關(guān)少亞，王春宇，陳 琪*，薛 龍，隋金玲

（1.北京石油化工學(xué)院 工程師學(xué)院，北京 102617；2.北京石油化工學(xué)院 機(jī)械工程學(xué)院，北京 102617）

0 引言

轉(zhuǎn)子作為旋轉(zhuǎn)機(jī)械的核心部件，一旦發(fā)生故障，將造成巨大的經(jīng)濟(jì)損失甚至人員傷亡，因此開展對(duì)旋轉(zhuǎn)機(jī)械轉(zhuǎn)子早期故障診斷的研究，對(duì)于確保旋轉(zhuǎn)機(jī)械安全、平穩(wěn)運(yùn)行具有重要意義[1]。

目前旋轉(zhuǎn)機(jī)械轉(zhuǎn)子的運(yùn)行監(jiān)測與故障診斷大都采用依靠人工經(jīng)驗(yàn)與定期巡檢，由于轉(zhuǎn)子早期故障信號(hào)比較微弱，很容易受到現(xiàn)場噪聲的干擾，雖然可以通過一定方法提高信噪比，但對(duì)于故障的識(shí)別能力依然較弱[2～5]。旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)包含了設(shè)備振動(dòng)情況的有效信息。對(duì)故障設(shè)備的振動(dòng)信號(hào)進(jìn)行分析，能夠有效地揭示故障設(shè)備信號(hào)的幅值和頻率隨時(shí)間變化的情況[6,7]。

隨著深度學(xué)習(xí)在圖像領(lǐng)域取得的巨大成就，由于信號(hào)與圖像知識(shí)屬于不同維度的信號(hào)，二者本質(zhì)上具有一定的相似性。因此，在信號(hào)處理領(lǐng)域，越來越多的檢測、分類等工作都可以由深度學(xué)習(xí)來完成。

基于深度學(xué)習(xí)的故障診斷主要分類兩大類，一種是將用于圖像處理的網(wǎng)絡(luò)進(jìn)行降維，得到適用于一維信號(hào)處理的一維神經(jīng)網(wǎng)絡(luò)[8,9]；另一種則是通過將一維信號(hào)進(jìn)行時(shí)域和頻域分析，得到信號(hào)的二維時(shí)頻分布圖像，將圖像直接輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的訓(xùn)練和識(shí)別[10]。

本文通過對(duì)轉(zhuǎn)子故障信號(hào)進(jìn)行模擬，對(duì)比現(xiàn)有基于信號(hào)分析的故障檢測算法，最終選擇基于CNN（Convolutional Neural Network，CNN）的算法，通過小波變換對(duì)降噪濾波后的轉(zhuǎn)子故障信號(hào)進(jìn)行處理，得到其二維時(shí)頻分布圖像對(duì)CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到能對(duì)故障進(jìn)行快速診斷和識(shí)別網(wǎng)絡(luò)模型。并設(shè)計(jì)一套故障診斷軟件系統(tǒng)，將數(shù)據(jù)采集與管理功能、數(shù)據(jù)處理、人機(jī)交互及故障診斷等功能進(jìn)行集成，滿足實(shí)際工程需要。

1 故障檢測系統(tǒng)的組成及功能

轉(zhuǎn)子故障診斷系統(tǒng)如圖1所示，主要由以下幾個(gè)模塊組成：人機(jī)交互界面模塊、系統(tǒng)管理模塊、數(shù)據(jù)采集模塊、數(shù)據(jù)管理模塊、數(shù)據(jù)分析及處理模塊、故障診斷模塊以及輔助模塊。通過以上7個(gè)模塊的相互配合，實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械轉(zhuǎn)子振動(dòng)信號(hào)的提取、故障信號(hào)的檢測及故障類型判別三大功能。

圖1 故障檢測系統(tǒng)組成及功能

轉(zhuǎn)子故障診斷系統(tǒng)使用C#語言編寫，基于.NET Fromwork 4.8平臺(tái)進(jìn)行開發(fā)，系統(tǒng)環(huán)境是Windows10操作系統(tǒng)。

