DOI：10.16661/j.cnki.1672-3791.2201-5042-6538

摘要：长期以来，有效的智能故障诊断方法一直是旋转机械状态监测的研究热点。基于传统的振动的信号时频域分析故障诊断系统存在一些不足，如计算特征向量复杂、对先验知识的过度依赖和无法实现根据故障信号的自学习能力。该文提出一种基于变学习率策略的多层感知机模型，在凯斯西储大学轴承数据集对该模型进行验证，得到了99.94%的高准确率，证明该模型可以被用于轴承故障诊断领域。

关键字：深度学习  多层感知机  滚动轴承  故障诊断

中图分类号：TH17   文献标识码：A   文章编号：1672-3791（2022）04（b）-0000-00

Bearing Fault Diagnosis Method Based on Variable Learning Rate Multilayer Perceptron

WANG Meng

（Tangshan Polytechnic College， Tangshan， Hebei Province， 063299 China）

Abstract：For a long time， effective intelligent fault diagnosis method has been the research hotspot of rotating machinery condition monitoring. There are some shortcomings in the traditional vibration signal time-frequency domain analysis fault diagnosis system. Such as eigenvectors computing is complex， over dependence on prior knowledge and inability to realize self-learning ability according to fault signals. This paper proposes a multi-layer perceptron （MLP） model based on variable learning rate strategy. The model is verified on the bearing data set of Case Western Reserve University. A high accuracy of 99.4% is obtained. It is proved that the model can be applied in the field of bearing fault diagnosis.

Key Words： Deep learning; MLP; Rolling bearing; Fault diagnosis

现代工业的发展促使设备自动化程度大幅度提高。智能制造产业升级需要不断加强机械设备的可靠性和效率。高效的健康监测系统被广泛应用在以滚动轴承为典型的旋转机械设备上。机器状态监测在工业中愈发重要，因为可靠性的提高可以大幅减少机器故障，避免造成重大生产损失和安全事故。振动信号的采集和使用在旋转机械的状态监测领域中被广泛应用。通过分析比较机器在正常和故障条件下运行产生的振动信号，可以判断轴承故障的工作状态。虽然目前企业仍然广泛采用对轴承振动特征进行听觉检查，但是对于精密仪器的轴承部件，仅仅依靠人工方法进行判断缺乏说服力，需要一个可靠、快速和具备自学习能力的轴承检测方案。

人工神经网络（Artificial Neural Network，ANN）具有应用于机器故障自动检测和诊断的潜力。多层感知器（Multi-Layer Perceptron，MLP）网络是最常用的神经网络结构。因为神经网络具备精度高、速度快、泛化能力强的突出优点，目前神经网络系统被广泛应用于机器语言处理、计算机视觉和模式识别等科研领域。国内众多学者在不同的操作条件下采集振动信号和转速等轴承运行数据。统计分析包括原始信号和预处理信号的特征，利用信號的时频域特征进行轴承工况分类。

因为多层感知机在信号分析上有良好表现，它可以高质量提取信号特征。该文把多层感知机模型进行适当改造，并添加了变学习率策略优化其学习步长，将其作用于轴承等一维序列信号分类。该文提出了一种基于多层感知机网络的轴承智能检测模型。该模型由四层感知机网络层逐次拼接而成，从多个维度提取轴承信号的特征。模型尾部的支持向量机（Support Vector Machine， SVM）完成最终的轴承工况分类任务。

1多层感知机算法原理

多层感知机由输入层节点、一个或多个隐藏层的计算节点和输出层节点组成。其中，输入层节点数和输出层节点数取决于系统输入和输出变量的数量，隐藏层的数量和每个隐藏层中的节点数会影响整个网络的泛化能力。对于包含节点数量比较少的多层感知机，其性能可能不够稳定并且缺乏泛化能力。然而，如果隐藏节点太多，则可能会形成过拟合现象，对于新的数据同样泛化能力弱。多层感知机的结构如图1所示。

信号依据网络模型结构，在各个网络层之间传递次序的如图2所示。

2 变学习率策略

使用标准最速下降法，学习率在整个训练过程中保持不变。该算法的性能对学习率的适当设置非常敏感。如果学习速率设置得太高，算法可能会振荡并变得不稳定。如果学习速率太小，算法将花费太长时间来收敛。在训练前确定学习率的最佳设置是很困难的。事实上，随着训练过程的不断进行，最佳学习速率在训练过程中会发生变化。如果我们允许学习速率在训练过程中发生变化，则最速下降算法的性能可以得到改善。自适应学习速率将尝试在保持学习稳定的同时保持尽可能大的学习步长。学习速率响应于局部误差面的复杂性。

