趙書濤, 王二旭, 陳秀新, 王科登，李小雙

(1.華北電力大學 電氣與電子工程學院, 河北 保定 071003； 2. 華北電力大學 控制與計算機工程學院, 河北 保定 071003)

電動機的可靠運行是游梁式采油機正常工作的基礎. 采油井所處背景環(huán)境復雜，加之三相電機驅動大型游梁式采油機工況的特殊三相電機驅動大型游梁式采油機工況的特殊性，對其進行準確故障診斷實際上更為困難. 電動機機械故障常表現(xiàn)為軸承偏心、繞組短路、堵轉或供電電源故障等[1]. 前人的研究大多集中在電機振動信號和定子電流信號[2-4]，對于電流信號分析診斷故障而言，由于與故障存在相關性的頻率分量較小，直接對電動機機械故障不夠敏感；利用非侵入式振動信號診斷電機故障方法簡單有效，實用性強，通常采用壓電式加速度傳感器采集信號，但傳感器安裝和耦合方式影響信號頻率響應范圍. 鑒于聲音信號可由非接觸式傳感器獲取，測量頻帶寬，且往往伴隨電機振動同源產(chǎn)生，可以有效彌補振動傳感器非剛性連接問題和頻帶限制產(chǎn)生的失效現(xiàn)象. 探索聲振信號聯(lián)合互補的處理方法，利用非侵入式多傳感器監(jiān)測優(yōu)勢，對大型異步電機進行故障診斷具有重要研究價值.

許多學者研究了聲振聯(lián)合方法診斷高壓斷路器運行狀態(tài)，文獻[5]對聲振信號進行改進集合經(jīng)驗模式分解，對分解后固有模態(tài)函數(shù)(IMF)求其二維譜熵作為特征向量進行故障診斷. 文獻[6]利用互補總體經(jīng)驗模態(tài)分解算法對聲振信號進行分解，求取IMF分量的能量系數(shù)、樣本熵、功率譜熵作為特征向量進行故障診斷. 文獻[7]對聲振信號進行局部均值分解，然后對PF分量求取近似熵作為特征向量進行故障診斷. 上述方法對斷路器故障診斷取得了一定效果，但僅限于將聲振信號兩者進行機械地聯(lián)合，未考慮背景情況和聲振信號差異性互補. 在分布式油井所處的惡劣環(huán)境下，如何發(fā)揮聲振信號聯(lián)合優(yōu)勢進行設備故障診斷更有挑戰(zhàn)性.

聲振信號分析有Fourier變換、小波變換、EMD分解、LMD分解等，其特征提取方法常依靠人工選擇和專家知識，故障模式識別算法主觀性過強，容易造成故障信息的遺漏和丟失[8]. 遴選、提取特征后再選擇合適的分類器進行故障分類，樣本數(shù)據(jù)變動時需要有針對性地不斷對特征閾值和方法進行調(diào)整，診斷模型及算法總體泛化能力差[9]. 隨著深度學習理論的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(convolutional neural network，CNN)在圖像識別、語音識別等領域得到了廣泛應用. CNN作為典型的深度學習算法，具備強大的特征學習能力，自適應性好、運行速度快，具備良好的自學習和并行處理能力，在機械設備的故障診斷中具有一定優(yōu)勢[10-11]. 文獻[12]把電機的電流信號進行CNN的故障診斷，文獻[13]對軸承振動信號進行了單層卷積，文獻[14]對振動信號進行EEMD分解，然后構造特征數(shù)據(jù)集. 上述研究對機械故障診斷取得了一定效果，但缺乏對信號提純處理，其特征提取過程復雜，需要人工干預，且受到樣本數(shù)據(jù)量限制造成故障識別準確率不高，沒有把CNN的自學習和分類能力最大化.

1 大型電動機的故障診斷流程

針對游梁式采油機配套的大型三相電動機，本文提出聯(lián)合運行中聲音和振動信號特征各自頻帶優(yōu)勢，運用濾波處理后的數(shù)據(jù)擴容，構成足量數(shù)據(jù)樣本輸入CNN進行故障識別的新方法，其流程如圖1所示.

