高園崗 吳青娥 華智力 陳虎 劉磊

摘要：機(jī)器設(shè)備自動(dòng)化程度的提高，對(duì)開展機(jī)器設(shè)備零部件故障檢測(cè)與診斷的研究十分重要。針對(duì)故障發(fā)生位置的檢測(cè)問題，在現(xiàn)有研究的基礎(chǔ)上，設(shè)計(jì)了長(zhǎng)短時(shí)記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）、階躍差和模塊，對(duì)滾動(dòng)軸承的故障序列擬合和檢測(cè)故障序列點(diǎn)位置，提出了一種基于LSTM的階躍差和檢測(cè)方法（LSTM-ES）。實(shí)驗(yàn)表明，提出的方法對(duì)故障檢測(cè)具有較高的準(zhǔn)確率。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；故障診斷；故障檢測(cè)；數(shù)據(jù)擬合

中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2018）24-66-3

0引言

在早期工業(yè)發(fā)展中，人們只能依靠眼、耳和經(jīng)驗(yàn)去識(shí)別故障，其診斷準(zhǔn)確率和可靠性較低。深度信念網(wǎng)絡(luò)是構(gòu)建深度結(jié)構(gòu)的先驅(qū)之一，能夠有效解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題[1]。李巍華[2]把DBN應(yīng)用于處理軸承振動(dòng)的原始信號(hào)，可以直接通過原始數(shù)據(jù)對(duì)軸承故障進(jìn)行分類識(shí)別。Wei Zhang等[3]提出了一種帶有新的訓(xùn)練方法的深度卷積神經(jīng)網(wǎng)絡(luò)，驗(yàn)證了該算法具有較高的準(zhǔn)確性和穩(wěn)定性，并且算法中原始數(shù)據(jù)無需手工提取。Xia M等[4]提出了一種基于CNN的旋轉(zhuǎn)機(jī)械故障診斷方法，利用CNN的結(jié)構(gòu)優(yōu)勢(shì)來實(shí)現(xiàn)多傳感器的融合。實(shí)驗(yàn)結(jié)果表明該方法比傳統(tǒng)的旋轉(zhuǎn)機(jī)械故障診斷方法具有較高的診斷精度。故障特征依賴性較強(qiáng)需要大量的信號(hào)處理和診斷經(jīng)驗(yàn)，淺層網(wǎng)絡(luò)結(jié)構(gòu)的建模能力有限。

1模型設(shè)計(jì)

1.1網(wǎng)絡(luò)模型

Roux和Bengio[5]提出當(dāng)模型深度足夠深時(shí)，模型可以擬合任何函數(shù)。長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)可以自己選擇學(xué)習(xí)和遺忘知識(shí)。其前向傳播為：

1.2數(shù)據(jù)模塊設(shè)計(jì)

模塊結(jié)構(gòu)主要由輸入層、隱藏層、輸出層、訓(xùn)練和預(yù)測(cè)5部分組成，選擇優(yōu)化權(quán)重，如圖1所示。

由仿真結(jié)果知，相比奇異譜分析、多元線性回歸和支持向量回歸方法，本文方法耗時(shí)稍長(zhǎng)但擬合損失較好。在數(shù)據(jù)擬合訓(xùn)練后，檢測(cè)故障發(fā)生時(shí)刻對(duì)正常數(shù)據(jù)序列擬合結(jié)果如圖4所示，對(duì)故障數(shù)據(jù)序列擬合效果如圖5所示。

由圖4和圖5可見，正常數(shù)據(jù)擬合偏差較小，故障數(shù)據(jù)擬合偏差較大。調(diào)整式（6）中的階躍信號(hào)的寬度并設(shè)置合適的閾值就可以準(zhǔn)確及時(shí)地檢測(cè)故障發(fā)生的時(shí)刻。選10個(gè)數(shù)據(jù)點(diǎn)作為階躍信號(hào)的寬度，擬合正常數(shù)據(jù)與故障數(shù)據(jù)的差和圖如圖6所示。

通過觀察正常數(shù)據(jù)與故障數(shù)據(jù)的差和值可暫定閾值為0.04。

3結(jié)束語

在檢測(cè)故障數(shù)據(jù)時(shí)，選擇了網(wǎng)格搜索算法確定模型的超參數(shù)；通過調(diào)整迭代步長(zhǎng)，提出了一種利用階躍差和與閾值相結(jié)合的故障檢測(cè)方法。實(shí)驗(yàn)表明該算法能夠有效地檢測(cè)出故障發(fā)生的時(shí)刻，下一步工作就是要在提高算法的快速性方面做出努力。

參考文獻(xiàn)

[1]馮通.基于深度學(xué)習(xí)的航空飛行器故障自助檢測(cè)研究[J].計(jì)算機(jī)仿真，2015，32（11）：119-122.

[2]李巍華，單外平，曾雪瓊.基于深度信念網(wǎng)絡(luò)的軸承故障分類識(shí)別[J].援振動(dòng)工程學(xué)報(bào)，2016，29（2）：340-347.

[3] Zhang Wei， Li Chuanhao， Peng Gaoliang， et al. A Deep Convolutional Neural Network with New Training Methods for Bearing Fault Diagnosis under Noisy Environment and Different Working Load[J]. Mechanical Systems and Signal Processing， 2018（100）：439-453.

[4] Xia M， Li T， Xu L， et al. Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks[J]. IEEE/ASME Transactions on Mechatronics， 2017（99）：1-10.

[5] Roux N L， Bengio Y. Representational Power of Restricted Boltzmann Machines and Deep Belief Networks[J]. Neural Computation，2008，20（6）：1631-1649.

[6] Golyandina N， Korobeynikov A， Azen S P. Basic Singular Spectrum Analysis and forecasting with R[J]. Computational Statistics & Data Analysis， 2014， 71（1）：934-954.