(luò)譜與DBN相結(jié)合的變負(fù)載下滾動軸承狀態(tài)識別方法，所述方法的實現(xiàn)過程為：

模型訓(xùn)練階段

1)獲取某種負(fù)載情況下滾動軸承多狀態(tài)振動信號，將其作為訓(xùn)練數(shù)據(jù)集，并進(jìn)行EEMD分解得到若干IMF(J個)，選取故障敏感的前T個IMF進(jìn)行數(shù)據(jù)處理；

2)將相同狀態(tài)振動數(shù)據(jù)的各IMF進(jìn)行Hilbert變換并求取包絡(luò)譜，將求取的包絡(luò)譜按順序構(gòu)建具有T個包絡(luò)譜的高維樣本特征，作為DBN的輸入；

3)無監(jiān)督預(yù)訓(xùn)練過程：設(shè)定DBN中隱藏層數(shù)N和學(xué)習(xí)率ε，并通過遺傳算法尋優(yōu)確定各隱藏層節(jié)點數(shù)m₁,m₂,…,m_N，以無監(jiān)督學(xué)習(xí)的方式逐層訓(xùn)練各個限制玻爾茲曼機(jī)(restricted boltzmann machine，RBM)，直到完成N個RBM的訓(xùn)練；

4)有監(jiān)督微調(diào)過程：利用反向傳播(back-propagation，BP)網(wǎng)絡(luò)誤差反向傳播的原則對每個RBM進(jìn)行權(quán)值ω和偏置的微調(diào)；完成構(gòu)建變負(fù)載下滾動軸承多狀態(tài)識別模型；

故障測試階段

5)將與訓(xùn)練數(shù)據(jù)不同的多種負(fù)載下的滾動軸承振動信號作為測試數(shù)據(jù)，按照與訓(xùn)練數(shù)據(jù)相同的EEMD-Hilbert包絡(luò)譜方法進(jìn)行數(shù)據(jù)處理(即按照步驟1)和2)進(jìn)行處理)，結(jié)合步驟4)所得到的多狀態(tài)識別模型，實現(xiàn)不同負(fù)載下滾動軸承的多狀態(tài)識別。

在步驟1)中，進(jìn)行EEMD分解得到若干IMF的過程為：獲取某種負(fù)載情況下滾動軸承多狀態(tài)振動信號為原始信號x(t)，

利用EEMD對原始信號x(t)分解的最終結(jié)果為：

其中：r(t)為分解后的殘余分量，c_i,j(t)為EMD分解所得IMF；c_j(t)為EEMD分解后所得到的第j個IMF；j＝1,2,…,J，J是IMF的個數(shù)，i＝1,2,…,M，M為總體平均次數(shù)。

在步驟2)中，將相同狀態(tài)振動數(shù)據(jù)的各IMF進(jìn)行Hilbert變換并求取包絡(luò)譜的過程為：

對式(1)中的IMF分量作Hilbert變換可得

在此基礎(chǔ)上，對各IMF計算包絡(luò)信號，得到

式中，t表示時間，t′表示積分變量(其取值范圍可以是負(fù)無窮到正無窮)；

對式(4)的信號進(jìn)行譜分析即可得到包絡(luò)譜。

所述無監(jiān)督預(yù)訓(xùn)練過程和有監(jiān)督微調(diào)過程是按照以下步驟實現(xiàn)的：

無監(jiān)督預(yù)訓(xùn)練過程：

每個RBM模型由一個可見層和隱藏層組成，其中，v和h分別表示可見層和隱藏層，ω表示兩層之間的權(quán)值；對于RBM的可見層和隱藏層，其連接關(guān)系為層間神經(jīng)元全連接，層內(nèi)神經(jīng)元不連接；

假設(shè)可見層和隱藏層神經(jīng)元都由二進(jìn)制表示，可見層和隱藏層的神經(jīng)元數(shù)目分別為I和J，其中v_i和h_j分別表示第i個可見層神經(jīng)元和第j個隱藏層神經(jīng)元的狀態(tài)；對于一組特定的(vh)，RBM能量函數(shù)定義為

其中：RBM的參數(shù)θ＝(ω_ij,a_i,b_j)，ω_ij表示可見層節(jié)點v_i與隱藏層節(jié)點h_j之間的權(quán)值，a_i和b_j分別表示v_i和h_j的偏置；根據(jù)該能量函數(shù)，得到(v,h)的聯(lián)合概率分布為

p(v,h|θ)＝e^-E(v,h|θ)/Z(θ) (6)

其中：是配分函數(shù)；

第j個隱藏層節(jié)點的激活概率為

其中：σ(x)＝1/(1+e^-x)是sigmoid函數(shù)。同理可得到第i個可見層節(jié)點的激活概率為

RBM是一個激活函數(shù)為sigmoid函數(shù)的隨機(jī)神經(jīng)網(wǎng)絡(luò)，通過迭代的方式進(jìn)行訓(xùn)練得到參數(shù)θ＝(ω_ij,a_i,b_j)的結(jié)果，并與給定訓(xùn)練數(shù)據(jù)進(jìn)行擬合，參數(shù)θ^*可以通過訓(xùn)練集上的極大對數(shù)似然函數(shù)得到，即

