李聰波 王 睿 張 友 蔣立君 孫 皓

1.重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶，4000442.重慶通用工業(yè)(集團(tuán))有限責(zé)任公司，重慶，401336

0 引言

離心鼓風(fēng)機(jī)作為典型的旋轉(zhuǎn)流體機(jī)械，是能源、環(huán)境等領(lǐng)域不可或缺的關(guān)鍵設(shè)備[1]。離心鼓風(fēng)機(jī)結(jié)構(gòu)復(fù)雜、子系統(tǒng)繁多，加之運(yùn)行在高溫、高粉塵等惡劣環(huán)境下，極易出現(xiàn)設(shè)備劣化現(xiàn)象，導(dǎo)致設(shè)備故障停機(jī)，造成嚴(yán)重?fù)p失。使用多種傳感器對(duì)設(shè)備運(yùn)行過(guò)程進(jìn)行監(jiān)控，從監(jiān)測(cè)數(shù)據(jù)中挖掘隱藏的設(shè)備健康信息，實(shí)現(xiàn)離心鼓風(fēng)機(jī)故障的準(zhǔn)確預(yù)警，從而及時(shí)安排維修以避免設(shè)備故障發(fā)生，具有重要的學(xué)術(shù)價(jià)值和現(xiàn)實(shí)意義。由于故障樣本不夠豐富、故障數(shù)據(jù)缺乏等原因，設(shè)備故障預(yù)警模型通常使用設(shè)備正常運(yùn)行時(shí)的監(jiān)測(cè)數(shù)據(jù)建立，使用多項(xiàng)式回歸[2]、狀態(tài)估計(jì)[3]、高斯混合模型[4]、證據(jù)K最鄰近[5](evidential K-nearest neighbor，EKNN)、主成分分析[6]等方法建立正常運(yùn)行狀態(tài)監(jiān)測(cè)數(shù)據(jù)的估計(jì)模型，然后基于模型估計(jì)值和實(shí)際觀測(cè)值提出故障預(yù)警指標(biāo)計(jì)算方法，最后通過(guò)數(shù)理統(tǒng)計(jì)方法或人工經(jīng)驗(yàn)等為預(yù)警指標(biāo)設(shè)定閾值。在實(shí)際預(yù)警中，將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)輸入模型得到估計(jì)值，然后計(jì)算出預(yù)警指標(biāo)并判斷是否超過(guò)預(yù)警閾值，當(dāng)超過(guò)時(shí)，表示設(shè)備偏離正常狀態(tài)，需要及時(shí)發(fā)出預(yù)警信息。

以上預(yù)警方法難以處理海量高維數(shù)據(jù)，而自編碼(autoencoder，AE)模型擅長(zhǎng)從海量數(shù)據(jù)中挖掘有效信息，越來(lái)越多的學(xué)者將其用于故障預(yù)警中。CHEN等[7]用風(fēng)力發(fā)電機(jī)正常運(yùn)行數(shù)據(jù)訓(xùn)練多層級(jí)加噪自編碼網(wǎng)絡(luò)，將網(wǎng)絡(luò)輸入向量和輸出向量之間的馬氏距離作為故障預(yù)警指標(biāo)并確定預(yù)警閾值，實(shí)現(xiàn)風(fēng)力發(fā)電機(jī)故障預(yù)警。WANG等[8]使用重構(gòu)的玻爾茲曼機(jī)初始化和反向傳播微調(diào)完成深度自編碼網(wǎng)絡(luò)的搭建，通過(guò)數(shù)理統(tǒng)計(jì)方法確定重構(gòu)誤差的預(yù)警上下限，實(shí)現(xiàn)風(fēng)力發(fā)電機(jī)葉片破損預(yù)警。李曉彬等[9]引入一批標(biāo)準(zhǔn)化算法優(yōu)化堆疊自編碼網(wǎng)絡(luò)，提出將相似度作為預(yù)警指標(biāo)，通過(guò)人工經(jīng)驗(yàn)劃定預(yù)警閾值實(shí)現(xiàn)磨煤機(jī)故障預(yù)警。RENSTROM等[10]使用風(fēng)力發(fā)電機(jī)數(shù)據(jù)采集與監(jiān)視控制(supervisory control and data acquisition，SCADA)系統(tǒng)的監(jiān)測(cè)數(shù)據(jù)，研究自編碼網(wǎng)絡(luò)超參數(shù)對(duì)網(wǎng)絡(luò)性能的影響，提出一種超參數(shù)選擇策略建立自編碼故障預(yù)警模型，實(shí)現(xiàn)風(fēng)力發(fā)電機(jī)整機(jī)故障預(yù)警。ALFEO等[11]將自編碼模型用于制造設(shè)備異常的監(jiān)測(cè)，通過(guò)八個(gè)案例驗(yàn)證了該自編碼模型在異常預(yù)警方面優(yōu)于孤立森林(isolation forest，IF)模型。

