EEMD法在自动提取故障特征时，如何完成对轴承不同故障的预测？

大家好，欢迎来到IT知识分享网。

文 | SHY

编辑 | 趣史研社

前言

滚动轴承作为旋转机械关键部位，其广泛应用于各个领域的工业设备与交通设备，也是机械设备中最容易损坏的部件。

据统计，轴承缺陷占大型机械故障的40%，同时占小型机械故障的90%。

倘若能在滚动轴承发生故障时，准确有效的识别出来，就能够有效的降低机械故障，减少经济损失和人员伤亡。

而传统的智能预测算法，是对采集到的振动信号进行特征傅里叶变换、小波变换以及经验模态分解等，然后使用贝叶斯、支持向量机、逻辑回归算法和随机森林等机器学习方法，完成故障预测。

但是在面临复杂多变的机械系统而言，很难通过以上方法直接对滚动轴承运行状态做出正确的判断。

近年人们发现，深度学习能够自动对特征提取完成提取，使得其在滚动轴承的故障预测应用打中，下一定的基础。

有研究提出一种更深的一维卷积神经网络，完成高铁轴承故障预测任务，而另一项研究提出一种多尺度卷积神经网络，结果表明，研究所提出方法比普通卷积神经网络更有效。

实验将一维振动数据转，换成二维的图片的形式，在多个数据集上，都实现了轴承故障种类和对应严重程度的分类。

还有的实验将原始振动信号，直接作为双向长短时记忆神经网络模型输入，从而实现故障特征的自动提取，完成对轴承不同故障类型和损伤程度的预测。

基于EEMD-CNN-BILSTM故障预测模型

其中经验模态分解是一种信号分解方法，其可以反映出数据的瞬时频率，将噪声加入到需要进行EMD分解的信号中。

但是由于所加噪声为随机产生的，因此非常容易出现模态混叠现象等诸多问题。

所以实验采用EEMD，将非线性和非平稳的振动信号，与正态白噪声进行叠加，进行多次模态分解，将得到的本征模态函数分量取平均值，从而排除模态混叠现象。

而卷积神经网络主要包含卷积层、激活层和池化层。

一维卷积神经网络卷积层的卷积运算过程描述如上图所示，在卷积神经网络前向传播中，一般使用激活层对卷积层的输出进行非线性变换，使其在高维空间中增强其特征可分割能力，而激活层常使用ReLU。

池化层主要起下采样操作，对输入的特征进行提纯，通过这种操作减少输入特征的数量，在CNN部分的第一层，使用了多个尺寸不同的大尺寸卷积核：

而随着网络层数的增加，梯度在进行反向传播时会逐渐的变小，容易产生梯度消失等诸多情况，所以在层与层之间添加残差连接结构：

LSTM是循环神经网络中的一种，其在对时间序列数据进行分析时，具有明显的优势，它可以将上一时刻的隐藏层的输出传递给下一时刻，并作为下一时刻的输入。

BiLSTM则是由两个LSTM组成，一个进行前向传播，一个进行后向传播，最后拼接在一起，作为BiLSTM的结果输出。

而LSTM单元通过遗忘门、输入门和输出门，对细胞的状态进行保护与控制。

本实验将CNN部分输出的通道信息作为BiLSTM的输入，为了增强信息的提取能力，实验采用了孪生神经网络的思想，即同时使用两个独立的BiLSTM。

这两个BiLSTM并行工作，分别处理相同的输入序列，实验对这两个BiLSTM的输出进行求和操作。

通过这样做，实验将两个BiLSTM的输出进行了融合，从而获得更全面的特征表示，同时为了减少数据的维度，并将其展平以供后续处理。

实验仅选择了第一个时间步和最后一个时间步的输出，这样做的目的是在保留重要信息的同时，降低数据的维度，以便更好地应用全连接神经网络。

滚动轴承故障预测

根据故障预测流程图，需要对数据进行重叠采样完成数据扩充，进行EEMD分解，然后将分解后的数据集按一定的比例，分为训练样本和测试样本。

将训练样本输入CNN-BiLSTM模型中完成参数训练，测试样本输入训练完成模型中完成对模型的评估，具体步骤如下：

第一，滚动轴承不同运行状态的振动数据，依据轴承转速和振动信号的采样频率，选择适当的振动信号长度进行重叠采样。

第二，使用EEMD方法对重叠采样后的数据进行处理，将数据进行保存，按一定的比例分为训练集和测试集。

第三，将训练集进行标准化处理，使其均值为0，方差为1，用于模型输入，将模型的输出与实际运行状态标签，使用交叉熵损失函数计算交叉熵损失值，根据损失值使用Adam优化器对模型参数进行优化，反复重复此步骤，完成模型的训练，保存模型。

