基于深度学习的滚动轴承故障诊断研究综述

张雪英，栾忠权，刘秀丽

（北京信息科技大学现代测控技术教育部重点实验室，北京 100192）

基于深度学习的滚动轴承故障诊断研究综述

张雪英，栾忠权，刘秀丽

（北京信息科技大学现代测控技术教育部重点实验室，北京 100192）

深度学习以其他方法不可比拟的优势为轴承的故障诊断提供了新思路和新方法。分析深度学习的主要模型及在滚动轴承故障诊断中的应用，指出深度学习在滚动轴承故障诊断方面面临的一些挑战和可行的解决方法。

深度学习；滚动轴承；故障诊断

10.16621/j.cnki.issn1001-0599.2017.12.59

0 引言

在现代工业中，机械设备的故障诊断具有十分重要的意义，一旦机械设备发生故障，则会造成巨大的经济财产损失，更有甚者会带来不同程度的人员伤亡。因此，寻找更好的故障诊断方法以保证机器的正常运行就显得十分必要。滚动轴承是机械设备中最常用的部件，被人们称为机械的关节。它具有效率高、摩擦阻力小、装配方便、润滑易实现等优点，因此在旋转机械上应用非常普遍。滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一，其健康状况对机器的稳定性和寿命有很大的影响。在工作过程中，滚动轴承由于润滑剂污染，过载等原因可能会发生外圈损坏，内圈损坏，滚动体损坏等故障。因此，有效的故障诊断方法对滚动轴承的寿命和稳定性至关重要。传统的滚动轴承的诊断系统包含信号测取、特征提取、状态识别、诊断分析和决策干预等5个环节。常用的滚动轴承的故障诊断方法包括温度法，油液法，振动法。由于温度法不能及时的诊断出轴承早期磨损的微小故障，而油液法仅适合与油润滑轴承，因此振动法在轴承故障诊断中应用较为广泛[1]。

近年来，深度学习以其他方法不可比拟的优势为轴承的故障诊断提供了新思路和新方法。分析深度学习的4种主要模型以及近年来国内外将深度学习应用于滚动轴承故障诊断的实例。指出深度学习在滚动轴承故障诊断方面存在的挑战。

1 深度学习的发展

近年来，深度学习在视觉方面和语音识别方面取得了飞速的进展并大获成功，但在故障诊断领域应用稍显不足。深度学习是含有多个隐层的多层感知器。相较于传统人工神经网络而言，在网络深度方面，深度学习网络中隐含层的层数增加，网络学习得到的函数中非线性运算组合的数量增多。在算法方面，深度学习的算法具有更好的逼近复杂函数的能力，可以很好的实现复杂高维函数的表示。深度学习经过近十年的发展，形成的基本框架有：深度置信网络（DBN）、卷积神经网络（CNN）、堆叠自动编码机（SAE）、递归神经网络（RNN）[2]。

2 深度学习主要框架及故障诊断研究现状

2.1 深度置信网络（DBN）及故障诊断研究现状

深度置信网络是2006年由Hinton提出的一种典型的深度学习框架。深度置信网络的结构类似于是由多个受限玻尔兹曼机（RBM）堆叠而成的网络。每个RBM由可见层和隐层组成，可见层和隐层之间由权重连接，输入层接收数据并将数据传递至隐层组成第一个受限玻尔兹曼机，低层的RBM的输出作为高一层的RBM的输入，通过逐层传递，高层的特征表达则比低层的更加抽象和更具有表征能力。DBN通过这种逐层传递的思想可以直接对轴承的原始数据进行故障的识别和诊断[3]。RBM原理如图1所示。

图1 受限玻尔兹曼机（RBM）网络架构

采用传统故障诊断方法时，对预处理后的数据一般是通过时域、频域等分析其单变量特征，通过频域、熵、能量谱等分析提取多变量特征，通过时频分析提取图像特征，然后进行模型的分类与故障的诊断。深度置信网络则是对预处理后的数据进行特征自动提取与选择，从而进行模型的分类与故障诊断。这种特征的自动提取可以有效避免传统的特征提取方法所带来的不确定性和复杂性。