采用對比散度的算法來計算RBM的對數(shù)似然梯度，得到權(quán)值和偏置的參數(shù)更新表示為

△ω_ij＝ε(〈v_ih_j〉_data-<v_ih_j>_recon) (10)

△a_i＝ε(<v_i>_data-<v_i>_recon) (11)

△b_j＝ε(<h_j>_data-<h_j>_recon) (12)

其中：ε為預(yù)訓(xùn)練的學(xué)習(xí)率，<·>_data為訓(xùn)練數(shù)據(jù)所定義的數(shù)學(xué)期望，<·>_recon為重構(gòu)后的模型所定義的數(shù)學(xué)期望；至此完成RBM模型的預(yù)訓(xùn)練；

有監(jiān)督微調(diào)過程：

利用有監(jiān)督學(xué)習(xí)的分類器BP網(wǎng)絡(luò)對RBM預(yù)訓(xùn)練得到的特征向量權(quán)值和偏置進(jìn)行分類，并且起到微調(diào)由多個RBM堆疊構(gòu)成的整個DBN參數(shù)的作用；

BP網(wǎng)絡(luò)的訓(xùn)練分為前向傳播和后向傳播兩個階段：前向傳播階段，輸入特征向量被逐層傳播到輸出層，得到預(yù)測的分類結(jié)果；將預(yù)測得到的分類結(jié)果與標(biāo)準(zhǔn)標(biāo)注信息(訓(xùn)練階段已知數(shù)據(jù)的標(biāo)簽)進(jìn)行比較得到誤差，將誤差逐層向后回傳，從而實現(xiàn)DBN參數(shù)的微調(diào)；后向傳播過程中，需要計算每一層的靈敏度δ_p；

對于輸出層，假設(shè)第p個節(jié)點的實際輸出為o_p，期望輸出為d_p，則靈敏度δ_p的計算表達(dá)式為

δ_p＝o_p(1-o_p)(d_p-o_p) (13)

對于整個DBN的第l個隱藏層靈敏度的表達(dá)式為

其中，是第l層的第p個節(jié)點的輸出值；為第l層的第p個節(jié)點到第l+1層的第q個節(jié)點的權(quán)值；為第l+1層第q個節(jié)點的靈敏度。

獲取各層的靈敏度之后，DBN的權(quán)值和偏置根據(jù)式(15)和(16)進(jìn)行更新

其中，為第l層的第q個節(jié)點的偏置。

得到預(yù)訓(xùn)練和微調(diào)后的DBN網(wǎng)絡(luò)；

至此完成基于DBN網(wǎng)絡(luò)的變負(fù)載下滾動軸承多狀態(tài)識別模型的構(gòu)建。

本發(fā)明的有益效果是：

負(fù)載在滾動軸承的運行過程中通常是變化的，針對變負(fù)載下滾動軸承不同故障位置及不同性能退化程度多狀態(tài)識別困難的問題，提出一種基于集合經(jīng)驗?zāi)B(tài)分解-希爾伯特(EEMD-Hilbert)包絡(luò)譜和深度信念網(wǎng)絡(luò)(DBN)的滾動軸承狀態(tài)識別方法。本發(fā)明以滾動軸承為研究對象，解決了針對訓(xùn)練數(shù)據(jù)采用一種負(fù)載，測試數(shù)據(jù)選用其他負(fù)載的情況下，滾動軸承故障狀態(tài)及故障程度難以準(zhǔn)確識別的問題。選取EEMD分解后的敏感本征模態(tài)函數(shù)(intrinsic mode function，IMF)，做Hilbert變換并求其包絡(luò)譜，構(gòu)建高維特征數(shù)據(jù)。再利用DBN自適應(yīng)挖掘該高維數(shù)據(jù)中深層特征，降低負(fù)載因素對狀態(tài)識別的干擾，最終實現(xiàn)軸承正常和內(nèi)環(huán)、外環(huán)、滾動體故障及不同故障嚴(yán)重程度的多狀態(tài)識別。

該方法首先對滾動軸承各狀態(tài)振動信號進(jìn)行EEMD，然后選取敏感本征模態(tài)函數(shù)(IMF)，并對其進(jìn)行Hilbert變換求取包絡(luò)譜。最后將各狀態(tài)振動信號的IMF包絡(luò)譜按順序構(gòu)建新的高維數(shù)據(jù)，輸入到經(jīng)遺傳算法優(yōu)化各隱藏層節(jié)點結(jié)構(gòu)的DBN中，實現(xiàn)變負(fù)載下滾動軸承的多狀態(tài)識別。實驗結(jié)果表明：在運用DBN進(jìn)行滾動軸承10種狀態(tài)識別過程中，訓(xùn)練數(shù)據(jù)采用某種負(fù)載，測試數(shù)據(jù)選用其他負(fù)載的情況下，EEMD-Hilbert包絡(luò)譜比時域或頻域幅值譜能更好地體現(xiàn)出滾動軸承不同負(fù)載下的多狀態(tài)特征；且DBN相對淺層學(xué)習(xí)的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法，具有更高的識別率，各數(shù)據(jù)集識別率均達(dá)到92.5％以上。