采油井分布于野外或道路兩旁，人文背景和抽油泵皮帶連接噪聲嚴重影響電機運行信號的質量，非平穩(wěn)聲音時間序列有明顯形態(tài)特征，診斷故障的第一步要基于背景噪聲庫聯(lián)合稀疏表示對此類噪進行處理.

電機旋轉驅動抽油泵上下往復運動，限于振動傳感器安裝方式信號呈現(xiàn)可靠的窄帶(量程一定，靈敏度與有效頻率平方成反比)特點，僅靠低頻振動信號顯然不能覆蓋電機發(fā)生故障的全部頻率范圍，因此需要同源聲音信號對振動進行頻帶互補拓展.

將疊頻后聲振信號轉化為一維形式，避免原始信號空間序列相關性遭到破壞，再利用數(shù)據(jù)擴容提供1D-CNN所需數(shù)據(jù)，最后采用一維卷積神經(jīng)網(wǎng)絡對聲振信號進行故障診斷. 實現(xiàn)本文提出方法的關鍵環(huán)節(jié)在于聲振信號去噪、頻帶互補拓展、以及CNN輸入數(shù)據(jù)擴容和診斷方法優(yōu)化過程.

2 聲振信號預處理過程

考慮采油井現(xiàn)場聲振信號的頻帶特點，首先建立背景噪聲庫去除模板噪聲，利用稀疏表示去除聲音信號的殘余噪聲，再將振動和聲音有機聯(lián)合控制表征故障信息的頻率范圍，提純的原始樣本數(shù)據(jù)為電機故障診斷準確率的提高奠定了基礎.

2.1 背景噪聲庫聯(lián)合稀疏表示去噪

采油機工作現(xiàn)場夾雜風聲、打雷聲、汽笛聲和人語聲等環(huán)境噪聲，也會出現(xiàn)抽油機皮帶摩擦、減速箱異響和游梁機械運行噪聲. 在采集這些背景噪聲樣本形成特征庫基礎上，第1步通過拾音器獲得聲音信號進行雙門限端點檢測計算起始點，再使用Mel倒譜系數(shù)(MFCC)獲取頻域信息，提取背景信號特征，最后采用動態(tài)時間規(guī)整進行模板匹配(DTW)去除模板噪聲.

針對仍有殘余噪聲、信噪比不高的電機聲音信號，根據(jù)其尖峰和突變形態(tài)特征差異明顯特點，第2步采用一個或者幾個形態(tài)結構去逼近，即稀疏表示，利用廣義K-奇異值分解(K-SVD)算法求得基于稀疏和冗余的訓練字典，得到降噪后的信號.K-SVD訓練能夠有效反應信號結構，選用沖擊原子構建冗余字典，然后再用0范數(shù)貪婪算法中的正交匹配追蹤(OMP)算法選擇原子進行模型逼近，達到50次迭代后停止，原始信號(去除模板噪聲)減去殘余背景信號從而實現(xiàn)去噪[15]. 本文對某平原地區(qū)采油井Y2-280M-8型電動機的聲音信號進行上述信號處理過程，如圖2所示.

(a)去噪前

(b)去噪后

由上圖和多種實際信號驗證，去噪后聲信號的背景噪聲明顯減少，原始信號細節(jié)信息被保留，均方誤差和平均絕對誤差降低，聲信號的信噪比得到了提高.

2.2 聲振信號的頻帶互補處理

選用頻率為1～10 000 Hz壓電式(CK 8605)傳感器和頻率為20～20 000 Hz的(WM-025N)拾音器，同時采集電機運行振動和聲音信號. 以電機載荷過重情況為例，聲振信號雖為同源，頻譜分布明顯不同，如圖3所示.

