安文杰,陳長征,田 淼,金毓林,孫鮮明

(1.沈陽工業(yè)大學(xué) 機(jī)械工程學(xué)院,遼寧 沈陽 110870;2.寧波坤博測控科技有限公司,浙江 寧波 315200)

0 引 言

作為風(fēng)電機(jī)組重要的零部件,滾動軸承的健康狀況直接影響整個風(fēng)電機(jī)組的正常運(yùn)行[1]。據(jù)風(fēng)電行業(yè)統(tǒng)計(jì)[2],風(fēng)電機(jī)組約30%的機(jī)械故障與滾動軸承相關(guān)。同時,風(fēng)電機(jī)組在重負(fù)載、變轉(zhuǎn)速環(huán)境下長期運(yùn)行,導(dǎo)致滾動軸承極易損壞。滾動軸承一旦發(fā)生故障,則會影響整個機(jī)組的性能穩(wěn)定性,甚至造成停機(jī)。因此,對滾動軸承進(jìn)行快速、有效的故障診斷,對于保證風(fēng)電機(jī)組的穩(wěn)定運(yùn)行,降低整體維修成本具有重要意義。

傳統(tǒng)的軸承故障診斷主要通過振動信號分析法分析軸承的故障特征。XIANG Ling等人[3]利用最小熵解卷積和1.5維能量譜結(jié)合,實(shí)現(xiàn)了對風(fēng)電機(jī)組軸承復(fù)合故障的診斷。CHEN Bing-yan等人[4]提出了一種增強(qiáng)組合差分形態(tài)濾波器,用于對強(qiáng)噪聲背景下的軸承故障特征進(jìn)行檢測。洪達(dá)等人[5]提出了一種多元變分模態(tài)分解和分?jǐn)?shù)階傅里葉變換相結(jié)合的方法,對滾動軸承的早期故障進(jìn)行了提取。

然而上述方法對先驗(yàn)知識要求高、效率低,且不具備通用性。

近年來,深度學(xué)習(xí)理論逐漸成為故障診斷領(lǐng)域中炙手可熱的診斷方法。它能夠自動提取信號特征。研究者基于深度學(xué)習(xí)理論建立了“端到端”的故障診斷模型[6]。XU Zi-fei等人[7]提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network,1D-CNN)聯(lián)合特征提取的軸承健康監(jiān)測方法,通過耦合自編碼器可以獲得較高的故障診斷精度,以及較低的診斷延時。張西寧等人[8]采用小尺度卷積核,以跳動的方式進(jìn)行采樣,解決了卷積神經(jīng)網(wǎng)絡(luò)中最大池化丟失大量信息和平均池化模糊重要特征的問題。

雖然上述方法對各自的故障診斷具有較好的診斷效果,但在使用過程中也會受限。主要表現(xiàn)在以下2個方面:

(1)這些方法均采用單尺度卷積核提取故障特征,風(fēng)電機(jī)組軸承與其他部件振動耦合會導(dǎo)致振動信號表現(xiàn)多尺度特性,故障信息呈現(xiàn)不同的頻率變化,單尺度卷積核難以有效提取其全局與局部故障;

(2)振動信號是時序的,在時間維度上也蘊(yùn)含著豐富的信息。

循環(huán)神經(jīng)網(wǎng)絡(luò)[9](recurrent neural network, RNN)能夠在順序步驟之間有選擇傳遞信息,一次只處理順序數(shù)據(jù)的一個元素,非常適合處理時序數(shù)據(jù)問題。然而,RNN存在梯度消失和梯度爆炸的問題。

為了解決上述這些問題,HAO Shi-jie等人[10]提出了長短時記憶網(wǎng)絡(luò)(long short-term memory network, LSTM)結(jié)構(gòu),在RNN中引入輸入門、遺忘門和輸出門,其特點(diǎn)是隱含層節(jié)點(diǎn)的輸入包含了該隱含層節(jié)點(diǎn)在前一個時刻的輸出,不僅可以有效處理序列數(shù)據(jù),而且能夠解決梯度消失及梯度爆炸問題。

但相對于RNN、LSTM的結(jié)構(gòu)更加復(fù)雜,需要復(fù)雜的網(wǎng)絡(luò)調(diào)參,導(dǎo)致訓(xùn)練難度增加。AN Dong等人[11]提出了門控循環(huán)單元(gated recurrent unit, GRU),可以認(rèn)為是一種改進(jìn)LSTM網(wǎng)絡(luò)結(jié)構(gòu)的變體,在故障診斷領(lǐng)域中得到了廣泛應(yīng)用。但是經(jīng)典的門控循環(huán)單元模型中,狀態(tài)是根據(jù)序列由前向后傳遞的,忽略了后序狀態(tài)對前序狀態(tài)的影響。