附圖說明

圖1是本發(fā)明的變負(fù)載下滾動軸承多狀態(tài)識別流程圖，圖2是DBN結(jié)構(gòu)圖，圖3是RBM結(jié)構(gòu)圖，圖4是試驗臺示意圖，圖5是IR07狀態(tài)振動信號的EEMD分解圖，圖6是不同負(fù)載下IR07狀態(tài)所構(gòu)建的特征數(shù)據(jù)圖，圖7是不同優(yōu)化算法的尋優(yōu)過程圖。

具體實施方式

具體實施方式一：如圖1至7所示，本實施方式針對所述的一種EEMD-Hilbert包絡(luò)譜與DBN相結(jié)合的變負(fù)載下滾動軸承狀態(tài)識別方法進(jìn)行詳細(xì)說明：

1、滾動軸承各狀態(tài)識別

不同負(fù)載情況下，滾動軸承正常和內(nèi)環(huán)、外環(huán)、滾動體故障及不同性能退化程度的多狀態(tài)識別方法如圖1所示。

本發(fā)明結(jié)合滾動軸承振動信號的特點與深度學(xué)習(xí)的優(yōu)勢，實現(xiàn)DBN中無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)的有機(jī)結(jié)合，可同時完成變負(fù)載下各狀態(tài)深層特征挖掘和滾動軸承多狀態(tài)的識別，克服了傳統(tǒng)方法在特征提取與狀態(tài)識別中的不足。具體流程步驟為

1)獲取某種負(fù)載情況下滾動軸承振動信號，將其作為訓(xùn)練數(shù)據(jù)集，并進(jìn)行EEMD分解得到若干IMF，以時間少且準(zhǔn)確率高的原則進(jìn)行實驗，選取故障敏感的前T個IMF；

2)將相同狀態(tài)振動數(shù)據(jù)的各IMF進(jìn)行Hilbert變換并求取包絡(luò)譜，按順序構(gòu)建具有T個包絡(luò)譜的高維樣本特征，作為DBN的輸入；

3)設(shè)定DBN中隱藏層數(shù)N和學(xué)習(xí)率ε，并通過遺傳算法(genetic algorithm，GA)尋優(yōu)確定各隱藏層節(jié)點數(shù)m₁,m₂,…,m_N，以無監(jiān)督學(xué)習(xí)的方式逐層訓(xùn)練各個限制玻爾茲曼機(jī)(restricted boltzmann machine，RBM)，直到完成所有RBM的訓(xùn)練；

4)利用反向傳播(back-propagation，BP)網(wǎng)絡(luò)誤差反向傳播的原則進(jìn)行權(quán)值和偏置的微調(diào)，構(gòu)建變負(fù)載下滾動軸承多狀態(tài)識別模型；

5)將與訓(xùn)練數(shù)據(jù)不同負(fù)載下的滾動軸承振動信號作為測試數(shù)據(jù)。按照與訓(xùn)練數(shù)據(jù)相同的EEMD-Hilbert包絡(luò)譜方法進(jìn)行數(shù)據(jù)處理，結(jié)合步驟4)所得到的故障狀態(tài)識別模型，實現(xiàn)不同負(fù)載下滾動軸承的多狀態(tài)識別。

2、EEMD與Hilbert包絡(luò)譜

EEMD是在經(jīng)驗?zāi)B(tài)分解的基礎(chǔ)上加入多次高斯白噪聲，利用高斯白噪聲在頻域上具有均勻分布的特點，使加入白噪聲的分解信號在不同尺度上具有連續(xù)性，達(dá)到降低模態(tài)混疊的效果^[17]。將EEMD分解后得到的IMF記為

其中：c_i,j(t)為EMD分解所得IMF；c_j(t)為EEMD分解后所得到的第j個IMF；j＝1,2,…,J，J是IMF的個數(shù)，i＝1,2,…,M，M為總體平均次數(shù)。

