陳維望,李軍霞*,張 偉

(1.太原理工大學(xué) 機(jī)械與運(yùn)載工程學(xué)院,山西 太原 030024;2.礦山流體控制國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室,山西 太原 030024)

0 引 言

當(dāng)前,礦山機(jī)械中的旋轉(zhuǎn)機(jī)械設(shè)備向著大型化、高速化、智能化方向升級(jí),由設(shè)備故障引發(fā)的非計(jì)劃停機(jī)不僅會(huì)造成巨額的經(jīng)濟(jì)損失,而且還可能引發(fā)火災(zāi)、爆炸等惡性次生事故[1]。

軸承作為礦山機(jī)械設(shè)備中的重要部件,其健康狀態(tài)對(duì)整套礦山機(jī)械設(shè)備的正常運(yùn)行有重要影響。礦山機(jī)械的工作環(huán)境惡劣,這大大縮短了軸承的使用壽命。同時(shí),軸承振動(dòng)信號(hào)因受到工況多變、噪聲干擾等因素的影響,所以難以對(duì)其故障進(jìn)行有效的診斷。因此,對(duì)軸承進(jìn)行準(zhǔn)確的故障診斷對(duì)維護(hù)設(shè)備安全、穩(wěn)定運(yùn)行具有重要意義。

通常,故障診斷主要有模型分析、信號(hào)處理和數(shù)據(jù)驅(qū)動(dòng)3類方法。采用模型分析法時(shí),需要將實(shí)際測(cè)量值與系統(tǒng)的數(shù)學(xué)模型所產(chǎn)生的輸出值進(jìn)行比較。然而對(duì)于復(fù)雜機(jī)電系統(tǒng),難以保證模型的準(zhǔn)確性。信號(hào)處理法[2]使用時(shí)域、頻域、時(shí)頻域等信號(hào)動(dòng)態(tài)描述方法[3]提取故障特征,但該方法的選擇嚴(yán)重依賴專家經(jīng)驗(yàn)。

數(shù)據(jù)驅(qū)動(dòng)法的核心在于從大量監(jiān)測(cè)數(shù)據(jù)中學(xué)習(xí)故障的表現(xiàn)形式,從而實(shí)現(xiàn)對(duì)故障模式的自主識(shí)別[4],它在針對(duì)復(fù)雜系統(tǒng)的故障檢測(cè)、診斷和預(yù)測(cè)具有明顯優(yōu)勢(shì)。

數(shù)據(jù)驅(qū)動(dòng)的故障智能診斷方法有基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的智能診斷技術(shù)兩大類。

基于機(jī)器學(xué)習(xí)的診斷方法,首先要借助模型分析法、信號(hào)處理法提取更具區(qū)分性的故障特征向量,再運(yùn)用k近鄰(k-nearest neighbor, KNN)[5]、SVM[6]等監(jiān)督學(xué)習(xí)算法學(xué)習(xí)特征向量與模式間的映射關(guān)系。劉暢等人[7]使用高斯隨機(jī)投影矩陣,對(duì)軸承振動(dòng)數(shù)據(jù)進(jìn)行了降維投影,再提取壓縮域特征作為SVM輸入,實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的故障診斷。但是人為的特征提取依賴于先驗(yàn)知識(shí),在接受新的診斷任務(wù)時(shí),可能需要重新提取其故障特征。

基于深度學(xué)習(xí)的方法[8]是將多層數(shù)據(jù)處理模塊組成一個(gè)深層結(jié)構(gòu),以此來(lái)實(shí)現(xiàn)自動(dòng)化地特征提取與模式識(shí)別。典型的深度學(xué)習(xí)算法有深度置信網(wǎng)絡(luò)[9]、自編碼器[10]、卷積神經(jīng)網(wǎng)絡(luò)[11]、循環(huán)神經(jīng)網(wǎng)絡(luò)[12]等。其中,卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)高維數(shù)據(jù)具有很強(qiáng)的特征提取和表達(dá)能力,已在故障診斷領(lǐng)域得到廣泛應(yīng)用。PENG Dan-dan等人[13]提出了一種更深的一維CNN網(wǎng)絡(luò)模型,運(yùn)用殘差學(xué)習(xí)思想、寬卷積核和dropout技術(shù),提高了模型對(duì)低頻信號(hào)的特征提取能力,以原始振動(dòng)信號(hào)為輸入,實(shí)現(xiàn)了端到端的列車輪對(duì)軸承的故障診斷;但其存在模型過(guò)于復(fù)雜、訓(xùn)練成本大、對(duì)其他診斷任務(wù)不適用等問(wèn)題。KHODJ A Y等人[14]將一維振動(dòng)信號(hào)樣本轉(zhuǎn)化為二維頻譜圖像,將其再導(dǎo)入CNN中,實(shí)現(xiàn)了對(duì)軸承故障診斷;但采用該方法需要進(jìn)行大量信號(hào)維度轉(zhuǎn)換。

