劉浩濤， 杜青年， 歐婷婷， 唐娜娜， 秦 勇

（陸軍勤務(wù)學(xué)院訓(xùn)練基地，武漢430000）

0 引 言

作為機(jī)械傳動(dòng)系統(tǒng)的重要組成部分，減速器在機(jī)械運(yùn)轉(zhuǎn)中起著調(diào)節(jié)轉(zhuǎn)速和傳遞轉(zhuǎn)矩的作用，是影響機(jī)械設(shè)備運(yùn)行的一個(gè)重要因素［1-2］。其故障診斷是當(dāng)前故障診斷領(lǐng)域研究的重點(diǎn)和難點(diǎn)，尤其是齒輪、軸承的故障判別。目前，國內(nèi)外對(duì)齒輪傳動(dòng)機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷方法主要有基于油液（潤滑油）檢測(cè)的分析法［3-4］、基于聲發(fā)射的診斷方法［5］以及基于振動(dòng)信號(hào)的故障診斷方法［6］。由于振動(dòng)便于測(cè)量，故障反應(yīng)直接等獨(dú)特優(yōu)勢(shì)［7］，基于振動(dòng)信號(hào)的故障診斷技術(shù)是目前研究和應(yīng)用最為普遍的。

齒輪振動(dòng)信號(hào)往往呈非線性、非平穩(wěn)等特點(diǎn)［8］，如何從齒輪的振動(dòng)信號(hào)中提取故障特征是減速器齒輪故障診斷的關(guān)鍵［9］。鑒于此，本文利用深度學(xué)習(xí)理論強(qiáng)大的非線性特征自提取和高效的信號(hào)表征能力［10］，提出了一種基于深度置信網(wǎng)絡(luò)和LabVIEW平臺(tái)的減速箱齒輪故障診斷系統(tǒng)。利用數(shù)據(jù)采集硬件完成減速器齒輪振動(dòng)信號(hào)的采集，通過大量的故障信號(hào)樣本構(gòu)建訓(xùn)練集完成深度置信網(wǎng)絡(luò)的無監(jiān)督預(yù)訓(xùn)練，實(shí)時(shí)采集隨機(jī)的齒輪振動(dòng)信號(hào)構(gòu)建測(cè)試集，利用測(cè)試集對(duì)診斷系統(tǒng)的可靠性進(jìn)行驗(yàn)證。

1 系統(tǒng)總體功能

由于系統(tǒng)是以減速箱作為故障診斷的研究對(duì)象，所以整個(gè)系統(tǒng)的設(shè)計(jì)是以減速箱試驗(yàn)平臺(tái)為基礎(chǔ)，分為硬件和軟件兩部分，如圖1所示。硬件部分包括減速箱試驗(yàn)平臺(tái)、傳感器，數(shù)據(jù)采集儀及其配套的硬件設(shè)施，主要負(fù)責(zé)系統(tǒng)的數(shù)據(jù)采集。軟件部分在計(jì)算機(jī)上通過LabVIEW軟件編程完成，負(fù)責(zé)測(cè)試數(shù)據(jù)的顯示、存儲(chǔ)、處理分析及診斷結(jié)果顯示，其中數(shù)據(jù)處理分析包括數(shù)據(jù)歸一化、傅里葉變換，訓(xùn)練集和隨機(jī)測(cè)試集的生成，DBNs神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及齒輪故障的自動(dòng)判別。

圖1 總體設(shè)計(jì)框圖

2 基于DBNs的故障診斷原理

2.1 DBNs的特征提取過程

DBNs網(wǎng)絡(luò)由多層限制玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）堆疊而成［11］，如圖2所示，一個(gè)由3層限制波爾茲曼機(jī)堆疊而成的DBNs，由于網(wǎng)絡(luò)分類輸出層不在RBM網(wǎng)絡(luò)之內(nèi)，故將該DBNs網(wǎng)絡(luò)視為4層DBNs網(wǎng)絡(luò)。

圖2 DBNs網(wǎng)絡(luò)結(jié)構(gòu)圖

在RBM中，任意隱層和顯層神經(jīng)元之間有一個(gè)權(quán)值w表示其連接強(qiáng)度，每個(gè)顯層神經(jīng)元自身有一個(gè)偏置系數(shù)b、每個(gè)隱層神經(jīng)元有一個(gè)偏置系數(shù)c來表示其自身權(quán)重。這樣就可以用以下函數(shù)表示一個(gè)RBM的能量［12］：

式中：v為顯層數(shù)據(jù)；h為隱層數(shù)據(jù)；Wij為權(quán)值矩陣W的元素；n為可見層單元數(shù)；m為隱層單元數(shù)。