原始信號x(t)分解的最終結(jié)果為

其中：r(t)為分解后的殘余分量。

EEMD得到各個IMF分量的瞬時頻率及其瞬時幅值均有實際的物理意義，即每個IMF分量都滿足Hilbert變換的條件。

對式(1)中的IMF分量作Hilbert變換可得

在此基礎(chǔ)上，對各IMF計算包絡(luò)信號，得到

對式(4)的信號進(jìn)行譜分析即可得到包絡(luò)譜。

3、DBN原理

DBN實質(zhì)上是由多個RBM網(wǎng)絡(luò)和一層有監(jiān)督的BP網(wǎng)絡(luò)堆疊而成的多層感知器神經(jīng)網(wǎng)絡(luò)，低層表示原始數(shù)據(jù)細(xì)節(jié)，高層表示數(shù)據(jù)屬性類別或特征，從低層到高層逐層抽象，具有逐步挖掘數(shù)據(jù)深層特征的特點，具體結(jié)構(gòu)如圖2所示。

DBN的訓(xùn)練過程包括預(yù)訓(xùn)練和微調(diào)兩個階段。預(yù)訓(xùn)練階段DBN采用逐層訓(xùn)練的方式對各層RBM進(jìn)行訓(xùn)練，低一層RBM隱藏層的輸出作為高一層RBM可見層的輸入。微調(diào)階段采用有監(jiān)督學(xué)習(xí)方式對最后一層的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將實際輸出與標(biāo)準(zhǔn)標(biāo)注信息所得的誤差逐層向后傳播，實現(xiàn)對整個DBN權(quán)值和偏置的微調(diào)。

3.1 RBM網(wǎng)絡(luò)

RBM源于熱動力學(xué)的能量模型，它由一個可見層和隱藏層組成，如圖3所示。其中，v和h分別表示可見層和隱藏層，ω表示兩層之間的權(quán)值。對于RBM的可見層和隱藏層，其連接關(guān)系為層間神經(jīng)元全連接，層內(nèi)神經(jīng)元不連接。

假設(shè)可見層和隱藏層神經(jīng)元都由二進(jìn)制表示，可見層和隱藏層的神經(jīng)元數(shù)目分別為I和J，其中v_i和h_j分別表示第i個可見層神經(jīng)元和第j個隱藏層神經(jīng)元的狀態(tài)。對于一組特定的(v,h)，RBM能量函數(shù)定義為

其中：RBM的參數(shù)θ＝(ω_ij,a_i,b_j)，ω_ij表示可見層節(jié)點v_i與隱藏層節(jié)點h_j之間的權(quán)值，a_i和b_j分別表示v_i和h_j的偏置。根據(jù)該能量函數(shù)，可以得到(v,h)的聯(lián)合概率分布為

p(v,h|θ)＝e^-E(v,h|θ)/Z(θ) (6)

其中：是配分函數(shù)。

由于RBM層內(nèi)神經(jīng)元不連接的結(jié)構(gòu)特點，當(dāng)可見層節(jié)點的狀態(tài)確定時，各隱藏層節(jié)點的激活狀態(tài)是相互獨立的。此時，第j個隱藏層節(jié)點的激活概率為

其中：σ(x)＝1/(1+e^-x)是sigmoid函數(shù)。同理可得到第i個可見層節(jié)點的激活概率為

RBM是一個激活函數(shù)為sigmoid函數(shù)的隨機(jī)神經(jīng)網(wǎng)絡(luò)，通過迭代的方式進(jìn)行訓(xùn)練得到參數(shù)θ＝(ω_ij,a_i,b_j)的結(jié)果，并與給定訓(xùn)練數(shù)據(jù)進(jìn)行擬合。參數(shù)θ^*可以通過訓(xùn)練集上的極大對數(shù)似然函數(shù)得到，即

為了快速計算RBM的對數(shù)似然梯度，可以采用對比散度^[18]的算法，得到權(quán)值和偏置的參數(shù)更新表示為

△ω_ij＝ε(<v_ih_j>_data-<v_ih_j>_recon) (10)

△a_i＝ε(<v_i>_data-<v_i>_recon) (11)

△b_j＝ε(<h_j>_data-<h_j>_recon) (12)

其中：ε為預(yù)訓(xùn)練的學(xué)習(xí)率，<·>_data為訓(xùn)練數(shù)據(jù)所定義的數(shù)學(xué)期望，<·>_recon為重構(gòu)后的模型所定義的數(shù)學(xué)期望。

3.2 BP網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種有監(jiān)督學(xué)習(xí)的分類器，可對RBM預(yù)訓(xùn)練得到的特征向量進(jìn)行分類，并且起到微調(diào)整個DBN參數(shù)的作用。BP網(wǎng)絡(luò)的訓(xùn)練分為前向傳播和后向傳播兩個階段。前向傳播階段，輸入特征向量被逐層傳播到輸出層，得到預(yù)測的分類結(jié)果。將預(yù)測得到的分類結(jié)果與標(biāo)準(zhǔn)標(biāo)注信息進(jìn)行比較得到誤差，將誤差逐層向后回傳，從而實現(xiàn)DBN參數(shù)的微調(diào)。后向傳播過程中，需要計算每一層的靈敏度。