在實(shí)際應(yīng)用中,根據(jù)設(shè)備及部件的重要性,工業(yè)上會(huì)有不同的診斷需求;同時(shí),采集的數(shù)據(jù)也會(huì)受到噪聲、多變工況的影響[15]。因此,有必要開(kāi)發(fā)一種對(duì)不同診斷任務(wù)具有更高適應(yīng)性的模型,且在噪聲干擾和工況變化下都具有良好魯棒性。

基于以上分析,筆者提出一種用于托輥軸承故障分級(jí)診斷的分支卷積神經(jīng)網(wǎng)絡(luò)模型。首先,根據(jù)不同的診斷需求,建立機(jī)械故障的層級(jí)結(jié)構(gòu),從而根據(jù)不同層級(jí)需求設(shè)定分類標(biāo)簽;然后,構(gòu)建一維CNN特征提取基本塊;最后將層級(jí)結(jié)構(gòu)的分支輸出網(wǎng)絡(luò)融入經(jīng)典CNN結(jié)構(gòu)中,形成B-1DCNN模型。

該方法直接以一維振動(dòng)信號(hào)為輸入,通過(guò)多個(gè)分支輸出層預(yù)測(cè)故障的層級(jí)結(jié)構(gòu),同時(shí)輸出機(jī)械故障狀態(tài)、故障類型和損傷程度。

1 一維卷積神經(jīng)網(wǎng)絡(luò)(1DCNN)

神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)主要由輸入層、卷積層、池化層、全連接層和輸出層組成,通過(guò)正向運(yùn)算和反向傳播實(shí)現(xiàn)學(xué)習(xí)過(guò)程。正向運(yùn)算中,卷積層和池化層交替?zhèn)鬟f對(duì)輸入進(jìn)行特征提取,全連接層對(duì)提取的特征進(jìn)行分類。反向傳播算法依據(jù)輸出損失逐層向前反饋更新參數(shù),更新的參數(shù)再正向運(yùn)算,以此重復(fù)至模型收斂,實(shí)現(xiàn)訓(xùn)練過(guò)程。

經(jīng)典CNN模型結(jié)構(gòu)如圖1所示。

圖1 經(jīng)典CNN模型結(jié)構(gòu)

(1)輸入層。一維卷積神經(jīng)網(wǎng)絡(luò)能對(duì)一維時(shí)序數(shù)據(jù)進(jìn)行特征提取,且不損失時(shí)序特征,非常適用于分析振動(dòng)信號(hào);

(2)卷積層。卷積層的作用是從輸入數(shù)據(jù)提取特征,其核心是卷積核,卷積核的每個(gè)元素對(duì)應(yīng)一個(gè)權(quán)值和偏差。

定義Wl(i,j)代表第l層中第i個(gè)卷積核的第j個(gè)權(quán)重;bl(i)代表第l層的第i個(gè)卷積核的偏差;yl(i,j)和yl+1(i,j)分別代表第l層的輸入和輸出。則卷積層的運(yùn)算公式為:

yl+1(i,j)=[yl?Wl](i,j)+bl(i)

(1)

通常在每個(gè)卷積層后都會(huì)應(yīng)用一個(gè)非線性激活函數(shù),以增加網(wǎng)絡(luò)的非線性表達(dá)能力。常用的激活函數(shù)有ReLU、Sigmoid和Tanh函數(shù)。因?yàn)镽eLU與其他兩者相比具有防止梯度消失,加快網(wǎng)絡(luò)訓(xùn)練等優(yōu)點(diǎn),所以此處筆者選用ReLU激活函數(shù);

(3)批標(biāo)準(zhǔn)化層。批量標(biāo)準(zhǔn)化(bath normalization, BN)操作能夠緩解網(wǎng)絡(luò)梯度彌散問(wèn)題,大幅提高訓(xùn)練速度,改善正則化策略。其計(jì)算公式為:

(2)