在RBM網(wǎng)絡(luò)的訓(xùn)練過程中，用到對(duì)數(shù)似然函數(shù)

在RBM中，樣本真實(shí)的分布和RBM網(wǎng)絡(luò)表示的邊緣分布的KL距離即為兩者之間的差異性，具體為：

式中：Ω為樣本空間；q為輸入樣本的分布；q（x）為訓(xùn)練樣本的概率；p為RBM網(wǎng)絡(luò)表示的Gibbs分布的v的邊緣分布；p（x）為其邊緣分布的概率。

要使KL最小，就要求lnp（x）取最大值，即輸入樣本的最大似然估計(jì)：

綜合上述公式，分別對(duì)w、b、c求導(dǎo)，最終求得：

自從2006年，Hinton等［13］、Yu等［14］第1次提出深度置信網(wǎng)絡(luò)時(shí)，就證實(shí)了其具有強(qiáng)大的特征提取能力，并在近10年的發(fā)展應(yīng)用中得到了進(jìn)一步的證實(shí)。深度置信網(wǎng)絡(luò)作為一種自主學(xué)習(xí)的特征提取算法，在網(wǎng)絡(luò)訓(xùn)練過程中不需要大量標(biāo)簽數(shù)據(jù)的參與，被廣泛應(yīng)用于許多領(lǐng)域。如圖3所示為一個(gè)4層DBNs的特征提取過程。

圖3 DBNs逐層特征提取過程

2.2 DBNs故障診斷流程

利用DBNs對(duì)振動(dòng)信號(hào)數(shù)據(jù)集進(jìn)行特征提取的過程，實(shí)際上就是利用DBNs網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行無監(jiān)督預(yù)訓(xùn)練，得到高層特征的過程。預(yù)訓(xùn)練過程中所用的數(shù)據(jù)集為不帶任何故障標(biāo)簽的訓(xùn)練集。在RBM逐層訓(xùn)練完成后，利用BP分類器，結(jié)合交叉熵共軛梯度下降算法對(duì)整個(gè)DBNs進(jìn)行微調(diào)，確定各層之間的權(quán)值和偏置量，完成網(wǎng)絡(luò)的監(jiān)督微調(diào)過程，最后輸入隨機(jī)測(cè)試集樣本實(shí)現(xiàn)故障分類［15］?；贒BNs算法的故障診斷步驟如下：

步驟1對(duì)故障數(shù)據(jù)集樣本進(jìn)行歸一化處理，將其賦值給DBNs網(wǎng)絡(luò)的v1層，即第1層顯層；

步驟2在預(yù)訓(xùn)練之前，初始化DBNs網(wǎng)絡(luò)參數(shù)，包括學(xué)習(xí)率ε、網(wǎng)絡(luò)層數(shù)L及各層神經(jīng)元數(shù)目h l、偏置向量b l和權(quán)值矩陣W l；

步驟3利用v1層數(shù)據(jù)，計(jì)算隱層中每個(gè)神經(jīng)元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機(jī)抽取一個(gè)樣本得到第1層RBM的隱層h1；

步驟4利用h1層數(shù)據(jù)反推顯層v1，計(jì)算v1層中每個(gè)神經(jīng)元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機(jī)抽取一個(gè)樣本以重構(gòu)該層RBM的顯層v1；

步驟5利用v1層數(shù)據(jù)反推隱層h1，計(jì)算h1層中每個(gè)神經(jīng)元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機(jī)抽取一個(gè)樣本以重構(gòu)RBM的隱層h1；

步驟6通過上述步驟，第1層RBM已經(jīng)訓(xùn)練完成，將第1層RBM的隱層h1作為第2層RBM的顯層v2，即v2＝h1，然后重復(fù)步驟3、4、5逐層對(duì)RBM網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練；

步驟7待RBM網(wǎng)絡(luò)預(yù)訓(xùn)練完成后，將測(cè)試集的標(biāo)簽單元作為分類輸出層與最后一層RBM的隱層對(duì)接，利用BP算法進(jìn)行反向微調(diào)，完成整個(gè)DBNs網(wǎng)絡(luò)的訓(xùn)練；

步驟8在整個(gè)DBNs網(wǎng)絡(luò)的訓(xùn)練完成之后，輸入待診斷故障樣本，根據(jù)網(wǎng)絡(luò)分類器得出最終診斷結(jié)果。

圖4 基于DBNs的故障診斷流程

3 診斷系統(tǒng)硬件及軟件設(shè)計(jì)

