唐 剛，秦朝任

(北京化工大學(xué) 機(jī)電工程學(xué)院，北京 100029)

滾動軸承是旋轉(zhuǎn)機(jī)械最常用也是最易發(fā)生故障的部件之一.通過對設(shè)備的大數(shù)據(jù)統(tǒng)計(jì)分析，可知軸承故障約占機(jī)械故障的30%，因此，滾動軸承故障診斷是1個熱門且有價值的研究方向[1].滾動軸承振動和聲學(xué)特性變化能有效地反應(yīng)軸承的運(yùn)行狀態(tài)，可以通過安裝傳感器進(jìn)行信號采集與監(jiān)測，分析診斷軸承的運(yùn)行狀態(tài)，為軸承的智能運(yùn)維提供重要技術(shù)支撐[2].

振動信號分析是目前軸承故障診斷最主要的方法之一[3].振動傳感器以接觸式為主，安裝位置和數(shù)量經(jīng)常受到限制，聲學(xué)傳感器則可以有效地解決此問題.但是，由于機(jī)械系統(tǒng)本身的復(fù)雜性，各個零部件之間互相沖擊振動，加之聲學(xué)傳感器信號的信噪比通常低于振動傳感器信號，導(dǎo)致采集的滾動軸承的聲學(xué)信號中經(jīng)常包含很多干擾信息，給相關(guān)研究帶來了很大挑戰(zhàn).

聲學(xué)信號特征提取是開展?jié)L動軸承故障診斷的必要前提之一.使用單一特征通常難以全面準(zhǔn)確地反映軸承的運(yùn)行狀態(tài)，同時具有很大的隨機(jī)性與不確定性，因此需要從不同角度提取充分反映其運(yùn)行狀態(tài)的多種特征，提高故障診斷的準(zhǔn)確性[4].但是過多的特征參數(shù)又會導(dǎo)致信息冗余，增加分析計(jì)算的代價和難度，甚至多個特征之間會產(chǎn)生交叉干擾，影響故障診斷精度.信息融合降維技術(shù)為解決該問題提供了思路[5-6].基于此技術(shù)，眾多學(xué)者在不同領(lǐng)域開展了相關(guān)研究.例如，文獻(xiàn)[7]基于多模型PCA開展了翻車機(jī)液壓系統(tǒng)的故障診斷研究，文獻(xiàn)[8-9]研究了基于主成分分析(Principal Components Analysis， PCA)和支持向量機(jī)(Support Vector Machine， SVM)的發(fā)動機(jī)故障診斷方法，通過PCA將多個特征融合降維，利用SVM進(jìn)行故障診斷分類.然而，這些傳統(tǒng)方法雖然能夠?qū)?shù)據(jù)進(jìn)行降維，但是由于滾動軸承聲學(xué)信號的特征微弱，很多傳統(tǒng)的線性變換降維算法難以有效地提取反映軸承狀態(tài)的敏感特征[10].

自編碼(AutoEncoder， AE)網(wǎng)絡(luò)通過設(shè)置非線性激活函數(shù)，利用訓(xùn)練學(xué)習(xí)輸入數(shù)據(jù)的內(nèi)在特征，消除冗余特征信息，避免發(fā)生維數(shù)災(zāi)難，得到具有較強(qiáng)泛化能力的網(wǎng)絡(luò)[11-13]，其隱含層具有較少的神經(jīng)元.因此，使用滾動軸承聲學(xué)信號的多種特征訓(xùn)練自編碼網(wǎng)絡(luò)，提取隱含層的輸出作為瓶頸特征參數(shù)，有望解決以上傳統(tǒng)方法存在的問題.

在提取有效的敏感特征后，還需要進(jìn)行故障的分類與識別.SVM由Vapnik等[14-15]在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出.該方法因其穩(wěn)定、高效在故障診斷領(lǐng)域得到了廣泛應(yīng)用[16-18]，尤其適用于本文所面臨的小樣本集的數(shù)據(jù)處理問題.

