Page 98 - 《软件学报》2021年第8期

2380 Journal of Software 软件学报 Vol.32, No.8, August 2021

Bearing data provided by Case Western Reserve University are used to carry out experiments. Experimental results demonstrate that the
proposed algorithm inherits the accuracy and robustness of the deep learning model, and has higher diagnosis accuracy and lower time
delay.
Key words: industrial Internet of things; fault diagnosis; bearing; one-dimensional convolution neural network; joint feature

工业物联网是驱动工厂智能化改造与网络协同制造纵深发展的重要技术基础 [1,2] ,由此催生的智能产线已
逐步实现柔性化、定制化、自适应的混流制造模式.然而,伴随着不断增长的设备规模、愈发精密的元件和更
加多元的机械组合方式,产线设备集群协作的智能化和复杂度不断提高,其运维强度和难度均大幅度增大.对于
不同设备可能出现的意外行为模式以及无法用精确数学模型描述的工业流程,传统的机理模型和经验模型将
[3]
失去对未知工作模式的解释能力 .随着泛在感知和人工智能的兴起,依靠部署传感器网络捕获关联松散的智
能产线信息物理要素,结合基于机器学习的数据驱动模型实现设备运行状态特征提取和故障诊断,体现了巨大
的潜力 [4−6] .
针对特定机械设备运行数据驱动构建的故障诊断模型,仅对该设备的状态具备解释性,不具备泛化能力;而
以机械设备为单位建立单独的诊断模型成本极高 [7,8] .若将目光放在更小但具有代表性的机械元件上,则能大幅
度削减诊断模型的建模成本.作为设备运转的关键部件之一,滚动轴承几乎存在于所有机械中,是机械设备中最
易损坏、也最能反映机械健康状态的元件.研究表明:在工业物联网大型机械的故障中,轴承缺陷占比达 40%;
[9]
在小型机械故障中,轴承缺陷的占比达 90% .因此,轴承的运行数据包含大量机械运行状况的信息 [10] ,依靠轴承
运行数据构建的故障诊断模型将具备更好的泛化能力 [11] .
现有数据驱动的轴承故障建模研究在特征信号选择上涵盖了振动、电流、电压、声信号.文献[12]通过融
合声信号和振动信号进行轴承的故障检测,实验表明,振动信号比声信号包含更丰富的状态信息.文献[13]使用
声发射信号进行故障分类,虽然短时傅里叶变换代替信号处理和特征提取技术减少了数据预处理的时延,但是
模型精度受不规则噪音影响严重.文献[14]选择电动机本身的电流信号结合深度卷积神经网络(convolutional
neural network,简称 CNN)和信息融合技术进行故障的分类,复杂的故障分类过程佐证了电流信号中相关信息
的贫乏.上述文献表明了,运用振动信号进行轴承故障检测具有明显优势.具有分类能力的机器学习模型能够通
过训练大量特征信号实现故障模式识别.与浅层学习模型相比,深层学习模型具有特征自动学习能力,诊断准确
度和鲁棒性更加优越 [15−17] .作为一种典型的深层学习架构,CNN 将特征提取、特征变换、信息融合、模式识别
整合在同一深层结构中.在故障诊断领域,CNN 的应用思路主要分为两个方向.第 1 类是将信号转换到频域,由
CNN 提取频率特征完成分类.如:Janssen 等人 [18] 采用了离散傅里叶变换将振动信号变换到频域,并训练带标记
样本的 CNN 完成齿轮箱故障诊断;Guo 等人 [19] 将连续小波变换后的结果作为 CNN 的输入矩阵来诊断旋转故
障,并取得了良好的诊断效果.在此类研究中,CNN 仅作为分类器,优秀的多层特征提取和抽象能力未得到充分
利用.第 2 类是利用时间序列信号的图像作为 CNN 的输入,将故障诊断问题视为图像识别问题.Wen 等人 [20] 将
轴承振动信号图像作为 CNN 的输入,诊断准确率在 95%以上.Wang 等人 [21] 对原始信号进行了预处理,用短时傅
里叶变换得到时频图,通过 CNN 自适应提取时频特征完成诊断.
以上两类研究中,引入的 CNN 是以二维矩阵为输入的 2D-CNN.然而,机器运行期间产生的振动、压力等状
态信号通常是一维向量 [22−24] .因此,部分学者尝试构建 1D-CNN [25] 实现故障诊断.例如,Turker 等人 [26] 测试了电
机的电流,并利用 1D-CNN 实现实时状态监测和故障诊断;Peng 等人 [27] 利用 1D-CNN 对轮毂轴承的振动信号进
行故障诊断,取得了较好的效果.与 2D-CNN 相比,1D-CNN 对于一维时间序列信号无需傅里叶变换、小波变换
等时频变化处理,而是直接输入原始的时间序列信号,避免了因时频变换导致的特征丢失或失真 [28] .
尽管 1D-CNN 能通过数据驱动的方式良好分类轴承工况,但是作为一种深层学习模型,1D-CNN 需要大幅
度降低硬件设施的存储计算负担、加速模型训练进程,以适应时延敏感的工业故障诊断应用.因此,本文以一维
卷积神经网络为架构对轴承振动状态进行健康监测和故障诊断.为缩减训练时延、去除故障信息重叠的冗余信
号区域,所提算法对轴承不同工况下产生的原始振动信号进行裁剪,将裁剪获得的信号区域作为特征学习空间,
并行输入 1D-CNN 中以提取各工况下的代表性特征,并优先针对健康状态选择代表性特征构造健康状态判别