张姝婷 彭成 李长云

摘  要：针对故障诊断中存在的由于特征提取单一或特征提取缺失导致的诊断准确率较低这一问题，提出一种基于多特征的Res-BiLSTM滚动轴承故障诊断方法。首先通过时域分析法和残差网络对时域特征值和空间特征进行提取并进行特征融合，其次将融合的特征值输入双向长短期记忆网络进行时序特征提取，最后利用Softmax进行分类。实验结果表明，该故障诊断方法增强了故障诊断网络的特征提取能力，进而提高了诊断准确率。

关键词：故障诊断；滚动轴承；残差网络；双向长短期记忆网络

中图分类号：TP183；TP306.3  文献标识码：A  文章编号：2096-4706（2023）15-0146-05

Res-BiLSTM Rolling Bearing Fault Diagnosis Based on Multiple Features

ZHANG Shuting， PENG Cheng， LI Changyun

（College of Computer Science， Hunan University of Technology， Zhuzhou  412007， China）

Abstract： To address the problem of low diagnostic accuracy due to single feature extraction and missing feature extraction in fault diagnosis， Res-BiLSTM rolling bearing fault diagnosis method based on multiple features is proposed. Firstly， the time domain feature values and spatial features are extracted and feature fusion are performed by time domain analysis and residual network， then the fused feature values are input to the bidirectional long and short-term memory network for temporal feature extraction， and finally Softmax is used for classification. The experimental results show that this fault diagnosis method enhances the feature extraction ability of the fault diagnosis network， thus improving the diagnosis accuracy.

Keywords： fault diagnosis; rolling bearing; residual network; bidirectional long and short-term memory network

0  引  言

中国曾提出“中国制造2025”战略，意在通过当代信息技术的发展实现对传统制造业的变革[1]。工业化的发展意味着旋转机械应用的范围越来越广泛，涉及采矿业、船舶制造业、航空航天业等不同领域[2]。不同机械的功能趋向完备，对精度的要求也在逐步提高，而滚动轴承是各类大型机械设备中不可或缺的重要部件，常用于高压变速等复杂工况中，外加人工装配导致的磨损损耗，损坏率较高，因此针对滚动轴承进行实时的故障检测具有重要的研究意义和价值[3]。

信号传感器接收到的滚动轴承振动信号表现出非平稳性和非线性，通过相应的信号处理方法可以获取直观丰富的状态信息，直接利用时域信号和频域信号进行故障特征的提取，再进行故障诊断，不会对故障振动信号造成损失[4]。Bai等[5]采用改进的傅里叶变换和递归图变换法，使得卷积网络可以自适应轴承转速和负载的变化，以此进行故障诊断。Han等[6]提出在实际工况下，通过对信号的时域等参数的相关性分析，利用最优匹配小波和峭度准则构造一组先验周期滤波器组，计算得出不同振动特征值的映射系数，根据映射系数进行时域分析和故障诊断。以上方法均可以利用故障数据的时域特征或频域特征进行特征提取，实现故障诊断，但是由于振动信号还存在时序特性等多种特征值，利用单一的时域特征对故障进行特征提取学习，容易出现因特征提取缺失而带来的故障诊断错误，并且对多种信号的处理方法往往是依赖专家经验和信号处理的知识来对轴承进行故障诊断，带来信号处理速度较慢、人力资源需求过高等问题。

随着深度学习技术应用领域的不断扩大，越来越多的研究学者采用多种深度卷积神经网络对故障数据的特征进行自适应提取学习，并依据学习的特征值对滚动轴承进行故障诊断。可以采用深度学习模型提取出振动加速度信号中含有的空间特征，为提高网络对特征的提取能力，选择增加网络层数，而残差网络（ResNet）[7]通过多个按照首尾相连特点连接起来的残差块来学习特征，解决了浅层神经网络在训练过程中根据反馈信息等对浅层网络各项参数进行更新时出现的梯度消失现象。由于残差网络具有特有的跳跃连接，所以无需引入额外的参数和计算，即可达到对网络整体正则化效果的优化。

因为滚动轴承的故障数据具有特殊的时间相关特征，在时间上有着先后因果关系，而卷积神经网络未对隐含的时序特征进行提取，如果对其隐含的时间依赖关系即时序特征进行提取分析，可以从多个维度学习其特征关联性，实现提高网络特征提取能力的目的，达到提高诊断准确率的效果[8]。而双向长短期记忆网络（Bi-directional Long Short-Term Memory， BiLSTM）由前后向LSTM組合，可以实现对从后向前信息的编码，将所学习到的未来时刻信息特征向前进行信息反馈，充分挖掘输入的一维时间序列中早期与未来数据信息之间的关联关系，更好地获取双向的信息特征依赖，提高网络模型对时间序列数据的利用率[9]。

综上所述，本文首先分别利用时域分析法和ResNet网络对时域特征和空间特征进行提取和融合，然后使用BiLSTM网络对隐含的深层时序特征进行提取，通过多种特征的提取提高了网络的特征提取能力，从而提高了诊断准确率。