自編碼網(wǎng)絡(luò)在一定程度上實(shí)現(xiàn)了設(shè)備故障的預(yù)警，但仍然存在以下問(wèn)題：①由于數(shù)據(jù)遠(yuǎn)程傳輸和現(xiàn)場(chǎng)噪聲影響，工廠實(shí)際運(yùn)行環(huán)境下采集的離心鼓風(fēng)機(jī)數(shù)據(jù)具有較高的噪聲水平和較多異常值，極易導(dǎo)致自編碼對(duì)無(wú)關(guān)信息進(jìn)行學(xué)習(xí)，嚴(yán)重影響模型挖掘設(shè)備監(jiān)測(cè)數(shù)據(jù)的相關(guān)關(guān)系和隱藏特征，極大降低模型的準(zhǔn)確度；②現(xiàn)有研究通過(guò)人工經(jīng)驗(yàn)判斷數(shù)據(jù)采集時(shí)段設(shè)備是否正常運(yùn)行，主觀性較大，極易將故障狀態(tài)數(shù)據(jù)納入正常運(yùn)行數(shù)據(jù)，而當(dāng)訓(xùn)練樣本中含有異常情況數(shù)據(jù)時(shí)，會(huì)導(dǎo)致異常識(shí)別的準(zhǔn)確性和有效性下降[12]。遷移學(xué)習(xí)能將源域的數(shù)據(jù)、知識(shí)或模型，經(jīng)過(guò)一系列遷移流程后應(yīng)用到相關(guān)的目標(biāo)領(lǐng)域，從而提高目標(biāo)域模型性能，在變工況故障預(yù)警[13]和刀具壽命預(yù)測(cè)[14]，不同種機(jī)械設(shè)備[15]、工況[16]、運(yùn)行環(huán)境下[17-18]故障診斷等機(jī)械領(lǐng)域取得成功應(yīng)用，因此，將實(shí)驗(yàn)室建立的高精度模型遷移后，用于工廠實(shí)際運(yùn)行環(huán)境下離心鼓風(fēng)機(jī)故障預(yù)警，提高預(yù)警準(zhǔn)確度是可行的。

離心鼓風(fēng)機(jī)制造完成后，需要在實(shí)驗(yàn)室進(jìn)行試車測(cè)試后再投入工廠使用，基于實(shí)驗(yàn)室數(shù)據(jù)的故障預(yù)警模型難以復(fù)用于工廠實(shí)際運(yùn)行環(huán)境。為此，本文提出一種基于遷移學(xué)習(xí)的離心鼓風(fēng)機(jī)故障預(yù)警方法，基于源域(實(shí)驗(yàn)室條件)數(shù)據(jù)集建立源域模型，通過(guò)遷移學(xué)習(xí)對(duì)源域模型進(jìn)行調(diào)整，快速構(gòu)建目標(biāo)域(工廠實(shí)際運(yùn)行條件)模型，實(shí)現(xiàn)工廠實(shí)際運(yùn)行環(huán)境下設(shè)備的準(zhǔn)確預(yù)警。

1 基于遷移學(xué)習(xí)的自編碼模型建立

遷移學(xué)習(xí)能夠?qū)⒃从蛑R(shí)或模型遷移到相關(guān)的目標(biāo)域中，提高目標(biāo)域模型精度[19]。實(shí)驗(yàn)室能夠模擬設(shè)備在各種工況下的運(yùn)行情況，包括各種極端工況，收集到豐富的設(shè)備正常運(yùn)行數(shù)據(jù)，而工廠環(huán)境下，采集的數(shù)據(jù)噪聲水平較高。將離心鼓風(fēng)機(jī)實(shí)驗(yàn)室采集的設(shè)備運(yùn)行數(shù)據(jù)Ds視為源域數(shù)據(jù)，工廠的實(shí)際運(yùn)行數(shù)據(jù)Dt視為目標(biāo)域數(shù)據(jù)，則它們可以分別表示為Ds={Xs，P(Xs)}、Dt={Xt，P(Xt)}，其中P(·)為數(shù)據(jù)的概率分布。由于數(shù)據(jù)分布差異較大，源域數(shù)據(jù)不能直接用于建立目標(biāo)域自編碼模型，因此，本文提出一種遷移學(xué)習(xí)方法，實(shí)現(xiàn)源域模型向目標(biāo)域遷移，提高目標(biāo)域模型精度。

1.1 源域模型建立

源域模型建立流程如圖1所示，考慮采集的時(shí)間序列具有記憶性，使用滑動(dòng)時(shí)窗對(duì)實(shí)驗(yàn)室采集的離心鼓風(fēng)機(jī)正常運(yùn)行數(shù)據(jù)進(jìn)行重采樣，得到數(shù)量為m的源域樣本S。使用源域樣本數(shù)據(jù)，通過(guò)最小化重構(gòu)誤差，對(duì)融合稀疏正則項(xiàng)的自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，發(fā)掘正常狀態(tài)下設(shè)備運(yùn)行數(shù)據(jù)的隱藏特征，完成源域自編碼模型建立。

圖1 源域自編碼模型Fig.1 The AE model of source domain

監(jiān)測(cè)的離心鼓風(fēng)機(jī)運(yùn)行狀態(tài)數(shù)據(jù)包括溫度、壓力等時(shí)間序列，具有記憶性，尤其是溫度等緩變量，當(dāng)前溫度值受到前一時(shí)刻溫度值的影響較大。因此使用寬度為β的滑動(dòng)時(shí)窗，一次移動(dòng)一個(gè)時(shí)間點(diǎn)對(duì)原始數(shù)據(jù)進(jìn)行重采樣，使每個(gè)重采樣樣本包含β個(gè)時(shí)間點(diǎn)數(shù)據(jù)[20]。原始數(shù)據(jù)記為

(1)

式中，n為監(jiān)測(cè)參數(shù)的種類；m為采集的樣本個(gè)數(shù)。

重采樣后數(shù)據(jù)為

(2)

k=1，2，…，m-β+1

自編碼模型是一種無(wú)監(jiān)督深度學(xué)習(xí)模型，由結(jié)構(gòu)對(duì)稱的編碼器和解碼器構(gòu)成，分別表示為[21]

h=f(WEx+bE)

(3)

y=f(WDh+bD)

(4)

