張傳凱

（1.北京市地鐵運(yùn)營有限公司；2.北京地鐵工程管理有限公司）

0 引言

近年來，隨著軌道交通的快速發(fā)展，地鐵成為了人們重要的出行方式。地鐵大部分時間處在地下密閉空間，穩(wěn)定的送風(fēng)、排煙等功能直接關(guān)系到乘客的生命安全。因此，地鐵風(fēng)機(jī)的安全運(yùn)行是保證地鐵正常運(yùn)行的前提和基礎(chǔ)。軸承是風(fēng)機(jī)中最重要的部件之一，也是風(fēng)機(jī)中最容易出現(xiàn)故障的部件。地鐵風(fēng)機(jī)軸承在長時間運(yùn)行和極端環(huán)境等因素復(fù)合作用下，不可避免的產(chǎn)生因磨損而帶來的性能退化，若不能及時監(jiān)測其退化過程，一旦軸承完全失效將產(chǎn)生嚴(yán)重的安全事故[1-3]。因此，研究地鐵風(fēng)機(jī)軸承的剩余使用壽命預(yù)測具有非常重要的意義。

目前，國內(nèi)外學(xué)者對于風(fēng)機(jī)軸承的研究多集中于使用振動信號進(jìn)行故障分析。如：文獻(xiàn)[4]通過對時域特征和頻域特征的分析實(shí)現(xiàn)地鐵風(fēng)機(jī)軸承故障診斷。文獻(xiàn)[5]結(jié)合加速度、速度和位移信號實(shí)現(xiàn)地鐵風(fēng)機(jī)的故障診斷。文獻(xiàn)[6]提出了一種調(diào)制強(qiáng)度指標(biāo)，結(jié)合循環(huán)平穩(wěn)解調(diào)算法獲得風(fēng)機(jī)的故障類型及故障程度。文獻(xiàn)[7]提出了一種基于對稱點(diǎn)圖分析和圖像匹配的故障診斷方法檢測風(fēng)機(jī)機(jī)械故障。然而，這些方法只能判斷風(fēng)機(jī)軸承已發(fā)生故障的類別，沒有對退化過程的預(yù)測能力。

隨著傳感器技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展，使得海量的機(jī)械運(yùn)行數(shù)據(jù)得以采集和處理。通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)建立特征參數(shù)與剩余壽命的映射，從而實(shí)現(xiàn)機(jī)械設(shè)備的剩余壽命預(yù)測[8]。文獻(xiàn)[9]以棧式自動編碼器為基本結(jié)構(gòu)，建立了風(fēng)機(jī)軸承故障預(yù)警方法。文獻(xiàn)[10]采用馬爾科夫鏈原理建立了風(fēng)機(jī)齒輪箱軸承磨損狀態(tài)的Gamma分布模型，利用歷史檢查維護(hù)數(shù)據(jù)進(jìn)行軸承狀態(tài)評估和剩余壽命預(yù)測。文獻(xiàn)[11]提出一種基于溫度特征量的風(fēng)電軸承性能退化模型及其實(shí)時剩余壽命預(yù)測方法。文獻(xiàn)[12]結(jié)合t分布隨機(jī)近鄰嵌入和LSTM網(wǎng)絡(luò)實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械壽命預(yù)測。然而，真實(shí)的地鐵風(fēng)機(jī)軸承振動信號往往存在各種環(huán)境噪聲，這些噪聲嚴(yán)重影響上述方法的預(yù)測準(zhǔn)確性。與此同時，上述方法都是針對解決某一具體問題，一旦設(shè)備的工作狀態(tài)發(fā)生改變，其方法并不適用。因此，為解決上述問題，本文提出了濾波處理的EMD降噪與LSTM網(wǎng)絡(luò)相結(jié)合的預(yù)測方法。該方法有效的去除地鐵風(fēng)機(jī)軸承振動信號中存在的噪聲，并準(zhǔn)確的預(yù)測軸承的剩余使用壽命。