1  故障诊断模型

为了实现对滚动轴承故障数据特征的深层完整提取，提高对滚动轴承故障诊断的分类准确率，本文构建一个基于多特征的Res-BiLSTM诊断模型，主要包含特征提取模块、特征融合模块和故障分类模块。首先分别利用时域分析法和残差网络对故障数据的时域特征值和空间特征值进行提取，并将时域特征值与空间特征值进行特征融合；其次将融合的特征数据信息输入到BiLSTM中，进行隐含的时序特征值的提取，再次采用Adam优化算法对网络模型训练反馈调参过程进行优化，最后利用Softmax进行故障分类。

1.1  特征提取模块

1.1.1  时域分析法

对滚动轴承进行故障诊断时，通常利用传感器对滚动轴承的运作状态进行数据信息采集，采集到的数据多数是一维时序故障数据，表现为非平稳的振动信号。基于一维时序故障数据的特点，以及时域信号具有直观的信息，本文实验首先通过时域分析法对滚动轴承振动信号的多种时域特征进行提取，所提取的时域特征如表1所示。

1.1.2   ResNet网络

本文模型中的ResNet通过数据重构将输入的振动加速度信号转变为二维特征图，为了实现对所输入振动加速度信号中存在的空间特征进行完整提取，通过多个残差块对特征进行提取，并且将二维数据展平为一维向量数据输出。

计算式为：

其中，xi表示输入值，F（x j + W j）表示残差块的输出值，W j表示残差网络卷积层的权重矩阵。

在殘差网络中选择使用ReLU函数作为激活函数，ReLU函数的计算式为：

ReLU（x）=max（x，0）（2）

由式（2）可以看出，由于ReLU函数选取了大于0的数值作为输出值，自动剔除了小于0的数值，使得网络提高了函数的计算速度，并且有效解决了梯度消失等梯度异常的问题。

1.1.3  BiLSTM网络

残差网络针对预处理后振动加速度信息数据中的空间特征进行了提取，但未对一维时序样本数据中隐含的深层时序特征进行处理，故将时域特征与空间特征融合后的输出值输入BiLSTM网络，通过前后向的LSTM网络从正反两个方向进行双向处理，对数据的时序特征进行提取处理。

其中，正向LSTM网络t时刻的隐藏层状态计算方法如式（3）所示。在单层LSTM网络中，通过t时刻的输入计算出t时刻的隐藏层状态，LSTM为LSTM网络中的单元：

ht=LSTM（xt，ht-1）（3）

反向LSTM t时刻的隐藏层状态计算方法如式（4）所示。 表示t时刻反向LSTM网络的隐藏层状态值：

h't=LSTM（xt，h't-1）（4）

BiLSTM就是将正向和反向LSTM的隐藏层状态叠加在一起，组成整体的双向长短时记忆网络的隐藏状态值。

1.2  特征融合模块

特征融合即是将时域分析法提取出的多个时域特征值与通过ResNet网络提取出的空间特征进行融合处理，ResNet网络中利用叠加的残差块学习提取到的特征值会展平为一维形式的向量数据进行输出。

网络结构中利用concatenate通过通道数的增加将多种特征进行特征融合。其中concatenate的concat操作可以通过增加通道数的方式来提高网络性能。

假设两个维度特征值的通道分别为Xi和Yi，则concatenate的通道输出值为：

其中，Xi表示第i个通道上的特征值，Ki表示特征值Xi对应的卷积核。

1.3  故障分类模块

该分类模块即是采用Softmax对输入的故障数据进行分类，实现对轴承的故障诊断。Softmax将输入值映射为0到1之间的实数，并对其进行归一化处理，保证其多项和为1。假设将故障样本分为n类，Softmax即是计算不同类别故障出现的概率并将其作为分类结果输出，进而实现故障分类识别判断。计算式为：

其中，xi表示第i个故障类别的故障样本数，P表示对应故障类别出现的概率值。

2  实验及结果分析

2.1  实验数据集

本实验所用数据源自凯斯西储大学的公开轴承故障数据集（Case Western Reserve University， CWRU）[10]，该试验台设备分别在滚动轴承的内圈、外圈及其滚动体上，采用电火花技术对滚动轴承造成不同程度的单点轴承故障，存在损伤的轴承直径分别为0.18 mm、0.36 mm、0.54 mm、0.71 mm，其采样频率设定为12 kHz。本文实验中将轴承的故障类别分为10类，可用于对轴承的各类故障进行诊断及状态监测。

2.2  参数设置

本文提出的基于多特征的Res-BiLSTM网络中将轴承的振动加速度信号数据重构为二维特征图，输入到残差网络中进行特征提取，残差块输出时将输出值展平为一维向量数据，因此残差网络中的结构均为二维卷积层和二维池化层，输出特征值为一维数据。

基本结构为17个卷积层，卷积核为3×3，步长分别设置为2和1，1个3×3的最大池化层和1个全连接层，使用ReLU函数作为其激活函数，选用Adam作为本文实验的优化器，学习率设置为0.001。为防止过拟合和梯度异常现象的发生，在卷积层后添加对应的BN层。通过Concatenate将多种特征融合后，输入到BiLSTM网络中，最后利用Softmax进行十分类。基于以上设置的模型对诊断网络进行迭代训练，迭代次数设为200次。

