趙朋飛，徐彥偉,2，頡潭成,2*，李 琛

（1.河南科技大學(xué) 機(jī)電工程學(xué)院，洛陽 471003；2.智能數(shù)控裝備河南省工程實(shí)驗(yàn)室，洛陽 471003）

0 引言

隨著服役時(shí)間的不斷增加，機(jī)械設(shè)備性能逐漸衰退，剩余壽命逐步縮短，設(shè)備中任何一個(gè)關(guān)鍵部件失效，均易造成惡性事故，導(dǎo)致經(jīng)濟(jì)損失，甚至人員傷亡[1]。軸承作為機(jī)械設(shè)備零部件的一種，研究其壽命退化趨勢并對軸承剩余使用壽命（Remaining useful life，RUL）做精準(zhǔn)預(yù)測，能為機(jī)械設(shè)備的預(yù)測性維護(hù)提供指導(dǎo)[2]。

近年來，軸承的剩余壽命預(yù)測已成為國內(nèi)外學(xué)者研究的熱點(diǎn)[3]，張成龍、劉小勇、武千惠[4～6]等在軸承壽命預(yù)測方向獲得了不錯(cuò)的成果，但他們將單一特征值輸入到模型中進(jìn)行訓(xùn)練，提取到的軸承壽命信息有限，沒考慮采用多特征值進(jìn)行信息融合，使用多特征值信息融合技術(shù)可以提高預(yù)測的精度。隨著信息融合技術(shù)的發(fā)展，越來越多學(xué)者加入其中進(jìn)行研究，楊彥宇、王付廣、蒙志強(qiáng)[7～9]等使用信息融合技術(shù)在軸承剩余壽命預(yù)測方向的研究得到不錯(cuò)的成果，并在信息融合技術(shù)上提供有益的借鑒，但他們采用了單一類傳感器，采集到的信息不能全面反映軸承壽命信息，會(huì)影響對軸承壽命的預(yù)測。

基于此，本文提出了一種基于多信息融合與卷積神經(jīng)網(wǎng)絡(luò)的軸承剩余壽命預(yù)測的方法。首先，使用振動(dòng)傳感器與聲發(fā)射傳感器在軸承疲勞試驗(yàn)臺(tái)上采集軸承壽命信號(hào)；其次，使用小波包分解[10]對采集到的原始信號(hào)進(jìn)行降噪并提取多特征值，在此基礎(chǔ)上對多特征值進(jìn)行歸一化處理并分析軸承退化趨勢；最后，將處理好的多特征值進(jìn)行融合，并輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練來預(yù)測軸承的剩余使用壽命。

1 信號(hào)預(yù)處理與退化指標(biāo)選取

1.1 信號(hào)采集和預(yù)處理

本文確定研究軸承的型號(hào)為NU216，它作為地鐵牽引電機(jī)軸承，對地鐵安全運(yùn)行起著至關(guān)重要的作用，所以預(yù)測該軸承的剩余使用壽命顯得尤其重要。為了減少試驗(yàn)周期，模擬軸承實(shí)際運(yùn)行中產(chǎn)生的早期缺陷，采用大族YLP-MDF-152型三維激光儀在滾動(dòng)體上進(jìn)行缺陷預(yù)制，缺陷預(yù)制過程當(dāng)中使用30%的激光能量，預(yù)制點(diǎn)蝕直徑為20μm，裂紋寬度為15μm的早期故障缺陷，在此基礎(chǔ)上探究其剩余壽命，進(jìn)行剩余壽命試驗(yàn)，所選用的試驗(yàn)臺(tái)為T40～120，位于智能數(shù)控裝備河南省工程實(shí)驗(yàn)室，該試驗(yàn)臺(tái)由液壓系統(tǒng)（提供加載、冷卻和潤滑）、溫度測量系統(tǒng)、壓力測量系統(tǒng)和數(shù)據(jù)采集系統(tǒng)等組成。在數(shù)據(jù)采集系統(tǒng)中傳感器有聲發(fā)射傳感器（型號(hào)為R50S-TC，測量范圍50KHZ-700KHZ，最高采樣頻率為10M/S）和振動(dòng)傳感器（型號(hào)為LC0151T，量程為33g、靈敏度為150mv/g）。該試驗(yàn)臺(tái)如圖1所示。

圖1 軸承疲勞壽命試驗(yàn)臺(tái)

