摘要： 滚动轴承作为直升机自动倾斜器关键部件之一，在高负载状况下易产生损伤，对直升机的正常飞行造成很大困扰，影响飞机的安全。因此研究对应的故障诊断方法尤为关键，深度学习是近几年新起的机器学习方法，本文对该方法在轴承故障诊断的研究现状进行介绍。
关键词：自动倾斜器；滚动轴承；深度学习；故障诊断
中文分类号： 文献标志码：
1.引言
由于直升机自动倾斜器结构复杂，难以拆卸，目前对滚动轴承的检修方式通常是人工检修，这种方式维修费用高、周期长、排故率低。因此研究自动倾斜器滚动轴承故障诊断方法成为必然趋势。故障诊断技术是一种多学科交叉的综合性技术，其目的就是通过分析反映设备相关信息的数据，准确判断设备及其内部组件是否出现故障，以决定其能否正常运行或需要进行维修和防护[1]。
近年来，国内外学者针对滚动轴承状态监测和故障诊断方面进行了大量的研究，取得了一定的成果。研究主要集中在特征提取和状态识别这两部分，这是轴承智能状态监测的核心组成部分[2]。智能诊断作为机械故障检测技术的新进展，其中人工神经网络(ANN)和支持向量机(SVM)是两种最常用的方法。通常，基于ANN和SVM的旋转机械故障诊断两个重要的步骤：使用信号处理技术进行特征提取以及使用模式识别技术进行故障识别[3]。Jamadar等等[4]选取24个无量纲参数描述轴承工况，并且采用BP神经网络对各种故障进行分类。郑近德等[5]引入多尺度模糊熵作为输入特征，用SVM作为轴承故障分类器。
虽然传统智能诊断方法已广泛用于机械故障诊断，它们仍然有三个固有缺点：1.传统智能方法的诊断性能十分依赖被提取和被选择特征的质量。在工程实践中，来自旋转机械的振动信号通常强噪声下复杂的且非稳态的。其次，轴承故障通常不是单一的，是多种故障在一起的。2.在不同的诊断问题中选择最敏感特征是一项费时费力的工作[6]，在大多数情况，特征选择大多依赖诊断专家的工程经验。3.传统智能诊断方法如ANN,SVM属于浅层学习模型，意味着不超过一个非线性变换。各种研究结果表明浅层学习模型很难有效地学习非线性关系。因此，需要构建深度结构用于滚动轴承故障特征的自动有效学习。深度学习是一种新的机器学习方法，它有很大能力去克服传统智能方法的固有缺点。深度学习方法和传统智能方法的最显著不同在于深度学习方法能从原始数据自动学习有价值的特征，而不是人工分离或选择特征。因此，深度学习方法能摆脱对各种信号处理技术和领域专家的依赖[3]。本文重点介绍深度学习方法在滚动轴承故障诊断中的应用。
2.深度学习方法
2.1卷积神经网络(CNN)
卷积神经网络是一种含多个隐层的深度学习网络模型，由输入层、隐层、全连接层、输出层组成，能通过逐层的特征传递，将低层特征变换到高层特征，以实现特征的学习和表达[7]。与 BP 神经网络、SVM等浅层网络相比，CNN 对复杂特征的学习表达能力更强，运算速度更快，避免了训练陷入局部极值等问题。韩涛等[8]利用多小波变换得到多小波系数矩阵作为特征图输入CNN，提高了对滚动轴承复合故障的识别率，降低了训练成本。对于一维振动信号，传统的2维CNN模型可能会失去其优势，为此Zhang等人[9]设计了一种自适应的一维CNN结构，采用一种五层WDCNN模型对有大量训练数据的轴承故障进行诊断，甚至在噪声环境下得到很高的识别率。
2.2深度自编码网络(DAE)
DAE由多个自编码器构成，每个自编码器(AE)是一个三层神经网络。自编码的目的是使输入和输出数据之间的重构误差最小化[10]。针对轴承实际情况中目标数据样本少的问题，吴洋[11]提出一种改进的DAE模型，将迁移学习引入DAE，结果表明改进的DAE相较于标准DAE模型性能更优。但由于单个网络结构简单，参数选择困难，单个深度自编码器在处理多样的、大量又复杂的滚动轴承振动信号上很可能泛化能力低。为了克服单个深度自编码器的限制以及增大泛化能力，[10]提出一种将多个深度自编码器集成的方法，主要分为三步：首先利用15个不同的激活函数作为隐层函数设计一系列自编码器；其次通过各种来自振动数据的非监督特征学习建立集成深度自编码器；最后将已学习的深度特征依次输入进基于联合策略的softmax分类器进行故障识别。提高了故障识别率，解决了单个深度自编码器存在的问题。
2.3深度置信网络(DBN)
DBN是由多层受限玻尔茨曼机(RBM)和BPNN构成的深层神经网络，它由3个RBM堆叠而成的DBN网络结构模型[12]。RBM由两层网络组成，可见层(v)和隐藏层(h)之间通过权值w连接，层内之间相互无连接。DBN通过堆叠RBM建立了逐层贪婪学习的连续层次结构。文献[12]中通过对于单负载和多负载下轴承故障状态的识别，充分发挥了DBN特征提取的能力，以及较高的故障识别率。
期刊文章分类查询,尽在期刊图书馆俞啸等[13]通过对12种轴承状态进行分类实验，表明DBN方法的自适应特性能有效提高故障状态识别准确率。王玉静等[14]运用DBN进行滚动轴承10种状态识别，结果表明DBN相对浅层学习的SVM和BP神经网络具有更高的识别率，各数据集识别率达到92.5%以上。