(a)振動信號頻譜

(b)聲音信號頻譜

實測信號分析結果可以看出振動譜峰只出現(xiàn)在3 kHz以下，顯然無法全面反應電機的多類型故障. 實際上，傳感器頻率響應曲線是出廠時剛性連接下測得的，而在實際壓電式加速度應用強磁吸附或膠粘很難達到剛性連接[16]，其頻響曲線差異如圖4所示.

圖4 CK 8605傳感器頻率響應曲線

圖4中，橫坐標是實測頻率值，縱坐標是幅值比較值，等于20log(A2/A1)，A2為所測點頻率振幅，A1為所測全部數(shù)據(jù)平均振幅. 非剛性方式連接的傳感器頻響范圍減小30%，最佳頻率響應為0.1～7 kHz，測電機高頻振動容易造成信號失真.

電機故障診斷中聲振信號同源，振動傳感器直接與電機本體吸附，信號在7 kHz以內(nèi)有很強抗擾性；聲音傳感器置于電機附近，信號頻率可達20 kHz. 本文將去噪后的聲音信號，先采用有限長單位沖激響應(finite impulse response，F(xiàn)IR)帶通濾波器濾除低于7 kHz和高于20 kHz聲音信號，再采用低通濾波器濾除7 kHz以上振動信號，將兩者互補特性聯(lián)合從而可以精準地掌握整個故障階段的信息，為卷積神經(jīng)網(wǎng)絡準確診斷故障提供精準的樣本數(shù)據(jù).

3 CNN診斷方法及優(yōu)化

3.1 CNN診斷原理

CNN作為深度學習的典型代表，是由輸入層、卷積層、池化層、全連接層和輸出層組成的神經(jīng)網(wǎng)絡結構，如圖5所示. 每一層的權值矩陣與特征矩陣進行卷積，前一層的卷積結果經(jīng)過激活函數(shù)運算會輸出成為下一個神經(jīng)元，以便構造下一層對應的特征.

卷積層通過卷積核對輸入數(shù)據(jù)進行卷積，利用非線性激活函數(shù)構造特征矢量. 同一個卷積核在卷積過程中共享參數(shù)，故一個卷積核得到一類特征. 計算公式為

(1)

圖5 卷積神經(jīng)網(wǎng)絡結構示意圖

通常選擇修正線性單元(rectified linear unit，ReLU)作為非線性激活函數(shù)，可以使得一部分的神經(jīng)元輸出為0，減少參數(shù)的相互依賴，提高網(wǎng)絡的稀疏性. ReLU的計算公式為

(2)

池化層通過池化核對輸入數(shù)據(jù)進行縮放映射，對數(shù)據(jù)降維同時提取特征. 池化包含平均池化和最大池化，其變換函數(shù)為

t∈[(j-1)W+1，jW].

(3)

CNN的輸出層對最后一個池化層的輸出進行全連接，然后采用Soft-Max分類器解決多分類問題，模型為

O=f(bo+fvwo).

(4)

式中：bo為偏差向量，fv為特征矢量，wo為權值矩陣.

3.2 參數(shù)設置

分別對Y2-280M-8型45 kW三相電動機進行正常運行、軸承偏心、載荷過重和定子繞組短路試驗，在不同狀態(tài)下采集聲音和振動信號數(shù)據(jù)樣本. 每類樣本采集600組數(shù)據(jù)，每組數(shù)據(jù)包含50 000個采樣點，分割樣本長度設定為1 024. 2/3組數(shù)據(jù)樣本用作訓練，1/3組數(shù)據(jù)樣本作為測試. 1D-CNN的特征提取層由卷積層和池化層組成，在進行池化操作前，選擇ReLU作為激活函數(shù)增加模型的非線性. 選定兩個特征提取層，其特征提取層設置卷積核數(shù)量分別為32和64，設定卷積核尺寸為1×15，池化層采用大小為1×2，步長為2的最大池化，兩個全連接層的節(jié)點分別設置為256和64. 采用RMSprop優(yōu)化器，初始學習率設置為0.03，衰減率為 0.99，迭代次數(shù)為500，模型的訓練步驟如圖6所示.