試驗(yàn)按照GB/T24607-2009國家試驗(yàn)標(biāo)準(zhǔn)進(jìn)行，在徑向當(dāng)量動(dòng)載荷為40kN，轉(zhuǎn)速為2400r/min的工況下對軸承進(jìn)行120小時(shí)的疲勞壽命強(qiáng)化試驗(yàn)。每10min采集一次軸承狀態(tài)數(shù)據(jù)，試驗(yàn)完成后共采集到720組軸承性能衰退試驗(yàn)數(shù)據(jù)。在采集到的原始信號(hào)中包含著大量的噪音，為了對原始信號(hào)進(jìn)行濾波降噪處理，本文對原始信號(hào)進(jìn)行小波包分解。小波包分解是一種更為細(xì)致的時(shí)頻域分析方法，對原始信號(hào)的高頻和低頻同時(shí)進(jìn)行多層分解，保證了信號(hào)在不同頻段都有較高的分辨率，極大提高了信號(hào)分析能力[11]。

使用小波包分解對信號(hào)進(jìn)行n次分解，每一次分解都會(huì)對上一次分解得到的信號(hào)進(jìn)行高頻與低頻信號(hào)的分解，分解之后的信號(hào)在不失真的同時(shí)也保留軸承壽命信息。假設(shè)從單個(gè)傳感器提取得到的特征向量為Zi(i=1，2，…，k)，故多傳感器綜合得到的特征向量為W×Zi，其中Zi的展開式如式(1)所示：

其中，W為傳感器個(gè)數(shù)，k表示提取的特征值個(gè)數(shù)，m表示樣本的個(gè)數(shù)。本文選用db4小波基函數(shù)，并對原始信號(hào)進(jìn)行八次小波包分解，對得到的各個(gè)頻率段進(jìn)行多特征值的提取。

1.2 軸承剩余壽命退化指標(biāo)選取

提取性能衰退敏感的特征對準(zhǔn)確預(yù)測軸承剩余壽命尤為重要[12]，對原始信號(hào)進(jìn)行小波包分解之后，需要對得到的高低頻信號(hào)進(jìn)行特征值提取。本文采用傅里葉變換對原始信號(hào)進(jìn)行頻域分析，用小波包分解對原始信號(hào)進(jìn)行處理，以此來提取時(shí)域信號(hào)的特征值。時(shí)域特征分為有量綱和無量綱，其中有量綱的時(shí)域特征有標(biāo)準(zhǔn)差（SD）、均方根值（Root mean square，RMS）等，無量綱的時(shí)域特征有峭度（Kr）、裕度（C）等。它們的公式如下：

根據(jù)上面的公式計(jì)算得到標(biāo)準(zhǔn)差、均方根值、峭度和裕度，部分計(jì)算結(jié)果如表1、表2所示。

表1 振動(dòng)傳感器采集軸承壽命的特征值

表2 聲發(fā)射傳感器采集軸承壽命的特征值

從上述表1、表2中可以看出同一傳感器在不同特征值之間由于數(shù)值的量級(jí)不同不能直接進(jìn)行融合；同時(shí)同一特征值在不同傳感器之間數(shù)值單位也不一樣，也不能直接進(jìn)行融合，因此需要我們進(jìn)行歸一化處理把它們映射到同一區(qū)間，在同一區(qū)間內(nèi)進(jìn)行融合。

2 信息融合與模型搭建

2.1 特征值的融合

在工程實(shí)踐中，滾動(dòng)軸承往往通過振動(dòng)信號(hào)來反映其壽命衰退過程，從而進(jìn)行壽命狀態(tài)識(shí)別和壽命評估[13]，但為了應(yīng)對單一類傳感器帶來的不足，本次試驗(yàn)采用振動(dòng)和聲發(fā)射傳感器對軸承壽命信息進(jìn)行采集，對采集到的信號(hào)進(jìn)行預(yù)處理、特征值提取之后不能直接進(jìn)行融合，因?yàn)椴煌瑐鞲衅鞑杉降臄?shù)據(jù)的物理意義不一樣，需要進(jìn)行歸一化處理。

歸一化是指從一個(gè)區(qū)間映射到另外一個(gè)區(qū)間，假設(shè)我們提取的原特征值區(qū)間為(X1，X2)，歸一化之后的區(qū)間為(Y1，Y2)，設(shè)歸一化之前數(shù)據(jù)為G，歸一化之后的數(shù)據(jù)為H，那么G與H之間存在的映射關(guān)系為：