式中:yi—批標(biāo)準(zhǔn)化輸出;xi—第i個(gè)輸入;γ,β—調(diào)節(jié)參數(shù)。

(4)池化層。池化層無(wú)待更新參數(shù),池化核以一定步長(zhǎng)遍歷特征,在提取主要特征的同時(shí)減少網(wǎng)絡(luò)參數(shù),其作用是實(shí)現(xiàn)數(shù)據(jù)降維,擴(kuò)大感受野[16]。池化方法主要分為最大池化和平均池化,應(yīng)用最廣的最大池化方法計(jì)算公式為:

(3)

(5)全連接層。全連接層(fully-connected layer, FC)的作用是分類,通常使用Softmax激活函數(shù),輸出分類標(biāo)簽。

2 分支卷積神經(jīng)網(wǎng)絡(luò)

CNN的淺層通常抓取低層次特征,而深層可以提取高層次特征,因此,CNN的每一層都包含了網(wǎng)絡(luò)特征的層次結(jié)構(gòu)[17]。文獻(xiàn)[18]第一次使用了類別的層級(jí)結(jié)構(gòu)評(píng)估CIFAR-10和ImageNet數(shù)據(jù)集。而設(shè)備不同的診斷需求(健康狀態(tài)、故障類型或損傷程度)可有效結(jié)合上述CNN提取特征的特點(diǎn)[19],在淺層輸出簡(jiǎn)單的診斷結(jié)果,在深層輸出更精確的結(jié)果,由此構(gòu)建分支CNN,實(shí)現(xiàn)故障的分級(jí)輸出。

2.1 B-1DCNN結(jié)構(gòu)

此處筆者提出一種B-1DCNN模型,其結(jié)構(gòu)如圖2所示。

圖2 B-1DCNN模型結(jié)構(gòu)

該模型共包含4個(gè)特征提取塊,每個(gè)特征提取塊由卷積層、批標(biāo)準(zhǔn)化層、激活層和池化層組成。

模型中,將一維信號(hào)直接作為輸入,在每個(gè)卷積層和池化層之間加BN層,加快模型訓(xùn)練速度,在特征提取塊2、3和4的最大池化層后增加分支輸出網(wǎng)絡(luò);每個(gè)分支輸出模塊由一個(gè)全連接層和Softmax輸出層組成,其中Softmax層的神經(jīng)元數(shù)量取決于每個(gè)層級(jí)的類別數(shù)量。

與經(jīng)典CNN模型結(jié)構(gòu)相比,該B-1DCNN模型可采用多分支輸出層,實(shí)現(xiàn)對(duì)設(shè)備故障的從粗略到精確的預(yù)測(cè)。其模塊化設(shè)計(jì)允許根據(jù)診斷需求劃分?jǐn)?shù)據(jù)集的層級(jí)結(jié)構(gòu),也可自由選擇CNN模型作為構(gòu)建塊。

2.2 損失函數(shù)定義

該B-1DCNN模型的損失函數(shù)是各分支損失值的加權(quán)和。其中,第i個(gè)樣本的總損失計(jì)算公式為:

(4)

損失權(quán)重的分布定義了層級(jí)網(wǎng)絡(luò)的特定層級(jí)對(duì)總損失函數(shù)的貢獻(xiàn),它表示每個(gè)層級(jí)的重要性,依據(jù)實(shí)際診斷任務(wù)進(jìn)行設(shè)定。

3 診斷框架

筆者提出了一種基于B-1DCNN模型的軸承故障診斷診斷流程,如圖3所示。

圖3 所提診斷方法框架

其具體步驟如下:

(1)數(shù)據(jù)采集。采集軸承或設(shè)備不同健康狀態(tài)下的一維振動(dòng)信號(hào);

(2)樣本集制作。在不進(jìn)行任何信號(hào)預(yù)處理和特征提取的情況下,直接將原始信號(hào)通過(guò)重疊采樣(數(shù)據(jù)增強(qiáng))的方式制作樣本集,并劃分訓(xùn)練集和測(cè)試集;

(3)模型訓(xùn)練。將訓(xùn)練樣本輸入B-1DCNN模型中,訓(xùn)練診斷模型;

(4)模型測(cè)試。利用測(cè)試樣本設(shè)計(jì)大量實(shí)驗(yàn)來(lái)驗(yàn)證所提方法的有效性;

(5)實(shí)際設(shè)備測(cè)試。借助測(cè)試后的模型框架,用以完成實(shí)際設(shè)備的診斷模型的訓(xùn)練和測(cè)試,根據(jù)現(xiàn)場(chǎng)環(huán)境不斷調(diào)整優(yōu)化,得到滿意模型,用以完成后續(xù)的診斷和決策過(guò)程。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 CWRU軸承數(shù)據(jù)分析