目前将DBN应用于滚动轴承故障诊断仍处于起步阶段。Shao等[4]提出了一种带有DTCWPT（dual tree complex wavelet package transform，双树复小波包）的自适应DBN的新方法，并将其应用于滚动轴承的故障诊断，结果表明该方法可以减少特征选择的必要性，有效的识别滚动轴承的故障。单外平等[3]则分别将通过原始数据直接输入、提取多变量14组特征输入、提取5组特征作为输入、提取时频图图像像素300×400作为输入、将时频图经双向主成分分析压缩至10×10后的像素作为输入、5种输入方法，并将上述5种方法所得到的结果与DBN相比较，实验结果以原始数据为输入的DBN应用于轴承故障识别取得了最高的正确率，实验结果表明：DBN可以直接通过原始数据对轴承进行高效识别。李巍华等[5]直接将DBN应用于处理轴承振动的原始信号并进行试验验证，结果表明DBN可以直接通过原始数据对轴承故障进行分类识别。Wang等[6]提出了基于希尔伯特包络谱和DBN的轴承故障诊断方法。首先，对不同测试条件下的轴承振动信号进行重新采样。其次，直接用重采样信号的希尔伯特包络谱作为特征向量来表征轴承的故障类型。最后，建立一个DBN分类器模型来识别轴承的故障类型。实验结果表明，基于希尔伯特包络谱和DBN的方法可以获得更好的诊断性能。

2.2 卷积神经网络（CNN）及故障诊断研究现状

卷积神经网络是一个多层的神经网络，享有共同权值的结构大大降低了网络模型的复杂度。卷积神经网络由输入层、交替连接的卷积层和子采样层、全连接层以及输出层组成[7]。CNN典型架构如图2所示。

图2 卷积神经网络（CNN）典型架构

由于CNN的输入数据需要满足2D的结构特征，所以基于CNN算法实现滚动轴承故障诊断不如基于DBN的关于滚动轴承故障诊断的算法多，还处于摸索阶段。Wei Zhang等[8]提出了一种带有新的训练方法的深度卷积神经网络用于嘈杂环境和变化的工作负载下滚动轴承故障诊断的方法，经过试验验证该方法能在嘈杂环境和变化负载情况下都具有较高的准确性和稳定性，且在该方法中原始数据无需手工提取过程即不需要任何的辅助算法。Xia M等[9]提出了一种基于CNN的旋转机械故障诊断方法，即利用CNN的结构优势来实现多传感器的融合。通过对滚动轴承和齿轮箱对该方法进行试验，结果表明与传统的旋转机械故障诊断方法相比该方法能达到更高的诊断精度。而Janssens等[10]则采用CNN实现了无需专家经验的故障检测与识别算法，成功解决了旋转机械中外圈滚道故障和润滑性能退化两种传统方法很难实现的故障诊断.

2.3 堆栈自动编码机（SAE）及故障诊断研究现状

堆栈自动编码机（SAE）是由多个自动编码器（AE）堆叠而成。自动编码器是一种数据驱动的、非监督地学习数据特征的神经网络模型。堆栈自动编码机（SAE）可以视为一个输出节点数与输入节点数相等的多层神经网络。由自动编码器层叠后，再在顶层加上一个单层的逻辑回归分类器所得到的整个深层神经网络即为堆栈自动编码机（SAE）[11]。SAE实现故障诊断的两大功能是降噪滤波和特征提取。

近年来，人们越来越关注将SAE用于实现故障诊断，俞啸等[12]在基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法中为了实现对滚动轴承故障位置和损伤程度的准确定位，将类别判别信息引入到无监督的稀疏编码中，提出一种有监督稀疏编码方法。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析，使用HHT-SSC-SVM模型，驱动端轴承故障状态识别率为99.5%，风扇端轴承故障状态识别率为98.25%，在故障状态识别率上表现出了较强的适应能力。苗中华等[13]将稀疏编码应用于轴承振动信号分析并通过实验验证表明基于稀疏编码的振动信号特征提取算法该方法可用于设备故障诊断。Liu H[14]等提出了一种基于短时傅里叶变换和堆叠稀疏自动编码器的新型滚动轴承故障诊断方法。在通过短时傅里叶变换获得频谱图之后，采用堆叠稀疏自动编码器自动提取故障特征，采用softmax回归作为故障模式分类方法，并通过滚动轴承振动信号测试来验证所提出的方法的性能和有效性。