2.3  实验结果分析

为了验证本文故障诊断方法的准确性和有效性，选择使用准确率、精准度、召回率和调和平均值F1值等指标来对诊断效果进行评价，评价指标计算方式如表2所示。

TP是指将真实样本判断为真实样本类别的数目；TN是指将虚假样本判断为虚假样本类别的数目；FP是指将虚假样本判断为真实样本类别的数目，即分类错误的样本数目；FN是指将真实样本判断为虚假样本类别的数目，即被遗漏的真实样本数目。

通过CWRU的故障数据集对本文提出的故障诊断方法进行实验验证，并与ResNet网络、BiLSTM网络和未提取时域特征值的Res-BiLSTM网络进行实验对比，通过诊断准确率对诊断方法的有效性进行判断。从图1中可以看出，本文模型的诊断准确率最高，可达到99.54%的诊断准确率。

为了验证本文提出的基于多特征的Res-BiLSTM网络结构可以有效提高分类效果，针对四种模型的诊断实验使用多项评价指标（包括准确率、精准度、召回率和F1值），分别进行多次重复实验，得出的评价指标值如表3所示。其中，准确率表示该网络模型对故障类别预测准确度的比例，一般情况下准确率越高，代表网络的分类效果越好；精准度表示网络模型所识别出正确的真实样本在所有真实样本中的比例；召回率表明网络模型在测试样本中分类出正确真实样本的能力；F1值平衡了精准度和召回率两个评价指标。通过这四个评价指标的对比，综合得出本文提出的故障诊断网络模型具有更稳定的故障诊断分类性能。

为了可视化故障分类效果，利用本文基于多特征Res-BiLSTM模型分类后的混淆矩阵来直观展示模型对故障的分类情况，如图2所示。

在混淆矩阵中，以热力图作为参考指标对识别精度进行颜色表示，颜色越深，数值越高，其中对角线中的数据信息表示模型对输入数据诊断正确的比例。在图2中，利用混淆矩阵清晰地表示出本文诊断方法只有极少的故障类别诊断失误，整体效果表明本文模型对样本类别的分类效果较好。

3  结  论

本文针对因特征提取单一等导致的诊断准确率较低问题，提出一种基于多特征的Res-BiLSTM故障诊断网络，通过多种特征的提取学习，提高了网络的特征提取学习能力。由对比实验结果可知，该方法可以有效提高诊断准确率。但本文的診断模型是利用公开的均衡故障数据集进行的诊断，其海量的故障数据可以使模型通过多次迭代训练达到最佳效果，而实际工况下采集到的故障数据样本少而不均衡，下一步主要是针对小样本数据和数据不均衡情况进行故障诊断，提出应用于机械实际运转过程中的故障诊断模型。

参考文献：

[1] LOMBARDI M，PASCALE F，SANTANIELLO D. Internet of Things： A General Overview between Architectures， Protocols and Applications [J].Information，2021，12（2）：87.

[2] 张洁，汪俊亮，吕佑龙，等.大数据驱动的智能制造 [J].中国机械工程，2019，30（2）：127-133+158.

[3] PILTAN F，KIM J M. Bearing Fault Diagnosis by a Robust Higher-Order Super-Twisting Sliding Mode Observer [EB/OL].[2023-02-15].https：//pubmed.ncbi.nlm.nih.gov/29642459/.

[4] NICOLAS W，EMILIANO P，ROGELIO G R，et al. Open-Circuit Fault Identification Method for Interleaved Converters Based on Time-Domain Analysis of the State Observer Residual [J].IEEE Transactions on Power Electronics，2019，34（4）：3740-3749.

[5] BAI R X，MENG Z，XU Q S，et al. Fractional Fourier and time domain recurrence plot fusion combining convolutional neural network for bearing fault diagnosis under variable working conditions [EB/OL].[2023-02-16].https：//www.sciencedirect.com/science/article/abs/pii/S0951832022006913？via%3Dihub.

[6] HAN C K，LU W，WANG H Q，et al. Multistate fault diagnosis strategy for bearings based on an improved convolutional sparse coding with priori periodic filter group [EB/OL].[2023-02-13].https：//www.sciencedirect.com/science/article/abs/pii/S0888327022010639？via%3Dihub.

[7] HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas：IEEE，2016：770-778.

[8] RANAWAT N S R，PRAKASH J，MIGLANI A，et al. Performance evaluation of LSTM and Bi-LSTM using non-convolutional features for blockage detection in centrifugal pump [EB/OL].[2023-02-25].https：//www.sciencedirect.com/science/article/abs/pii/S0952197623002762？via%3Dihub.

[9] ZHAO R，WANG D Z，YAN R Q，et al. Machine health monitoring using local feature-based gated recurrent unit networks [J].IEEE Transactions on Industrial Electronics，2018，65（2）：1539-1548.

[10] CWRU Bearing Data Set.[EB/OL].[2023-02-24].https：//engineering.case.edu/bearingdatacenter/apparatus-and-procedures.