4.1.1 數(shù)據(jù)集描述

美國(guó)凱斯西儲(chǔ)大學(xué)(CWRU)軸承故障模擬實(shí)驗(yàn)臺(tái)[20]由電機(jī)、扭矩傳感器、加載電機(jī)等設(shè)備組成,如圖4所示。

圖4 CWRU軸承實(shí)驗(yàn)臺(tái)

以SKF 6205-2RS型深溝球軸承為例,筆者選用1 hp～3 hp負(fù)載工況下的驅(qū)動(dòng)端軸承數(shù)據(jù)進(jìn)行驗(yàn)證,使用電火花加工技術(shù)在滾動(dòng)軸承的內(nèi)圈(IF)、外圈(OF)和滾動(dòng)體(RF)上制造單點(diǎn)故障,故障直徑為0.18 mm、0.36 mm、0.53 mm 3種故障損傷程度;所有故障深度均為0.28 mm,包含正常狀態(tài)(N),共10種軸承狀態(tài)類型;使用加速度傳感器采集軸承振動(dòng)信號(hào),采樣頻率為12 kHz。

筆者根據(jù)軸承狀態(tài)、故障位置、損傷程度,將軸承故障分為3個(gè)層級(jí),并依次分為兩類、四類和十類。

類別描述如表1所示。

表1 CWRU軸承故障分級(jí)描述

筆者通過(guò)數(shù)據(jù)集增強(qiáng),以2 048為下采樣信號(hào)長(zhǎng)度,1 024為步長(zhǎng),截取原始振動(dòng)信號(hào)作為樣本。

樣本構(gòu)造如表2所示。

表2 CWRU軸承樣本構(gòu)造

4.1.2 B-1DCNN模型參數(shù)

基于構(gòu)建的訓(xùn)練集,筆者建立了用于軸承故障分級(jí)診斷的B-1DCNN模型,其詳細(xì)參數(shù)如表3所示。

表3 B-1DCNN模型參數(shù)

由于輸入樣本長(zhǎng)度較大,為2 048,筆者將第一層卷積選用寬卷積核(128*1),以消除高頻信號(hào)對(duì)特征提取的影響[21];其他卷積層內(nèi)核大小分別為16*1、16*1、

3*1,步幅都為1,激活函數(shù)都為ReLU;池化類型為最大池化層,寬度都為4*1,步幅分別為4、4、1、1;3個(gè)輸出層利用Softmax函數(shù)進(jìn)行預(yù)測(cè),Softmax層的神經(jīng)元數(shù)分別為2、4、10,相當(dāng)于3個(gè)層次上的故障類別數(shù)。

在設(shè)置權(quán)重分布時(shí),為在3個(gè)層次上都取得良好的診斷結(jié)果(而層次越高模型診斷越困難),筆者通過(guò)多次試驗(yàn)設(shè)定權(quán)重分布為[0.2,0.2,0.6],以保證第3層次得到更好的訓(xùn)練結(jié)果。

在訓(xùn)練過(guò)程中,筆者采用Adam優(yōu)化器,迭代次數(shù)設(shè)為120,批量大小(Batch Size)設(shè)為128;為避免測(cè)試結(jié)果的偶然性,每次測(cè)試結(jié)果均為10次測(cè)試結(jié)果的平均值。

4.1.3 同工況下模型識(shí)別結(jié)果

CWRU數(shù)據(jù)集A 3個(gè)層級(jí)模型訓(xùn)練與測(cè)試準(zhǔn)確率和誤差損失,如圖5所示。

圖5 數(shù)據(jù)集A上模型診斷曲線圖

在訓(xùn)練過(guò)程中,B-1DCNN模型在大約25輪迭代后3個(gè)層次的準(zhǔn)確率和誤差損失收斂,3個(gè)水平的準(zhǔn)確率均為100%。

3個(gè)層級(jí)測(cè)試集識(shí)別結(jié)果的混淆矩陣如圖6所示。

圖6 CWRU數(shù)據(jù)集A分類混淆矩陣

4.1.4 噪聲環(huán)境下模型性能分析

為檢驗(yàn)?zāi)Ｐ驮谠肼暛h(huán)境下的性能,筆者基于CWRU數(shù)據(jù)集A,用原訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練,測(cè)試樣本則加入0～8 dB高斯白噪聲。