2.4 递归神经网络（RNN）及故障诊断研究现状

在BP网络的基础上加入反馈信号及偏差单元构成递归神经网络，根据反馈途径的不同，RNN可构成Jordan和Elman型两种不同的递归神经网络[15]。2种模型的结构如图3所示。

在Elman网络中含有一个特别的能从隐层接收反馈信号的关联层，相当于状态反馈[16]。Jordan网络中只含有输出反馈，不含有状态反馈，所以只有反映到输出的特性可由Jordan网络表达[17]RNN充分考虑了以神经网络之间的连接体现出来的样本之间的关联关系[18-20]。在故障诊断方面，RNN提高了故障诊断效率，改善了现有神经网络故障诊断方法，适用于复杂设备或系统的实时故障诊断。

图3 递归神经网络

在应用RNN进行滚动轴承的故障诊断方面，汤宝平等[21]提出了一种基于Elman神经网络的旋转机械故障诊断模型，其综合了经验模态分解的特征提取和Elman神经网络在故障模式识别方面的优势，通过对深沟球轴承故障诊断实例验证了所提故障诊断模型的有效性。李文强等[22]提出了基于粒子群优化算法（PSO）优化Elman神经网络的滚动轴承故障诊断模型。采用具有动态递归特性的Elman神经网络代替常用的前向传播神经网络BP神经网络，可以增强滚动轴承故障诊断模型的联想和泛化能力。采用粒子群优化算法对Elman神经网络的学习训练过程进行优化，充分利用粒子群优化算法的全局寻优性能，能克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。仿真结果显示，较之传统方法，该模型能够快速准确的对滚动轴承进行故障诊断。Tang BP等[23]提出了一种基于Elman神经网络的旋转机械故障诊断方法。利用经验模态分解（EMD）将故障振动信号分解为几个静止固有模态函数（IMF），并将其视为Elman神经网络用于故障诊断的输入特征向量，通过深沟球轴承故障诊断实例验证了故障诊断模型的有效性。

3 深度学习在滚动轴承故障诊断方面的挑战和研究思路

经过近些年的发展，将深度学习方法应用于滚动轴承的故障诊断已初现端倪，国内外也有一些将深度学习方法用于对滚动轴承的故障特征有效的进行提取、选择和分类的报道，但仍存在一些挑战性问题需要解决。

（1）多层次、非线性的复杂故障诊断。由于滚动轴承可能出现早期故障、微弱故障、系统故障和复合故障等，深度学习对滚动轴承在这方面的诊断还没有较可靠的方法。一种可行的思路是利用CNN适合处理海量数据的特点，将滚动轴承的监测数据组合为2维数据图谱从而利用CNN实现多层次、非线性的复杂特征提取。

（2）深度学习的模型层数和模型参数的调整。深度学习在进行滚动轴承的故障诊断时其特征提取模型需要调节模型层数和模型参数，而模型层数和模型参数的确定需要不断的尝试以及极大的经验，目前还没有确定的方法。一个可行的思路是可以从最大化特征提取数量、识别精度来实现有监督的模型训练[2，24]。

（3）深度学习方法在滚动轴承故障数据样本缺失情况下的故障诊断。在数据样本不全面的情况下进行有效的特征提取是现在面临的一个挑战。一个可行的思路是先将滚动轴承不同类型的故障注入实验仿真分析平台得到仿真信号，然后利用RNN进行滚动轴承故障特征信号的预测并与现有的状态信号作残差来实现滚动轴承的故障特征提取[2]。

4 结论

本文主要介绍深度学习4种主要模型的基本原理，并对目前为止部分国内外将深度学习方法用于滚动轴承故障诊断的实例进行阐述。深度学习方法为提高滚动轴承更加准确和高效的故障诊断提供了新思路。最后指出目前深度学习在滚动轴承故障诊断方面的应用尚不成熟，对于复杂性的故障诊断、模型的参数优化调整等方面存在的一些挑战并提出了进行深入研究的思路。

［1］于婷婷.基于BP神经网络的滚动轴承故障诊断方法［D］.大连：大连理工大学，2008.

［2］任浩，屈剑锋，柴毅，唐秋，叶欣.深度学习在故障诊断领域中的研究现状与挑战［J］.机械工程学报，2017，32（8）：1345-1358.