而模型评估，将测试集使用训练集的均值，以及方差对测试集数据进行预处理，用于输入到训练好的模型中，计算其交叉熵损失值以及准确率，完成模型的评估。

将训练好的模型部署到机械设备上，进行实时检测，完成对滚动轴承的故障预测。

滚动轴承实验验证

在实验中，使用两个滚动轴承实验完成模型验证，首先使用轴承数据中心，对模型完成不同工作条件下，滚动轴承的故障预测，接着用在实际运行过程中所采集的数据，完成模型在实际条件下的故障预测。

数据集是在对SKF-6205轴承开展实验所采集的，其采用电火花加工技术，人工在滚动轴承的内滚道、滚动体和外滚道上进行了加工。

三种故障直径分别为7mils（0.1778mm）、14mils（0.3556mm）和21mils（0.5334mm），故障深度均为11mils（0.2794mm）。

同时，实验采集了靠近电机端的故障轴承振动信号，采样频率为12kHz，其含有四种工作状况，使用重叠采样的方式进行数据扩充。

每个样本长度为1600，重叠部分为1200，增加数据样本，避免过拟合现象的产生。

轴承试验台由一个交流感应电机、一个电机调速器、一个支撑轴、两个支撑轴承和一个液压加载系统共同组成。

采样间隔为1min，转速为2250r/min（转/分），径向力为11kN，每次采样是时长为1.28s，实验选择的Bearing2_1（内圈故障）、Bearing2_2（外圈故障）、Bearing2_3（保持架故障），所有故障均为轴承，在正常运行过程中自主产生的更具有真实性。

其中Bearing2_3中的100-105的CSV文件作为滚动轴承健康数据，一共记录四种轴承运行状态，同样使用重叠采样的方式进行数据扩充，每个样本长度为1600，重叠部分为1200，下表为数据划分。

为了验证所提出方法的有效性，实验与其他几种常见的故障预测方法进行对比，包括4种典型的深度学习方法，他们分别是WDCNN、MCNNLSTM、LSTM、Lenet5。

同时还有4种传统的机器学习方法：高斯朴素贝叶斯、支持向量机、逻辑回归算法和随机森林，从表中可以看出实验所提方法，在所有数据集中都表现出了最佳的准确率。

此外，验证结果也表明了，基于深度学习的故障预测方法，相对于传统方法的优越性。

而在不同工况下的数据集在经过实验进行特征提取后，t-SNE可视化不同故障类别、不同故 障程度中在大多数情况下都能够很好的聚集在一起。

但是不同故障程度的滚动体故障中，产生了较多的聚类重叠现象，其它故障类别的聚类中也存在少量的聚类错误现象，初步推测有两方面的原因：

一是虽然噪声环境下的轴承振动信号进行了处理，但噪声还是对整个模型的故障预测造成了一定的影响。

二是滚动体故障程度特征提取较为困难，模型并没有很好的学习到，滚动体不同故障程度的特征，这一部分也是后续需要改进的地方。

为了研究不同模块对所提出的，滚动轴承故障预测模型性能的改进程度，进行了几个消融实验，分别是无EEMD的实验、无残差层的实验以及无并联BiLSTM的实验，这些实验在噪声为dB=-4的情况下进行。

实验结果可以观察到，缺少这些结构中的任何一个都会导致整体模型性能较差。

特别是在大多数情况下，残差层对整体模型性能的影响最为显著，通过消融实验结果，我们可以得出结论，实验提出的方法的每个部分都是不可或缺的，每个部分对噪声环境下滚动轴承故障预测的准确率都有一定的提升。

结论

针对滚动轴承在故障和强噪声环境下特征提取困难的问题，实验提出一种基于EEMD与CNN-BiLSTM的滚动轴承故障预测方法，主要结论如下：

第一，EEMD可以对噪声信号进行降噪，使得深度学习模型更容易学习到处理后数据的特征。

第二，借助多种CNN模型思想增强了特征提取和泛化能力，解决了过深模型引起的退化和过拟合问题。

第三，BiLSTM借用孪生神经网络思想，在两个并行分支结构中充分利用时域信息，有效学习振动信号中的故障信息。

综上所述，在后续研究中将进一步使用遗传算法、粒子群优化算法等一系列优化优化算法，来加速EEMD的层数以及CNN与BiLSTM的参数确定，以满足噪声环境下轴承智能化故障预测的需求。