陳維興，崔朝臣，李小菁，趙 卉

(1.中國民航大學(xué)，天津 300300； 2.中國人民解放軍 31439部隊(duì)，遼寧 沈陽 110000)

1 引 言

滾動(dòng)軸承作為風(fēng)力發(fā)電機(jī)組傳動(dòng)鏈機(jī)構(gòu)核心部件之一,其健康狀況對于機(jī)構(gòu)性能和使用壽命會(huì)有很大影響[1],因此,風(fēng)力發(fā)電機(jī)組軸承的故障診斷對于機(jī)組的安全運(yùn)行具有重要意義。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)自從在圖像識(shí)別領(lǐng)域取得巨大成功以來,一些學(xué)者嘗試將其應(yīng)用于故障診斷領(lǐng)域[2]。如文獻(xiàn)[3～5]提出基于一維卷積神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷算法。雖然利用一維CNN對振動(dòng)信號(hào)進(jìn)行故障識(shí)別方法在診斷結(jié)果上具有一定效果,但風(fēng)力發(fā)電機(jī)組軸承實(shí)際運(yùn)行中其振動(dòng)信號(hào)呈現(xiàn)出非平穩(wěn)、背景噪聲大等特點(diǎn),利用一維信號(hào)進(jìn)行故障診斷的方法丟失了信號(hào)的頻率信息,無法充分展現(xiàn)信號(hào)的時(shí)頻特征。為彌補(bǔ)一維CNN的缺陷,Chen等[6]提出一種基于離散小波變換和CNN的故障識(shí)別方法,證明了其可行性。Li等[7]利用短時(shí)傅里葉(DFT)變換得到時(shí)-頻譜樣本,用CNN進(jìn)行特征提取,該方法具有一定的魯棒性。Zeng等[8]利用S變換獲得的時(shí)-頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,進(jìn)而提取故障特征以進(jìn)行故障診斷。基于時(shí)-頻信息的CNN方法雖然在定轉(zhuǎn)速軸承故障診斷中取得較好的效果,但CNN是通過將局部信息聚合到全局,丟失了時(shí)-頻信號(hào)的長時(shí)依賴性。由于時(shí)-頻特征在時(shí)域上具有時(shí)移性、風(fēng)力發(fā)電機(jī)組軸承振動(dòng)信號(hào)的復(fù)雜性,單小波變換無法囊括信號(hào)的多種振動(dòng)模式,使得所訓(xùn)練的網(wǎng)絡(luò)在實(shí)際應(yīng)用中穩(wěn)定性不強(qiáng)。

為改進(jìn)傳統(tǒng)方法的缺點(diǎn),提出基于多種小波變換的一維卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(multi-wavelet-1D convolutional LSTM, Mw-1DConvLSTM)網(wǎng)絡(luò)架構(gòu)。首先利用多種小波函數(shù)得到時(shí)-頻矩陣,使得信號(hào)特征得到充分展現(xiàn);利用CNN提取每個(gè)時(shí)間步頻率特征，再利用擴(kuò)展長短時(shí)記憶網(wǎng)絡(luò)(long short term memory network, LSTM)自適應(yīng)捕獲樣本全局時(shí)空信息,進(jìn)而實(shí)現(xiàn)軸承故障模式的識(shí)別。通過與傳統(tǒng)的CNN方法對比,在復(fù)雜工況下,本文提出的方法具有更高的準(zhǔn)確率和穩(wěn)定性。

2 小波變換與ConvLSTM

2.1 小波變換

風(fēng)力發(fā)電機(jī)組軸承振動(dòng)信號(hào)是一種非平穩(wěn)信號(hào),其信號(hào)隨時(shí)間而變化。傅里葉變換無法捕捉信號(hào)時(shí)間序列中某一特定頻率出現(xiàn)的時(shí)間[9],因此不適合分析非平穩(wěn)信號(hào);維格納分布雖然具有很高的時(shí)-頻分辨率,但用于多個(gè)信號(hào)分量時(shí),會(huì)產(chǎn)生交叉項(xiàng)干擾,有時(shí)會(huì)嚴(yán)重影響原信號(hào)[10];循環(huán)平穩(wěn)信號(hào)分析雖然在機(jī)械故障診斷領(lǐng)域的應(yīng)用取得了不少的成績,但是在非高斯、非平穩(wěn)噪聲中魯棒性較差[11];經(jīng)驗(yàn)?zāi)Ｊ椒纸庥捎谄淅碚摬煌陚?缺少嚴(yán)密的數(shù)學(xué)基礎(chǔ)支持,其應(yīng)用還存在一些重要的問題需要解決[12];小波變換克服了短時(shí)傅里葉變換固定時(shí)-頻分辨率的缺陷,避免了二次型時(shí)-頻分布中交叉項(xiàng)對分解結(jié)果的影響,也不存在經(jīng)驗(yàn)?zāi)B(tài)分解理論基礎(chǔ)不完善的問題[6]。