圖6 模型訓練示意圖

3.3 1D-CNN模型優(yōu)化

3.3.1 重疊式數(shù)據(jù)擴容

實現(xiàn)1D-CNN準確電機故障診斷必須有大量的一維訓練樣本作為支撐，針對1D-CNN需求數(shù)據(jù)量大、數(shù)據(jù)獲取時間長的特點采取重疊式數(shù)據(jù)擴容，數(shù)據(jù)擴容后模型在相同的采樣率下獲得同等數(shù)量樣本所需的時間更短，縮減了1D-CNN的故障診斷時間. 擴容示意圖如圖7所示.

圖7 數(shù)據(jù)擴容示意圖

采用有重疊樣本分割可以完整保留相鄰樣本的相關性，同時避免樣本截斷導致的特征丟失. 對長度為N的信號x，設置樣本長度為L，重疊率為λ，擴容分割方法如下：

2)求取每個分割樣本，其中第i個樣本在原信號的位置表示為

xi=X[(i-1)×L×(1-λ)+(0:1)×L]，

(5)

式中:i∈[1,n]，xi為分割后的樣本數(shù)據(jù).

樣本分割長度太短可以提高模型收斂速度，節(jié)省訓練時間，但是易造成非線性特征信息缺失；樣本分割長度太長會影響模型收斂速度，影響診斷的實時性，經(jīng)過試驗分析，本文設定λ為0.5.

3.3.2 模型結構優(yōu)化

卷積神經(jīng)網(wǎng)絡由于特殊結構使得其具有很強的泛化能力，但是對于采油機而言，電動機通過皮帶拖動減速箱使游梁做上下沖程運動導致數(shù)據(jù)變動很大，限制了1D-CNN泛化性能和準確率的提高.

1D-CNN的卷積核之間存在相關性，而相關性越小，卷積提取的特征越全面，泛化性和準確率越好[17]. 為了提高泛化性和準確率，本文對核函數(shù)進行小波分解得到多分辨率小波系數(shù)，選取相互正交方向的小波分解系數(shù)對卷積核誤差修改量處理去除核函數(shù)的相關性. 與此同時，對每個卷積-池化層之后增加一個局部響應歸一化(local response normalization，LRN)降低模型所需參數(shù)較多的影響. LRN層可以模仿生物的“側抑制”機制，使響應較大的值變得更大，響應歸一化表示[18]為

(6)

訓練過程中為了避免發(fā)生過擬合現(xiàn)象，在模型全連接層中引入Early-Stopping機制，其系數(shù)分別為0.5、0.01. 本文的模型結構見表1.

表1 1D-CNN結構表

4 實驗結果與分析驗證

4.1 實驗結果

模型采用軟件Python 與Tensorflow，操作系統(tǒng)為 MacOS，處理器為Intel(R) Core(TM) i5-4440 CPU@3.10 GHz，運行內(nèi)存為 8 GB.

對本模型進行500次訓練，采用最小均方誤差(mean square error，MSE)作為損失函數(shù)，公式為

(7)

為了對學習到的效果進行驗證，利用主成分分析(principal components analysis，PCA)對倒數(shù)第2層(全連接層)的學習特征進行可視化，如圖8所示.

圖8 學習特征可視化

由圖8可知，模型各狀態(tài)下的學習特征聚集在相應的區(qū)域內(nèi)，說明模型的區(qū)分性很好.

采用 Soft-Max 作為分類器進行分類，識別效果如圖9所示(其中圖形的上半部分指準確率，下半部分指訓練損失值). 由圖9可知，隨著訓練次數(shù)的增加，模型的識別準確率逐漸上升，在訓練350次后準確率趨于穩(wěn)定并不再提高. 與此同時，損失值逐漸下降，此時卷積神經(jīng)網(wǎng)絡的訓練效果最佳.

圖9 模型的準確率和損失值

雖然本文設定訓練次數(shù)為500，但迭代400次后準確率不再提高且損失值相應降為最低. 由于引入Early-Stopping機制，當模型的準確率和損失值不再顯著變化時停止模型的訓練，有效地避免了過擬合現(xiàn)象.

