基于一维卷积神经网络的滚动轴承故障识别

基于一维卷积神经网络的滚动轴承故障识别

---

一、数据预处理

采用美国凯斯西储大学(CWRU) 的开放轴承数据库的样本进行实验分析，轴承故障产生的实验台如下图所示。使用电火花加工技术分别在轴承的内圈、外圈和滚动体上引入单点缺陷，故障尺寸分别为 7、14和21 in，以48kHz采样频率采集不同负载下的故障轴承振动数据用于实验分析。

本文实验样本选取1HP下10种故障状态振动信号，构建数据集，每类样本长度为1024，其中具体实验样本信息如下表所示。另外每种轴承状态随机选择50%的样本用于模型训练和25%的样本用于模型的验证，25%的样本用于模型测试。

二、模型构建

本文使用的CNN矿架是经典的LeNet-5，拥有两个交替的卷积池化层和一个两层全连接网络。其中模型结构如下图所示。

三、模型训练

把原始的一维时域信号（训练集和验证集）送入模型，进行模型训练，训练结果如下：
由图可知：模型训练停止后，模型在验证集的准确率略高于训练集，表明模型训练效果良好，没有发生过拟合现象。另外，经过30次的迭代后，模型输出训练集的准确率为98.16%，验证集的准确率为99.15%。

四、模型测试

为了更清楚的展示模型在测试集中各个类别的识别结果，引入混淆矩阵对实验结果进行详细分析。

由混淆矩阵可以看出，除外圈14in、外圈21in故障外、滚子14in和滚子7in部分识别错误外，其余6种状态类型都能得到100%的识别。表明该模型具有较高的故障识别率。
为了进一步表明卷积池化层对不同类别特征的学习能力，引入流形学习中的 t-SNE维数约简算法对全连接层学习到的特征进行可视化，如下所示：

从散点图上可以看到第2类样本、第7类样本和第9类样本有识别错误的现象，也刚好和混淆矩阵识别错误的样本对应起来，其余样本均聚拢在相应的区域，最终测试集上的整体识别率为 99. 57%

总结

本次采用简单的两层一维卷积神经网络进行滚动轴承故障识别，在测试集上达到99.57%的准确率，另外从混淆矩阵和散点图上可以看到有较好的识别结果。大家可以尝试搭建其它的神经网络进行试验，可能得到更好的结果。
深度学习初学者，能力有限，写的不好或者做的不对的地方欢迎大家批评指正！

代码和数据集：https://mbd.pub/o/bread/ZpWWlZ9w