小波變換具有很強(qiáng)的時(shí)-頻復(fù)合觀測特性,而復(fù)雜工況下(速度和負(fù)載時(shí)變)風(fēng)電機(jī)組軸承振動(dòng)頻率觀測值具有明顯的時(shí)變非線性[13,14],故利用小波變換[15]實(shí)現(xiàn)時(shí)-頻特性的提取。考慮到數(shù)據(jù)的離散采樣,工程計(jì)算能力問題,實(shí)驗(yàn)采用離散小波變換。

2.2 ConvLSTM

ConvLSTM最初用于解決氣象預(yù)測問題[16]。后因其強(qiáng)大的時(shí)空數(shù)據(jù)處理能力被廣泛應(yīng)用于視頻處理任務(wù)中[17,18]。ConvLSTM是LSTM和CNN的擴(kuò)展,由用卷積運(yùn)算代替LSTM中的矩陣乘法,將所有的輸入、輸出、隱層狀態(tài)和ConvLSTM門控都設(shè)置為三維張量,其中2個(gè)維度為時(shí)空信息(行和列),最后一個(gè)維度為ConvLSTM中隨時(shí)間變化的狀態(tài)信息。ConvLSTM的核心公式如式(1)～式(5)所示[16]。

it=σ(Wxi*Xt+Whi*Ht-1+Wci°Ct-1+bi)

(1)

ft=σ(Wxf*Xt+Whf*Ht-1+Wcf°Ct-1+bf)

(2)

Ct=ft°Ct-1+it°tanh(Wxc*Xt+Whc*Ht-1+bc)

(3)

ot=σ(Wxo*Xt+Who*Ht-1+Wco°Ct-1+bo)

(4)

Ht=ot°tanh(Ct)

(5)

式中：“*”為卷積操作;“°”為哈達(dá)瑪積。由于時(shí)-頻圖既包含頻率上的空間信息,又包含時(shí)序依賴信息,而ConvLSTM能夠自適應(yīng)捕捉信號(hào)的空間特征和長短時(shí)依賴特征。因此,本文使用ConvLSTM進(jìn)行時(shí)-頻特征的提取。

3 基于Mw-1DConvLSTM的故障診斷方法

在故障診斷過程中,為了將振動(dòng)信號(hào)得以充分展現(xiàn)和提取,提出一種基于Mw-1DConvLSTM的故障診斷方法。1) 多小波變換策略:通過多種小波基變換將原始振動(dòng)信號(hào)從多個(gè)角度得到互補(bǔ)特征,增加數(shù)據(jù)冗余,進(jìn)而增加模型的穩(wěn)定性;2) 時(shí)空特征提取策略:可以從一定程度上彌補(bǔ)由于CNN平移不變性而造成在樣本較小時(shí)容易陷入過擬合的缺點(diǎn)。同時(shí),又充分結(jié)合時(shí)-頻特征的物理意義,使得所訓(xùn)練的網(wǎng)絡(luò)具有更好的魯棒性。

3.1 多小波變換策略

由于風(fēng)力發(fā)電機(jī)組軸承不同部位振動(dòng)信號(hào)表現(xiàn)出的不同頻率特征,使得所測得的信號(hào)是由多種頻率疊加、耦合的結(jié)果。此外,軸承故障會(huì)引入低頻脈沖,而這些成分易被具有主振幅的固有高頻分量和強(qiáng)背景噪聲所掩蓋。因此,單一小波無法滿足信號(hào)分解需求。故需要利用多種小波從多個(gè)角度提取信號(hào)的互補(bǔ)特征,為網(wǎng)絡(luò)提供不同條件下的互補(bǔ)判別能力,使得網(wǎng)絡(luò)具有更好的故障識(shí)別能力。