3.1 硬件模塊

出于故障診斷的需求，系統(tǒng)的硬件分試驗(yàn)平臺(tái)系統(tǒng)和測(cè)試系統(tǒng)兩部分。試驗(yàn)平臺(tái)主要包括驅(qū)動(dòng)電動(dòng)機(jī)、齒輪減速箱、加載系統(tǒng)和直流調(diào)速控制系統(tǒng)，如圖5所示。

圖5 減速箱試驗(yàn)平臺(tái)示意圖

測(cè)試系統(tǒng)主要由傳感器，數(shù)據(jù)采集儀，信號(hào)傳輸線和中央控制計(jì)算機(jī)組成。

試驗(yàn)平臺(tái)系統(tǒng)是一種3軸式2級(jí)變速器，輸入軸與輸出軸上的齒輪均為正常齒輪，中間軸上的齒輪為3聯(lián)齒輪（小直齒輪，齒數(shù)為40，模數(shù)為2 mm）和2聯(lián)齒輪（大直齒輪，齒數(shù)為64，模數(shù)為2 mm）。齒輪的故障共分為偏心、點(diǎn)蝕、剝落、磨損、斷齒和裂紋，分布情況見圖6，6種故障齒輪加上正常齒輪，共能輸出7種模式的振動(dòng)信號(hào)，故障類型的切換可通過減速箱前后換擋手柄調(diào)節(jié)。

圖6 減速箱故障齒輪分布情況

測(cè)試系統(tǒng)功能模塊如圖7所示，包括轉(zhuǎn)速監(jiān)測(cè)模塊和振動(dòng)監(jiān)測(cè)模塊，主要實(shí)現(xiàn)對(duì)輸入軸轉(zhuǎn)速和減速箱振動(dòng)情況的測(cè)量。數(shù)據(jù)采集儀采集的信號(hào)最后經(jīng)過USB接口直接接入計(jì)算機(jī)以便后續(xù)處理。

圖7 硬件功能設(shè)計(jì)圖

監(jiān)測(cè)齒輪箱輸入軸轉(zhuǎn)速，以便于齒輪箱各旋轉(zhuǎn)件轉(zhuǎn)速的計(jì)算，了解各旋轉(zhuǎn)件的運(yùn)行工況。該模塊所用傳感器采用轉(zhuǎn)速傳感器。振動(dòng)監(jiān)測(cè)模塊負(fù)責(zé)監(jiān)測(cè)齒輪箱各旋轉(zhuǎn)件的振動(dòng)情況和振動(dòng)數(shù)據(jù)的采集，包括齒輪箱齒輪、軸承、軸和底座等，所用傳感器為加速度傳感器（由于NI數(shù)據(jù)采集卡集信號(hào)濾波、放大等信號(hào)調(diào)理功能于一體，可以大大精簡數(shù)據(jù)采集所需硬件設(shè)備）。

上述兩個(gè)監(jiān)測(cè)模塊的數(shù)據(jù)采集擬采用NI數(shù)據(jù)采集卡完成。通過與數(shù)據(jù)采集卡連接的計(jì)算機(jī)控制整個(gè)系統(tǒng)，實(shí)現(xiàn)狀態(tài)監(jiān)測(cè)、故障預(yù)警、數(shù)據(jù)采集、存儲(chǔ)及故障模式識(shí)別等功能。

3.2 軟件模塊設(shè)計(jì)

基于LabVIEW軟件平臺(tái)開發(fā)的減速箱智能故障診斷系統(tǒng)如圖8所示，分為監(jiān)測(cè)界面、信號(hào)采集、離線分析與故障診斷3個(gè)工作面板。

圖8 智能診斷系統(tǒng)工作界面

監(jiān)測(cè)界面主要是實(shí)時(shí)顯示輸入軸轉(zhuǎn)速和各個(gè)測(cè)點(diǎn)的振動(dòng)情況，包括時(shí)域波形和統(tǒng)計(jì)指標(biāo)。當(dāng)輸入的振動(dòng)信號(hào)統(tǒng)計(jì)指標(biāo)超出其閾值時(shí)，減速箱振動(dòng)可能出現(xiàn)異常，此時(shí)報(bào)警指示燈會(huì)閃爍，需要進(jìn)入“信號(hào)采集”面板。“信號(hào)采集”對(duì)輸入信號(hào)進(jìn)行簡單的降噪濾波處理。還可對(duì)濾波后信號(hào)進(jìn)行簡單頻譜分析，為判別振動(dòng)信號(hào)是否異常提供依據(jù)。對(duì)于復(fù)雜的齒輪故障信號(hào)，需要對(duì)故障信號(hào)進(jìn)行采樣存儲(chǔ)，以便后續(xù)的離線分析和故障診斷，在面板上可以對(duì)采樣參數(shù)進(jìn)行設(shè)置?！半x線分析與故障診斷”面板會(huì)顯示調(diào)取信號(hào)的相關(guān)信息，以便調(diào)取信號(hào)。當(dāng)調(diào)取故障信號(hào)后，按下“齒輪診斷”鍵就可以智能識(shí)別出信號(hào)的故障類型，對(duì)應(yīng)的故障指示燈會(huì)由綠變紅。為減少編程工作量和系統(tǒng)運(yùn)算時(shí)間，智能診斷算法是通過LabVIEW與Matlab軟件混合編程完成的，即運(yùn)用“Matlab script”函數(shù)節(jié)點(diǎn)調(diào)用Matlab運(yùn)算引擎。