樣本測(cè)試結(jié)果如表4所示。

表4 數(shù)據(jù)集A不同噪聲下模型識(shí)別準(zhǔn)確率(%)

表4中,當(dāng)信噪比為8 dB時(shí),3個(gè)層級(jí)故障診斷準(zhǔn)確率均達(dá)到100%,B-1DCNN在高信噪比噪聲干擾條件下具有良好的魯棒性。相比之下,當(dāng)信噪比為0 dB時(shí),第2級(jí)和第3級(jí)的精度出現(xiàn)明顯下降。

4.1.5 工況改變時(shí)模型性能分析

為驗(yàn)證模型對(duì)不同工況數(shù)據(jù)的自適應(yīng)性,筆者用一種負(fù)載下數(shù)據(jù)訓(xùn)練模型,用另一種負(fù)載下數(shù)據(jù)測(cè)試模型。

變工況下模型的識(shí)別結(jié)果如表5所示。

表5 CWRU數(shù)據(jù)集變工況下識(shí)別準(zhǔn)確率(%)

表5中,從簡(jiǎn)單到精確3個(gè)層級(jí)的平均準(zhǔn)確率分別為100%、99.15%、93.29%。該結(jié)果表明,B-1DCNN模型在變工況條件下表現(xiàn)出良好的自適應(yīng)性。

4.2 帶式輸送機(jī)托輥數(shù)據(jù)分析

在真實(shí)運(yùn)行環(huán)境中,礦山機(jī)械設(shè)備受到變工況運(yùn)行、潤(rùn)滑條件改變、溫度變化、粉塵污染等因素的影響,以及電磁干擾對(duì)數(shù)據(jù)采集器的影響。為此,筆者搭建了帶式輸送機(jī)托輥故障模擬平臺(tái),以進(jìn)一步驗(yàn)證該模型對(duì)真實(shí)設(shè)備的診斷效果。

4.2.1 數(shù)據(jù)集描述

帶式輸送機(jī)托輥故障模擬實(shí)驗(yàn)臺(tái)由帶式輸送機(jī)、各狀態(tài)類型托輥、數(shù)據(jù)采集系統(tǒng)等組成。

其實(shí)驗(yàn)臺(tái)結(jié)構(gòu)如圖7所示。

圖7 帶式輸送機(jī)托輥故障數(shù)據(jù)采集實(shí)驗(yàn)臺(tái)

帶式輸送機(jī)托輥及其安裝如圖8所示。

圖8 帶式輸送機(jī)托輥

圖8中,托輥直徑為89 mm,筒長(zhǎng)190 mm,托輥軸長(zhǎng)220 mm,內(nèi)部軸承型號(hào)為6204 RS。

在模擬托輥常見(jiàn)的4種故障類型中,托輥軸承內(nèi)圈和外圈采用線切割技術(shù)加工出故障;用異物(碎石、粉塵等)侵入軸承使托輥旋轉(zhuǎn)卡頓;托輥主軸偏心使托輥旋轉(zhuǎn)卡死。

帶式輸送機(jī)皮帶運(yùn)轉(zhuǎn)速度為1.0 m/s,相當(dāng)于正常托輥轉(zhuǎn)速為3.58 r/s。筆者使用加速度傳感器采集各狀態(tài)托輥的振動(dòng)信號(hào),采樣頻率為5 120 Hz,每組托輥采樣時(shí)間為22 s。

在實(shí)際使用托輥過(guò)程中,巡檢人員只需確認(rèn)托輥運(yùn)轉(zhuǎn)出現(xiàn)故障便會(huì)更換托輥,因此1級(jí)標(biāo)簽需診斷托輥是否正常。2級(jí)標(biāo)簽診斷托輥故障類型,可用于托輥組件的制造工藝的改良參考。

因此,此處筆者將托輥分為兩層級(jí)故障診斷。托輥的故障分級(jí)標(biāo)簽如表6所示。

表6 托輥故障分級(jí)描述

根據(jù)托輥轉(zhuǎn)速和采樣頻率,可以推斷每轉(zhuǎn)約采集1 432個(gè)采樣點(diǎn)。為了獲得完整準(zhǔn)確的托輥運(yùn)轉(zhuǎn)周期信息,筆者選取2 048個(gè)采樣點(diǎn)為樣本長(zhǎng)度,按7 ∶3隨機(jī)劃分訓(xùn)練集和測(cè)試集。