雙向門控循環(huán)單元(bidirectional gated recurrent unit, BiGRU)是GRU的一個變體,既能提取振動數(shù)據(jù)的前后時間序列問題,又能解決長期依賴問題,適合故障診斷的工程應(yīng)用。

針對以上問題,考慮風(fēng)電機(jī)組運(yùn)行工況復(fù)雜,采集的數(shù)據(jù)具有多尺度特征,筆者提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)(multi-scale convolutional neural network, MSCNN)和自注意力機(jī)制(self-attention, SA)的[12]雙向門控循環(huán)單元的,針對變工況條件下風(fēng)電機(jī)組滾動軸承故障的診斷方法(MSCNNSA-BiGRU)。

首先,通過MSCNN提取原始振動信號的多尺度特征信息;然后,BiGRU結(jié)構(gòu)挖掘原始振動信號的歷史與未來信息,自注意機(jī)制重點(diǎn)關(guān)注故障特征;最后,將特征信息融合成一個特征向量,輸入到SoftMax層實(shí)現(xiàn)故障分類。

筆者采用實(shí)際采集的不同工況下風(fēng)電機(jī)組發(fā)電機(jī)滾動軸承數(shù)據(jù)集,對所提方法的有效性和可行性進(jìn)行驗(yàn)證。

1 理論介紹

1.1 多尺度卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的CNN網(wǎng)絡(luò)故障診斷結(jié)構(gòu)中,采用相同尺度的卷積核提取故障特征,將其中一層的神經(jīng)元作為回歸實(shí)現(xiàn)故障分類[13],這樣會導(dǎo)致一些詳細(xì)的局部特征丟失。

為了解決該問題,基于MSCNN,研究者們采用不同尺度的卷積核提取特征,有效地提取了全局和局部故障特征,提高了模型的泛化能力及魯棒性,從而獲取了精準(zhǔn)的故障分類結(jié)果。ZHU Jun等人[14]將最后一個卷積層與之前的池化層合并形成了一個多尺度層,在人臉識別任務(wù)中獲得了良好的效果。JIANG Guo-qian等人[15]構(gòu)建了一個1D的多尺度模型,對風(fēng)力發(fā)電機(jī)的齒輪箱進(jìn)行了故障診斷。

在此,筆者提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)(MSCNN)和自注意力機(jī)制(SA)的,變工況條件下風(fēng)電機(jī)組滾動軸承故障的診斷方法(MSCNNSA-BiGRU)。

在筆者所提方法中,模型輸入為原始振動信號?；诙喑叨染矸e神經(jīng)網(wǎng)絡(luò)(MSCNN)模型,如圖1所示。

圖1 MSCNN網(wǎng)絡(luò)模型

圖1中,原始信號首先由4個不同尺度的卷積核進(jìn)行多尺度的特征提取,再基于多個并行的卷積層和池化層學(xué)習(xí)特征,最后利用SoftMax分類器進(jìn)行故障分類。

對于輸入的振動信號X=[x1,x2,x3,…,xn],筆者采用不同尺度的卷積核S對原始振動信號進(jìn)行特征提取,隨著S取值的增大,遞增的非重疊窗口將特征構(gòu)造為連續(xù)的粗粒度信號Y(S)。

不同尺度卷積核提取過程,如圖2所示。

圖2 不同尺度卷積核提取特征

(1)

由圖2可知:多尺度特征學(xué)習(xí)采用多對卷積層和池化層并行結(jié)構(gòu),不僅可以提高特征提取能力,而且可以從不同時間尺度的多個粗粒度信號中,提取高級特征信息,進(jìn)行故障特征提取。

1.2 雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)

由于振動信號是時序信號,為了更好地處理時間序列數(shù)據(jù),筆者引入循環(huán)神經(jīng)網(wǎng)絡(luò)門控循環(huán)單元(GRU),如圖3所示。

圖3 門控循環(huán)單元

由圖3可知:通過門控機(jī)制有效處理時間序列問題,重置門rt決定如何將t時刻的輸入信息xt與t-1時刻的隱藏信息ht-1相融合,重置門值越大,在t時刻候選狀態(tài)ht中,隱藏狀態(tài)ht-1被重置的程度就越高;

ut和rt是t時刻的輸入,其計(jì)算公式如下:

rt=σ[Wr?cat(ht-1,xt)]

(2)

ut=σ[Wu?cat(ht-1,xt)]