4 實(shí)驗(yàn)測(cè)試

4.1 數(shù)據(jù)采集

振動(dòng)信號(hào)和轉(zhuǎn)速信號(hào)的數(shù)據(jù)采集選用NI9234動(dòng)態(tài)信號(hào)采集模塊。該設(shè)備每通道采樣速率高達(dá)51.2 kS/s，±5 V輸入范圍，分辨率高達(dá)24 bit，102 dB動(dòng)態(tài)范圍，接口形式為常用的BNC接頭，搭配IEPE傳感器可進(jìn)行高精度的振動(dòng)測(cè)量。而且該設(shè)備內(nèi)部集成有抗混疊濾波器，避免高頻噪聲的干擾。這里采樣頻率fs＝10 kHz，采樣點(diǎn)數(shù)2 048。圖9為實(shí)驗(yàn)平臺(tái)實(shí)物圖。

圖9 減速箱試驗(yàn)臺(tái)

4.2 數(shù)據(jù)處理分析與故障模式識(shí)別

為降低DBNs網(wǎng)絡(luò)自適應(yīng)提取故障特征的難度，需要將時(shí)域信號(hào)進(jìn)行快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT），得到1 024點(diǎn)的頻譜，歸一化后合理構(gòu)建頻譜數(shù)據(jù)集，其構(gòu)建流程如圖10所示。

圖10 數(shù)據(jù)集構(gòu)建流程

為豐富信號(hào)樣本，擴(kuò)大數(shù)據(jù)集，分別在3種輸入軸轉(zhuǎn)速下進(jìn)行信號(hào)采樣。數(shù)據(jù)集包含剝落、點(diǎn)蝕、斷齒、磨損、裂紋、偏心和正常7種模式頻譜。

構(gòu)建好數(shù)據(jù)集后，經(jīng)過網(wǎng)絡(luò)優(yōu)化處理，選擇框架為1 024-100-100（即網(wǎng)絡(luò)層數(shù)為3，各層神經(jīng)元數(shù)目依次為1 024、100和100）、學(xué)習(xí)率為ε＝0.2的DBNs網(wǎng)絡(luò)并對(duì)該網(wǎng)絡(luò)進(jìn)行無監(jiān)督預(yù)訓(xùn)練，迭代次數(shù)為100，以完成自適應(yīng)特征提取過程。利用主成分分析法（Principal Component Analysis，PCA）對(duì)提取的信號(hào)特征進(jìn)行降維處理，前二維可視化結(jié)果如圖11所示。

圖11 7種振動(dòng)信號(hào)特征可視化圖

由圖可見，7種信號(hào)的特征被明顯區(qū)分開來。DBNs網(wǎng)絡(luò)預(yù)訓(xùn)練完成后，通過測(cè)試集對(duì)診斷系統(tǒng)的可靠性進(jìn)行測(cè)試，測(cè)試結(jié)果表明，該系統(tǒng)對(duì)齒輪故障信號(hào)判別的正確率高達(dá)97%，并且每次從按下故障診斷鍵到自動(dòng)識(shí)別出故障類型用時(shí)不超過2 min。由此可見，該系統(tǒng)高效、可靠，完全滿足減速箱齒輪故障診斷的需要。

5 結(jié) 語

針對(duì)減速箱齒輪振動(dòng)信號(hào)復(fù)雜而傳統(tǒng)信號(hào)處理方法難以對(duì)其進(jìn)行故障識(shí)別的問題，基于LabVIEW與Matlab混合編程技術(shù)，通過與深度置信網(wǎng)絡(luò)的智能算法結(jié)合，進(jìn)行減速箱實(shí)地故障診斷實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)打破了傳統(tǒng)時(shí)、頻域特征提取的束縛，直接將原始時(shí)域振動(dòng)信號(hào)或其頻譜作為DBNs網(wǎng)絡(luò)的顯層輸入，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷方法煩瑣的外部特征提取過程，降低了故障診斷難度，實(shí)現(xiàn)了齒輪故障類型的智能、快速識(shí)別。