式中，WE、bE和WD、bD為編碼器和解碼器的權(quán)重與偏置；f(·)為sigmoid函數(shù)；x、y分別為網(wǎng)絡(luò)輸入和輸出；h為編碼器輸出的低維特征。

自編碼網(wǎng)絡(luò)的目標(biāo)是最小化輸入與輸出的差異，通常是輸入向量x(i)與輸出向量y(i)的均方誤差(LAE)，即

(5)

為防止網(wǎng)絡(luò)層之間簡(jiǎn)單復(fù)制，在損失函數(shù)中引入稀疏正則項(xiàng)，使網(wǎng)絡(luò)在稀疏約束下學(xué)習(xí)數(shù)據(jù)特征[22]，通過(guò)迫使隱藏層神經(jīng)元的平均激活度接近于0來(lái)實(shí)現(xiàn)各網(wǎng)絡(luò)層稀疏化。隱藏層神經(jīng)元r平均激活度為

(6)

式中，x(i)為輸入神經(jīng)元r的第i個(gè)樣本。

使用KL(Kullback-Leibler)散度LSP描述平均激活度與稀疏參數(shù)的差異：

(7)

其中，R為神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)量；ρ為稀疏參數(shù)。因此，自編碼網(wǎng)絡(luò)的損失函數(shù)為

Lloss=LAE+λLSP

(8)

其中，λ為稀疏正則項(xiàng)系數(shù)。

如圖1所示，源域自編碼網(wǎng)絡(luò)建立步驟如下：

(1)重采樣。設(shè)置滑動(dòng)時(shí)窗寬度β，對(duì)歸一化后的源域數(shù)據(jù)Xs進(jìn)行重采樣，得到自編碼網(wǎng)絡(luò)模型的訓(xùn)練樣本集S。

(2)初始化。設(shè)定網(wǎng)絡(luò)層數(shù)和神經(jīng)元個(gè)數(shù)，對(duì)自編碼網(wǎng)絡(luò)的權(quán)重和偏置進(jìn)行隨機(jī)初始化，設(shè)置稀疏參數(shù)為0.05和稀疏正則項(xiàng)系數(shù)λ為0.1。

(3)網(wǎng)絡(luò)訓(xùn)練。從樣本集S中選取小批量樣本進(jìn)行前向傳播，得到網(wǎng)絡(luò)的損失函數(shù)值；使用Adam算法，對(duì)自編碼網(wǎng)絡(luò)參數(shù)進(jìn)行逐層更新，直到損失函數(shù)值收斂或迭代次數(shù)超過(guò)設(shè)定次數(shù)，完成源域的自編碼訓(xùn)練。

1.2 遷移學(xué)習(xí)方法

由于離心鼓風(fēng)機(jī)實(shí)驗(yàn)室環(huán)境和工廠實(shí)際運(yùn)行環(huán)境下采集數(shù)據(jù)分布差異較大，故源域訓(xùn)練完成的自編碼模型不能直接用于實(shí)際使用的離心鼓風(fēng)機(jī)故障預(yù)警。本文通過(guò)減小源域和目標(biāo)域特征的最大均值差異(maximum mean discrepancy,MMD)值來(lái)尋找源域和目標(biāo)域可遷移成分，實(shí)現(xiàn)源域模型到目標(biāo)域的領(lǐng)域適應(yīng)，模型遷移方法見(jiàn)圖2。

圖2 模型遷移方法Fig.2 Method of proposed transfer learning

使用相同的滑動(dòng)時(shí)窗對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行重采樣，得到長(zhǎng)度為N的目標(biāo)域樣本數(shù)據(jù)集T。復(fù)制源域編碼器的權(quán)重和偏置作為目標(biāo)域編碼器的初始值，固定源域編碼器，將源域樣本數(shù)據(jù)和目標(biāo)域樣本數(shù)據(jù)批量輸入編碼器，逐層前向傳播獲取源域特征hs和目標(biāo)域特征ht，并計(jì)算源域特征和目標(biāo)域特征的MMD值LMMD[23]，其計(jì)算方法如下：

(9)

式中，k(·)為核函數(shù)運(yùn)算。

不同的核函數(shù)會(huì)將數(shù)據(jù)映射到不同的空間，對(duì)MMD值起著決定性的作用。為降低核函數(shù)的影響，選用多核函數(shù)而不是單一核函數(shù)進(jìn)行求解，如下式所示：

(10)

式中，kj(·)為不同的核函數(shù)，本文選擇五個(gè)帶寬分別為1、2、4、8、16的徑向基核函數(shù)[23]。

復(fù)制源域編碼器參數(shù)作為目標(biāo)域編碼器初始值，然后通過(guò)誤差反向傳播方法，以最小化源域特征和目標(biāo)域低維特征的MMD值，應(yīng)用梯度下降算法逐層更新目標(biāo)域編碼器[22]。首先將源域數(shù)據(jù)輸入訓(xùn)練完成的源域編碼器中得到低維特征hs，目標(biāo)域數(shù)據(jù)輸入目標(biāo)域編碼器獲得ht，計(jì)算hs和ht的MMD值，然后根據(jù)下式更新網(wǎng)絡(luò)參數(shù)：

(11)

其中，p、q分別代表第l層第p個(gè)節(jié)點(diǎn)和第l+1層第q個(gè)節(jié)點(diǎn)；η為學(xué)習(xí)率。此過(guò)程中保持源域自編碼器參數(shù)不變，直到MMD值收斂或者迭代次數(shù)達(dá)到設(shè)定次數(shù)，從而完成目標(biāo)域編碼器訓(xùn)練。

