1. 引言
滚动轴承故障诊断方法的研究主要分为基于信号处理和基于数据驱动两类故障诊断方法。其中基于信号处理类在数据采集、特性挖掘和分类决策等方面存在数据需要人工采集、数据维度解析不够深入和状态监测系统收集的海量数据人工处理困难等问题，因此该方法具有明显的局限性，诊断结果偏差较大。近年来，随着深度学习在图像识别、故障诊断和语音处理等领域的蓬勃发展，基于深度学习的诊断模型的循环神经网络、卷积神经网络也成为当下的研究热点并取得了丰硕的研究成果。Yang [1]等在LetNet-5经典神经网络中使用了一维大尺寸的卷积核，在旋转机械的故障诊断方面取得了比其他传统故障诊断方式更高的准确率。郭秀才等[2]出了一种基于多域特征融合与DBN的轴承故障诊断方法，采用核主成分分析(Kernel Principle Component Analysis, KPCA)对高维筛选特征进行降维融合，最终将融合特征作为初始值，输入至DBN中完成故障诊断。赵冬梅等[3]提出了改进的自编码器(BN-DAE)，将批量标准化(Batch Normalizaion, BN)引入了传统自编码器，故障诊断效果优于传统的AE。王应晨等[4]提出一种基于降噪自编码和DBN的融合诊断模型，结合SVM进行轴承故障模式识别，有效提高模型的诊断精度和收敛速度。Wen [5]提出了一种基于特征迁移的故障诊断方法，使用大规模图像数据集上预训练的Resnet-50深度学习网络，将一维振动信号转换为图像作为输入，通过轴承数据集进行测试，诊断结果比基准卷积神经网络和传统诊断方法更准确。Janssens等[6]针对监测轴承状态时故障特征的提取问题，提出了一种基于CNN的特征学习模型，该模型能够自主学习与故障检测相关的特征。Yang等[7]开发了一种基于长短期记忆循环神经网络的智能故障诊断技术，充分利用了时间上的依赖关系，从而实现了对故障的精准检测和对应故障类型的有效分类。李凤林[8]研究了多种冲击脉冲指标，提出了联合快速峭度图和快速包络谱峭度图的滚动轴承复合故障诊断方法。以往的研究主要集中于轴承单一运动状态下的不同模型深度学习神经网络故障诊断和传统的信息采集诊断，对于复杂工况条件下的滚动轴承故障研究相对较少。本文基于GoogLeNet卷积神经网络对高速列车走行部的滚动轴承的内圈故障、外圈故障和保持架故障的多状态故障进行分析，并对研究结果与参考数据进行对比讨论，研判GoogLeNet在滚动轴承故障诊断方面的可行性。
2. 滚动轴承故障机理
通常情况下，滚动轴承由内圈、外圈、滚动体和挡圈这四个部分组成，如下图1所示。内圈的功能是与轴相匹配并随其旋转，而外圈则支撑着轴承座。在保持器的辅助下，滚动体均匀地分布在内圈和外圈之间。保持器的作用是滚动体的均匀分布在内外圈之间，防止它们移位，并引导它们进行旋转，给滚道润滑。
Figure 1. Schematic diagram and cross-sectional view of the bearing structure
图1. 轴承结构示意图及剖面图
轨道交通车辆工作环境复杂，运行过程中滚动轴承需要承担复杂多变的载荷，长期运行和重载会导致滚动体和滚道表面的疲劳损伤，最终导致裂纹形成和断裂。当裂纹形成后，会逐渐扩展到接触面，在接触表面形成剥落坑，最终，导致接触表面大片剥落，形成疲劳剥落；由于装配方式不正确导致保持架变形，会使保持架与滚动体剧烈摩擦，还会造成一些滚动体卡死，也会导致保持架与内外圈发生摩擦，保持架磨损后，间隙变大，与滚动体之间的撞击力增大，以致使保持架断裂滚动轴承容易产生多种类型的故障常见故障类型如：疲劳损伤、磨损、塑性变形、锈蚀、保持架损坏、胶合等。下图2为列举的常见滚动轴承不同状态下的故障情况图。
(a) 内圈故障 (b) 外圈故障 (c) 滚动体故障
Figure 2. Three-state faults of rolling bearings
图2. 滚动轴承“三态”故障
3. GoogLeNet模型与快速峭度算法
深度学习神经网络能处理海量的信号数据，其关键在于通过不断增大网络深度以提高训练效果，如：AlexNet、VGG等网络结构。但不断增加网络层数不仅对设备性能提出了更高要求，同时也会带来许多不良后果，如：参数量太大，当训练数据集有限的情况下，容易产生拟合现象；梯度弥散现象产生的概率激增，模型优化困难。
