劉文廣，楊蘭柱，秦 波

（1.內(nèi)蒙古科技大學(xué)機械工程學(xué)院，內(nèi)蒙古包頭 014010；2.內(nèi)蒙古科技大學(xué)工程訓(xùn)練中心，內(nèi)蒙古包頭 014010）

0 引言

滾筒式采煤機大多應(yīng)用在礦山和煤礦等地區(qū)，由于搖臂齒輪箱的工作環(huán)境十分復(fù)雜和惡劣，再加上人為操作的失誤，采煤機搖臂齒輪箱在工作過程中經(jīng)常出現(xiàn)設(shè)備故障等問題，導(dǎo)致煤礦開采時，采煤機的故障損壞十分嚴重，這直接引起中國采礦成本的直線上升。因此，研究如何有效地預(yù)測搖臂齒輪箱剩余使用壽命（Remaining Useful Life，RUL），對降低采礦成本、維護社會穩(wěn)定有著至關(guān)重要的作用[1-3]。

目前，在采煤機搖臂齒輪箱剩余使用壽命預(yù)測領(lǐng)域中主要有兩大類方法。第一種是通過研究故障機理，根據(jù)故障機理建立數(shù)學(xué)模型。這種方法是屬于基于模型的預(yù)測方法，通過模型來完成設(shè)備剩余使用壽命的預(yù)測。如Zhao等[4]通過模擬齒輪裂紋擴展過程對齒輪剩余使用壽命進行了預(yù)測，從而預(yù)測出齒輪的剩余使用壽命。由于采煤機搖臂齒輪箱的故障機理復(fù)雜多樣，需要簡化假設(shè)該預(yù)測方法，限制其預(yù)測精度。數(shù)據(jù)驅(qū)動的方法是指通過數(shù)理統(tǒng)計和機器學(xué)習等方法，分析設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)和剩余使用壽命的內(nèi)在關(guān)系，以此來預(yù)測其剩余使用壽命。該類方法被廣泛應(yīng)用于設(shè)備剩余使用壽命預(yù)測領(lǐng)域。如Babu 等[5]將深度學(xué)習中的卷積神經(jīng)網(wǎng)絡(luò)運用于設(shè)備剩余使用壽命預(yù)測中，使用卷積層及池化層來提取深層次特征，結(jié)果表明，與傳統(tǒng)基于機器學(xué)習的壽命預(yù)測方法相比，該方法精度更高。

目前相較于大多數(shù)深度學(xué)習的網(wǎng)絡(luò)模型，LSTM網(wǎng)絡(luò)十分適合用來處理較長的時序信號，如今在機器翻譯、語音識別和自然語言處理等諸多領(lǐng)域被廣泛應(yīng)用。在機械剩余使用壽命預(yù)測中所使用的傳感器所采集的信號可視為具有時間特征的時序信號，但在一般壽命預(yù)測方法中，很多學(xué)者忽略了其自身時間特性。與其他深度學(xué)習方法相比，LSTM網(wǎng)絡(luò)具有提取時序特征的優(yōu)勢，因此，很多學(xué)者將LSTM用于處理時序信號。如Zhang 等[6]就是在鋰電池的RUL 預(yù)測中應(yīng)用了LSTM 網(wǎng)絡(luò)。但是在采煤機搖臂齒輪箱的壽命預(yù)測領(lǐng)域，LSTM網(wǎng)絡(luò)還沒有發(fā)揮出獨特的網(wǎng)絡(luò)優(yōu)勢，基于此，本文以采煤機搖臂齒輪箱壽命預(yù)測為研究方向，利用深度學(xué)習中的LSTM網(wǎng)絡(luò)來進行壽命預(yù)測。實驗所用數(shù)據(jù)集采集于內(nèi)蒙古西部某礦，該數(shù)據(jù)集記錄了從齒輪箱完好到齒輪出現(xiàn)點蝕的全周期數(shù)據(jù)。結(jié)果表明，LSTM在搖臂齒輪箱壽命預(yù)測中具有一定作用。

1 方法介紹

1.1 LSTM網(wǎng)絡(luò)

本文使用LSTM網(wǎng)絡(luò)來提取采煤機搖臂齒輪箱振動信號中的時序特征及其他深層次特征。LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)變體之一，有效解決了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的兩個問題：梯度消失問題與梯度爆炸問題。可以有效提取并利用信號中的歷史信息進行壽命預(yù)測[7]。LSTM單元計算如下：

式中：ct為LSTM 模塊狀態(tài)；W、U 和b分別為參數(shù)矩陣和向量； ft、it、ot分別為遺忘門向量、輸入門向量、輸出門向量；ct-1為時刻t 前一時刻cell 狀態(tài)、ct為t時刻單元狀態(tài)；σg為sigmoid 函數(shù)，σc和σh為雙曲切線；運算符°為哈達瑪（Hadamard）乘積；為當前單元的輸出，為前一時刻單元的輸出。