對于輸出層，假設(shè)第p個節(jié)點的實際輸出為o_p，期望輸出為d_p，則靈敏度δ_p的計算表達(dá)式為

δ_p＝o_p(1-o_p)(d_p-o_p) (13)

對于整個DBN的第l個隱藏層靈敏度的表達(dá)式為

其中，是第l層的第p個節(jié)點的輸出值；為第l層的第p個節(jié)點到第l+1層的第q個節(jié)點的權(quán)值；為第l+1層第q個節(jié)點的靈敏度。

獲取各層的靈敏度之后，DBN的權(quán)值和偏置根據(jù)式(15)和(16)進(jìn)行更新

其中，為第l層的第q個節(jié)點的偏置。

4、對本本發(fā)明方法進(jìn)行應(yīng)用與分析

4.1 實驗數(shù)據(jù)

采用美國凱斯西儲大學(xué)電氣工程實驗室提供的滾動軸承實驗數(shù)據(jù)。試驗臺示意圖如圖4所示，電機(jī)驅(qū)動端深溝球軸承型號為SKF6205，利用16通道的數(shù)據(jù)記錄儀采集滾動軸承振動信號，采樣頻率包括12kHz和48kHz兩種。

實驗是在不同負(fù)載、不同轉(zhuǎn)速的情況下，對滾動軸承的正常狀態(tài)、內(nèi)環(huán)故障、外環(huán)故障和滾動體故障及不同性能退化程度共10種狀態(tài)的數(shù)據(jù)采集。本發(fā)明選用滾動軸承驅(qū)動端采樣頻率為48kHz的數(shù)據(jù)進(jìn)行實驗研究。其中將IR07、IR14和IR21分別表示滾動軸承內(nèi)環(huán)損傷直徑7mils、14mils和21mils的故障狀態(tài)；以此類推，B07、B14和B21分別表示滾動軸承滾動體不同性能退化的各故障狀態(tài)；OR07、OR14和OR21分別表示滾動軸承外環(huán)不同性能退化的各故障狀態(tài)；N表示正常狀態(tài)。每種狀態(tài)有0hp、1hp、2hp和3hp共計4種負(fù)載，每個時域樣本取2048點，10種狀態(tài)的0hp樣本分別為100組，其他負(fù)載每種狀態(tài)樣本分別200組。

實驗共設(shè)置4個數(shù)據(jù)集，分別表示某種負(fù)載數(shù)據(jù)訓(xùn)練，另外三種負(fù)載數(shù)據(jù)測試。例如數(shù)據(jù)集D1_023表示軸承10種狀態(tài)中，1hp負(fù)載下數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，0hp、2hp和3hp的數(shù)據(jù)作為測試數(shù)據(jù)集，以此類推。具體數(shù)據(jù)集的組成如表1所示。

表1 實驗數(shù)據(jù)集組成

4.2 特征數(shù)據(jù)集的構(gòu)造

EEMD算法中兩個重要參數(shù)分別為白噪聲的幅值系數(shù)k和總體平均次數(shù)M，結(jié)合文獻(xiàn)[17]和作者對本實驗數(shù)據(jù)的經(jīng)驗，取值分別為k＝0.1，M＝100。滾動軸承IR07的原始時域振動信號經(jīng)EEMD，得到若干IMF分量和殘余分量，如圖5所示。

由于EEMD得到的所有IMF中存在虛假和對故障不敏感的分量，針對選取前多少個IMF作為輸入數(shù)據(jù)的問題，本發(fā)明以滾動軸承10種狀態(tài)的數(shù)據(jù)集D1_023為例，綜合考慮所耗時間和識別準(zhǔn)確率兩個指標(biāo)，對基于前T個IMF的特征集進(jìn)行實驗。DBN參數(shù)設(shè)置參考文獻(xiàn)[15]，隱藏層數(shù)N＝3，學(xué)習(xí)率ε＝0.5，隱藏層節(jié)點結(jié)構(gòu)為600-200-100，最終結(jié)果取10次實驗所得平均值，詳見表2所示。

表2 選取不同IMF層數(shù)的實驗結(jié)果

由表2可以得出，當(dāng)t＝5，即選擇前5層IMF時，所耗時間和識別準(zhǔn)確率達(dá)到了較好效果。對于數(shù)據(jù)集D0_123、D2_013和D3_012可得到類似的實驗結(jié)果。故后續(xù)實驗均選取前5層IMF作為敏感IMF，再分別進(jìn)行Hilbert變換并求取包絡(luò)譜，得到每層IMF包絡(luò)譜共有1024點。最終將前5層IMF包絡(luò)譜數(shù)據(jù)按首尾相接的方式排列成一行，每個樣本數(shù)據(jù)變?yōu)?024×5＝5120點，即維數(shù)是5120，將其作為DBN的高維輸入數(shù)據(jù)。以數(shù)據(jù)集D1_023中IR07為例，構(gòu)造的特征數(shù)據(jù)如圖6所示。