为了解决上述问题，GoogLeNet在初始神经网络模块内部嵌入了Inception结构进行算法改进。该结构通过堆叠CNN中常用的卷积操作、池化操作(卷积、池化后的尺寸相同，将通道相加)，既能增加网络宽度，又能提高网络的适应能力。原始版本的Inception模块，所有的卷积核都在上一层的输出上计算，这将会增大5 × 5卷积核的计算量，使得特征图的厚度很大，通过在3 × 3的卷积层前、5 × 5的卷积前层、最大集合层后分别加上了1 × 1的卷积核，来降低特征图的厚度，可以避免这种情况，这也就产生了Inception v1的网络结构，如图3、图4所示。
1 × 1卷积除了具有降低维度的作用，还具有修正线性激活(ReLU)作用，可以降低运算的复杂程度。如果上一层的输出先经过1 × 1卷积层，然后经过5 × 5卷积层，那么输出结果将会改变，输出结果大约减少了4倍。在一个卷积层中，如果输入了大量的特征信号，则在该特征信号上做卷积操作计算量将会很大；如果首先对输入进行维度降低处理，然后在进行卷积运算，那么可以大大降低特征数目。
Figure 3. Initial GoogLeNet network model
图3. 初始GoogLeNet网络模型
Figure 4. GoogLeNet network model with specific dimension-reduction modules
图4. 具体降维模块的GoogLeNet网络模型
当滚动轴承产生冲击故障时，把冲击信号作为不平稳信号，其他信号当作占主要部分的平稳强噪声，冲击信号往往会被其他信号淹没。快速谱峭度算法的基本思想是：不平稳冲击信号在强噪声的干扰下，谱峭度指标大小与短时傅里叶变换中频率及频率分辨率中时窗宽度的选取关系紧密。合理的选取频率及频率分辨率可以让不平稳信号的谱峭度指标达到最大值，更好的表现出冲击故障特征。
图5展示的是一个深沟球滚动轴承的外圈故障仿真信号的快速谱峭度图像，信号在12 kHz采样频率下采集，故障共振带为图像中颜色最亮(谱峭度最大)的色块，其在1级别(最佳窗口长度 = 4)上最大谱峭度为0.47897，中心频率为1.5 kHz，带宽为3 kHz。
Figure 5. Fast spectral kurtosis image of simulated outer-ring fault signal
图5. 外圈故障仿真信号相关快速谱峭度图像
4. 实验结果验证与可行性研究
本次实验采用凯斯西储大学、辛辛那提大学和江南大学的轴承数据集开展基于GoogleLeNet的多状态轴承故障诊断算法的设计可行性研究。具体设计流程为先对轴承数据进行处理，本实验通过滑动窗口的数据分割方法将原始数据等距分割；其次采用基于快速谱峭度的信号–图像转换方法将分割好的数据进行处理，将数据转换为快速谱峭度图像并保存到相应文件夹；然后根据文件夹名称自动标注图像，将图像数据存储，其中数据分为训练数据集和验证数据集(其中80%的图像用于训练，20%的图像用于验证)并对GoogleLeNet网络进行训练；最后使用训练完成的GoogleLeNet网络对验证图像进行分类，随机显示四个验证图像与预测的标签，然后计算针对验证集图像的分类准确度。
(a) 内圈故障 (b) 滚动体故障 (c) 外圈故障
Figure 6. Fast spectral kurtosis images of the Case Western Reserve University (CWRU) bearing dataset
图6. 凯斯西储数据集快速谱峭度图像
凯斯西储大学轴承实验台利用电火花加工技术对滚动轴承进行测试，引入不同类型的单点故障。使用加速度传感器采集故障轴承的振动加速度信号，使用扭矩传感器来采集电机功率和转速。数据集包括采样频率为12 kHz与48 kHz的驱动端轴承故障数据，采样频率为12 kHz的风扇端轴承故障数据，这些数据具有不同的故障直径(0.1778、0.3556 mm)，每一种故障直径对应着3种故障类型下的实验数据。将原始时域数据等距分割，采用基于快速谱峭度的信号–图像转换方法进行数据预处理，并将快速谱峭度图像进行处理，去除图中文字只保留图片，轴承“三态”故障快速峭度图像如上图6所示。此时每种故障类型均生成300张快速谱峭度图，最终生成的数据集包含两类直径数据的“三态”故障数据，总计1800张快速谱峭度图。
Figure 7. Training loss and accuracy curves for the Case Western Reserve University (CWRU) dataset
图7. 凯斯西储数据集训练损失和准确度曲线
