璩晶磊,李長勝,梁 萍

(河南工學院 機械工程學院,河南 新鄉(xiāng) 453003)

0 引言

通過采集、分析和處理機械設備在運行過程中產(chǎn)生的大量狀態(tài)監(jiān)測數(shù)據(jù),判斷設備的運行狀態(tài),進而制定相應的設備預防性維護策略,對提高關鍵機械設備的安全性和可靠性、保障生產(chǎn)加工正常運轉(zhuǎn)具有十分重要的意義[1-2]。

軸承是機械裝備故障預測和健康管理的典型零部件,傳統(tǒng)針對軸承剩余使用壽命預測分析的方法主要是基于物理模型、統(tǒng)計分析和知識的方法,但是由于機械設備機構(gòu)日趨復雜,難以建立有效模型且歷史經(jīng)驗依賴性強,預測結(jié)果往往與設備實際運行狀況偏差較大[3]。隨著人工智能、大數(shù)據(jù)等技術(shù)的發(fā)展和應用,基于數(shù)據(jù)驅(qū)動的軸承剩余使用壽命預測已發(fā)展成為一個活躍的研究方向[4-6]。通過機器學習、深度學習等方法對設備歷史運行狀態(tài)數(shù)據(jù)進行特征提取建模分析,可實現(xiàn)對軸承剩余壽命較高精度的預測。文獻[7]提取振動信號的RRMS特征,基于BP神經(jīng)網(wǎng)絡進行電機軸承壽命預測;文獻[8]建立了一種基于軸承振動信號的18維退化特征指標,并使用深度學習方法進行預測;文獻[9]設計了一種基于自適應退化檢測和粒子群優(yōu)化粒子濾波算法的軸承壽命預測方法。

傳統(tǒng)的數(shù)據(jù)驅(qū)動的預測方法特征提取需要一定的經(jīng)驗與知識,由于現(xiàn)代機械設備復雜度高,數(shù)據(jù)維度大,提取不同的特征可能會導致預測差異較大。因此,為提高退化特征的相關性,降低預測誤差,提高模型預測效率,本文將深度神經(jīng)網(wǎng)絡(Deep Neural Networks, DNN)和決策樹(Decision Tree, DT)模型進行結(jié)合,提出了一種基于DNN-DT的軸承健康壽命協(xié)同預測方法。

1 軸承性能退化模型

在實際工程應用中,軸承退化性能過程比較復雜,難以依靠時域或頻域的某個單一特征進行準確表征。為準確定位軸承性能退化的起始點與失效點,克服不同特征參數(shù)間數(shù)值范圍影響,降低數(shù)據(jù)維度,提高算法效率,本文選擇圖1、圖2所示軸承水平方向和垂直方向振動信號時域特征、頻域特征中能夠明顯代表軸承健康運行狀態(tài)的參數(shù),分別為式(1)均方根、式(2)峰值因子、式(3)峭度因子和式(4)頻譜分區(qū)求和等特征參數(shù),采用最大最小歸一化方法進行特征值處理,見式(5),構(gòu)建了基于軸承振動信號的18維退化特征指標,見式(6)[8]。

圖1 軸承水平方向振動信號

圖2 軸承垂直方向振動信號

(1)

(2)

(3)

(4)

式(4)中,FSPS是一種由M個元素組成的一維頻域特征;m為FSPS特征組成元素編號,其中m=1,2,3,…,M;M為經(jīng)驗參數(shù),根據(jù)具體問題進行設置,本文取值為6;Nft為傅里葉變換后的頻域信號的頻譜長度;k為每個頻譜的譜線數(shù);s(k)為輸入信號的頻譜值。

(5)

(6)

2 基于DNN和DT的協(xié)同預測算法

DNN模型的網(wǎng)絡結(jié)構(gòu)如圖3所示,包括輸入層、n層隱藏層、輸出層,其中X表示m維輸入數(shù)據(jù),輸入層將數(shù)據(jù)傳遞至隱藏層1,通過激活函數(shù)進行線性變換,并將變換結(jié)果傳遞至隱藏層2,反復運行至輸出層得到輸出結(jié)果y。DNN網(wǎng)絡層數(shù)根據(jù)應用場景不同,最高可至20層及以上。