1 算法研究

1.1 提出方法的流程

為了去除地鐵風(fēng)機(jī)軸承振動信號中存在的噪聲并準(zhǔn)確預(yù)測風(fēng)機(jī)軸承的剩余使用壽命，本文提出了基于濾波處理的EMD降噪與LSTM網(wǎng)絡(luò)相結(jié)合的預(yù)測方法。其過程為：首先，使用EMD將信號從高頻至低頻分解為若干階IMF分量，根據(jù)互相關(guān)系準(zhǔn)則和峭度準(zhǔn)則，選擇有效IMF分量重構(gòu)信號。然后提取降噪信號的時頻特征，根據(jù)單調(diào)性和相關(guān)性準(zhǔn)則選擇合適的特征向量，構(gòu)成退化特征參數(shù)集。最后通過退化特征參數(shù)訓(xùn)練LSTM網(wǎng)絡(luò)，得到軸承壽命的預(yù)測輸出。提出算法的具體流程如圖1所示。

1.2 濾波處理的EMD降噪

在實(shí)際工業(yè)場景獲取的軸承振動信號不可避免地含有噪聲，特別是當(dāng)軸承故障剛開始發(fā)生時，其微小的故障沖擊往往會被噪聲所掩蓋。因此，為有效的提取軸承故障特征信息，開展振動信號的降噪工作是至關(guān)重要的。傳統(tǒng)的EMD降噪是將信號分解為IMF分量后的高頻分量作為噪聲直接去除，但是去除分量的多少直接影響降噪結(jié)果，如果去除的分量較少則起不到降噪的目標(biāo)，去除的分量多則有可能影響信號的有效成分。為此，本文提出了基于濾波處理的EMD降噪方法。通過該方法得到降噪信號不僅可以去除噪聲，同時對信號的沖擊成分保存的很好。降噪的主要步驟為選用兩條降噪準(zhǔn)則對EMD分解的IMF分量進(jìn)行篩選，對篩選的IMF分量進(jìn)行重構(gòu)，得到降噪后的合成信號。

1）EMD分解

EMD是一種處理非線性、非平穩(wěn)信號的自適應(yīng)時頻處理方法[13]。任何信號可以通過EMD分解為n個IMF分量與一個余項(xiàng)的和，即：

式中，x（t）為原始信號；imfi（t）為IMF分量；rn（t）為余項(xiàng)。

2）互相關(guān)系數(shù)準(zhǔn)則

互相關(guān)系數(shù)可以衡量各IMF分量和原始信號的線性相關(guān)程度的量，可以通過互相關(guān)系數(shù)來判定IMF的真?zhèn)?。各個IMF分量與原始信號的互相關(guān)系數(shù)可表示為[14]：

式中，Rx,imfi（t）表示互相關(guān)；Rx（t）表示自相關(guān)。

3）峭度準(zhǔn)則

峭度是反映信號波形尖峰度的一個統(tǒng)計(jì)量，通過峭度值可以反映軸承故障振動信號中的沖擊成分。IMF分量的峭度值越大，說明其中保留的沖擊成分較多，通過對保留較多沖擊成分的IMF分量重構(gòu)得到的信號可以很好的保留軸承故障的沖擊成分。峭度值可表示為：

式中，N為采樣長度；σt為標(biāo)準(zhǔn)差。

1.3 LSTM網(wǎng)絡(luò)

基于數(shù)據(jù)驅(qū)動的壽命預(yù)測模型多為深度信念網(wǎng)絡(luò)（DBN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），但是這兩種網(wǎng)絡(luò)都沒有記憶能力。為了更準(zhǔn)確的預(yù)測地鐵風(fēng)機(jī)軸承的剩余使用壽命，本文提出一種基于LSTM的軸承剩余壽命預(yù)測方法。LSTM網(wǎng)絡(luò)能夠記住前面出現(xiàn)的特征，并根據(jù)前面記憶的特征進(jìn)行預(yù)測，這對壽命預(yù)測任務(wù)是非常有益的。LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖2，特征xi和前一步的記憶特征ht-1同時作為輸入，得到預(yù)測輸出ht。LSTM的計(jì)算過程為：

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The network structure of LSTM

圖3 XJTU-SY試驗(yàn)臺Fig.3 The test rig of XJTU-SY

圖4 軸承全壽命振動信號Fig.4 The full-life vibration signal of bearing

退化特征參數(shù)集的準(zhǔn)確構(gòu)建也對預(yù)測結(jié)果產(chǎn)生一定的影響，合適的特征參數(shù)的選擇能更好的描述軸承退化狀態(tài)，從而得到準(zhǔn)確的預(yù)測結(jié)果。通過對衡量退化特征指標(biāo)研究，最終選用單調(diào)性和相關(guān)性兩個指標(biāo)選擇軸承退化特征參數(shù)。