［3］单外平，曾雪琼.基于深度信念网络的信号重构与轴承故障识别［J］.电子设计工程，2016，24（4）：67-71.

［4］Haidong Shao， Hongkai Jiang n， Fuan Wang， Yanan Wang.Rolling bearing fault diagnosis using adaptive deep belief network with dual-tree complex wavelet packet［J］.ISA Transactions，2016（69）:187-201.

［5］李巍华，单外平，曾雪琼.基于深度信念网络的轴承故障分类识别［J］.振动工程学报，2016，29（2）:340-347.

［6］Wang Xingqing， Li Yanfeng， Ting Rui， et al.Bearing fault diagnosis method based on Hilbert envelope spectrum and deep belief network［J］.J of Vibroengineering，2015，17（3）:1295-1308.

［7］曾雪琼.基于卷积神经网络的变速器故障分类识别研究［D］.广州：华南理工大学，2016.

［8］Wei Zhang， Chuanhao Li， Gaoliang Peng， Yuanhang Chen，Zhujun Zhang.A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load［J］.Mechanical Systems and Signal Processing，2017，100（2018）：439-453.

［9］Xia M， LiT， Xu L， etal.FaultDiagnosis forRotating Machinery Using Multiple Sensors and ConvolutionalNeural Networks［J］.IEEE/ASME Transactions on Mechatronics，2017（99）:1-1

［.10］Olivier Janssens，Viktor Slavkovikj，Bram Vervisch，et al.Convolutional neural network based fault detection for rotating machinery［J］.J of Sound and Vibration，2016（337）331-345

［11］林洲汉.基于自动编码机的高光谱图像特征提取及分类方法研究［D］.黑龙江：哈尔滨工业大学，2014.

［12］俞啸，丁恩杰，陈春旭，等.基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法［J］.煤炭学报，2015，40（11）:2587-2595.

［13］苗中华，周广兴，刘海宁，等.基于稀疏编码的振动信号特征提取算法与实验研究［J］.振动与冲击，2014，33（15）:76-81.

［14］Liu H，Li L，Ma J.Rolling Bearing Fault Diagnosis Based on STFT-Deep Learning and Sound Signals［J］.2016，2016（2）:12.

［15］陈如清.两种基于神经网络的故障诊断方法［J］.中国电机工程学报，2005，25（16）:112-115.

［16］王晓霞，马良玉，王兵树，等.进化 Elman神经网络在实时数据预测中的应用［J］.电力自动化设备，2011，31（12）:77-81.

［17］姜述强，金鸿章，魏凤梅.可容错的遥控水下机器人递归神经网络控制［J］.哈尔滨工业大学学报，2013，45（9）:57-63.

［18］DanilV Prokhorov.Toyota priusHEV neuro controland diagnostics［J］.Neural Networks，2008，21（2/3）:458-465.

［19］王旭红，何怡刚.基于对角递归神经网络的异步电动机定子绕组匝间故障诊断方法［J］.电力自动化设备，2009，29（7）:60-63.

［20］Li Shi，Lijia Wang，Zhizhong Wang.The modeling and the sensor fault diagnosis of a continuous stirred tank reactor with a takagisugeno recurrent fuzzy neural network［J］.Int J of Distributed Sensor Networks，2009，5（1）:37.

［21］汤宝平，习建民，李锋.基于Elman神经网络的旋转机械故障诊断［J］.计算机集成制造系统，2010，16（10）:2148-2152.

［22］李文强.应用粒子群优化的动态递归神经网络诊断滚动轴承故障［C］.第十五届中国科协年会第1分会场：绿色化营运·创新型人才国际论坛，中国贵州贵阳，2013-5-25.

［23］Tang B P，Jian-Min X I，Feng L I.Fault diagnosis for rotating machinery based on Elman neural network［J］.Computer Integrated Manufacturing Systems，2010，16（10）:2148-2152.

［24］Sarah M Erfani，Suthar shan Rajasegarar，Shanika Karunasekera，et al.High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning［J］.Pattern Recognition，2016，58:121-134.

TH165+.3

B

国家自然科学基金项目（51275052）；国家高技术发展研究计划（2015AA043702）

〔编辑 凌 瑞〕