針對不同特征的信號(hào),不同小波基的選擇對于分析結(jié)果具有一定差異。需選擇合適的小波基才能夠滿足小波分解的可完全重構(gòu)性。小波函數(shù)的選擇通常應(yīng)從正交、線性相位、連續(xù)和緊支撐4個(gè)方面綜合考慮,迄今為止,尚無一種小波函數(shù)能夠同時(shí)滿足需求。因此,結(jié)合風(fēng)力發(fā)電機(jī)組軸承振動(dòng)信號(hào)特征,在比較了幾種具有良好正交性和緊支撐的小波基后,根據(jù)其分解重構(gòu)誤差,重構(gòu)誤差計(jì)算公式(如式(6))。最終選定db3、coif1和sym2小波函數(shù)對原始振動(dòng)進(jìn)行“同源異構(gòu)變換”,如圖1所示。

圖1 多小波變換Fig.1 Multi-wavelet transform

(6)

式中：srec,i為經(jīng)小波函數(shù)重構(gòu)后得到的重構(gòu)信號(hào);s為原始信號(hào),i∈(1，2，…，n)為信號(hào)序列。

3.2 時(shí)空特征提取策略

傳統(tǒng)CNN將得到的時(shí)-頻矩陣視為圖像,然后卷積神經(jīng)網(wǎng)絡(luò)對信號(hào)進(jìn)行多層特征提取,實(shí)現(xiàn)特征表達(dá)[19]。但由于CNN在處理大尺度特征時(shí),平移不變性效果不理想[20]。如圖2所示,卷積層使用3×3的卷積核,池化層使用2×2的池化塊;輸入層部分3×3區(qū)域?qū)?yīng)于卷積層中的一個(gè)輸出元素,卷積層的輸出經(jīng)過2×2區(qū)域的最大值池化層產(chǎn)生一個(gè)輸出元素?；诖诉^程,如圖3所示,最大值池化最左端灰色部分的一個(gè)輸出元素值僅受輸入層最左端4×4的灰色區(qū)域影響,其右端區(qū)域未參與計(jì)算。類似地,最大值池化最右端灰色部分的一個(gè)輸出元素僅受輸入層最左端4×4的灰色區(qū)域影響。雖然CNN所學(xué)習(xí)到的特征可以通過全連接層聚合到全局,包含有時(shí)-頻信號(hào)一定的位置信息,有助于網(wǎng)絡(luò)對故障的診斷。但對于具有長時(shí)依賴和周期性的軸承振動(dòng)信號(hào)而言,在樣本較少的情況下,網(wǎng)絡(luò)容易陷入過擬合,泛化能力不強(qiáng),最終影響模型的穩(wěn)定性。因此,需要一種策略改善上述CNN方法的不足。

圖2 卷積操作和池化操作示意圖Fig.2 The schematic diagram of convolution operation and pooling operation

圖3 CNN平移不變性示意圖Fig.3 The schematic diagram of CNN translation invariance

因此,本文提出一種改進(jìn)的ConvLSTM網(wǎng)絡(luò)。該網(wǎng)絡(luò)既結(jié)合CNN提取空間特征能力的優(yōu)點(diǎn),又兼顧LSTM可以訪問時(shí)序信號(hào)先驗(yàn)知識(shí)的特性,充分考慮時(shí)-頻譜包含的頻率和時(shí)序雙重特性。同時(shí),由于風(fēng)力發(fā)電機(jī)組軸承振動(dòng)信號(hào)是一個(gè)時(shí)間序列,經(jīng)小波變換后,將獲得時(shí)-頻譜定義為一種時(shí)空序列問題,即在某一時(shí)刻的頻率分布視為空間特征,當(dāng)截取某段時(shí)間空間特征時(shí),其在時(shí)域上的趨勢定義為時(shí)序特征?；诖?利用一維CNN提取每一時(shí)刻的頻率特征,利用擴(kuò)展的LSTM提取頻率信息在時(shí)間域所呈現(xiàn)的時(shí)序特征,使網(wǎng)絡(luò)在頻域和時(shí)域都具有描述信號(hào)特征的能力,充分利用信號(hào)時(shí)空信息。