2 軸承壽命預(yù)測實(shí)驗(yàn)

2.1 軸承加速壽命試驗(yàn)臺

本實(shí)驗(yàn)采用XJTU-SY軸承數(shù)據(jù)，具體實(shí)驗(yàn)裝置如圖3所示[15]。XJTU-SY試驗(yàn)臺的目的是提供不同工況下自然退化軸承的整個使用壽命振動信號。不同的徑向力由液壓加載系統(tǒng)產(chǎn)生并施加于被測軸承座上，轉(zhuǎn)速由交流感應(yīng)電機(jī)的轉(zhuǎn)速控制器設(shè)定。試驗(yàn)共設(shè)計(jì)了3類工況，在轉(zhuǎn)速2 100r/min，徑向力12kN下采集的第1，2和5號軸承作為本研究的對象。跟蹤軸承退化過程，垂直振動信號通常比水平振動信號提供的有用信息少，因此本研究僅采用水平測量的振動信號。第1，2和5號軸承的全壽命信號如圖4。

2.2 采樣點(diǎn)設(shè)置

試驗(yàn)中的采樣頻率為25.6kHz，每次采樣時長為1.28s，原始信號每個采樣點(diǎn)32 768長。為增加采樣點(diǎn)數(shù)，本研究將每個采樣點(diǎn)設(shè)置為4 096，所以采樣點(diǎn)總數(shù)擴(kuò)充為原來的8倍。軸承全壽命信號的采樣點(diǎn)數(shù)和退化起始點(diǎn)如表1。

表1 軸承的采樣點(diǎn)數(shù)和退化起始點(diǎn)Tab.1 Number of sampling points and degradation starting point of bearing

3 結(jié)果分析

3.1 軸承振動信號降噪結(jié)果

為了驗(yàn)證降噪效果，選取軸承1部分故障信號為研究對象。圖5為某時刻振動信號的時域圖和頻譜圖。由圖可以看出，原始信號有周期性沖擊信號，但是頻譜圖中頻率分布存在一定的噪聲。

圖5 原始信號的時域圖及頻譜圖Fig.5 Time-domain waveform and spectrum of the raw signal

接下來，對故障信號進(jìn)行基于濾波處理的EMD降噪。首先，對原始信號進(jìn)行EMD分解，得到6個IMF分量，如圖6所示。從圖中可以看出，IMF1～I(xiàn)MF4可以看出故障沖擊成分，但是IMF1的噪聲較多。IMF5和IMF6丟失信息過多，所以IMF6之后的分量不在進(jìn)行研究。

圖6 EMD分解得到的IMF分量Fig.6 IMF component obtained by EMD decomposition

采用互相關(guān)系數(shù)準(zhǔn)則和峭度準(zhǔn)則對IMF分量進(jìn)行篩選，根據(jù)式（2）和（3）求出各分量與原始信號的互相關(guān)系數(shù)和各分量的峭度值，結(jié)果如表2。前5個分量與原始信號相關(guān)性較大，但是第5個IMF分量的峭度值較小。同時，由圖6可以看出，IMF1的噪聲較多。因此，最終IMF2，IMF3和IMF4被選為重構(gòu)信號分量，重構(gòu)降噪信號的時域圖和頻譜圖如圖7所示，從圖中可以看出，信號中的沖擊成分更明顯，同時部分高頻和低頻中的噪聲被去除。

表2 互相關(guān)系數(shù)和峭度值Tab.2 The cross-correlation coefficients and kurtosis

圖7 重構(gòu)信號的時域圖及頻譜圖Fig.7 Time-domain waveform and spectrum of the reconstruction signal