本文基于非接觸式聲學(xué)傳感器采集聲學(xué)信號，開展?jié)L動軸承故障診斷研究.使用自編碼網(wǎng)絡(luò)提取聲學(xué)信號的瓶頸特征，并通過SVM訓(xùn)練學(xué)習(xí)實(shí)現(xiàn)滾動軸承故障診斷及分類.

1 理論介紹

自編碼(AE)網(wǎng)絡(luò)作為無監(jiān)督類型網(wǎng)絡(luò)，目的是使輸入和輸出的重構(gòu)誤差最小,主要包括編碼和解碼兩部分.最基本的AE模型包含1個輸入層，1個隱含層，以及1個輸出層，典型的AE網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1所示.

AE網(wǎng)絡(luò)的前向傳播過程可簡單解釋為： 輸入信號x由編碼器編碼后映射到1個新的維度空間，得到隱含層h，解碼器將隱含層解碼輸出，公式如下：

h=f1(xW1+b1)，

(1)

(2)

式中：f1，f2是隱含層和輸出層的激活函數(shù)，本文選用Sigmoid函數(shù)作AE網(wǎng)絡(luò)的激活函數(shù)；W1，W2是權(quán)重參數(shù)；b1，b2是閾值.

AE網(wǎng)絡(luò)的反向傳播過程是通過預(yù)置的損失函數(shù)，反向傳播輸出與輸入的誤差，迭代更新權(quán)重參數(shù)，使輸出不斷逼近輸入，公式如下：

(3)

式中：W′，b′表示更新后的權(quán)重.

使用提取的特征對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成后提取瓶頸層的輸出作為瓶頸特征的參數(shù)集.基于采集到的聲學(xué)信號特性，本文所用的AE網(wǎng)絡(luò)的損失函數(shù)設(shè)置為均方誤差(Mean Square Error， MSE),使用隨機(jī)梯度下降(Stochastic Gradient Descent， SGD)訓(xùn)練網(wǎng)絡(luò).

2 滾動軸承故障診斷的方法

圖2是本文方法的流程圖，主要包括以下4步.

1) 數(shù)據(jù)采集： 采集滾動軸承故障聲學(xué)數(shù)據(jù)并作歸一化處理.

2) 特征提?。?分別提取絕對平均值、方差和峭度等多種特征指標(biāo)，并作歸一化處理.

3) 瓶頸特征提?。?訓(xùn)練自編碼網(wǎng)絡(luò)，提取瓶頸特征.

4) 故障診斷分類： 基于瓶頸特征，使用SVM進(jìn)行滾動軸承故障診斷的分類.

圖1 自編碼網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.1 The basic structure of AE network

圖2 本文方法的流程圖Fig.2 Flow chart of the proposed method

3 滾動軸承故障診斷試驗(yàn)

3.1 試驗(yàn)

在內(nèi)圈、外圈和滾動體預(yù)設(shè)故障，故障為寬0.1mm、深0.05mm的貫穿槽.采用如圖3所示的滾動軸承試驗(yàn)臺開展試驗(yàn)，故障軸承安裝在距離電動機(jī)最遠(yuǎn)處的軸承座內(nèi)，以盡量減小電動機(jī)帶來的干擾.聲學(xué)傳感器位置如圖3所示，采樣頻率為20kHz，分別開展了滾動體、內(nèi)圈和外圈單一故障3種試驗(yàn)，滾動軸承故障的特征頻率的計(jì)算公式如表1所示，試驗(yàn)的實(shí)際轉(zhuǎn)速和對應(yīng)的故障特征頻率如表2所示.

圖3 滾動軸承故障試驗(yàn)臺Fig.3 Test rig of rolling bearing fault

表1 滾動軸承故障的特征頻率的計(jì)算方法Tab.1 Calculation method of characteristic frequency of rolling bearing fault

注：fB,fI,fO分別表示滾動體、內(nèi)圈和外圈故障的特征頻率；r為轉(zhuǎn)速；n為滾珠個數(shù)；d為滾動體直徑；D為軸承節(jié)徑；α為接觸角.