該策略的核心部分為樣本特征的自適應(yīng)提取。方法如下:假設(shè)某小波變換得到的時(shí)-頻譜分為N個(gè)樣本,每個(gè)樣本為S1,S2,…,SN,每個(gè)樣本包含T個(gè)時(shí)間步,則第1個(gè)樣本可表示為S1={f1，f2，…，fT}。于是對于第1個(gè)樣本特征提取步驟如下:首先利用一維CNN提取每一幀空間特征,即單個(gè)時(shí)間步所包含的頻率信息;由于每一幀之間的頻率變換在時(shí)域上具有一定的關(guān)聯(lián)性,因此利用擴(kuò)展的LSTM自適應(yīng)地捕獲各幀間的時(shí)空特征,實(shí)現(xiàn)網(wǎng)絡(luò)對樣本全局時(shí)空特征的自適應(yīng)學(xué)習(xí),如圖4所示,圖4中,xT表示在T時(shí)刻的輸入,ck,T-1表示T-1時(shí)刻第k層網(wǎng)絡(luò)的狀態(tài)單元,hk,T-1表示T-1時(shí)刻第k層網(wǎng)絡(luò)的隱層狀態(tài)。

圖4 樣本時(shí)空特征提取Fig.4 Temporal and spatial feature extraction of sub-sequences

4 故障診斷方法流程

基于Mw-1DConvLSTM的故障診斷流程如圖5所示,其具體流程步驟如下:1) 原始振動(dòng)信號(hào)采集與分割:采集軸承振動(dòng)信號(hào),并將振動(dòng)信號(hào)進(jìn)行等長分割;2) 將分割好的信號(hào)進(jìn)行多種小波變換得到時(shí)-頻譜;3) 設(shè)置網(wǎng)絡(luò)超參數(shù),并初始化網(wǎng)絡(luò)權(quán)值、偏置及全連接層的權(quán)值和偏置;4) 將數(shù)據(jù)批量輸入網(wǎng)絡(luò),最后通過全連接層和分類層獲得與故障類型相對應(yīng)的one-hot編碼形式的標(biāo)簽,計(jì)算出誤差。用反向傳播的方法將誤差回傳,更新網(wǎng)絡(luò)權(quán)值和偏置,進(jìn)行訓(xùn)練;5) 重復(fù)第4)步,直到網(wǎng)絡(luò)達(dá)到一定精度或達(dá)到所設(shè)定的迭代次數(shù),最后將訓(xùn)練好的模型進(jìn)行保存,并進(jìn)行故障診斷。

圖5 基于Mw-1DConvLSTM的軸承故障診斷流程圖Fig.5 Flow chart of bearing fault diagnosis based on Mw-1DConvLSTM

5 實(shí)驗(yàn)設(shè)計(jì)

5.1 實(shí)驗(yàn)描述

本文實(shí)驗(yàn)數(shù)據(jù)來源于山東某風(fēng)場華銳SL1500型風(fēng)機(jī)佳木斯發(fā)電機(jī)驅(qū)動(dòng)端6328型軸承和永濟(jì)發(fā)電機(jī)驅(qū)動(dòng)端6332型軸承的振動(dòng)信號(hào),由安裝在風(fēng)機(jī)上的CMS系統(tǒng)采集獲取,系統(tǒng)采樣頻率為25.6 kHz。圖6分別展示了CMS系統(tǒng)的振動(dòng)傳感器的安裝位置(具體位于發(fā)電機(jī)驅(qū)動(dòng)端的端蓋處)和風(fēng)力發(fā)電機(jī)組的基本結(jié)構(gòu)。

圖6 CMS系統(tǒng)發(fā)電機(jī)軸承傳感器測點(diǎn)布置示意圖Fig.6 Schematic diagram of measuring point arrangement of CMS system generator front-end bearing sensor

5.2 數(shù)據(jù)集描述

實(shí)驗(yàn)數(shù)據(jù)分為3種不同的轉(zhuǎn)速,每種轉(zhuǎn)速都有四種不同類型的運(yùn)行狀態(tài),即正常狀態(tài)、外圈故障、內(nèi)圈故障和混合故障,如圖7所示。佳木斯驅(qū)動(dòng)端軸承的振動(dòng)數(shù)據(jù)包含6 900個(gè)樣本,每個(gè)樣本信號(hào)長度包含2 048個(gè)數(shù)據(jù)采樣點(diǎn),用其中6 000個(gè)樣本作為訓(xùn)練集，900個(gè)作為測試集。用900個(gè)永濟(jì)發(fā)電機(jī)軸承的振動(dòng)數(shù)據(jù)樣本作為驗(yàn)證集,檢驗(yàn)?zāi)Ｐ偷姆夯芰Α＞唧w樣本信息如表1和表2所示。