(3)

(4)

(5)

在經(jīng)典的GRU模型中,特征向量是根據(jù)序列由前向后單向傳播的,但振動數(shù)據(jù)是時間序列數(shù)據(jù),經(jīng)典的GRU網(wǎng)絡(luò)在時刻t只能捕捉t時刻之前的歷史信息。

在故障特征向量提取中,筆者希望從全局層面來提取故障特征,不僅考慮t-1時刻,也要考慮t+1時刻的狀態(tài)信息,顯然經(jīng)典的GRU顯然無法滿足這一需求。

雙向門控循環(huán)單元(BiGRU)是GRU的一個變體,既能提取振動數(shù)據(jù)的前后時間序列問題,又能解決長期依賴問題,適合故障診斷的工程應(yīng)用。

BiGRU網(wǎng)絡(luò)結(jié)構(gòu)模型,如圖4所示。

圖4 雙向GRU(BiGRU)的結(jié)構(gòu)

由圖4可知:BiGRU由向前傳播和向后傳播組成。

(6)

(7)

(8)

式中:Wt—前向傳播的權(quán)重;Vt—后向傳播的權(quán)重;bt—偏差項(xiàng)。

1.3 自注意力機(jī)制

自注意力是指關(guān)注重要信息,而忽略不重要信息的能力。注意力機(jī)制最早出現(xiàn)在圖像處理領(lǐng)域,其作用是在特征提取時,重點(diǎn)關(guān)注某些特征信息。

在MSCNN神經(jīng)網(wǎng)絡(luò)中引入自注意力機(jī)制,可以使神經(jīng)網(wǎng)絡(luò)有選擇性地進(jìn)行訓(xùn)練,提高其學(xué)習(xí)能力。對于輸入的振動信號X=[x1,x2,x3,…,xn],無需將所有的數(shù)據(jù)都輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算,只需選擇一些與任務(wù)相關(guān)的信息輸入到神經(jīng)網(wǎng)絡(luò)中,這樣不僅可以提高運(yùn)算效率,而且可以節(jié)省計(jì)算資源。

筆者使用注意變量z∈[1,n]來表示所選輸入數(shù)據(jù)的索引。已知與任務(wù)相關(guān)的查詢向量q和輸入數(shù)據(jù)x,選擇第m個輸入數(shù)據(jù)的注意分布αm表示注意分布,是給定x和q下選擇第i個輸入向量的概率。

自注意力機(jī)制,如圖5所示。

圖5 自注意力機(jī)制

(9)

式中:s(xm,q)—評分函數(shù),用于計(jì)算每個輸入向量與查詢向量之間的相關(guān)性。

s(xm,q)的表達(dá)式為:

s(xm,q)=VTtanh(Wsxm+Usq)

(10)

筆者計(jì)算出每個輸入向量所占權(quán)重,然后通過注意力機(jī)制加權(quán)融合得到y(tǒng)SA,即:

(11)

式中:U，V，W—神經(jīng)網(wǎng)絡(luò)訓(xùn)練中學(xué)習(xí)到的網(wǎng)絡(luò)參數(shù)。

2 基于MSCNNSA-BiGRU的故障診斷

在變工況背景下,基于多尺度卷積和自注意力機(jī)制的雙向門控循環(huán)神經(jīng)單元,筆者提出了一種風(fēng)電機(jī)組滾動軸承故障診斷模型(MSCNNSA-BiGRU),其總體框架如圖6所示。

圖6 MSCNNSA-BiGRU網(wǎng)絡(luò)結(jié)構(gòu)

對于輸入的一維振動信號X=[x1,x2,x3,…,xn],經(jīng)4個不同尺寸的卷積核S1,S2,S3,S4進(jìn)行多尺度的特征提取,不同尺度的卷積核雖然能夠很好地提取故障特征;但隨著網(wǎng)絡(luò)訓(xùn)練次數(shù)的增加,容易產(chǎn)生梯度消失和梯度爆炸等問題。

為解決這些問題,筆者引入雙門控循環(huán)單元(BiGRU)結(jié)構(gòu),不僅可以有效解決MSCNN梯度消失和梯度爆炸問題,還可以有效挖掘原始振動信號的時序特征信息。

同時,為了提高模型對重點(diǎn)故障特征的提取,忽略不重要信息,筆者采用自注意力(self-attention)重點(diǎn)關(guān)注故障特征,以增強(qiáng)模型的泛化能力及魯棒性,提高模型在實(shí)際風(fēng)電機(jī)組滾動軸承故障診斷中的故障分類精度。

