原棟文，王永超，劉 浩，易頂珍，宋志軍，畢文陽

(1.中國石化集團(tuán)金陵石化有限公司，江蘇 南京 210033；2.北京博華信智科技股份有限公司，北京 100029)

1 引言

近年來，基于深度學(xué)習(xí)的機(jī)械設(shè)備故障診斷方法逐漸成為故障診斷領(lǐng)域的研究熱點。相較于依賴故障診斷專業(yè)知識及人工經(jīng)驗的傳統(tǒng)診斷方法，基于深度學(xué)習(xí)的診斷模型可自動地從復(fù)雜數(shù)據(jù)中挖掘故障特征，將數(shù)據(jù)處理、特征提取、特征選擇與診斷分類流程打通，擺脫了對故障診斷專家人工經(jīng)驗的依賴[1]。

在設(shè)備故障監(jiān)測診斷領(lǐng)域，雷亞國等[2]利用堆疊自編碼器處理行星齒輪故障數(shù)據(jù)，自適應(yīng)地提取了故障狀態(tài)下的敏感特征；丁家滿等[3]提出一種基于深度森林的診斷模型，以多組簡單工況下的軸承實驗數(shù)據(jù)訓(xùn)練構(gòu)建深度森林模型，在分析超參數(shù)對模型影響的基礎(chǔ)上確定了診斷模型的關(guān)鍵參數(shù)，解決了深度神經(jīng)網(wǎng)絡(luò)復(fù)雜調(diào)參的問題；徐卓飛等[4]針對滾動軸承故障診斷中依賴特征集選取這一問題，提出了基于深度殘差網(wǎng)絡(luò)的故障診斷方法，憑借深度學(xué)習(xí)的自主學(xué)習(xí)及強(qiáng)泛化能力以實現(xiàn)故障特征的自我獲取和訓(xùn)練；趙敬嬌等[5]等提出一種基于殘差連接的一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)的深層軸承故障診斷模型，將原始軸承振動信號輸入網(wǎng)絡(luò)中，利用具有殘差連接的多個一維卷積層自動提取特征；王曉玉等[6]提出了一種新的數(shù)據(jù)增強(qiáng)的堆疊自編碼器(DESAE)框架，采用SAE生成模擬信號，對不充足的訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)，利用軸承數(shù)據(jù)集驗證了該方法的有效性；汪欣等[7]針對電機(jī)故障診斷問題，設(shè)計一種新型的一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(1D-CNN)，提出一種基于聲信號和1DCNN的電機(jī)故障診斷方法。

可看出，現(xiàn)有研究多針對旋轉(zhuǎn)機(jī)械軸承、齒輪等部件開展基于深度學(xué)習(xí)的故障診斷方法研究，對往復(fù)機(jī)械的研究則相對較少。張利軍等[8]采用多進(jìn)程加載數(shù)據(jù)，以殘差網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò)框架進(jìn)行深度和寬度的縮減，自動處理往復(fù)壓縮機(jī)振動信號時頻圖像并進(jìn)行敏感特征深度挖掘和評估；Liu Yang等[9]針對堆棧降噪自編碼的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、節(jié)點數(shù)較多的特點，提出遺傳算法優(yōu)化的深度堆棧降噪自編碼模型，并應(yīng)用到往復(fù)壓縮機(jī)故障診斷中。上述模型圍繞振動信號開展研究，對往復(fù)壓縮機(jī)多源信號監(jiān)測特點關(guān)注較少，不利于故障綜合診斷。

本文針對現(xiàn)有深度學(xué)習(xí)故障診斷模型存在的結(jié)構(gòu)層數(shù)增加導(dǎo)致訓(xùn)練困難，以及對多源參數(shù)綜合處理能力關(guān)注較少的問題，提出一種基于多通道殘差網(wǎng)絡(luò)的往復(fù)壓縮機(jī)故障診斷模型，設(shè)計了多次卷積層、池化層、批歸一化層、激活層以及全連接層，實現(xiàn)了對往復(fù)壓縮機(jī)振動、位移、溫度等多源數(shù)據(jù)的特征自動提取與融合處理，并通過殘差學(xué)習(xí)解決模型深度增加性能退化的問題。應(yīng)用實際往復(fù)壓縮機(jī)故障案例數(shù)據(jù)進(jìn)行測試驗證，取得了良好的診斷效果。

2 基于多通道殘差網(wǎng)絡(luò)的診斷模型

在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上采用殘差學(xué)習(xí)和多通道融合機(jī)制，構(gòu)建了基于多通道殘差神經(jīng)網(wǎng)絡(luò)的往復(fù)壓縮機(jī)故障診斷模型，可用圖1表示。