圖3 深度神經(jīng)網(wǎng)絡模型

從圖4可知,當學習率趨近于最大值時,損失值發(fā)生震蕩,模型不收斂;當學習率趨近于最小值時,模型收斂得極慢,在訓練800代后才趨于收斂;當采用學習率衰減機制時,模型很快就趨于收斂,訓練500代左右后就得到了穩(wěn)定的損失值。為避免DNN網(wǎng)絡訓練過程中出現(xiàn)過擬合現(xiàn)象,同時提升訓練效率,在DNN訓練時對Adam優(yōu)化函數(shù)進行優(yōu)化,并采用學習率衰減機制訓練每一個DNN網(wǎng)絡模型。在DNN模型訓練初期學習率值較大,損失函數(shù)迅速減少;訓練后期使得學習率較小,可以保證模型收斂。其計算公式如下:

圖4 學習率與DNN模型收斂速度、損失值的關系

(7)

其中,lrmax和lrmin分別表示最大學習率和最小學習率,itr表示DNN模型迭代訓練次數(shù),decay表示學習率衰減率。

為有效結(jié)合DNN的特征學習能力和DT的特征組合、泛化能力,本文提出基于DNN-DT的協(xié)同預測模型流程圖見圖5。具體步驟為:

圖5 基于DNN-DT的協(xié)同預測模型流程圖

(1)數(shù)據(jù)預處理:先對滾動軸承原始振動信號進行預處理,選取時域特征、頻域特征中能夠明顯代表軸承健康運行狀態(tài)的參數(shù)構(gòu)建退化特征,采用最大最小歸一化方法進行特征值處理。

(2)深層特征增強:將歸一化后的特征信號作為DNN的輸入,利用其自我學習能力對輸入信號進行深層特征提取增強,主要包括預訓練和模型優(yōu)化兩個階段。首先通過預訓練優(yōu)化網(wǎng)絡參數(shù),然后通過反向傳播和Adam優(yōu)化函數(shù)對參數(shù)進行優(yōu)化,并應用Dropout技術(shù)防止過擬合,從而得到最優(yōu)的網(wǎng)絡模型,最終提取增強的退化特征,并劃分訓練集和測試集。

(3)壽命預測:以訓練集特征作為DT的輸入,設置相關的參數(shù),進行迭代運算,輸出軸承剩余使用壽命預測值。

(4)測試集驗證:將測試集特征輸入訓練好的DT預測模型中,得到對應的軸承壽命預測結(jié)果。

3 實驗驗證與分析

3.1 實驗環(huán)境及數(shù)據(jù)樣本

進行實驗以驗證本文提出方法的有效性以及優(yōu)越性。實驗數(shù)據(jù)來源于FEMTO-ST Institute提供的軸承全生命周期的數(shù)據(jù)集,該數(shù)據(jù)集由PRONOSTIA實驗平臺獲取,實驗臺基本結(jié)構(gòu)如圖6所示[9]。實驗平臺為:Windows10/Visual Studio 2019/TensorFlow-GPU/Anaconda3;計算機配置為:Intel (R) Core (TM) i7-9750H CPU@2.60GHz, 16.00GB RAM, 64位操作系統(tǒng)。設計了基于Python的仿真程序,采用10折交叉驗證法進行驗證,并與與梯度提升決策樹(Gradient Boosting Decision Tree, GBDT)、DNN、支持向量回歸(Support Vector Regression,SVR)、隨機深林(Random Forests, RF)、DT等模型進行對比。