2 故障診斷算法

旋轉(zhuǎn)機(jī)械的轉(zhuǎn)子故障主要包括轉(zhuǎn)子不平衡故障、轉(zhuǎn)子碰撞故障、熱彎曲故障、電氣干擾類故障等。本系統(tǒng)通過實(shí)驗(yàn)室易模擬的轉(zhuǎn)子不平衡故障及轉(zhuǎn)子碰磨故障信號(hào)進(jìn)行檢測，并對(duì)所采集的信號(hào)進(jìn)行小波變換，得到信號(hào)所對(duì)應(yīng)的二維時(shí)頻分布圖像。結(jié)合深度學(xué)習(xí)在圖像分類中的應(yīng)用，利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)所得到的二維時(shí)頻圖像進(jìn)行分類。

本研究選擇基于VGG網(wǎng)絡(luò)，結(jié)合具體故障類型及二維時(shí)頻圖像的特性對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，按照如圖2所示的流程對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖2 基于深度學(xué)習(xí)的診斷模型

其中，每一個(gè)卷積塊包含兩個(gè)3×3的卷積層、緊隨卷積層的兩個(gè)ReLU單元以及一個(gè)池化層。網(wǎng)絡(luò)的最終輸出，對(duì)應(yīng)旋轉(zhuǎn)機(jī)械轉(zhuǎn)子的具體故障類型。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)采用如圖4所示的MV-BQ2100轉(zhuǎn)子試驗(yàn)設(shè)備為主要的數(shù)據(jù)采集對(duì)象。試驗(yàn)設(shè)備主要包括動(dòng)力部分、安裝基座、軸系和測量輔件、動(dòng)平衡輔件。實(shí)驗(yàn)臺(tái)動(dòng)力部分是直流永磁伺服電動(dòng)機(jī)。

信號(hào)采集選用16位USB7104B高速高精度數(shù)據(jù)并行采集卡，用USB進(jìn)行傳輸數(shù)據(jù)，支持最高4通道的并行同步采集，同時(shí)此設(shè)備支持最高2MHz的頻率測量。

模型的訓(xùn)練基于Caffe框架，在Linux服務(wù)器上完成，服務(wù)器CPU為E5-2620 2.4GHz×12，GPU為Nvidia GeForce GTX 980。

3.2 模擬信號(hào)采集

本研究主要利用圖3所示的實(shí)驗(yàn)設(shè)備，在實(shí)驗(yàn)室環(huán)境下模擬轉(zhuǎn)子不平衡故障以及轉(zhuǎn)子碰磨故障，并通過采集卡采集轉(zhuǎn)子發(fā)生故障后的信號(hào)。

圖3 卷積塊的組成

圖4 試驗(yàn)設(shè)備結(jié)構(gòu)示意圖

1）轉(zhuǎn)子不平衡故障模擬

如圖5所示，通過在試驗(yàn)臺(tái)上的兩個(gè)圓盤處添加螺釘砝碼來模擬轉(zhuǎn)子不平衡故障，通過改變螺釘砝碼添加的數(shù)量和位置來得到多組測量信號(hào)，并通過多次重復(fù)測量來增加網(wǎng)絡(luò)訓(xùn)練所需要的數(shù)據(jù)。轉(zhuǎn)子的轉(zhuǎn)速設(shè)置為3000r/min，采樣頻率為12800Hz，每個(gè)轉(zhuǎn)子的旋轉(zhuǎn)周期可以采集256個(gè)數(shù)據(jù)點(diǎn)。

圖5 轉(zhuǎn)子不平衡故障模擬

圖6是轉(zhuǎn)子不平衡模擬故障添加前后軸心的運(yùn)動(dòng)軌跡，軸心軌跡中心在添加砝碼后發(fā)生明顯偏置，證明以添加砝碼來模擬轉(zhuǎn)子不平衡故障的有效性。

圖6 轉(zhuǎn)子不平衡添加前后軸心軌跡

2）轉(zhuǎn)子碰磨故障模擬

如圖7所示，通過在靠近電機(jī)的位置安裝用于制造碰磨的螺旋頂桿來模擬轉(zhuǎn)子碰磨故障。旋轉(zhuǎn)螺旋頂桿，將頂桿與轉(zhuǎn)子接觸并抵住轉(zhuǎn)子，為了保持頂桿的穩(wěn)定，可以滴入一些膠水進(jìn)行固定。提升轉(zhuǎn)子轉(zhuǎn)速到6000r/min，進(jìn)行信號(hào)采集，使用的采樣頻率為25600Hz。同樣通過改變螺旋頂桿的位置以及多次測量來豐富樣本量。