圖1 基于多通道殘差神經(jīng)網(wǎng)絡(luò)的故障診斷模型

2.1 數(shù)據(jù)處理與特征提取層

本文構(gòu)建的殘差學(xué)習(xí)模塊由卷積層、批處理歸一化層和非線性激活函數(shù)層等組成，如圖2所示。假設(shè)殘差學(xué)習(xí)模塊的輸入為x，則輸出H(x)可表示為如下數(shù)學(xué)計算公式

圖2 本文構(gòu)建的殘差學(xué)習(xí)模塊

H(x)=F(x，{wi})+x

(1)

其中，F(xiàn)(x，{wi})為殘差函數(shù)，F(xiàn)(x，{wi})

=H(x)-x，{wi}為殘差函數(shù)對應(yīng)的權(quán)重參數(shù)。操作F(x，{wi})+x通過快捷連接和元素遞增來執(zhí)行。需要注意的是，x和F(x，{wi})的維數(shù)必須相同。當(dāng)它們的維數(shù)不匹配時，可以用x的線性映射來相加，例如，可以通過卷積和池化等操作來改變x的維數(shù)。

該殘差學(xué)習(xí)模塊有個分支：一個是殘差函數(shù)F(x，{wi})，也被稱為主路徑；另一個是輸入x的恒等映射，也被稱為快捷連接。這2個分支相加即形成殘差學(xué)習(xí)模塊的輸出。由多個殘差學(xué)習(xí)模塊組成的結(jié)構(gòu)稱為殘差神經(jīng)網(wǎng)絡(luò)，這個深度學(xué)習(xí)網(wǎng)絡(luò)通過“快捷連接”(跳過一個或多個層的連接，其中所有快捷連接被恒等映射，其輸出被添加到堆疊層的輸出)來實現(xiàn)。

2.2 多通道融合層

多通道融合層的原理為：每個通道對輸入數(shù)據(jù)進(jìn)行卷積和池化等運算，計算出若干個特征映射。多個通道設(shè)置在相同的網(wǎng)絡(luò)結(jié)構(gòu)上，卷積核的數(shù)量、大小、步長以及激活函數(shù)等都是相同的。在每個通道的末端，將提取的特征映射擴(kuò)展為一維特征向量，即Flatten層。融合層將多個通道的一維特征向量進(jìn)行融合。將特征向量表示為m1，m2，…，mn，其中，m1，m2，…，mn維數(shù)相等，可以得到融合的特征向量z

z=w1·m1+w2·m2+…+wn·mn

(2)

其中，w1，w2，…，wn分別為訓(xùn)練過程中學(xué)習(xí)到的特征向量m1，m2，…，mn的融合權(quán)值。融合權(quán)值的維數(shù)與特征向量的維數(shù)一致。這些權(quán)值可以確定特征向量之間的關(guān)系，有利于提取耦合特征。在融合層之后，設(shè)置全連接層對提取到的耦合特征進(jìn)行分類，第一個全連接層的神經(jīng)元個數(shù)可以自定義，最后一個全連接層的神經(jīng)元數(shù)量對應(yīng)分類任務(wù)的類別數(shù)。

2.3 診斷流程

基于多通道殘差神經(jīng)網(wǎng)絡(luò)的故障診斷流程如圖3所示。

圖3 基于多通道殘差神經(jīng)網(wǎng)絡(luò)的故障診斷流程圖

首先，通過傳感器采集原始機(jī)械振動信號，并準(zhǔn)備訓(xùn)練樣本、驗證樣本和測試樣本。其中，訓(xùn)練和測試樣本為實驗數(shù)據(jù)和機(jī)組歷史運行數(shù)據(jù)，測試數(shù)據(jù)為機(jī)組實際運行數(shù)據(jù)。每次迭代訓(xùn)練時隨機(jī)從訓(xùn)練集中取出20%作為驗證集，驗證集不參與訓(xùn)練。原始振動數(shù)據(jù)直接用作模型輸入，不需要人工提取的信號處理特征。

接著，根據(jù)故障診斷問題和采集到的數(shù)據(jù)，確定神經(jīng)網(wǎng)絡(luò)的配置，包括殘差學(xué)習(xí)模塊個數(shù)、卷積核個數(shù)和長度，以及訓(xùn)練超參數(shù)設(shè)置等。振動信號的特征通過卷積層和殘差學(xué)習(xí)模塊來提取。在網(wǎng)絡(luò)的末端，使用SoftMax從深層網(wǎng)絡(luò)學(xué)習(xí)的高級特征來對機(jī)械健康狀態(tài)進(jìn)行分類。反向傳播算法用于更新網(wǎng)絡(luò)中的權(quán)重，使用Adam優(yōu)化方法訓(xùn)練并選定相應(yīng)的評價標(biāo)準(zhǔn)，包括準(zhǔn)確率和損失函數(shù)值等。