4.3 DBN中隱藏層節(jié)點結(jié)構(gòu)優(yōu)化

在運用DBN進(jìn)行滾動軸承故障狀態(tài)識別時，應(yīng)充分考慮DBN的隱藏層節(jié)點結(jié)構(gòu)。按照文獻(xiàn)[15]設(shè)定DBN隱藏層數(shù)N＝3，各隱藏層節(jié)點數(shù)選取[100,2000]中的整數(shù)，通過GA、粒子群算法(particle swarm algorithm，PSO)和果蠅算法(fruit fly optimization algorithm，F(xiàn)OA)進(jìn)行優(yōu)化，迭代步數(shù)均設(shè)置為100步，得到DBN最佳網(wǎng)絡(luò)隱藏層節(jié)點結(jié)構(gòu)如表3所示，各優(yōu)化算法尋優(yōu)過程如圖7所示。

表3 不同優(yōu)化算法下的DBN隱藏層結(jié)構(gòu)

由表3和圖7的實驗結(jié)果可以看出，經(jīng)GA優(yōu)化的DBN結(jié)構(gòu)的識別準(zhǔn)確率最高，并且所消耗時間相比其他方法增加不多。因此，本發(fā)明采用GA算法優(yōu)化隱藏層節(jié)點結(jié)構(gòu)，即，2000-798-1646。又因為每個樣本的特征數(shù)據(jù)共計5120點，最終分類為10種狀態(tài)，所以DBN的輸入層特征向量的維數(shù)為5120，輸出層的維數(shù)為10。故DBN的整體網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為5120-2000-798-1646-10進(jìn)行后期的滾動軸承多狀態(tài)識別實驗。

4.4 變負(fù)載下滾動軸承狀態(tài)識別實驗

根據(jù)4.1至4.3的實驗說明及結(jié)論，基于變負(fù)載下滾動軸承10種狀態(tài)的數(shù)據(jù)集D0_123、D1_023、D2_013和D3_012進(jìn)行狀態(tài)識別實驗，得到各數(shù)據(jù)集實驗結(jié)果如表4所示。

表4 變負(fù)載下滾動軸承10種狀態(tài)識別結(jié)果

從表4實驗結(jié)果中可以看出，一種負(fù)載訓(xùn)練，多種負(fù)載測試的準(zhǔn)確率均達(dá)到92％以上。其中，運用1hp負(fù)載和2hp負(fù)載作為訓(xùn)練數(shù)據(jù)實驗效果較好，識別準(zhǔn)確率分別達(dá)到95.4％和94.6％。分析其原因，數(shù)據(jù)從0hp負(fù)載開始到3hp負(fù)載結(jié)束，1hp和2hp負(fù)載涵蓋在其區(qū)間內(nèi)，其數(shù)據(jù)所表現(xiàn)出的故障特征，更接近其他幾種負(fù)載下數(shù)據(jù)所表現(xiàn)出的故障特征，也就是說1hp或2hp負(fù)載作為訓(xùn)練數(shù)據(jù)，更能訓(xùn)練出滿足變負(fù)載下的滾動軸承多狀態(tài)識別模型。

為了進(jìn)一步對比本發(fā)明所提特征數(shù)據(jù)的性能，針對DBN具有對高維數(shù)據(jù)自主學(xué)習(xí)的特點，以D1_023數(shù)據(jù)集為例，在DBN參數(shù)不變的情況下，對變負(fù)載下滾動軸承的高維時域原始振動數(shù)據(jù)和頻域幅值譜數(shù)據(jù)進(jìn)行多狀態(tài)識別實驗，得到實驗結(jié)果如表5所示。

表5 不同高維特征數(shù)據(jù)的識別結(jié)果

從表5的實驗結(jié)果可以得出，DBN模型的訓(xùn)練準(zhǔn)確率均達(dá)到了100％，說明DBN能很好的對訓(xùn)練數(shù)據(jù)進(jìn)行狀態(tài)識別，但不同特征數(shù)據(jù)測試準(zhǔn)確率有很大的差別，時域信號測試準(zhǔn)確率低，說明時域信號訓(xùn)練數(shù)據(jù)所表達(dá)的特征不能很好的代表測試數(shù)據(jù)的特征，進(jìn)一步說明時域信號直接作為變負(fù)載下軸承多狀態(tài)識別的DBN輸入并不理想。對于頻域幅值譜特征和本發(fā)明所提出的特征相比，本發(fā)明所提出的特征測試識別準(zhǔn)確率明顯較高，說明本發(fā)明所提出的特征對故障的敏感性更強(qiáng)，具有更好的魯棒性。