經(jīng)過訓練后，模型總的分類準確率達到了97.75%，證明了聲振聯(lián)合更能全面準確地反映電動機的運行狀態(tài)，分類結果見表2.

表2 1D-CNN分類結果

4.2 模型效果驗證

4.2.1 聲振聯(lián)合方法效果驗證

為了驗證本文提出聲振聯(lián)合方法的有效性，將之與文獻[5-7]所用的傳統(tǒng)聯(lián)合方法進行對比，結果如圖10所示.

圖10 聲振聯(lián)合診斷結果對比

由對比圖表可知，本文聯(lián)合方法進行故障診斷的正確分類組數(shù)遠高于傳統(tǒng)聯(lián)合方法，傳統(tǒng)聯(lián)合方法的總體分類準確率為91.8%，說明本文提出的方法對信號預處理有效. 原因是背景噪聲庫聯(lián)合稀疏表示去噪有效抑制了背景噪聲的干擾，再使用聲信號彌補振動信號的頻段失真，通過原始樣本信號的提純控制使得CNN的學習效果更好.

4.2.2 不同模型的準確率和泛化性對比

對比所提方法與SVM、BP和RVM三種智能算法的優(yōu)勢，針對同樣的訓練樣本，采用文獻[14]提到的EEMD算法對原始信號(未經(jīng)預處理)進行分解，然后利用SVM、BP和RVM進行診斷，結果見表3. 由表3可知，CNN的分類準確率遠遠高于其他算法，其中平均準確率高于SVM平均準確率11.50%，高于BP平均準確率12.50%，高于RVM平均準確率10.75%. 這主要得益于CNN權值共享、池化、全連接等獨特結構，這些結構使得CNN具有尺度位移與不變性、區(qū)域感知的特點，能對特征進行全面學習，容錯能力強，彌補了其他淺層分類算法特征學習不充分、泛化能力差的缺點.

表3 不同診斷模型的結果對比

由于在實際的油田作業(yè)中數(shù)據(jù)的來源和結構不同，故需對同種類型、不同表征的故障數(shù)據(jù)進行分類. 因而，換用Y2-315S-8型號的電動機，采樣頻率由40 kHz變成30 kHz，換用PCB357B21型號的傳感器，同時更改傳感器安放位置，診斷結果見表4.

表4 變動后不同診斷模型的結果對比

由表4可知，傳統(tǒng)智能診斷方法在數(shù)據(jù)結構和來源發(fā)生變動的情況下診斷準確率明顯降低，而1D-CNN模型由于其優(yōu)良的泛化性能仍然保持了非常高的準確率.

4.2.3 優(yōu)化模型泛化能力驗證

為了驗證優(yōu)化模型的泛化能力，使用原模型進行對照，診斷結果如圖11所示.

圖11 不同模型診斷效果對比

由圖11可知，在數(shù)據(jù)的來源、采集參數(shù)設置、傳感器位置發(fā)生了變化的情況下，優(yōu)化后的1D-CNN模型總體診斷準確率依舊達到了97.75%，遠高于未優(yōu)化的模型，說明優(yōu)化后的模型對新鮮樣本的自適應能力更強，泛化能力更好.

4 結 論

1)針對大型電機聲振信號的同源互補性，提出了一種基于聲振信號聯(lián)合的1D-CNN故障診斷方法，大大提高了故障診斷的準確率.

2)提出基于背景噪聲庫聯(lián)合稀疏表示去噪后，進行聲振互補聯(lián)合處理的控制信號提純新方法，對原始數(shù)據(jù)進行了有效剪輯，為1D-CNN準確診斷電機現(xiàn)場故障奠定了基礎.

3)數(shù)據(jù)擴容為模型提供了大量數(shù)據(jù)，采用LRN和核函數(shù)去相關性對模型進行了優(yōu)化，驗證了故障診斷算法效果及其廣泛通用性，提高了1D-CNN的泛化能力.