圖7 軸承的健康狀態(tài)類型Fig.7 Healthy state type of bearings

表1 佳木斯發(fā)電機(jī)樣本信息描述Tab.1 Description of Jiamusi generator sample information

表2 永濟(jì)發(fā)電機(jī)樣本信息描述Tab.2 Description of Yongji generator sample information

6 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)基于Keras平臺(tái),采用交叉驗(yàn)證進(jìn)行對比,得到最優(yōu)的網(wǎng)絡(luò)參數(shù)。每層的激活函數(shù)設(shè)置為“relu”,最后一層激活函數(shù)為“softmax”;采用交叉熵作為損失函,“Adam”作為優(yōu)化器。

6.1 評價(jià)指標(biāo)

為對所提模型性能進(jìn)行量化評估,使用準(zhǔn)確率、查準(zhǔn)率、召回率和F1-score作為網(wǎng)絡(luò)評價(jià)指標(biāo)[4],各指標(biāo)具體計(jì)算公式如下：

(7)

(8)

(9)

(10)

其中：PT為某一類樣本被正確分類的數(shù)目;NT為其它類別被正確分類的數(shù)目;PF為該類別被錯(cuò)誤分類的數(shù)目;NF為其它類別被錯(cuò)誤分類的數(shù)目。

6.2 參數(shù)配置

6.2.1 小波函數(shù)選擇

根據(jù)式(6)計(jì)算不同小波函數(shù)的重構(gòu)誤差,選擇適用于風(fēng)電機(jī)組軸承振動(dòng)信號(hào)的小波函數(shù),如表3所示。最終選擇Harr、coif1、db3和sym2這4種重構(gòu)誤差較小的小波函數(shù)進(jìn)行實(shí)驗(yàn)。

表3 不同小波函數(shù)的重構(gòu)誤差Tab.3 Restructuring Error in Different Wavelet Functions

6.2.2 網(wǎng)絡(luò)深度和樣本長度設(shè)置

所提模型網(wǎng)絡(luò)深度和樣本長度對模型的診斷性能具有重要影響。為保證在較高診斷正確率的同時(shí),不會(huì)因?yàn)閰?shù)增加而使網(wǎng)絡(luò)難以訓(xùn)練。經(jīng)過多次試驗(yàn)對比后,選用如圖8的網(wǎng)絡(luò)結(jié)構(gòu),樣本長度選擇2 048個(gè)采樣點(diǎn)。使用多個(gè)通道并行輸入進(jìn)行特征提取,經(jīng)過1DConvLSTM層后將特征進(jìn)行跨通道融合,實(shí)現(xiàn)多種小波時(shí)-頻特征的提取。為了降低數(shù)據(jù)維度加快訓(xùn)練難度,增強(qiáng)網(wǎng)絡(luò)的泛化能力,在最后一個(gè)1DConvLSTM層后,將2 048×64×1維特征,通過一維全局最大值池化實(shí)現(xiàn)維度約簡,代替全連接層;最后將得到的特征表達(dá)通過softmax層實(shí)現(xiàn)網(wǎng)絡(luò)分類。網(wǎng)絡(luò)具體參數(shù)如表4所示,其中,表中1DConvLSTM階段只列出一種小波通道的參數(shù),另外兩個(gè)通道配置與之相同。Ks表示卷積核的大小,F表示卷積核深度,S代表步長。

表4 網(wǎng)絡(luò)參數(shù)配置表Tab.4 Network parameter configuration table

6.3 實(shí)驗(yàn)結(jié)果分析

6.3.1 多小波時(shí)頻分析與單一小波時(shí)頻分析

振動(dòng)信號(hào)在不同小波變換下提取的特征差異較大,因此有必要考慮多小波分解特征。為了驗(yàn)證小波分解數(shù)目對于準(zhǔn)確率的影響,使用1～4種小波進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)采用圖8所示的結(jié)構(gòu)。不同條件下的實(shí)驗(yàn)結(jié)果如表5所示。

圖8 基于Mw-1DConvLSTM的軸承故障診斷網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 Bearing fault diagnosis network structure based on Mw-1DConvLSTM

表5 多種小波數(shù)目診斷性能比較Tab.5 Comparison of diagnostic performance of various wavelet numbers

