馬海舒， 馬宗正

（河南工程學(xué)院機(jī)械工程學(xué)院，鄭州451191）

0 引 言

機(jī)械設(shè)備如果出現(xiàn)運(yùn)轉(zhuǎn)故障，需要在很短時(shí)間內(nèi)迅速確定故障原因并實(shí)施維修，因?yàn)橐坏C(jī)器停止工作將導(dǎo)致生產(chǎn)停頓造成經(jīng)濟(jì)損失不可估量［1-3］。然而大概80%的維修時(shí)間是耗費(fèi)在找到導(dǎo)致故障的根源。能夠進(jìn)行早期故障診斷對于避免更大的經(jīng)濟(jì)和生產(chǎn)損失至關(guān)重要［3］。對于回轉(zhuǎn)機(jī)械，如鼓風(fēng)機(jī)，聲音或振動信號經(jīng)常用來判斷設(shè)備是否出現(xiàn)故障或老化。

信號處理領(lǐng)域非常多的技術(shù)已經(jīng)得到成熟應(yīng)用，這些方法可以分為3類，時(shí)域、頻域（例如傅里葉變換）和時(shí)頻域（例如小波變換和短時(shí)傅里葉變換），其中小波變換在故障診斷中信號處理方面表現(xiàn)優(yōu)異，因?yàn)槎虝r(shí)傅里葉變換是通過加窗的方式對時(shí)域不同時(shí)間段的信號進(jìn)行分析，但是，由于窗長是固定的，所以，分辨率是固定的，并且根據(jù)窗長的選擇在時(shí)域和頻域的分辨率上是一個(gè)矛盾；而小波變換可以根據(jù)尺度的變換和偏移在不同的頻段上給出不同的分辨率，這在實(shí)際中是非常有用的［4-5］。

經(jīng)過振動信號處理和特征提取，接下來最重要的是確定故障源。機(jī)器學(xué)習(xí)已經(jīng)越來越多被專家學(xué)者應(yīng)用在這一領(lǐng)域并取得了很好的效果。支持向量機(jī)作為一種非常流行的機(jī)器學(xué)習(xí)算法以其高準(zhǔn)確性和泛化能力廣泛應(yīng)用于故障診斷［6］。許多研究者利用隱馬爾科夫鏈對故障進(jìn)行建模和診斷，在此基礎(chǔ)上建立故障定位矩陣，確定故障位置［7］。相當(dāng)多在線狀態(tài)監(jiān)測方法是基于神經(jīng)網(wǎng)絡(luò)［8-9］。通過神經(jīng)網(wǎng)絡(luò)可以建立提取的信號特征和設(shè)備故障之間映射關(guān)系，并利用這種映射關(guān)系進(jìn)行故障診斷。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中新的研究方向，深度學(xué)習(xí)在機(jī)器翻譯、自然語言處理、模式識別等眾多領(lǐng)域取得突破性進(jìn)展。深度神經(jīng)網(wǎng)絡(luò)是一種具備多層隱藏層深度學(xué)習(xí)結(jié)構(gòu)，相比于淺層神經(jīng)網(wǎng)絡(luò)，其為復(fù)雜非線性系統(tǒng)提供建模的能力更高。本文運(yùn)用傅里葉變換和小波變換從振動信號提取特征，然后利用這些特征訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)達(dá)到故障診斷的目的。

1 數(shù)據(jù)采集

實(shí)驗(yàn)平臺搭建包括鼓風(fēng)機(jī)、Kistler振動傳感器、DAQ數(shù)據(jù)采集卡。鼓風(fēng)機(jī)上3個(gè)方向安裝了傳感器用來采集振動信號（見圖1）。通過在鼓風(fēng)機(jī)主軸末端安裝金屬塊（見圖2），實(shí)驗(yàn)平臺可以模擬鼓風(fēng)機(jī)4種不平衡狀態(tài)，分別以0（正常），0.3，0.6，1.0（完全失衡）表示。正常狀態(tài)下不安裝金屬塊，啟動鼓風(fēng)機(jī)，采集并存儲信號。接下來關(guān)掉鼓風(fēng)機(jī)，安裝第1個(gè)金屬塊在主軸末端，啟動鼓風(fēng)機(jī)，采集并存儲信號，重復(fù)該過程直到所有狀態(tài)振動信號采集完畢。每種狀態(tài)采集200個(gè)樣本，經(jīng)過數(shù)據(jù)預(yù)處理，特征提取，進(jìn)行故障診斷。

圖1 鼓風(fēng)機(jī)上傳感器配置（箭頭方向表示傳感器安裝3個(gè)方位）

圖2 不同尺寸金屬塊模擬不平衡程度

2 特征提取

本文采用小波變換對振動信號進(jìn)行處理。小波變換把振動信號分解為低頻部分A1和高頻部分D1。分解過程中，屬于低頻部分丟失的信息被高頻部分獲取。在下一層分解中，A1繼續(xù)分解為低頻部分A2和高頻部分D2。屬于低頻A2丟失的信息被高頻D2獲?。?0］。經(jīng)過3層分解，得到一個(gè)低頻系數(shù)A3和3個(gè)高頻系數(shù)D1、D2和D3，圖3所示為機(jī)器正常工作狀態(tài)下采集的振動信號經(jīng)過小波變換所得。通常信號的快速傅里葉變換通過下式計(jì)算得到［11］：