目標(biāo)域編碼器訓(xùn)練完成后，將解碼器偏置均初始化為0.1，通過(guò)權(quán)重綁定方法初始化解碼器權(quán)重[24]，即解碼器第一層的權(quán)重為編碼器最后一層權(quán)重的轉(zhuǎn)置，解碼器第二層權(quán)重為編碼器倒數(shù)第二層權(quán)重的轉(zhuǎn)置，以此類推，完成解碼器參數(shù)初始化。然后固定目標(biāo)域編碼器，將重采樣過(guò)后的目標(biāo)域數(shù)據(jù)輸入自編碼網(wǎng)絡(luò)進(jìn)行重構(gòu)，以最小化重構(gòu)誤差為訓(xùn)練目標(biāo)，采用誤差反向傳播方式，使用較小學(xué)習(xí)率對(duì)解碼網(wǎng)絡(luò)進(jìn)行微調(diào)，使之學(xué)習(xí)使用現(xiàn)場(chǎng)噪聲情況，完成目標(biāo)域自編碼模型建立。

2 離心鼓風(fēng)機(jī)故障預(yù)警方法

2.1 基于自編碼網(wǎng)絡(luò)的預(yù)警指標(biāo)

自編碼是一種無(wú)監(jiān)督深度學(xué)習(xí)方法，它通過(guò)最小化輸出與輸入誤差，挖掘數(shù)據(jù)相關(guān)關(guān)系和隱藏信息。在輸入新監(jiān)測(cè)數(shù)據(jù)到訓(xùn)練完成自編碼網(wǎng)絡(luò)過(guò)程中，若設(shè)備正常運(yùn)行，則自編碼網(wǎng)絡(luò)能夠準(zhǔn)確重構(gòu)輸入的監(jiān)測(cè)數(shù)據(jù)，若設(shè)備發(fā)生故障，則監(jiān)測(cè)數(shù)據(jù)的相關(guān)關(guān)系發(fā)生變化，導(dǎo)致輸出向量和輸入向量出現(xiàn)較大差異。基于流形學(xué)習(xí)思想，高維數(shù)據(jù)實(shí)際上是一種低維的流形結(jié)構(gòu)嵌入在高維空間中，自編碼網(wǎng)絡(luò)能夠?qū)⒏呔S數(shù)據(jù)映射回低維空間，揭示數(shù)據(jù)的本質(zhì)，廣泛用于特征降維[25]等。采集到的離心鼓風(fēng)機(jī)正常運(yùn)行狀態(tài)數(shù)據(jù)相關(guān)性強(qiáng)，冗余度高，使用自編碼網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)的低維流形，挖掘產(chǎn)生數(shù)據(jù)的內(nèi)在規(guī)律是可行的。本文使用自編碼網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)低維流形具有以下特點(diǎn)：訓(xùn)練樣本來(lái)自離心鼓風(fēng)機(jī)正常運(yùn)行狀態(tài)下采集的數(shù)據(jù)，即自編碼網(wǎng)絡(luò)不需要重構(gòu)不屬于正常狀態(tài)下的輸入數(shù)據(jù)；設(shè)置稀疏約束項(xiàng)，降低網(wǎng)絡(luò)對(duì)輸入的敏感度，防止其學(xué)習(xí)過(guò)程中簡(jiǎn)單地將輸入復(fù)制到輸出。基于以上特征，使用自編碼網(wǎng)絡(luò)能學(xué)習(xí)到在流形上表現(xiàn)良好但給定不在流形上的輸入會(huì)導(dǎo)致異常的映射函數(shù)。訓(xùn)練完成后的自編碼網(wǎng)絡(luò)能夠很好地重構(gòu)離心鼓風(fēng)機(jī)正常運(yùn)行數(shù)據(jù)，輸入實(shí)際運(yùn)行數(shù)據(jù)到自編碼模型進(jìn)行設(shè)備故障預(yù)警時(shí)，在設(shè)備偏離正常狀態(tài)，當(dāng)輸入數(shù)據(jù)偏離正常流形時(shí)，自編碼網(wǎng)絡(luò)重構(gòu)值將出現(xiàn)異常，基于此原理實(shí)現(xiàn)設(shè)備故障預(yù)警。

為更加直觀地展示自編碼網(wǎng)絡(luò)輸入值和重構(gòu)值的異常，及時(shí)識(shí)別出設(shè)備早期故障現(xiàn)象，提出離心鼓風(fēng)機(jī)故障預(yù)警指標(biāo)ζ，計(jì)算公式如下：

(12)

其中，deuc、dcos分別為重構(gòu)向量Y和輸入向量X的歐氏距離和余弦距離，表示兩向量位置和方向的差異；dot(·)表示向量的點(diǎn)積運(yùn)算。當(dāng)離心鼓風(fēng)機(jī)正常運(yùn)行時(shí)，輸入和輸出向量差異較小，ζ值較小；當(dāng)設(shè)備偏離正常狀態(tài)時(shí)，輸出向量出現(xiàn)異常，ζ值變大。

2.2 故障預(yù)警策略

故障預(yù)警策略包括確定閾值和發(fā)出預(yù)警的前提條件，對(duì)正常狀態(tài)下監(jiān)測(cè)指標(biāo)分布進(jìn)行估計(jì)，再使用假設(shè)檢驗(yàn)方法確定預(yù)警閾值。由于分布規(guī)律未知，故本文采用核密度估計(jì)方法。核密度估計(jì)法從樣本出發(fā)，不需要分布的先驗(yàn)知識(shí)或?qū)?shù)據(jù)分布進(jìn)行假定，其定義如下[2]：

(13)