針對DBN作為變負(fù)載下滾動軸承故障狀態(tài)分類器是否優(yōu)于一般淺層學(xué)習(xí)算法的問題，本發(fā)明按照文獻(xiàn)[19]提取滾動軸承時域、頻域和時頻域的不同指標(biāo)，構(gòu)造出低維特征并運用SVM和反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)進(jìn)行變負(fù)載下10種不同狀態(tài)的識別。同時，為了證明DBN相對淺層學(xué)習(xí)對高維數(shù)據(jù)具有自主學(xué)習(xí)和狀態(tài)識別的優(yōu)勢，將本發(fā)明所提的高維特征結(jié)合SVM和BPNN進(jìn)行滾動軸承的多狀態(tài)識別，實驗結(jié)果如表6所示。

表6 DBN與淺層學(xué)習(xí)SVM、BPNN的識別結(jié)果對比

從表6的實驗結(jié)果可以得出，變負(fù)載情況下運用SVM和BPNN結(jié)合滾動軸承低維特征進(jìn)行10種狀態(tài)識別，最高識別準(zhǔn)確率分別為64.25％和45.27％；SVM和BPNN處理本發(fā)明所提出的高維特征時，由于淺層學(xué)習(xí)算法和結(jié)構(gòu)的限制，最高識別準(zhǔn)確率分別僅有44.32％和36.16％。而采用具有良好自主學(xué)習(xí)的DBN結(jié)合人為干擾較少的高維特征數(shù)據(jù)，對變負(fù)載下滾動軸承10種狀態(tài)進(jìn)行識別，可獲得92.5％以上的識別準(zhǔn)確率。

5、本發(fā)明方法通過上述實驗可出如下結(jié)論

1)提出將EEMD分解后的敏感IMF的Hilbert包絡(luò)譜作為滾動軸承變負(fù)載下多狀態(tài)識別的高維輸入數(shù)據(jù)，相比時域數(shù)據(jù)和頻域幅值譜數(shù)據(jù)更能體現(xiàn)出變負(fù)載下軸承多狀態(tài)的特征，并具有更高的識別準(zhǔn)確率。

2)在訓(xùn)練數(shù)據(jù)采用某種負(fù)載，測試數(shù)據(jù)選用其他負(fù)載情況下，對滾動軸承10種狀態(tài)進(jìn)行識別，所提高維包絡(luò)譜特征數(shù)據(jù)結(jié)合具有良好自主學(xué)習(xí)的DBN識別方法，相比淺層學(xué)習(xí)的SVM和BPNN算法具有更高的識別率，相比已有的低維特征結(jié)合淺層學(xué)習(xí)的識別方法也具有更高的識別率，均達(dá)到92.5％以上。

3)對于DBN中隱藏層節(jié)點結(jié)構(gòu)的設(shè)置問題，通過優(yōu)化算法對比實驗可知，GA優(yōu)化該參數(shù)在時間消耗不是很大的情況下可獲得較高的識別率，避免了人為經(jīng)驗設(shè)置的弊端。

下一步工作是在本發(fā)明研究基礎(chǔ)上，搭建振動試驗臺來進(jìn)一步對本發(fā)明方法進(jìn)行實驗驗證，同時重點針對滾動體故障狀態(tài)識別錯誤的問題，尋找變負(fù)載情況下更敏感的輸入。對深度學(xué)習(xí)理論進(jìn)行更深一步地研究，盡量減少人為數(shù)據(jù)處理，進(jìn)一步提高變負(fù)載下滾動軸承多狀態(tài)的識別準(zhǔn)確率。

本發(fā)明所引用的參考文獻(xiàn)明細(xì)如下：

[1]王國彪，何正嘉，陳雪峰，等.機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J].機(jī)械工程學(xué)報，2013，49(1)：63-72.

Wang Guobiao，He Zhengjia，Chen Xuefeng，et al.Basic research on machinery fault diagnosis—what is the prescription[J].Journal of Mechanical Engineering，2013，49(1)：63-72(in Chinese).

[2]何正嘉，曹宏瑞，訾艷陽，等.機(jī)械設(shè)備運行可靠性評估的發(fā)展與思考[J].機(jī)械工程學(xué)報，2014，50(2)：171-186.

He Zhengjia，Cao Hongrui，Zi Yangyang，et al.Developments and Thoughts on Operational Reliability Assessment of Mechanical Equipment[J].Journal of Mechanical Engineering，2014，50(2)：171-186(in Chinese).

[3]劉長良，武英杰，甄成剛.基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J].中國電機(jī)工程學(xué)報，2015，35(13)：3358-3368.

Liu Changliang，Wu Yingjie，Zhen Chenggang.Rolling Bearing Fault Diagnosis Based on Variational Mode Decomposition and Fuzzy C Means Clustering[J].Proceedings of the CSEE，2015，35(13)：3358-3368(in Chinese).

[4]孔佑炳，郭瑜，伍星.基于EEMD的混合陶瓷球軸承故障雙沖擊特征提取[J].振動與沖擊，2016，35(1)：17-22.

Kong Youbing，Guo Yu，Wu Xing.Double-impulse feature extraction of faulty hybrid ceramic ball bearings based on EEMD[J].Journal of Vibration and Shock，2016，35(1)：17-22(in Chinese).