表2 滾動軸承故障的類型、轉(zhuǎn)頻及其對應(yīng)故障特征頻率Tab.2 Type, frequency conversion and corresponding fault frequency of rolling bearing fault

3組實(shí)驗(yàn)的采樣時間均為3s，60000個采樣點(diǎn).圖4為原始數(shù)據(jù)的波形圖和包絡(luò)譜圖.從圖4中可以看出： 原始信號的幅值較低，沖擊不明顯，包含大量干擾噪聲，通過包絡(luò)分析也只能夠得到故障特征頻率的1倍頻.相對于內(nèi)圈故障，滾動體和外圈故障干擾更加嚴(yán)重，這和實(shí)際情況相吻合.同時驗(yàn)證了聲學(xué)信號信噪比低于振動加速度信號的問題，極大增加了診斷的難度.

圖4 原始數(shù)據(jù)的波形圖和包絡(luò)譜圖Fig.4 Waveform and envelope spectrum of original data

3.2 本文提出的方法

將以上3組數(shù)據(jù)分別歸一化后提取各個樣本的絕對平均值、方差和峭度等多個特征指標(biāo)，并輸入到自編碼網(wǎng)絡(luò)中提取瓶頸特征.將每組數(shù)據(jù)樣本分為訓(xùn)練集和測試集，輸入到SVM中進(jìn)行故障診斷及分類，結(jié)果如圖5所示.

圖5中類別1，2，3分別代表滾動體故障，內(nèi)圈故障和外圈故障，由測試集的結(jié)果可以看到： 本文提出的方法對滾動軸承聲學(xué)故障診斷及分類具有較好的效果，整體正確率達(dá)到96.7%，其中對內(nèi)圈和外圈故障的診斷正確率達(dá)到100%，對滾動體故障的診斷正確率為90%.滾動體故障相對微弱，是造成其正確率相對較低的主要原因.

圖5 本文方法的故障分類的結(jié)果Fig.5 The results of fault classification of the proposed method

3.3 與傳統(tǒng)方法對比

為了比較各方法的優(yōu)越性，采用同樣的數(shù)據(jù)處理方法提取出同樣的多個特征指標(biāo).將特征歸一化后輸入主成分分析降維，按照能量占比超過95%取降維后的維數(shù)，3組數(shù)據(jù)對應(yīng)的能量占比如圖6所示，圖中柱狀圖代表的是各個特征的能量占比，藍(lán)線代表能量占比的加和.

圖6 PCA降維后特征的能量占比Fig.6 Energy proportion of features after PCA dimension reduction

PCA降維后前4個特征能量占比已經(jīng)超過95%，所以選取前4個特征，輸入到SVM中進(jìn)行訓(xùn)練診斷，得到的結(jié)果如圖7所示.

圖7 傳統(tǒng)方法的故障的分類結(jié)果Fig.7 Fault classification results of the traditional method

PCA和SVM在滾動軸承加速度信號處理等領(lǐng)域廣泛應(yīng)用，因此選其作為對比方法，驗(yàn)證本文方法的優(yōu)越性.從圖7中可以看出，訓(xùn)練集正確率較好，測試集整體準(zhǔn)確率卻較低，只有70%.出現(xiàn)該問題的原因有很多，比如過擬合、樣本數(shù)據(jù)差等原因.試驗(yàn)結(jié)果中內(nèi)圈故障的識別率較高，滾動體和外圈故障的識別率較差，只有50%和70%.對于相對微弱的滾動體和外圈故障，該方法不能有效地提取出敏感特征信息，進(jìn)而不能夠有效地診斷出滾動軸承故障類型.

通過比較，傳統(tǒng)的方法對低信噪比下聲學(xué)信號的微弱特征識別存在很多不足，本文提出的方法能夠在一定程度上克服其存在的問題，準(zhǔn)確識別滾動軸承故障的類型.

4 結(jié) 語

本文提出的方法具有聲學(xué)信號測量的非接觸性優(yōu)勢，且對低信噪比的軸承聲學(xué)信號表現(xiàn)出了良好的故障診斷分類的能力，取得了較高的分類正確率.相比傳統(tǒng)的方法，該方法能夠有效地識別受噪聲干擾的微弱故障，表現(xiàn)出較好的優(yōu)越性，提高了基于聲學(xué)信號的滾動軸承故障的診斷能力.