圖3 經(jīng)小波變換分解的鼓風(fēng)機(jī)正常工作狀態(tài)振動信號

分解的信號通過快速傅里葉變換進(jìn)行進(jìn)一步處理，經(jīng)過相關(guān)性分析，取信號的均值、方差、峰值作為提取的特征對鼓風(fēng)機(jī)的工作狀態(tài)進(jìn)行判斷。圖4所示為正常工況下傅里葉變換所得信號。本文采用3個(gè)振動傳感器，經(jīng)過小波變換和傅里葉變換得到36個(gè)特征。

圖4 經(jīng)傅里葉變換處理的鼓風(fēng)機(jī)正常工作狀態(tài)振動信號

3 深度自編碼網(wǎng)絡(luò)

深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。該結(jié)構(gòu)包括兩部分，首先是用于降噪降維處理的4層自編碼器（見圖6）。從高維度的振動信號特征向量挖掘更深層次的特征，然后經(jīng)過4層的多層感知器預(yù)測鼓風(fēng)機(jī)故障類型。該深度神經(jīng)網(wǎng)絡(luò)采用自編碼器作為數(shù)據(jù)預(yù)訓(xùn)練。多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)隱藏層激活函數(shù)采用ReLU函數(shù)，輸出層激活函數(shù)為Sigmoid函數(shù)［12-14］。從輸入層到輸出層，計(jì)算過程為

圖5 深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖6 自編碼器結(jié)構(gòu)示意圖

式中：wij為相鄰兩層之間權(quán)重向量；b為偏置；f為激活函數(shù)。

深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練采用反向傳播方法，直到由輸入可以得到期望輸出為止［15］。神經(jīng)網(wǎng)絡(luò)的損失函數(shù)用來估計(jì)模型預(yù)測值和真實(shí)值之間的不一致程度，以此來監(jiān)督神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程朝著正確方向。本文選用均方差函數(shù)作為損失函數(shù)

式中：m為訓(xùn)練樣本數(shù)量；yi為目標(biāo)值；為預(yù)測值。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)分為3組，對于每種故障狀態(tài)80%的樣本作為訓(xùn)練集；10%的樣本用來作為驗(yàn)證集；10%的樣本作為測試集。由圖7可知，訓(xùn)練集、驗(yàn)證集和測試集誤差隨著訓(xùn)練周期同步降低，說明沒有出現(xiàn)過擬合，該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有很好的泛化能力。圖中顯示在20

圖7 深度自編碼網(wǎng)絡(luò)模型訓(xùn)練曲線

個(gè)訓(xùn)練周期后達(dá)到穩(wěn)定輸出，實(shí)驗(yàn)結(jié)果表明深度學(xué)習(xí)模型可以有效收斂并達(dá)到穩(wěn)定輸出。

由圖8可知，鼓風(fēng)機(jī)正常工作狀態(tài)，該深度自編碼網(wǎng)絡(luò)模型測試集均方值誤差為0.025 8，對于故障狀態(tài)0.3，其測試集均方值誤差為0.016 7，對于故障狀態(tài)0.6，其測試集均方值誤差0.018 3，鼓風(fēng)機(jī)完全失衡狀態(tài)的測試集均方值誤差為0.013 9。實(shí)驗(yàn)結(jié)果表明該深度學(xué)習(xí)模型可以準(zhǔn)確判斷鼓風(fēng)機(jī)故障狀態(tài)。

圖8 深度自編碼網(wǎng)絡(luò)輸出曲線

由圖9可知，模型預(yù)測誤差隨著樣本數(shù)量的增大而減小。對于鼓風(fēng)機(jī)正常工作狀態(tài)和完全失衡狀態(tài)，在訓(xùn)練樣本數(shù)量達(dá)到40就可以得到準(zhǔn)確判斷。對于故障狀態(tài)0.3和0.6，訓(xùn)練樣本數(shù)量至少達(dá)到160以上模型可有較準(zhǔn)確判斷。實(shí)驗(yàn)結(jié)果表明，對于鼓風(fēng)機(jī)更多故障狀態(tài)監(jiān)測判斷需要采集更大的訓(xùn)練樣本集。

圖9 鼓風(fēng)機(jī)故障診斷誤差曲線

5 結(jié) 語

本文采用小波變換和傅里葉變換對振動信號提取特征，構(gòu)建深度自編碼網(wǎng)絡(luò)模型對鼓風(fēng)機(jī)工作狀態(tài)進(jìn)行故障診斷。實(shí)驗(yàn)結(jié)果表明搭建的模型可以有效預(yù)測鼓風(fēng)機(jī)工作狀態(tài)并得到穩(wěn)定輸出。而且，增大樣本數(shù)據(jù)集可以提高該模型故障診斷能力。本文特征提取只采用了峰值特征，將來的工作可以根據(jù)需要診斷的故障類型選擇其他的有效特征。