1.2 LSTM應(yīng)用流程圖

模型建立流程圖如圖1 所示，將所采集到的采煤機搖臂齒輪箱主齒振動信號按功能分為訓(xùn)練集與測試集2個數(shù)據(jù)集。其中訓(xùn)練集用于模型的訓(xùn)練，使用訓(xùn)練集來確定網(wǎng)絡(luò)超參數(shù)及網(wǎng)絡(luò)參數(shù)。將訓(xùn)練集訓(xùn)練好的網(wǎng)絡(luò)保存，測試集作為輸入輸入到訓(xùn)練好的模型中，得出來的壽命預(yù)估曲線即為壽命預(yù)測結(jié)果。首先，對訓(xùn)練集及測試集數(shù)據(jù)進行歸一化處理，是數(shù)據(jù)值域縮小至[0,1]。歸一化公式如下式所示：

式中：xi,j為原始數(shù)據(jù)中第j個特征的第i個數(shù)據(jù)點；和分別為第j 個特征的最大值與最小值；為xi,j歸一化后的數(shù)值。

采用雙層LSTM網(wǎng)絡(luò)來對齒輪振動信號進行深層次特征提取。與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)相比，LSTM網(wǎng)絡(luò)所提取的特征更具有全面性。卷積神經(jīng)網(wǎng)絡(luò)由于網(wǎng)絡(luò)特點所提取的特征都是局部特征，對于時序性信號中的時序特征難以提取，這就導(dǎo)致傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)所提取的特征中丟失了時間這一重要特性。LSTM相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)而言，可以提取信號的全局特征，這種對時間特征的極大保留，大大增加了方法的可行性及提高了結(jié)果準確性。

圖1 模型建立流程圖

2 搖臂齒輪箱振動信號數(shù)據(jù)庫建立

數(shù)據(jù)采集于內(nèi)蒙古西部某礦場采煤機搖臂齒輪箱。搖臂系統(tǒng)結(jié)構(gòu)圖如圖2所示；現(xiàn)場傳感器安裝位置如圖3所示；拆裝所得齒輪圖如圖4所示。數(shù)據(jù)集包含搖臂齒輪箱主齒由完全健康狀態(tài)到齒面出現(xiàn)較大磨損的全周期數(shù)據(jù)。數(shù)據(jù)采用分段式采集方案，每10天為一周期采集。將采集的數(shù)據(jù)分為訓(xùn)練集與測試集，具體如表1所示。

圖2 采煤機截剖系統(tǒng)傳動原理圖

圖3 采煤機搖臂齒輪箱

圖4 磨損齒輪

表1 數(shù)據(jù)集參數(shù)

3 實驗結(jié)果分析

本文模型建立在基于Python的Keras深度學(xué)習庫中，設(shè)備處理器為i5-6300HQ，內(nèi)存為8G，顯卡為GTX960。每批次迭代耗時2.3 s，選取實驗結(jié)果如圖5 所示。從圖中可以看出，LSTM 網(wǎng)絡(luò)在采煤機搖臂齒輪箱壽命預(yù)測領(lǐng)域有一定的效果，在初始及末期階段，預(yù)測結(jié)果與實際結(jié)果較為吻合，但在磨損發(fā)生劇變階段，預(yù)測與實際相差較大，其原因為數(shù)據(jù)樣本過為單一造成，給實際運維造成一定的安全隱患。

表2 不同預(yù)測方法實驗結(jié)果對比

圖5 實驗預(yù)測結(jié)果

使用均方根誤差值RESE 來對模型性能進行定量評估[8]。其計算公式如下式所示：

式中：m 為測試集樣本個數(shù)；yi為第i 個樣本對應(yīng)的實際RUL值；為對應(yīng)模型給出的RUL預(yù)測值。將實驗結(jié)果與當前主流神經(jīng)網(wǎng)絡(luò)—卷積神經(jīng)網(wǎng)絡(luò)結(jié)果做對比，卷積神經(jīng)網(wǎng)絡(luò)采用2個卷積層、2個池化層和1個全連接層堆疊而成。不同方法實驗結(jié)果對比如表2 所示。實驗結(jié)果表明，與卷積神經(jīng)網(wǎng)絡(luò)相比，LSTM在采煤機搖臂齒輪箱壽命預(yù)測領(lǐng)域效果更好。

4 結(jié)束語

使用LSTM網(wǎng)絡(luò)來對采煤機搖臂齒輪箱進行壽命預(yù)測，可以避開人工提取特征過程，減少預(yù)測成本。又由于是在海量數(shù)據(jù)中尋找特征，所以具有更高的泛化性。實驗表明，使用深度學(xué)習對實際工況下的采煤機搖臂齒輪箱進行壽命預(yù)測具有一定的效果，但由于數(shù)據(jù)采集條件較為單一，所以訓(xùn)練所得的模型不具有很好的泛化性，該缺點在后續(xù)研究中還有待解決。