最后，當(dāng)訓(xùn)練過程結(jié)束時，保存在驗證集上效果最好的模型，將測試樣本將輸入進(jìn)該模型，獲得對故障測試集的診斷結(jié)果。

3 往復(fù)壓縮機(jī)典型故障案例應(yīng)用

3.1 案例數(shù)據(jù)

從往復(fù)壓縮機(jī)實驗數(shù)據(jù)和工程實際機(jī)組歷史故障數(shù)據(jù)中選擇連桿螺栓斷裂故障樣本350個、拉缸故障樣本350個、氣閥閥片斷裂故障樣本400個、活塞桿斷裂故障樣本100個和正常樣本800個用于訓(xùn)練和驗證模型。

每個樣本都包含曲軸箱振動、十字頭沖擊、活塞桿位移、氣閥溫度等測點數(shù)據(jù)。不同故障典型數(shù)據(jù)如表1、2所示。

表1 訓(xùn)練與驗證數(shù)據(jù)

表2 測試數(shù)據(jù)

圖4為往復(fù)壓縮機(jī)不同健康狀態(tài)的振動信號和位移信號歸一化后的時域波形圖，可以看出，基于現(xiàn)有振動信號、位移信號難以人工判斷其故障特征。

選取25%的樣本作為訓(xùn)練集，對本文提出的特征提取與診斷模型進(jìn)行訓(xùn)練，另外75%的樣本作為驗證集，對模型進(jìn)行驗證，迭代過程中保存在驗證集上效果最好的模型。

保存訓(xùn)練效果最好的模型，利用機(jī)組實際運行故障數(shù)據(jù)對模型進(jìn)行測試，選取連桿螺栓斷裂故障200個和拉缸故障200個，全部用于對模型進(jìn)行測試。

3.2 訓(xùn)練與驗證結(jié)果

圖5、6分別為模型損失函數(shù)值隨迭代次數(shù)變化曲線和模型準(zhǔn)確率隨迭代次數(shù)變化曲線。可以看出，隨著迭代次數(shù)的增加，模型在訓(xùn)練集和驗證集上的損失函數(shù)值逐漸下降，同時，準(zhǔn)確率也逐漸上升。

圖5 模型損失函數(shù)值隨迭代次數(shù)的變化

圖6 模型準(zhǔn)確率隨迭代次數(shù)的變化

最終，模型在驗證集上的分類準(zhǔn)確率達(dá)到90.8%。模型對驗證集的預(yù)測混淆矩陣如圖7，其中，縱坐標(biāo)表示樣本的實際標(biāo)簽，橫坐標(biāo)表示模型預(yù)測的標(biāo)簽。

圖7 模型在驗證樣本上的混淆矩陣

采用t-SNE降維方法對模型的輸出進(jìn)行降維可視化如圖8。

圖8 模型在訓(xùn)練樣本上輸出可視化

保存在驗證集上效果最好的模型，下一步將模型在機(jī)組實際故障案例上進(jìn)行測試。

3.3 模型測試結(jié)果

將訓(xùn)練好的模型通過機(jī)組實際運行故障數(shù)據(jù)進(jìn)行測試，檢驗?zāi)Ｐ托阅?。模型在測試樣本上的準(zhǔn)確率為82.75%。模型在測試樣本的混淆矩陣如圖9所示，可看出：在共400個測試樣本中，有69個實際為連桿螺栓斷裂故障的樣本被錯誤預(yù)測為了氣閥閥片斷裂故障。

圖9 模型在測試樣本上的混淆矩陣

采用t-SNE降維方法對模型的輸出進(jìn)行降維可視化如圖10。

圖10 模型在測試樣本上輸出可視化

4 結(jié)論

本文針對往復(fù)壓縮機(jī)多源信號監(jiān)測以及故障特征在不同監(jiān)測信號上各有分布的特點，建立了一種基于多通道殘差網(wǎng)絡(luò)的往復(fù)壓縮機(jī)故障診斷模型，對基于深度學(xué)習(xí)的故障診斷方法進(jìn)行了有益嘗試。該模型設(shè)計了多通道故障特征提取層與特征融合層，無需人工指導(dǎo)特征提取，具有良好的自適應(yīng)性，可對不同信號類型的故障特征進(jìn)行了融合診斷。實驗和實際故障案例數(shù)據(jù)測試證明，本文提出的故障診斷模型取得了較好的應(yīng)用效果。