這個(gè)映射關(guān)系為線性關(guān)系，經(jīng)推導(dǎo)可得：

信息融合技術(shù)是以歸一化為前提，具有多傳感器測量結(jié)果互補(bǔ)的特點(diǎn)，信息融合可對其參數(shù)重要程度進(jìn)行評估和決策[14]，信息融合按照融合的方式分為數(shù)據(jù)層融合、特征層融合和決策層融合三種，數(shù)據(jù)層融合屬于最原始的融合[15]，丟失的信息最少，但是由于聲發(fā)射傳感器和振動(dòng)傳感器存在探測技術(shù)的差別，因此不采用數(shù)據(jù)層融合，特征層融合屬于把提取到的特征值進(jìn)行融合，雖然丟失了部分信息但是可以通過歸一化處理，來消除傳感器之間的差別進(jìn)行融合，而決策層融合會(huì)丟失大量的信息，所以本次實(shí)驗(yàn)采用特征層融合。

將采集得到軸承壽命信息進(jìn)行特征值提取，從表2可知提取得到的特征值不能直接進(jìn)行融合，需要進(jìn)行歸一化處理，然后進(jìn)行特征值融合。將融合好的720組數(shù)據(jù)，抽取其中120組作為測試組，剩余的600組作為訓(xùn)練組，并把測試組與訓(xùn)練組劃分5個(gè)階段，將劃分好的測試組與訓(xùn)練組進(jìn)行打標(biāo)處理，并輸入到搭建好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

2.2 基于多信息融合與CNN的軸承剩余壽命預(yù)測模型

卷積神經(jīng)網(wǎng)絡(luò)是由多層網(wǎng)絡(luò)構(gòu)成的前饋神經(jīng)網(wǎng)絡(luò)，借鑒于LeNet-5結(jié)構(gòu)，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，初步確定卷積核大小為3×3，隨后選擇激活函數(shù)，卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)有Sigmoid、tanh和relu等，激活函數(shù)初步選擇relu，在卷積層進(jìn)行特征信息提取然后傳遞給池化層之后，池化層進(jìn)行特征選擇和信息過濾，初步確定池化矩陣為2×2，需要全連接層對提取的特征進(jìn)行非線性組合以得到輸出，輸出層選擇Softmax分類函數(shù)進(jìn)行分類。其卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

在歸一化之后，需要訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，將歸一化處理過的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，并對卷積神經(jīng)網(wǎng)絡(luò)模型中的卷積層與池化層的層數(shù)進(jìn)行調(diào)整，最終確定為兩個(gè)卷積層-池化層，全連接層為2層，其中卷積核大小為3×3，其滑動(dòng)步長設(shè)置為1，池化矩陣為2×2，池化層的池化矩陣的移動(dòng)步長為2，第一層激活函數(shù)為relu，第二層激活函數(shù)為tanh，使模型達(dá)到最佳狀態(tài)訓(xùn)練次數(shù)（Epochs）為100。流程圖如圖3所示：

圖3 模型搭建流程圖

在上述工作完成之后，將各個(gè)傳感器得到的歸一化的特征值輸入到調(diào)試好的神經(jīng)網(wǎng)絡(luò)中得到的識(shí)別率如表3所示。

表3 各歸一化的特征值識(shí)別率

從表3來看，不同特征值識(shí)別率不盡相同。其中均方根值的識(shí)別率最好，說明均方根提取到軸承壽命信息最多，標(biāo)準(zhǔn)差、峭度、裕度依次降低，說明它們提取到軸承壽命信息依次減少。通過表3可以看出將處理好的特征值進(jìn)行融合，就單一傳感器來說，不同特征值之間融合能提高預(yù)測剩余壽命的準(zhǔn)確率，表明不同特征值提取到軸承壽命信息有共性也有差異。通過不同傳感器之間的融合，可以看出預(yù)測軸承剩余壽命的準(zhǔn)確率也得到了提高，說明不同傳感器之間可以通過互補(bǔ)來提高軸承剩余壽命預(yù)測的準(zhǔn)確率。

3 數(shù)據(jù)的分析

通過對歸一化后的特征值進(jìn)行分析，得到軸承壽命趨勢如圖4、圖5所示：

圖4 振動(dòng)傳感器采集的軸承壽命曲線圖

圖5 聲發(fā)射傳感器采集的軸承壽命曲線圖

從圖4中可以看出除了峭度指標(biāo)的趨勢向下，其他指標(biāo)的趨勢都是向上，這表明峭度指標(biāo)提取到軸承壽命信息最少，而均方根與標(biāo)準(zhǔn)差這兩個(gè)指標(biāo)提取到的軸承壽命信息比裕度多。圖5為聲發(fā)射傳感器采集到的軸承壽命趨勢圖，從圖5中可以驗(yàn)證上述的結(jié)論。