圖7 轉(zhuǎn)子碰磨故障模擬用螺旋頂桿

圖8是轉(zhuǎn)子碰磨模擬故障添加前后軸心的運(yùn)動(dòng)軌跡，軸心軌跡在頂桿的干擾下發(fā)生明顯震蕩，證明以螺旋頂桿接觸來模擬轉(zhuǎn)子碰磨故障的有效性。

圖8 轉(zhuǎn)子碰磨添加前后軸心軌跡

兩種故障信號(hào)的采集均由圖3所示的四個(gè)電渦流位移傳感器同時(shí)進(jìn)行，這里分析靠近電機(jī)處的一對(duì)在平面內(nèi)互相垂直的傳感器(X1和Y1)所采集的信息，這兩組信號(hào)經(jīng)過降噪濾波及小波變換后分別可以得到兩個(gè)二維時(shí)頻圖像。兩個(gè)時(shí)頻圖像所對(duì)應(yīng)的訓(xùn)練標(biāo)簽均為“轉(zhuǎn)子不平衡故障”或“轉(zhuǎn)子碰磨故障”。

3.3 網(wǎng)絡(luò)訓(xùn)練及結(jié)果

每種故障類型均采集500組信號(hào)數(shù)據(jù)，并進(jìn)行降噪濾波及小波變換，其中450組作為訓(xùn)練數(shù)據(jù)，50組作為測試數(shù)據(jù)。損失函數(shù)采用式(1)中的歐幾里得函數(shù)。

其中N代表網(wǎng)絡(luò)訓(xùn)練時(shí)每批數(shù)據(jù)中的樣本個(gè)數(shù)，yn表示第n個(gè)樣本所對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)。訓(xùn)練學(xué)習(xí)率通過多步衰減的策略進(jìn)行，初始學(xué)習(xí)率設(shè)置為0.05。批訓(xùn)練中，每一批的樣本數(shù)設(shè)置為50。

CNN模型的訓(xùn)練結(jié)果如表1所示，對(duì)于轉(zhuǎn)子不平衡及轉(zhuǎn)子碰磨的分類準(zhǔn)確率可以達(dá)到99%以上，模型測試所需時(shí)間僅為0.06秒。

表1 CNN模型訓(xùn)練結(jié)果

3.4 系統(tǒng)功能集成及驗(yàn)證

將數(shù)據(jù)采集、信號(hào)處理、降噪濾波以及基于VGG網(wǎng)絡(luò)的深度學(xué)習(xí)算法與本研究所設(shè)計(jì)的故障診斷系統(tǒng)相結(jié)合，實(shí)現(xiàn)對(duì)輸入信號(hào)的實(shí)時(shí)、精確診斷。

隨機(jī)設(shè)置轉(zhuǎn)子不平衡故障模擬中的砝碼位置以及轉(zhuǎn)子碰磨故障模擬中頂桿的位置，保證與深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過程所設(shè)置的位置不同，將采集得到的信號(hào)輸入系統(tǒng)，如下圖9(a)、圖9(b)所示，系統(tǒng)可以實(shí)時(shí)、準(zhǔn)確的分析出故障類型。

圖9 系統(tǒng)故障診斷結(jié)果

4 結(jié)語

本研究設(shè)計(jì)了一套轉(zhuǎn)子故障診斷系統(tǒng)，實(shí)現(xiàn)了旋轉(zhuǎn)機(jī)械轉(zhuǎn)子故障診斷系統(tǒng)的主要功能，利用轉(zhuǎn)子試驗(yàn)臺(tái)模擬故障數(shù)據(jù)，對(duì)系統(tǒng)主要功能模塊進(jìn)行試驗(yàn)，結(jié)果表明數(shù)據(jù)采集與管理功能、數(shù)據(jù)處理等功能均滿足要求。系統(tǒng)的故障診斷功能可以準(zhǔn)確識(shí)別出現(xiàn)的故障，診斷時(shí)間可以控制在0.06秒，實(shí)現(xiàn)故障的快速診斷。

但是本研究僅對(duì)轉(zhuǎn)子不平衡及轉(zhuǎn)子碰磨故障進(jìn)行了模擬及檢測，未來應(yīng)該增加其他類型故障的檢測能力，提升系統(tǒng)的魯棒性。