托輥的樣本構(gòu)造如表7所示。

表7 托輥樣本構(gòu)造

筆者在實(shí)驗(yàn)中采集了5種狀態(tài)類型托輥的時(shí)域波形,如圖9所示。

圖9 托輥5種狀態(tài)的振動(dòng)時(shí)域波形

由圖9可以看出,真實(shí)采集的振動(dòng)信號(hào)存在大量噪聲,周期性沖擊被淹沒(méi)。

4.2.2 實(shí)驗(yàn)結(jié)果分析

因?qū)蛹?jí)數(shù)量改變,筆者對(duì)上述B-1DCNN模型進(jìn)行修改,刪除特征提取塊4和分支輸出網(wǎng)絡(luò)3,將分支輸出網(wǎng)絡(luò)2的Softmax層神經(jīng)元個(gè)數(shù)改為5,損失權(quán)重設(shè)為[0.4,0.6],其他模型參數(shù)不變;并將樣本導(dǎo)入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

測(cè)試集識(shí)別結(jié)果的混淆矩陣如圖10所示。

圖10 托輥故障識(shí)別混淆矩陣

由圖10可知,在托輥的兩級(jí)故障診斷中,采用B-1DCNN獲得的診斷準(zhǔn)確率均達(dá)到了100%,證明了該模型有良好的自適應(yīng)性,具有一定的工程價(jià)值。

4.3 不同算法對(duì)比驗(yàn)證

為驗(yàn)證所提模型診斷效果的優(yōu)越性,筆者使用CWRU數(shù)據(jù)集A和托輥數(shù)據(jù)集,將軸承10分類和托輥5分類診斷結(jié)果,分別與SVM、BPNN的診斷結(jié)果進(jìn)行對(duì)比。

SVM采用遺傳算法(genetic algorithm, GA)優(yōu)化參數(shù),并提取樣本集的11個(gè)時(shí)域[7]、4個(gè)頻域特征(重心頻率、均方頻率、頻率方差、均方根頻率)和5個(gè)EMD(empirical mode decomposition)熵特征(前5個(gè)內(nèi)涵模態(tài)分量的能量熵)作為輸入。這些特征可以從多角度表征托輥狀態(tài)信息。

BPNN模型參數(shù)設(shè)置與所提B-1DCNN模型的分支輸出網(wǎng)絡(luò)3相同,并使用與SVM相同的輸入,訓(xùn)練迭代500輪。

筆者按7 ∶3劃分訓(xùn)練集和測(cè)試集,其診斷結(jié)果如表8所示。

表8 不同算法對(duì)托輥故障診斷結(jié)果

從表8可以看出:在兩種數(shù)據(jù)集上,B-1DCNN模型測(cè)試準(zhǔn)確率都高于SVM、BPNN,達(dá)到了100%;SVM和BPNN具有相近的測(cè)試準(zhǔn)確率,這是由于基于機(jī)器學(xué)習(xí)的分類方法的識(shí)別效果很大程度上依賴于特征的人為選取。

可見(jiàn),該模型能自動(dòng)進(jìn)行特征的提取和分類,在應(yīng)用流程和診斷性能上優(yōu)于SVM和BPNN模型。

5 結(jié)束語(yǔ)

針對(duì)機(jī)械裝備中軸承診斷需求不同,診斷效果易受噪聲和工況變化干擾等問(wèn)題,筆者提出了一種基于B-1DCNN模型的故障診斷方法,并且在兩種診斷任務(wù)下,采用上述故障診斷方法對(duì)軸承故障進(jìn)行了分級(jí)診斷。

研究結(jié)論如下:

(1)該故障分級(jí)診斷方法將分支輸出與經(jīng)典CNN模型融合,根據(jù)劃分的故障層級(jí),實(shí)現(xiàn)了對(duì)軸承故障從簡(jiǎn)單到精確的預(yù)測(cè);

(2)用CWRU軸承數(shù)據(jù)和帶式輸送機(jī)托輥故障數(shù)據(jù)進(jìn)行了驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,該分級(jí)診斷方法具有良好的抗噪性與變工況適應(yīng)性;

(3)與SVM和BPNN模型相比,基于B-1DCNN模型的故障診斷方法具有更高的故障識(shí)別準(zhǔn)確率。

在后續(xù)的研究工作中,筆者將采集真實(shí)礦井下運(yùn)轉(zhuǎn)的托輥故障振動(dòng)信號(hào),對(duì)模型的適用性做進(jìn)一步的驗(yàn)證,并且對(duì)模型進(jìn)行優(yōu)化。