3.结束语
本文对深度学习在滚动轴承故障诊断的研究方法进行介绍，为直升机自动倾斜器滚动轴承故障诊断提供新思路。但由于直升机滚动轴承结构复杂，滚珠多且节径大，真实数据很难得到，因此未来需要针对直升机滚动轴承故障真实数据进行分析，这样才能降低事故风险。
参考文献
[1]吴魁,王仙勇,孙洁, 等.基于深度学习的故障检测方法[J].计算机测量与控制.2017,25(10).
[2]郭亮,高宏力,张一文, 等.基于深度学习理论的轴承状态识别研究[J].振动与冲击.2016,35(12).
[3]Haidong Shao, Hongkai Jiang, Haizhou Zhang, et al. Rolling bearing fault feature learning using improved convolutional deep belief network with compressed sensing, Mechanical System & Signal Processing, 2018, 100:743-765.
[4]I.M. Jamadar, D.P. Vakharia. A novel approach integrating dimensional analysis and neural networks for the detection of localized faults in roller bearings, Measurement, 2016, 94:177–185.
[5]J.D. Zheng, H.Y. Pan, J.S. Cheng. Rolling bearing fault detection and diagnosis based on composite multiscale fuzzy entropy and ensemble support vector machines, Mech. Syst. Sig. Process. 2017, 85:746–759.
[6]F. Jia, Y.G. Lei, J. Lin, et al. Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data, Mech. Syst. Sig. Process. 2016, 72–73:303–315.
[7]SUN J, CAO W F, XU Z B. Learning a convolutional neuralnetwork for non-uniform motion blur removal[J]. CVPR2015, 2015, 10(5):48-56.
[8]韩涛, 袁建虎, 唐 建, 等. 基于 MWT 和 CNN 的滚动轴承智能复合故障诊断方法[J]. 机械传动. 2016, 40(12).
[9]Wei Zhang, Chuanhao Li, Gaoliang Peng, et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environmentand different working load, Mechanical System & Signal Processing, 2018, 100:439-453.
[10]Shao Haidong, Jiang Hongkai , Lin Ying, et al. A novel method for intelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders, Mechanical Systems & Signal Processing, 2018, 102:278-297.
[11]吴洋. 深度自编码网络在滚动轴承故障诊断中的应用研究[D]. 电子科技大学. 2018.
[12]蒋黎明, 李友荣, 徐增丙, 等. 基于深度置信网络和信息融合技术的轴承故障诊断[J]. 武汉科技大学学报. 2019, 42(1).
[13]俞啸, 范春旸, 董飞, 等. 基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法[J]. 机械传动. 2018, 42(6).
[14]王玉静, 那晓栋, 康守强, 等. 基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J]. 中国电机工程学报. 2017, 23.
论文作者:姚瑞琦
论文发表刊物:《科技新时代》2019年5期
论文发表时间:2019/7/23
标签：深度论文; 特征论文; 故障论文; 故障诊断论文; 方法论文; 神经网络论文; 轴承论文; 《科技新时代》2019年5期论文;