圖6 實驗臺結(jié)構(gòu)情況

3.2 實驗參數(shù)設置

深度神經(jīng)網(wǎng)絡的結(jié)構(gòu)設計對其性能有較大影響,過多的隱層和隱單元可以改善預測結(jié)果,但也會使模型過于復雜,導致計算量增加。為提高上述18維退化特征的相關性,本文構(gòu)建全連接深度神經(jīng)網(wǎng)絡,以軸承退化特征為輸入數(shù)據(jù);全連接10個隱藏層,隱藏層神經(jīng)元數(shù)量分別設置為500,300,200,150,100,80,50,30,18,1;訓練18000次輸出結(jié)果生成DNN先驗模型特征。選擇均方誤差(MSE)作為損失函數(shù)來衡量標簽值和CNN網(wǎng)絡預測值之間的誤差。采用Adam優(yōu)化函數(shù)進行權(quán)重和偏置的更新。同時,采用學習率衰減機制進行迭代訓練,其中,最小學習率lrmin=0.001,最大學習率lrmax=0.01,學習率衰減率設置為decay=5000,每個CNN模型進行10000次的訓練。

3.3 模型性能評價

為進行設計方法性能評價,選取均方根誤差(Root Mean Squared Error, RMSE)、平均絕對誤差(Mean Absolute Error, MAE)、均方誤差(Mean Square Error, MSE)作為預測性能評估指標,見式(8)—(10)。

(8)

(9)

(10)

3.4 實驗結(jié)果分析

針對測試數(shù)據(jù)集,采取上文設計基于DNN-DT的軸承剩余使用壽命協(xié)同預測方法對測試集中的4個軸承剩余使用壽命進行預測,預測結(jié)果如圖7所示。

其中,橫坐標表示采樣的軸承數(shù)據(jù)點,縱坐標表示軸承標準化剩余壽命,采用“實線”表示軸承真實壽命值,“點”表示剩余使用壽命預測值。由圖7軸承剩余使用壽命預測結(jié)果可得,本文方法預測值與真實壽命值擬合效果較好。

為對上述結(jié)果進行量化分析,選擇RMSE、MAE、MSE作為評價指標對本文方法進行評價,并與DNN、GBDT、SVR、RF、DT等5種方法進行對比,評價對比值見表1。

表1 預測結(jié)果評價對比值

由表1中6種方法預測結(jié)果評價對比值可以得出,本文所提的DNN-DT預測方法在評級指標RMSE、MAE、MSE上均優(yōu)于DNN、GBDT、SVR、RF、DT方法的預測結(jié)果,表明本文方法有利于預測準確度的提升。本文所提方法有效利用了DNN基于數(shù)據(jù)的強大特征學習能力和DT特征分類的優(yōu)勢,首先利用DNN對軸承振動信號進行無監(jiān)督特征自適應提取,得到能夠表征軸承退化趨勢的深層特征,再結(jié)合DT進行特征分類和回歸預測,有效提升了預測精度,使得結(jié)果更加貼近實際。

4 結(jié)論

本文利用軸承全生命周期數(shù)據(jù),對軸承退化性能指標進行了分析,建立了基于DNN-DT的軸承剩余使用壽命協(xié)同預測方法,實驗結(jié)果證明了該方法的準確性和實用性,具體如下:

(1)針對軸承退化性能難以依靠單一特征進行準確表征的問題,以軸承全生命周期振動信號的時域和頻域特征中均方根、峰值因子、峭度因子和頻譜分區(qū)求和等能夠明顯代表軸承健康運行狀態(tài)的參數(shù),構(gòu)建了基于軸承振動信號的18維退化特征指標,用于軸承剩余使用壽命預測。

(2)提出了集成DNN和DT的回歸預測方法進行軸承剩余使用壽命預測。其中DNN對軸承振動信號進行無監(jiān)督特征自適應提取,得到能夠表征軸承退化趨勢的深層特征;DT進行特征分類和回歸預測。該方法在軸承全生命周期的數(shù)據(jù)集上進行驗證,評價指標均優(yōu)于對比算法,驗證了基于DNN-DT的軸承剩余使用壽命協(xié)同預測方法的有效性。