所以，该文采用了阶梯式变化学习率的策略。随着训练批次的进行，逐步缩小学习率的步長。以避免训练产生振荡，促进训练模型稳定逼近最优解。该文采用的起始学习率LR=0.01，学习率变化策略如表1所示：

3 实验结果

3.1实验数据描述

该文采用在轴承检测领域广泛使用的美国凯斯西储大学开源的试验台轴承数据对所提出的变学习率多层感知机模型进行了实验验证。

试验台采集了正常轴承、驱动端缺陷和风扇端缺陷的振动信号。信号采样频率是12 kHz。轴承包括三个轴承故障类型，由滚动体故障（roller fault，RF），外圈故障（outer race fault，OF）和内圈故障（inner race fault，IF）。每个故障类型包含三种不同的损伤尺寸，损伤尺寸为0.18 mm、0.36 mm、0.54 mm。使用电火花加工的方式分别模拟滚动体、外圈、内圈上各三种不同程度的故障，共有九种故障工况。外加一种正常的工作状态，共有十种类型的工况。实验数据信息如表2所示。

3.2 实验参数设置

该文利用编程语言Python3.8，基于Pytorch1.9框架，在Jupyter环境下搭建基于变学习率策略的多层感知机网络。设置全部振动信号的60%为训练集，另外40%为测试集。采用分类交叉熵损失函数（Cross Entropy Loss， CEL）。模型按照以下方法设置超参数：训练批次=200，每个训练批次数据=512，初始学习率=0.01。

该故障诊断模型的准确率变化如图3所示，损失函数值变化如图4所示。当模型在前20次出现了一次比较大的波动，具体原因是前面学习率比较高，训练模型优化时产生振荡。在前30次训练过程中，训练收敛速度比较快，模型快速达到99%以上的准确率，训练损失值在0.1以下。之后训练进入了瓶颈期，虽然模型的准确率还在不断提升，损失函数值也在不断下降，但是训练速度明显变慢。最终模型的训练准确率达到99.94%，理论上可以应用在实际的轴承故障诊断工作中去。

试验结果说明，采用基于变学习率策略的多层感知机网络模型提取出的故障特征在支持向量机分类器中可以准确快速判断轴承的工作状态。该方法训练得到的模型具有较高的分类准确率，并且不需要依靠已有知识自动提取故障特征。

4 结论

该文提出的基于变学习率策略的多层感知机网络模型，可以在提取轴承信号特征后配合支持向量机分类器准确判断其工况。该方法训练得到的模型具有较高的准确率，基于变学习率策略的多层感知机网络结构，具备优秀的特征提取能力。该文提出方法的局限性包括：首先，只能判断已经给出的具体工况，无法识别未定义的其他工况类型。其次，该模型中全连接层参数量大训练时间较长。后续的工作中可以考虑对算法进一步改进使之能够应用于在线轴承故障诊断仪上，并且能够缩短训练时间。

参考文献

[1] 刘伟，单雪垠，李双喜，等.基于并行1DCNN的滚动轴承故障诊断研究[J].机电工程，2021，38（12）：1572-1578.

[2] 王萌，曾艳，刘金童，等.基于FFT和全连接层特征提取的轴承故障诊断（英文）[J].机床与液压，2020，48（24）：188-196.

[3] 金国强.基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究[D].合肥：中国科学技术大学，2020.

[4] 赵勇，徐华东，包伟华，等.基于多层感知机的过程变量趋势诊断方法研究及应用[J].流体测量与控制，2021，2（5）：1-4.

[5] 张金豹.基于全寿命数据的滚动轴承运行状态评估和剩余寿命预测[D].哈尔滨：哈尔滨工业大学，2020.

[6] 王萌，曾艳，彭飞，等.基于余弦下降学习率的卷积网络轴承故障诊断[J].工业技术与职业教育，2020，18（3）：4-8.

基金项目：唐山工业职业技术学院院级课题《基于深度学习的轴承故障诊断方法研究》（项目编号：YJKT202105）。

作者简介：王萌（1985—），男，硕士，讲师，研方向为深度学习工业故障诊断。