[论文解读] Intelligent Bearing Fault Diagnosis with Convolutional Long-Short-Term-Memory Recurrent Neural Network

Amin Khorram, Mohammad Khalooei|arXiv (Cornell University)|Sep 16, 2019

Machine Fault Diagnosis Techniques被引用 4

一句话总结

本文提出了一种基于卷积长短期记忆循环神经网络（CRNN）的端到端智能轴承故障诊断方法，直接处理未经预处理的加速度计原始数据。该方法通过直接利用时域信号中的时间序列，实现了最先进的准确率，在基准数据集上表现出色，且数据处理极少。

ABSTRACT

Fault diagnostics and prognostics are important topics both in practice and research. There is an intense pressure on industrial plants to continue reducing unscheduled downtime, performance degradation, and safety hazards, which requires detecting and recovering potential faults in its early stages. Intelligent fault diagnosis is a promising tool due to its ability to rapidly and efficiently processing collected signals and providing accurate diagnosis results. Although many studies have developed machine leaning (M.L) and deep learning (D.L) algorithms for detecting the bearing fault, the results have generally been limited to relatively small train and test datasets and the input data has been manipulated (selective features used) to reach high accuracy. In this work, the raw data, collected from accelerometers (time-domain features) are taken as the input of a novel temporal sequence prediction algorithm to present an end-to-end method for fault detection. We use equivalent temporal sequences as the input of a novel Convolutional Long-Short-Term-Memory Recurrent Neural Network (CRNN) to detect the bearing fault with the highest accuracy in the shortest possible time. The method can reach the highest accuracy in the literature, to the best knowledge of the authors of the present paper, voiding any sort of pre-processing or manipulation of the input data. Effectiveness and feasibility of the fault diagnosis method are validated by applying it to two commonly used benchmark real vibration datasets and comparing the result with the other intelligent fault diagnosis methods.

研究动机与目标

• 为解决工业系统中早期轴承故障检测问题，实现最小的非计划停机时间。
• 克服现有机器学习方法依赖预处理或人工选择特征以实现高准确率的局限性。
• 开发一种端到端深度学习框架，直接以原始时域振动信号作为输入。
• 在使用未经修改的输入数据的前提下，实现文献中报告的最高故障诊断准确率。
• 在真实世界基准振动数据集上验证该方法的有效性与可行性。

提出的方法

• 该方法采用加速度计获取的原始时域振动信号作为输入，避免任何特征工程或预处理操作。
• 从原始信号中构建等效的时间序列，以保留时间动态特性，便于序列建模。
• 设计了一种新型卷积长短期记忆循环神经网络（CRNN），用于从序列中提取分层的空间-时间特征。
• CRNN结合卷积层以提取局部模式，同时利用LSTM层建模长期时间依赖性。
• 网络采用端到端方式训练，直接从原始信号序列中分类轴承故障状态。
• 该架构经过优化，具备高准确率与快速推理能力，支持实时故障诊断。

实验结果

研究问题

• RQ1 深度学习模型是否能在不进行预处理或特征选择的情况下，仅使用原始振动数据实现最先进的故障诊断准确率？
• RQ2 所提出的CRNN架构在从原始加速度计信号中捕捉时间模式方面，对轴承故障检测的有效性如何？
• RQ3 端到端学习方法是否优于依赖工程化特征的传统方法？
• RQ4 该方法在不同基准数据集上的准确率和鲁棒性表现如何？
• RQ5 与现有智能诊断系统相比，该模型是否能更早、更可靠地检测出故障？

主要发现

• 所提出的CRNN模型在使用原始、未经处理的振动信号的前提下，实现了文献中报告的最高故障诊断准确率。
• 该方法消除了对任何数据预处理或特征选择的需求，简化了诊断流程。
• 该模型在两个广泛使用的实际振动数据集上表现出色，证实了其鲁棒性与泛化能力。
• 端到端训练方法相比传统方法实现了更快的推理速度与更高的准确率。
• 结果验证了将卷积层与循环层结合用于轴承故障诊断中的时间序列建模的有效性。