3.2 LSTM壽命預(yù)測

進(jìn)行壽命預(yù)測前首先要提取能反映軸承信號退化趨勢的特征參數(shù)。過多的特征參數(shù)會導(dǎo)致計(jì)算量增大，增加計(jì)算時間。過少的特征參數(shù)則不能完全反映軸承退化趨勢，導(dǎo)致預(yù)測結(jié)果較差。為此，本研究通過單調(diào)性和相關(guān)性準(zhǔn)則從降噪后的軸承全壽命信號中提取多個時域和頻域特征參數(shù)。具體過程為：具有單調(diào)性的特征有更好的時序性，因此首先去除不具有單調(diào)性或者單調(diào)性變化不明顯的特征參數(shù)。然后，根據(jù)相關(guān)性準(zhǔn)則，去除相關(guān)性大的特征參數(shù)。最終，共篩選6個特征參數(shù)組成特征參數(shù)集，分別是時域均方根，時域方差，頻域標(biāo)準(zhǔn)差，中心頻率，平均頻率和頻域均方根。軸承1的全壽命信號的特征參數(shù)如圖8，從圖中可以看出篩選的各特征參數(shù)都能反映軸承的退化過程。

圖8 特征參數(shù)集Fig.8 Feature parameter

根據(jù)軸承的退化起始時刻建立軸承特征參數(shù)集的標(biāo)簽，退化起始時刻之前的樣本點(diǎn)標(biāo)簽設(shè)置為0，從退化起始點(diǎn)開始逐漸增加直到完全退化狀態(tài)的標(biāo)簽設(shè)置為1。本研究選用3個軸承的全壽命信號的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中第3和第5軸承作為訓(xùn)練數(shù)據(jù)，第1軸承作為測試模型性能數(shù)據(jù)。與此同時，采用現(xiàn)有DBN網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)進(jìn)行對比實(shí)驗(yàn)，訓(xùn)練集和測試集均按照本文提出的方法設(shè)定。表3給出了三種方法的網(wǎng)絡(luò)參數(shù)。

表3 三種方法網(wǎng)絡(luò)參數(shù)Tab.3 Network parameters of the three methods

圖9為三種方法的預(yù)測結(jié)果，基于LSTM網(wǎng)絡(luò)的壽命預(yù)測曲線與真實(shí)壽命的一致性最好。在軸承故障發(fā)生后一段時間內(nèi)存在波動較大情況，這是由于軸承在發(fā)生故障后存在恢復(fù)階段?；謴?fù)階段存在的原因是在軸承剛發(fā)生故障時，其振幅較大，但是在旋轉(zhuǎn)過程中被磨平而導(dǎo)致振幅變小。當(dāng)過恢復(fù)階段后，預(yù)測的準(zhǔn)確性相對較平穩(wěn)。表4給出了三種預(yù)測方法的均方根誤差值（RMSE），LSTM的RMSE最小，這進(jìn)一步證明了LSTM方法預(yù)測性能優(yōu)于其他兩種方法。所以通過本次實(shí)驗(yàn)可以證明提出方法可以準(zhǔn)確的預(yù)測軸承剩余使用壽命，為地鐵風(fēng)機(jī)的有效運(yùn)行提供保障。

圖9 預(yù)測結(jié)果Fig.9 The prediction result

4 結(jié)論

針對地鐵風(fēng)機(jī)軸承的剩余使用壽命預(yù)測問題，提出了基于EMD降噪和LSTM網(wǎng)絡(luò)的壽命預(yù)測方法。通過本文提出的方法，可以準(zhǔn)確的預(yù)測地鐵風(fēng)機(jī)軸承的剩余使用壽命，對實(shí)際工程具有重要的意義。本文主要有如下結(jié)論：

1）提出的基于濾波處理的EMD降噪方法對全壽命軸承信號降噪非常有效，通過信號的分解和重構(gòu)得到降噪信號，在去除噪聲的同時可以很好的保留軸承故障信號的沖擊成分。

2）利用從降噪信號中提取的6個時域和頻域特征構(gòu)建軸承的退化特征參數(shù)，這些特征參數(shù)可以明顯的體現(xiàn)軸承的退化趨勢，便于進(jìn)行軸承剩余使用壽命預(yù)測。

3）提出基于LSTM網(wǎng)絡(luò)的軸承壽命預(yù)測方法，通過實(shí)驗(yàn)驗(yàn)證提出的方法可以準(zhǔn)確的預(yù)測軸承剩余壽命，其性能優(yōu)于常用的DBN網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)。