設(shè)某一小概率值α，當(dāng)設(shè)備正常運(yùn)行時(shí)，指標(biāo)值將落在置信度為1-α的置信區(qū)間[0，ζth]。當(dāng)指標(biāo)值處于置信區(qū)間外，即小概率事件發(fā)生時(shí)，可以認(rèn)為出現(xiàn)異常，ζth可以設(shè)置為報(bào)警閾值，其關(guān)系如下：

(14)

考慮使用現(xiàn)場(chǎng)出現(xiàn)短時(shí)強(qiáng)噪聲和數(shù)據(jù)采集異常值情況，導(dǎo)致ζ短時(shí)超過(guò)閾值，為降低此類情況導(dǎo)致的誤報(bào)警，提出連續(xù)越限次數(shù)Q及其閾值Qth，當(dāng)預(yù)警指標(biāo)連續(xù)超過(guò)預(yù)警閾值的次數(shù)多于Qth時(shí)，發(fā)出故障預(yù)警信息。Qth計(jì)算方法如下：

Qth=max(Qmax，β)

(15)

其中，Qmax為正常數(shù)據(jù)重構(gòu)時(shí)，預(yù)警指標(biāo)ζ連續(xù)超過(guò)閾值的最大次數(shù)[20]。

本文提出的離心鼓風(fēng)機(jī)故障預(yù)警流程分離線訓(xùn)練和在線監(jiān)測(cè)兩部分，流程如圖3所示。

圖3 故障預(yù)警流程圖Fig.3 Flow chart of proposed fault warning method

3 案例分析

3.1 離心鼓風(fēng)機(jī)數(shù)據(jù)集的采集和描述

為驗(yàn)證該方法的有效性，在重慶某離心鼓風(fēng)機(jī)制造企業(yè)開(kāi)展案例研究。該企業(yè)研發(fā)的遠(yuǎn)程運(yùn)維平臺(tái)能實(shí)時(shí)采集離心鼓風(fēng)機(jī)運(yùn)行數(shù)據(jù)，包括用戶和實(shí)驗(yàn)室試車的離心鼓風(fēng)機(jī)。如圖4所示，離心鼓風(fēng)機(jī)主要由控制系統(tǒng)、驅(qū)動(dòng)電機(jī)、潤(rùn)滑系統(tǒng)和機(jī)體構(gòu)成，傳感器對(duì)設(shè)備的振動(dòng)、溫度和壓力等重要參數(shù)進(jìn)行采集，從而實(shí)現(xiàn)鼓風(fēng)機(jī)運(yùn)行狀態(tài)監(jiān)控。

圖4 離心鼓風(fēng)機(jī)和部分外接傳感器Fig.4 Centrifugal blower and sensors

圖5為遠(yuǎn)程運(yùn)維平臺(tái)界面，具體監(jiān)控參數(shù)如表1所示。除振動(dòng)數(shù)據(jù)外，其他數(shù)據(jù)的采樣頻率均為1 Hz，其中振動(dòng)數(shù)據(jù)為電渦流傳感器采集的位移數(shù)據(jù)，實(shí)際采樣頻率為512 Hz，為降低數(shù)據(jù)傳輸壓力，平臺(tái)上傳的振動(dòng)數(shù)據(jù)為1 s內(nèi)振動(dòng)的峰峰值，因此，振動(dòng)數(shù)據(jù)采樣頻率也為1 Hz。

圖5 離心鼓風(fēng)機(jī)遠(yuǎn)程運(yùn)維平臺(tái)界面Fig.5 Interface of remote maintenance system for centrifugal blowers

表1 離心鼓風(fēng)機(jī)監(jiān)測(cè)參數(shù)Tab.1 Monitoring parameters of centrifugal blowers

為驗(yàn)證本文方法效果，對(duì)某臺(tái)離心鼓風(fēng)機(jī)的一次故障進(jìn)行預(yù)警分析。該臺(tái)離心鼓風(fēng)機(jī)在2019年6月制造完成后，一次性通過(guò)性能實(shí)驗(yàn)室對(duì)其進(jìn)行的試車。該臺(tái)鼓風(fēng)機(jī)在2020年7月10日發(fā)生故障自動(dòng)停機(jī)。經(jīng)過(guò)現(xiàn)場(chǎng)拆機(jī)分析，查明停機(jī)是由于葉輪與殼體發(fā)生碰摩，觸發(fā)了設(shè)備自動(dòng)保護(hù)系統(tǒng)。故障轉(zhuǎn)子磨損圖見(jiàn)圖6，磨損區(qū)由于碰撞摩擦，出現(xiàn)了明顯的刮痕和高溫導(dǎo)致的變藍(lán)現(xiàn)象。

圖6 轉(zhuǎn)子磨損圖Fig.6 Wear of the rotor

從遠(yuǎn)程運(yùn)維平臺(tái)導(dǎo)出該臺(tái)離心鼓風(fēng)機(jī)在2019年6月20日的11 030組實(shí)驗(yàn)室試車數(shù)據(jù)作為源域數(shù)據(jù)。該臺(tái)鼓風(fēng)機(jī)在7月20日交付給用戶并進(jìn)行試運(yùn)行，導(dǎo)出當(dāng)日試運(yùn)行的3500組數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)。以上所有數(shù)據(jù)可認(rèn)為均來(lái)源于鼓風(fēng)機(jī)正常運(yùn)行狀態(tài)。該設(shè)備在2020年7月10日12時(shí)37分12秒自動(dòng)停機(jī)，選取當(dāng)日開(kāi)機(jī)到故障停機(jī)的38 890組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，進(jìn)行故障預(yù)警效果分析。