使用1800张快速谱峭度图进行GoogLeNet网络训练，训练次数为6轮，然后随机显示四个验证图像与预测的标签，计算针对验证集图像的分类准确度。损失和准确度曲线显示分类准确度达到了90%，该卷积神经网络的故障诊断方法可行性较高。其对比结果如上图7所示。
(a) 内圈故障 (b) 滚动体故障 (c) 外圈故障
Figure 8. Fast spectral kurtosis images of the Cincinnati IMS bearing dataset
图8. 辛辛那提IMS数据集快速谱峭度图像
辛辛那提轴承试验台数据文件包括了三套数据。每套数据记录了一个从测试到失效的实验且由单个文件构成，每个文件由20,480个点构成，采样频率为20 kHz。这些文件记录了在特定时间间隔内的1秒振动信号快照，将原始时域数据等距分割，采用基于快速谱峭度的信号–图像转换方法进行数据处理，并对快速谱峭度图像进行处理，去除图中文字只保留图片。此时每一套数据集均生成200张快速谱峭度图，最终生成的数据集包含600张快速谱峭度图。实验数据集的轴承“三态”故障快速峭度图像如上图8所示。
Figure 9. Training loss and accuracy curves for the Cincinnati IMS bearing dataset
图9. 辛辛那提IMS数据集训练损失和准确度曲线
对600张快速谱峭度图进行GoogLeNet网络训练，训练次数为6轮，然后随机显示若干个验证图像与预测的标签，计算针对验证集图像的分类准确度。对比数据模拟生成损失和准确度曲线，结果显示该训练方法以该数据集为数据来源的轴承故障诊断分类准确度达到了77.78%，对比曲线如上图9所示。
江南大学轴承数据采样频率为50 kHZ，利用上述同样的数据处理流程，每种故障类型生成500张快速谱峭度图，共分为内圈故障、滚动体故障和外圈故障三类状态，最终生成的数据集包含1500张快速谱峭度图，轴承故障类型对应数据快速谱峭度图谱如图10所示，对数据进行GoogLeNet网络训练，训练次数为6轮，对比数据模拟生成损失和准确度曲线，结果显示该训练方法以该数据集为数据来源的轴承故障诊断分类准确度达到了77.78%，对比曲线如图11所示。
(a) 内圈故障 (b) 滚动体故障 (c) 外圈故障
Figure 10. Fast spectral kurtosis images of the Jiangnan University bearing dataset
图10. 江南大学数据集快速谱峭度图像
Figure 11. Training loss and accuracy curves for the Jiangnan University bearing dataset
图11. 江南大学数据集训练损失和准确度曲线
为使研究具有普适性，将实验中的三个轴承数据集快速谱峭度图像文件保存在同一个路径文件夹下，载入到GoogLeNet网络进行训练(其中80%的图像用作训练集，20%的图像用作验证机)训练次数为6轮，然后随机显示若干个验证图像与预测的标签，计算针对验证集图像的分类准确度，绘制损失和准确度拟合曲线，结果显示混合数据集状态下，轴承故障诊断分类准确度达到77.68%。结果如图12所示。
Figure12. Training loss and accuracy curves for the mixed dataset
图12. 混合数据集训练损失和准确度曲线
5. 结论
本文以滚动轴承为研究对象，对比传统信号和数据驱动两种模式下的故障诊断方式，以深度学习为基础，使用快速谱峭度算法处理轴承振动信号数据，引入GoogLeNet网络进行多状态轴承故障诊断，提出一种基于快速谱峭度的信号–图像转换方法进行多状态滚动轴承数据处理，并进行可行性研究，得到以下结论：
(1) GoogLeNet模型对比以前的卷积神经网络结构，不仅延伸了网络深度，还扩展了网络的宽度，整个网络模型由许多块状子网络的堆叠构成，该模块具有降低维度和修正线性激活的作用，在计算设备运算能力有限的前提下展现出更优越的计算性能；
(2) 分别采用凯斯西储大学、辛辛那提IMS、江南大学的滚动轴承数据进行基于快速谱峭度的信号–图像转换，然后将快速谱峭度图像加载到GoogLeNet网络中训练并对验证图像进行分类，最终分类准确度达到分别达到90%、77.78%和80%；
(3) 将三个数据集进行混合，利用同样的计算方法进行计算，得到损失和准确度拟合曲线，结果显示准确度高达77.68%，这说明该类滚动轴承故障诊断准确度较高，具有可行性，但准确度还需进一步提升，为滚动轴承多状态故障诊断提供了一种新思路。
NOTES
*通讯作者。