漢諾威國際林業(yè)木工展覽會的參展商將來自全球50多個國家和地區(qū)，約9萬多名觀眾遍布100個國家和地區(qū)，是同類展會中國際化程度最高的盛會。Christian Pfeiffer在新聞發(fā)布會上說道：“來自世界各地的參展商將向全球?qū)I(yè)觀眾展示他們的解決方案、應(yīng)用和理念，來講述如何塑造木材行業(yè)的未來。漢諾威國際林業(yè)木工展覽會是創(chuàng)新成果的第一展示平臺，它涵蓋數(shù)字化、自動化、物聯(lián)網(wǎng)平臺及協(xié)作系統(tǒng)，展覽規(guī)模無與倫比。從林業(yè)技術(shù)、家具和門窗制造到工具系統(tǒng)和表面處理技術(shù)，觀眾將領(lǐng)略各個領(lǐng)域的創(chuàng)新成果。展會將為觀眾帶來家具生產(chǎn)設(shè)備、工業(yè)4.0物聯(lián)網(wǎng) 平臺的現(xiàn)場演示，以及覆蓋木工行業(yè)各領(lǐng)域的研究項(xiàng)目與交流活動?！?/p>

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證該方法的有效性,筆者采用實(shí)際采集的風(fēng)電機(jī)組發(fā)電機(jī)軸承數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。

3.1 軸承數(shù)據(jù)介紹

實(shí)驗(yàn)數(shù)據(jù)來源于天津某風(fēng)場,筆者主要采集發(fā)電機(jī)驅(qū)動端和自由端數(shù)據(jù)。該發(fā)電機(jī)型號為湘潭電機(jī)DFWG1500/4,軸承型號為SKF6330 M/C3 H深溝球軸承,通過安裝在發(fā)電機(jī)軸承座側(cè)面位置的ICP壓電加速度傳感器,針對其水平和垂直2個方向,不同工況下的振動信號進(jìn)行數(shù)據(jù)采集。其中,采樣頻率為16 384 Hz,采樣時間10 s。

風(fēng)電機(jī)組發(fā)電機(jī)振動數(shù)據(jù)采集,如圖7所示。

圖7 風(fēng)電機(jī)組發(fā)電機(jī)振動數(shù)據(jù)采集

筆者根據(jù)該風(fēng)場25臺風(fēng)電機(jī)組采集到的發(fā)電機(jī)軸承數(shù)據(jù),劃分出4種狀態(tài),并針對不同轉(zhuǎn)速下4種狀態(tài),采用起點(diǎn)隨機(jī)的方式截取1 638個數(shù)據(jù)點(diǎn)作為數(shù)據(jù)樣本,每種狀態(tài)下生成1 000個樣本,隨機(jī)選取80%作為訓(xùn)練集,20%作為測試集[16]。

風(fēng)電機(jī)組滾動軸承具體標(biāo)簽如表1所示。

表1 風(fēng)電機(jī)組滾動軸承數(shù)據(jù)樣本構(gòu)造

不同狀態(tài)下的軸承時域圖如圖8所示。

圖8 不同狀態(tài)軸承時域圖

3.2 實(shí)驗(yàn)結(jié)果分析

筆者將表1中的訓(xùn)練樣本A輸入網(wǎng)絡(luò),進(jìn)行訓(xùn)練,同時,為防止過擬合,引入Dropout層,采用梯度下降法,對神經(jīng)網(wǎng)絡(luò)損失誤差反向傳播進(jìn)行優(yōu)化(其中,迭代次數(shù)、學(xué)習(xí)率、Dropout分別為150,0.001,0.5)。

文獻(xiàn)[17,18]中,研究人員采用128*1、64*1、32*1的卷積核進(jìn)行特征提取,取得了較好的效果。

表2 不同尺度卷積核診斷準(zhǔn)確率

由表2可知:筆者提出的實(shí)驗(yàn)2故障識別準(zhǔn)確率最高,并且采用不同尺寸的卷積核(實(shí)驗(yàn)1～3)時的故障診斷準(zhǔn)確率高于相同尺度的卷積核(實(shí)驗(yàn)4～6);

由于風(fēng)電機(jī)組在變工況環(huán)境下運(yùn)行,軸承與其他部件振動耦合會導(dǎo)致振動信號表現(xiàn)多尺度特性,單一尺度的卷積核難以有效提取全局和局部特征,并且卷積核過大易出現(xiàn)過提取特征情況,導(dǎo)致模型過擬合;卷積核過小無法有效提取全局特征,進(jìn)而影響故障識別精度。