3.2 目標(biāo)域自編碼模型建立

3.2.1源域模型建立

將源域數(shù)據(jù)加窗后作為自編碼網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，編碼器各層神經(jīng)元個(gè)數(shù)分別為輸入數(shù)據(jù)維度18β、150、35、3，解碼器結(jié)構(gòu)和編碼器對(duì)稱，學(xué)習(xí)率設(shè)為0.01，批量設(shè)為256。滑動(dòng)時(shí)窗的寬度影響自編碼網(wǎng)絡(luò)重構(gòu)效果，分別用1、4、7、10、13的窗口寬度對(duì)數(shù)據(jù)進(jìn)行重采樣，分析重構(gòu)值和輸入值的平均絕對(duì)誤差(MAE)、最大誤差(ME)和標(biāo)準(zhǔn)差(STD)來(lái)量化輸入和輸出的差異，評(píng)價(jià)不同窗口寬度對(duì)重構(gòu)效果的影響。其中MAE用來(lái)評(píng)價(jià)自編碼網(wǎng)絡(luò)的整體重構(gòu)效果，ME和STD反映模型是否能夠穩(wěn)定地重構(gòu)輸入向量，對(duì)故障預(yù)警有著重要意義。MAE、ME和STD值的計(jì)算式如下：

(16)

(17)

(18)

f=1，2，…，n

其中，f表示監(jiān)測(cè)參數(shù)種類。圖7所示為不同窗口寬度下，進(jìn)行10次重構(gòu)求得的MAE、ME和STD的均值和誤差棒。當(dāng)窗口寬度β為1和7時(shí)，ME和STD值均較小，但β=1時(shí)誤差棒較長(zhǎng)，并且窗口寬度為7時(shí)，MAE值最小，因此為充分考慮時(shí)序數(shù)據(jù)的相互影響，使自編碼網(wǎng)絡(luò)能夠準(zhǔn)確重構(gòu)輸入數(shù)據(jù)，窗口寬度設(shè)置為7。

圖7 不同窗口寬度的重構(gòu)效果對(duì)比Fig.7 The reconstruction performance of different β

在網(wǎng)絡(luò)參數(shù)選定后對(duì)自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中重構(gòu)誤差趨勢(shì)如圖8所示，當(dāng)?shù)?00代時(shí)，重構(gòu)誤差趨于平穩(wěn)，損失值收斂到0.01，說(shuō)明源域自編碼模型能夠很好地重構(gòu)輸入數(shù)據(jù)。

圖8 源域模型訓(xùn)練過(guò)程損失變化Fig.8 Changing of loss during training for source AE

3.2.2模型遷移結(jié)果分析

由自編碼模型結(jié)構(gòu)可知，數(shù)據(jù)的低維特征維度是3，通過(guò)繪制特征分布圖[13]，對(duì)遷移學(xué)習(xí)效果進(jìn)行分析(圖9)。圖9a所示為使用源域自編碼器分別提取源域和目標(biāo)域數(shù)據(jù)的低維特征分布，由于數(shù)據(jù)分布差異較大，因此源域特征和目標(biāo)域特征分布差異也較大，源域自編碼模型難以準(zhǔn)確重構(gòu)目標(biāo)域數(shù)據(jù)。使用本文所提遷移學(xué)習(xí)方法完成目標(biāo)域編碼器訓(xùn)練，獲得的目標(biāo)域數(shù)據(jù)低維特征如圖9b所示，可以看出，經(jīng)過(guò)遷移后，目標(biāo)域數(shù)據(jù)特征向源域低維特征靠近，且出現(xiàn)聚合現(xiàn)象，表明目標(biāo)域自編碼模型能夠有效降低外界噪聲等干擾，提取到源域和目標(biāo)域數(shù)據(jù)共同特征。

(a)遷移前低維特征分布

最后對(duì)目標(biāo)域解碼器進(jìn)行微調(diào)，完成目標(biāo)域自編碼網(wǎng)絡(luò)訓(xùn)練。選擇電機(jī)前軸承溫度分析重構(gòu)效果，電機(jī)前軸承溫度觀測(cè)值、重構(gòu)值如圖10a所示，重構(gòu)相對(duì)誤差如圖10b所示，由圖10可知，重構(gòu)值和觀測(cè)值曲線重合度高，相對(duì)誤差小于3%，表明自編碼網(wǎng)絡(luò)能夠準(zhǔn)確重構(gòu)出觀測(cè)值，學(xué)習(xí)到鼓風(fēng)機(jī)正常運(yùn)行狀態(tài)的數(shù)據(jù)特征。

(a)電機(jī)前軸承溫度重構(gòu)

3.3 故障預(yù)警實(shí)現(xiàn)

使用目標(biāo)域自編碼模型對(duì)實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行重構(gòu)，計(jì)算得到預(yù)警指標(biāo)ζ走勢(shì)如圖11和圖12所示。圖13是使用核密度估計(jì)法得到的密度函數(shù)曲線。選取預(yù)警指標(biāo)的0.99分位數(shù)作為預(yù)警閾值，即ζth=0.3785。由圖12可知，圖11中a～f處連續(xù)超過(guò)預(yù)警指標(biāo)的點(diǎn)數(shù)量分別為4、4、5、5、7、7，因此根據(jù)2.2節(jié)所述，設(shè)置連續(xù)越限閾值Qth為7，即在實(shí)際狀態(tài)監(jiān)測(cè)過(guò)程中，預(yù)警指標(biāo)連續(xù)超過(guò)7次時(shí)才發(fā)出故障預(yù)警信號(hào)，同時(shí)，當(dāng)預(yù)警指標(biāo)連續(xù)小于閾值7次時(shí)取消報(bào)警。