由表5可以發(fā)現(xiàn)本文方法在2～4個(gè)類別數(shù)目上的性能優(yōu)于傳統(tǒng)的單一小波方法。一般來說,隨著數(shù)目的增加,模型可以獲得更穩(wěn)健的性能,因此所提出的多小波方法可以提高診斷性能。同時(shí),可以發(fā)現(xiàn)當(dāng)利用3個(gè)小波時(shí)取得較好的效果,利用4種小波時(shí),診斷性能并沒有得到較大提升,卻會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間,因此最終選用coif1、db3和sym2這3種重構(gòu)誤差最小的小波函數(shù)。

為更直觀地理解多小波特征融合的優(yōu)越性,使用t-SNE降維技術(shù)對數(shù)據(jù)特征進(jìn)行可視化。圖9(a)為原始數(shù)據(jù),可以發(fā)現(xiàn)原始數(shù)據(jù)不具有分類特性;圖9(b)為將單一小波數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)特征提取后可視化的結(jié)果,可以發(fā)現(xiàn)模型有一定的聚類趨勢,但類間區(qū)分不明顯;圖9(c)為將2種小波數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)特征提取后的結(jié)果,可以發(fā)現(xiàn)具有一定的聚類和分類特性,但分類效果不明顯;圖9(d)為將3種小波數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)特征學(xué)習(xí)后的結(jié)果,可以觀察到,此時(shí)網(wǎng)絡(luò)提取的特征已經(jīng)表現(xiàn)出良好的聚類和分類特性。可以推斷出隨著小波種類數(shù)目的增加,相同健康狀態(tài)的特征呈現(xiàn)出很好的聚類特性,不同健康狀態(tài)間呈現(xiàn)出更好的分類特性。結(jié)果表明3種小波變換提取的特征具有較強(qiáng)的辨識(shí)能力。進(jìn)一步驗(yàn)證了融合多種小波特征可以提高特征學(xué)習(xí)能力。

圖9 不同小波數(shù)目基于t-SNE的特征可視化Fig.9 Feature visualization based on t-SNE with different wavelet numbers

6.3.2 與傳統(tǒng)CNN方法對比

為說明本文方法在大尺度和時(shí)序依賴問題上的優(yōu)越性,使用本文方法與文獻(xiàn)[3]、[6]和[7]所述方法進(jìn)行對比分析,以驗(yàn)證所提方法的有效性,如圖10所示。觀察圖10可以發(fā)現(xiàn),由于一維信號(hào)不能充分利用信號(hào)的頻率特征信息,基于原始振動(dòng)數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)(簡稱為ACNN-FD)在實(shí)際應(yīng)用中并不能取得較好的效果。基于短時(shí)傅里葉變換(簡稱為STFT-CNN)取得相對較好的效果,但由于機(jī)組并不能運(yùn)行在理想的恒定轉(zhuǎn)速狀態(tài),而是在恒定轉(zhuǎn)速周圍具有一定的波動(dòng)性和噪聲,加之短時(shí)傅里葉變換測不準(zhǔn)原理的缺陷,使得其在實(shí)際應(yīng)用中的表現(xiàn)并沒有基于小波變換的卷積神經(jīng)網(wǎng)絡(luò)(簡稱為WT-CNN)的性能優(yōu)越。STFT-CNN和WT-CNN相對于ACNN-FD具有較好的性能,但由于CNN網(wǎng)絡(luò)機(jī)制的限制,其在大尺度具有時(shí)序依賴的信號(hào)處理中,效果并不理想。而所設(shè)計(jì)的Mw-1DConvLSTM由于采用了多種小波互補(bǔ)機(jī)制使得網(wǎng)絡(luò)能夠充分提取信號(hào)時(shí)頻特征。同時(shí),得益于本文所提的時(shí)空特征提取策略,使得網(wǎng)絡(luò)不僅能夠自主提取頻域特征,而且能夠提取頻率在時(shí)序上的依賴特征。因此，Mw-1DConvLSTM在處理具有非平穩(wěn)性的數(shù)據(jù)時(shí),具有良好性能。

圖10 不同方法精度對比Fig.10 Precision comparison of different methods

6.3.3 工況適應(yīng)性實(shí)驗(yàn)