從圖4、圖5中可以直觀看出，隨著軸承運(yùn)行時(shí)間的增加，軸承的壽命指標(biāo)越來越大。通過分析可以得到無量綱的峭度、裕度作為軸承壽命指標(biāo)不如有量綱的均方根與標(biāo)準(zhǔn)差。綜合兩種傳感器來看，振動(dòng)傳感器在均方根與標(biāo)準(zhǔn)差方面比聲發(fā)射傳感器好，聲發(fā)射傳感器在裕度和峭度方面比振動(dòng)傳感器好。

從圖4、圖5中可以看到都是同一軸承壽命指標(biāo)，上下波動(dòng)量不同。為探究上下波動(dòng)量對準(zhǔn)確率的影響，以均方根為例，將從兩種傳感器得到的均方根輸入到卷積神經(jīng)網(wǎng)絡(luò)中得到各個(gè)階段的準(zhǔn)確率的色階圖，如圖6所示：

圖6 均方根值識(shí)別率的色階圖

上述圖中A、B、C、D、E代表軸承壽命的五個(gè)階段，A代表第一階段、B代表第二階段、C代表第三階段、D代表第四階段、E代表第五階段。本實(shí)驗(yàn)是在發(fā)現(xiàn)軸承出現(xiàn)早期缺陷之后進(jìn)行的試驗(yàn)，第一階段為軸承早期缺陷，第五階段為軸承壽命采集最后的階段。總共采集了720組數(shù)據(jù)，把采集到的數(shù)據(jù)分為測試集與訓(xùn)練集，其中測試樣本為120組，訓(xùn)練樣本為600組。在訓(xùn)練過程中對每一組的測試樣本，神經(jīng)網(wǎng)絡(luò)都會(huì)輸出這五個(gè)階段的概率值，120組的測試樣本輸出120×5個(gè)概率值，將120組每兩組求一個(gè)平均值作為新的概率值，將得到新的概率值制作成圖6色階圖，在該色階圖中顏色越深代表著概率越高。

從圖6中我們可以看到振動(dòng)傳感器在第一階段、第二階段表現(xiàn)得不如聲發(fā)射傳感器，但在其他階段比聲發(fā)射傳感器好，這表明將這兩種傳感器得到信息進(jìn)行融合有利于提高軸承剩余壽命預(yù)測的準(zhǔn)確率。同時(shí)在圖6中我們可以看出兩個(gè)相鄰階段的準(zhǔn)確率比階段中間部分要低。

以均方根值為例，從圖4、圖5與圖6中可以得到，在第一階段聲發(fā)射傳感器采集到的壽命曲線的波動(dòng)量比振動(dòng)傳感器的小，此時(shí)我們看到聲發(fā)射傳感器在第一階段準(zhǔn)確率高。對比其他階段可以發(fā)現(xiàn)軸承的壽命曲線的波動(dòng)量越小，軸承壽命所處階段的準(zhǔn)確率越高。整體來看振動(dòng)傳感器采集到的軸承壽命曲線波動(dòng)量比聲發(fā)射傳感器的小，因此振動(dòng)傳感器在軸承壽命預(yù)測方面比聲發(fā)射傳感器更好。

4 結(jié)語

本文研究了深度學(xué)習(xí)與信息融合技術(shù)在地鐵牽引電機(jī)軸承剩余壽命方面的預(yù)測，試驗(yàn)結(jié)果表明：

1）針對采集軸承壽命信號(hào)進(jìn)行小波包分解并提取特征值進(jìn)行歸一化，發(fā)現(xiàn)振動(dòng)傳感器在有量綱方面表現(xiàn)的比聲發(fā)射傳感器好，而聲發(fā)射傳感器在無量綱方面表現(xiàn)要比振動(dòng)傳感器好。

2）經(jīng)過對比可以得出，振動(dòng)傳感器在軸承壽命曲線上波動(dòng)比聲發(fā)射傳感器小，同時(shí)采用兩種類型傳感器要比采用單一類型傳感器識(shí)別率高。

3）通過使用特征層融合實(shí)現(xiàn)了不同類型傳感器信息融合并且結(jié)合卷積神經(jīng)網(wǎng)絡(luò)能有效預(yù)測軸承剩余壽命。