圖11 實(shí)際運(yùn)行數(shù)據(jù)的故障預(yù)警指標(biāo)Fig.11 The indicator’s value of data collecting at test run

(a)a處放大圖 (b)b處放大圖

圖13 指標(biāo)分布Fig.13 The indicator value’s distribution

選取當(dāng)日離心鼓風(fēng)機(jī)開(kāi)機(jī)至故障發(fā)生的38 890組數(shù)據(jù)作為測(cè)試數(shù)據(jù)進(jìn)行故障預(yù)警分析，計(jì)算出預(yù)警指標(biāo)ζ和報(bào)警結(jié)果如圖14a、圖14b所示。圖14a完整地展示了設(shè)備由正常到故障狀態(tài)的預(yù)警指標(biāo)變化趨勢(shì)，在第I階段，設(shè)備運(yùn)行良好未發(fā)生故障，模型能夠準(zhǔn)確地重構(gòu)輸入數(shù)據(jù)，故障預(yù)警指標(biāo)ζ絕大部分處于報(bào)警閾值之下且并未觸發(fā)報(bào)警。在故障發(fā)生前期，即第Ⅱ階段，設(shè)備正在劣化，逐漸偏離正常狀態(tài)，模型難以準(zhǔn)確重構(gòu)輸入數(shù)據(jù)，預(yù)警指標(biāo)出現(xiàn)變大趨勢(shì)。在故障發(fā)生的階段Ⅲ，在轉(zhuǎn)子和殼體發(fā)生碰撞的一瞬間，振動(dòng)值瞬間變大，對(duì)應(yīng)的預(yù)警指標(biāo)發(fā)生躍變，如圖15所示。在第15 376點(diǎn)處連續(xù)7次超過(guò)報(bào)警閾值，觸發(fā)報(bào)警。在第Ⅳ階段，設(shè)備狀況進(jìn)一步惡化，指標(biāo)值持續(xù)變大，最后發(fā)生劇烈波動(dòng)，符合碰撞摩擦的故障特征。本文方法發(fā)出故障預(yù)警信息比自動(dòng)停機(jī)時(shí)刻提前了23 514 s，約6 h 31 min，且故障預(yù)警指標(biāo)ζ變化趨勢(shì)高度符合工程實(shí)際，若在發(fā)出報(bào)警信號(hào)時(shí)及時(shí)檢修設(shè)備，能有效避免故障進(jìn)一步擴(kuò)大。

(a)測(cè)試數(shù)據(jù)的指標(biāo)走勢(shì)圖

圖15 階段Ⅲ指標(biāo)變化細(xì)節(jié)圖Fig.15 Indicator’s value of phase Ⅲ

3.4 對(duì)比分析

為進(jìn)一步驗(yàn)證本文方法的有效性，選擇三種方法進(jìn)行預(yù)警效果對(duì)比分析。前兩種方法分別只使用源域數(shù)據(jù)、只使用目標(biāo)域數(shù)據(jù)實(shí)現(xiàn)工廠實(shí)際運(yùn)行環(huán)境下設(shè)備故障預(yù)警，第三種是典型的基于自編碼網(wǎng)絡(luò)進(jìn)行故障預(yù)警方法。下面給出對(duì)比方法的細(xì)節(jié)和預(yù)警結(jié)果。

(1)方法1：基于源域數(shù)據(jù)的故障預(yù)警。該方法直接使用源域訓(xùn)練完成的自編碼網(wǎng)絡(luò)，不進(jìn)行遷移和微調(diào)，對(duì)實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行重構(gòu)，求出實(shí)際運(yùn)行數(shù)據(jù)指標(biāo)分布，并按相同方法得出ζth、Qth，最后對(duì)測(cè)試數(shù)據(jù)進(jìn)行故障預(yù)警分析，結(jié)果如圖16所示。

(a)方法1測(cè)試數(shù)據(jù)的指標(biāo)走勢(shì)圖

(2)方法2：基于目標(biāo)域數(shù)據(jù)的故障預(yù)警。該方法直接使用目標(biāo)域的3500組實(shí)際運(yùn)行數(shù)據(jù)，經(jīng)過(guò)加窗重采樣后，訓(xùn)練與源域結(jié)構(gòu)相同的自編碼網(wǎng)絡(luò)，參數(shù)設(shè)置和訓(xùn)練方法與源域模型建立過(guò)程保持一致。使用訓(xùn)練完成后的網(wǎng)絡(luò)，輸入實(shí)際運(yùn)行數(shù)據(jù)得出計(jì)算指標(biāo)值，按相同的方法確定報(bào)警閾值和報(bào)警策略，最后對(duì)測(cè)試數(shù)據(jù)進(jìn)行故障預(yù)警效果分析。由于20 000點(diǎn)后走勢(shì)和本文所提方法相似度高，因此，圖17只展示了測(cè)試數(shù)據(jù)的前20 000個(gè)預(yù)警指標(biāo)值。

(a)方法2測(cè)試數(shù)據(jù)的指標(biāo)走勢(shì)圖

(3)方法3[20]：使用文獻(xiàn)[20]所提的MW-SMDAE(moving window-stacked multilevel denoising autoencoder)方法建立自編碼模型。該臺(tái)離心鼓風(fēng)機(jī)在制造完成后到此次故障前運(yùn)行正常，未出現(xiàn)自動(dòng)停機(jī)現(xiàn)象。采集故障前一天的12 123組運(yùn)行數(shù)據(jù)，訓(xùn)練文獻(xiàn)[20]所提出的多層級(jí)加噪的兩層自編碼網(wǎng)絡(luò)。訓(xùn)練完畢后，計(jì)算得出訓(xùn)練數(shù)據(jù)的指標(biāo)值，然后根據(jù)數(shù)據(jù)分布確定報(bào)警閾值ζth、連續(xù)報(bào)警閾值Qth，并對(duì)測(cè)試數(shù)據(jù)進(jìn)行故障預(yù)警分析，故障預(yù)警結(jié)果如圖18所示。