在實(shí)際機(jī)組運(yùn)行中,轉(zhuǎn)速處于波動(dòng)狀態(tài),因此需要模型具有良好的泛化性。實(shí)驗(yàn)采用某一轉(zhuǎn)速數(shù)據(jù)作為訓(xùn)練集,用另外2種轉(zhuǎn)速的數(shù)據(jù)作為測試集。實(shí)驗(yàn)數(shù)據(jù)分組如表6所示,分別進(jìn)行20次訓(xùn)練與驗(yàn)證,以獲得較穩(wěn)定的結(jié)果,實(shí)驗(yàn)結(jié)果如表7所示,可以發(fā)現(xiàn)使用單一轉(zhuǎn)速振動(dòng)信號(hào)進(jìn)行訓(xùn)練在不增加樣本時(shí),本文方法仍具有良好表現(xiàn),說明Mw-1DConvLSTM具有較好的轉(zhuǎn)速適應(yīng)性,在實(shí)際應(yīng)用中對數(shù)據(jù)集的要求相對較低。

表6 不同轉(zhuǎn)速實(shí)驗(yàn)數(shù)據(jù)集分組Tab.6 Grouping of experimental data sets at different speeds

表7 不同實(shí)驗(yàn)組結(jié)果Tab.7 Results of different experimental groups

6.3.4 泛化性實(shí)驗(yàn)

1) 不同型號(hào)發(fā)電機(jī)同一種轉(zhuǎn)速適應(yīng)性實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證模型的泛化能力,在同一種轉(zhuǎn)速下,使用佳木斯發(fā)電機(jī)軸承振動(dòng)數(shù)據(jù)作為訓(xùn)練集,永濟(jì)發(fā)電機(jī)軸承振動(dòng)數(shù)據(jù)作為測試集進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果如圖11所示,對不同型號(hào)的發(fā)電機(jī)進(jìn)行診斷時(shí),采用本文提出的方法仍然能保持很高的準(zhǔn)確率,遠(yuǎn)高于使用文獻(xiàn)[3]、[6]和[7]提出的方法。

圖11 不同型號(hào)相同轉(zhuǎn)速下實(shí)驗(yàn)結(jié)果Fig.11 Experimental results at the same speed of different models

2) 不同型號(hào)發(fā)電機(jī)不同轉(zhuǎn)速適應(yīng)性實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證實(shí)際工程環(huán)境中網(wǎng)絡(luò)模型的實(shí)用性,使用特定轉(zhuǎn)速下佳木斯發(fā)電機(jī)軸承振動(dòng)數(shù)據(jù)作為訓(xùn)練集,另外2種轉(zhuǎn)速下永濟(jì)發(fā)電機(jī)軸承振動(dòng)數(shù)據(jù)作為測試集進(jìn)行驗(yàn)證,如圖12所示?？梢园l(fā)現(xiàn)模型在不同型號(hào)發(fā)電機(jī)不同工況下,具有較強(qiáng)的穩(wěn)定性。

圖12 不同型號(hào)發(fā)電機(jī)軸承不同轉(zhuǎn)速泛化性驗(yàn)證Fig.12 Generality verification of generator bearings of different types

7 結(jié) 論

Mw-1DConvLSTM網(wǎng)絡(luò)能夠自適應(yīng)地從多種小波變換后的時(shí)-頻域信號(hào)中提取有效的時(shí)空信息,克服了基于CNN的方法不能有效提取時(shí)序信息的缺點(diǎn)。通過對現(xiàn)場實(shí)際運(yùn)行的數(shù)據(jù)進(jìn)行測試,可以得出以下3點(diǎn)結(jié)論:1) 由于1DConvLSTM能夠從充分考慮時(shí)-頻信號(hào)時(shí)空特征,使得在診斷過程中,網(wǎng)絡(luò)不僅具有較高的故障識(shí)別率,在軸承信號(hào)和轉(zhuǎn)速發(fā)生改變時(shí),仍具有較高的識(shí)別率;2) 得益于多個(gè)小波變換的冗余時(shí)-頻特征,使得所訓(xùn)練的網(wǎng)絡(luò)相對于單小波時(shí)-頻特征作為輸入時(shí),具有更高的準(zhǔn)確率;3) 需要指出的是本文方法仍存在不足之處,相對于傳統(tǒng)的CNN方法,Mw-1DConvLSTM網(wǎng)絡(luò)的訓(xùn)練時(shí)間較長,且在訓(xùn)練過程中需要占用大量計(jì)算機(jī)資源,這也是下一步需要重點(diǎn)解決的問題。