[5]康守強(qiáng)，王玉靜，楊廣學(xué)，等.基于經(jīng)驗?zāi)B(tài)分解和超球多類支持向量機(jī)的滾動軸承故障診斷方法[J].中國電機(jī)工程學(xué)報，2011，31(14)：96-102.

Kang Shouqiang，Wang Yujing，Yang Guangxue，et al.Rolling bearing fault diagnosis method using empirical mode decomposition and hypersphere multiclass support vector machine[J].Proceedings of the CSEE，2011，31(14)：96-102(in Chinese).

[6]孟宗，李珊珊.基于小波改進(jìn)閾值去噪和HHT的滾動軸承故障診斷[J].振動與沖擊，2013，32(14)：204-208+214.

Meng Zong，Li Shanshan.Rolling bearing fault diagnosis based on improved wavelet threshold de-noising method and HHT[J].Journal of Vibration and Shock，2013，32(14)：204-208+214(in Chinese).

[7]彭暢，柏林，謝小亮.基于EEMD、度量因子和快速峭度圖的滾動軸承故障診斷方法[J].振動與沖擊，2012，32(20)：143-146.

Peng Chang，Bo Lin，Xie Xiaoliang.Fault diagnosis method of rolling element bearings based on EEMD，measure-factor and fast kurtogram[J].Journal of Vibration and Shock，2012，32(20)：143-146(in Chinese).

[8]張孝遠(yuǎn)，周建中，黃志偉，等.基于粗糙集和多類支持向量機(jī)的水電機(jī)組振動故障診斷[J].中國電機(jī)工程學(xué)報，2010，30(20)：88-93.

Zhang Xiaoyuan，Zhou Jianzhong，Huang Zhiwei，et al.Vibrant fault diagnosis for hydro-turbine generating unit based on rough sets and multi-class support vector machine[J].Proceedings of the CSEE，2010，30(20)：88-93(in Chinese).

[9]孟宗，胡猛，谷偉明，等.基于LMD多尺度熵和概率神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J].中國機(jī)械工程，2016，27(4)：433-437.

Meng Zong，Hu Meng，Gu Weiming，et al.Rolling Bearing Fault Diagnosis Method Based on LMD Multi-scale Entropy and Probabilistic Neural Network[J].China Mechanical Engineering，2016，27(4)：433-437(in Chinese).

[10]雷亞國，陳吳，李乃鵬，等.自適應(yīng)多核組合相關(guān)向量機(jī)預(yù)測方法及其在機(jī)械設(shè)備剩余壽命預(yù)測中的應(yīng)用[J].機(jī)械工程學(xué)報，2016，52(1)：87-93.

Lei Yaguo，Chen Wu，Li Naipeng，et al.A Relevance Vector Machine Prediction Method Based on Adaptive Multi-kernel Combination and Its Application to Remaining Useful Life Prediction of Machinery.Journal of Mechanical Engineering，2016，52(1)：87-93(in Chinese).

[11]Hinton G E，Salakhutdinov R R.Reducing the dimensionality of data with neural networks[J].Science，2006，313(5786)：504-507.

[12]Lecun Y，Hinton G E.Deep learning[J].Nature，2015，521(14539)：436-444.

[13]Tamilselvan P，Wang P.Failure diagnosis using deep belief learning based health state classification[J].Reliability Engineering&Systems Safety，2013，115(7)：124-135.

[14]李巍華，單外平，曾雪瓊.基于深度信念網(wǎng)絡(luò)的軸承故障分類識別[J].振動工程學(xué)報，2016，29(2)：340-347.

Li Weihua，Shan Waiping，Zeng Xueqiong.Bearing fault identification based on deep belief network[J].Journal of Vibration Engineeing，2016，29(2)：340-347(in Chinese).

[15]Jia Feng，Lei Yaguo，Lin Jing，et al.Deep neural networks:A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data[J].Mechanical Systems and Signal Processing，2016，72-73：303-315.

[16]蔣麗英，李茜茜，崔建國，等.變載荷條件下的滾動軸承在線故障診斷方法[J].軸承，2016，(6)：51-55.

Jiang Liwen，Li Xixi，Cui Jianguo，et al.Online fault diagnosis method for rolling bearings under variable load conditions[J].Bearing，2016，(6)：51-55(in Chinese).

[17]Wu Zhaohua，Huang Norden E.Ensemble empirical mode Decomposition：A noise assisted data analysis method[J].Advances in Adaptive Data Analysis，2009，1(1)：1-41.

[18]Hinton G E.Training products of experts minimizing contrastive divergence[J].Neural Computation，2002，14(8)：1771-1800.

[19]Kang Shouqiang，Ma Danyang，Wang Yujing，et al.Method of assessing the state of a rolling bearing based on the relative compensation distance of multiple-domain features and locally linear embedding[J].Mechanical Systems and Signal Processing，2017，86：40-57.