(a)方法3測(cè)試數(shù)據(jù)的指標(biāo)走勢(shì)圖

如圖16a所示，方法1所得出的預(yù)警指標(biāo)走勢(shì)和實(shí)際故障演化趨勢(shì)一致性較差，存在故障預(yù)警不及時(shí)等問(wèn)題。由圖17a、圖18a可知，方法2、方法3和本文方法相似，指標(biāo)走勢(shì)能較好地反映轉(zhuǎn)子磨損故障實(shí)際，但兩種方法在故障發(fā)生期間均出現(xiàn)較大躍變，而且方法2在故障進(jìn)一步擴(kuò)大期間，即18 000點(diǎn)后，指標(biāo)值出現(xiàn)異常減小現(xiàn)象。另外，方法2和方法3在故障預(yù)警前出現(xiàn)較多誤報(bào)警。

為進(jìn)一步分析各種方法預(yù)警效果，表2給出了各方法的報(bào)警閾值、報(bào)警點(diǎn)和誤報(bào)次數(shù)等詳細(xì)預(yù)警結(jié)果。由表2可知，方法1的預(yù)警閾值最大，故障提前時(shí)間最短，但在發(fā)出故障預(yù)警前存在大量超過(guò)閾值的點(diǎn)。方法2和方法3雖然報(bào)警提前時(shí)間優(yōu)于本文方法，但存在誤報(bào)警點(diǎn)且多次報(bào)警前指標(biāo)超過(guò)閾值，降低了故障預(yù)警精度。

表2 四種方法預(yù)警效果對(duì)比Tab.2 Comparison of four fault warning methods’performance

對(duì)四種故障預(yù)警方法進(jìn)行對(duì)比分析如下：由于源域和目標(biāo)域數(shù)據(jù)分布有差異，源域自編碼網(wǎng)絡(luò)不能準(zhǔn)確地重構(gòu)實(shí)際運(yùn)行數(shù)據(jù)，導(dǎo)致預(yù)警閾值較大，且源域數(shù)據(jù)包含部分極端工況運(yùn)行數(shù)據(jù)，因此方法1將一些早期故障狀態(tài)誤判為正常運(yùn)行狀態(tài)，故障報(bào)警提前時(shí)間最短；方法2僅使用實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行故障預(yù)警，由于訓(xùn)練數(shù)據(jù)較少，因此自編碼網(wǎng)絡(luò)出現(xiàn)輕微過(guò)擬合現(xiàn)象，預(yù)警閾值最小，過(guò)擬合現(xiàn)象也導(dǎo)致了誤報(bào)次數(shù)較多；當(dāng)訓(xùn)練數(shù)據(jù)量增加，方法3誤報(bào)次數(shù)和報(bào)警前超限的點(diǎn)少于方法2誤報(bào)次數(shù)和報(bào)警前超限的點(diǎn)，但是由于采集的數(shù)據(jù)可能包含故障信息，加之現(xiàn)場(chǎng)噪聲影響，從而導(dǎo)致模型存在偏差，不能穩(wěn)定重構(gòu)正常狀態(tài)運(yùn)行數(shù)據(jù)。本文所提方法故障預(yù)警提前時(shí)間較方法2和方法3短，但誤報(bào)警和報(bào)警前指標(biāo)超限次數(shù)都少于其余三種方法，指標(biāo)走勢(shì)高度符合故障演化趨勢(shì)，最滿足實(shí)際需求。可見(jiàn)本文方法能很好地將實(shí)驗(yàn)室模型數(shù)據(jù)用于設(shè)備故障預(yù)警中，有效提高故障預(yù)警效果，降低現(xiàn)場(chǎng)噪聲、數(shù)據(jù)量不夠豐富或設(shè)備正常狀態(tài)判斷失誤對(duì)模型精度的影響。

4 結(jié)論

本文結(jié)合離心鼓風(fēng)機(jī)使用實(shí)際，提出一種遷移學(xué)習(xí)方法，將實(shí)驗(yàn)室數(shù)據(jù)建立的模型用于實(shí)際使用過(guò)程中離心鼓風(fēng)機(jī)的故障預(yù)警中，有效提高了預(yù)警準(zhǔn)確度。首先對(duì)實(shí)驗(yàn)室采集數(shù)據(jù)進(jìn)行加窗重采樣，訓(xùn)練融入稀疏限制的源域自編碼網(wǎng)絡(luò)；然后通過(guò)最小化特征的最大均值差異值和對(duì)模型進(jìn)行微調(diào)，實(shí)現(xiàn)模型遷移；最后根據(jù)自編碼網(wǎng)絡(luò)提出故障預(yù)警指標(biāo)并制定預(yù)警策略，實(shí)現(xiàn)離心鼓風(fēng)機(jī)故障預(yù)警。

使用實(shí)際的離心鼓風(fēng)機(jī)故障案例對(duì)本文所提方法進(jìn)行故障預(yù)警分析，結(jié)果表明：故障預(yù)警指標(biāo)能很好地反映設(shè)備故障演化趨勢(shì)，所提的遷移學(xué)習(xí)方法能有效地將實(shí)驗(yàn)室數(shù)據(jù)和模型用于實(shí)際使用過(guò)程中設(shè)備故障預(yù)警模型的建立，有效提高預(yù)警精度，具有工程應(yīng)用價(jià)值。