表1中,數(shù)據(jù)集A在MSCNNSA-BiGRU網(wǎng)絡(luò)迭代50次,得到的故障識別準(zhǔn)確率與損失值曲線,如圖9所示。

圖9 模型故障識別曲線圖

為了保證測試結(jié)果的準(zhǔn)確性,筆者采用十倍交叉驗(yàn)證法(10-fold cross-validation method)來降低訓(xùn)練集和測試集隨機(jī)分配的偶然性,將原始振動數(shù)據(jù)劃分成10個大小相等的子集(其中,9個子集作為訓(xùn)練集,1個子集用于測試模型),交叉驗(yàn)證重復(fù)10次(每個子集只使用一次作為驗(yàn)證),最終結(jié)果為10次交叉驗(yàn)證的平均值;并且在MSCNNSA-BiGRU網(wǎng)絡(luò)中添加判斷語句,當(dāng)訓(xùn)練集數(shù)據(jù)連續(xù)迭代10次,損失值同時小于0.15時,停止迭代,加快診斷速度。

對比故障識別準(zhǔn)確率和損失值變化曲線可知:在迭代到30次時,訓(xùn)練集的準(zhǔn)確率達(dá)到95.69%,測試集的準(zhǔn)確率達(dá)到94.18%,故障識別準(zhǔn)確率曲線和損失值曲線趨于穩(wěn)定,模型達(dá)到收斂狀態(tài)。

以上結(jié)果進(jìn)一步驗(yàn)證了筆者提出的基于MSCNNSA-BiGRU模型在風(fēng)電機(jī)組滾動軸承故障診斷應(yīng)用中的有效性。

3.3 變工況下模型性能分析

為驗(yàn)證所提模型在變工況下的故障分類準(zhǔn)確率,筆者選用不同轉(zhuǎn)速下的數(shù)據(jù),分別構(gòu)建數(shù)據(jù)集和測試集,并且將其與采用①CNN、②MSCNN、③CNN-BiGRU、④MSCNN-BiGRU、⑤MSCNNSA-GRU方法所得結(jié)果進(jìn)行對比實(shí)驗(yàn)。

例如,筆者選取表1中的數(shù)據(jù)集A和數(shù)據(jù)集B作為訓(xùn)練集,數(shù)據(jù)集C作為測試集,對變工況下模型故障診斷性能進(jìn)行評估(AVG表示3組實(shí)驗(yàn)結(jié)果的平均值),最終診斷結(jié)果如圖10所示。

圖10 變工況下模型故障識別準(zhǔn)確率

由圖10可知:在變工況條件下,MSCNN方法故障分類平均準(zhǔn)確率為92.7%,高于對比方法;

對比實(shí)驗(yàn)①和②可知:在風(fēng)電機(jī)組滾動軸承故障診斷特征提取時,采用經(jīng)典CNN網(wǎng)絡(luò)結(jié)構(gòu)難以有效提取全局和局部特征,在變工況下模型診斷效果較差;多尺度卷積神經(jīng)網(wǎng)絡(luò)采用不同尺度的卷積核提取特征,可有效提取全局和局部故障特征,提高模型故障診斷能力[19];

對比實(shí)驗(yàn)①和③可知:在變工況條件下,雙向門控循環(huán)單元能夠提高模型的故障分類精度,提高模型的泛化能力;

對比MSCNN方法和④可知:引入自注意力機(jī)制,重點(diǎn)關(guān)注有效特征,神經(jīng)網(wǎng)絡(luò)有選擇性地進(jìn)行訓(xùn)練,可提高模型診斷能力;

對比MSCNN方法和⑤可知:相比于經(jīng)典的門控循環(huán)單元,雙向門控單元能夠提取振動數(shù)據(jù)t+1的特征信息,更適用于對變工況下實(shí)際工程故障進(jìn)行診斷應(yīng)用。

由此可證明,基于MSCNNSA-BiGRU的風(fēng)電機(jī)組滾動軸承故障診斷方法,變工況條件下具有良好的診斷性能。

為進(jìn)一步驗(yàn)證該方法對時域信號全局和局部特征的自適應(yīng)提取能力,筆者引入T-SNE算法,對輸出層進(jìn)行可視化分析,針對圖10中的AB-C數(shù)據(jù)集進(jìn)行可視化分析,結(jié)果如圖11所示。

圖11 AB-C可視化分析

由圖11可知:基于MSCNNSA-BiGRU的風(fēng)電機(jī)組滾動軸承故障診斷方法故障識別準(zhǔn)確率高,能夠精準(zhǔn)地區(qū)分不同故障的類型,表明該方法具備一定的泛化能力和魯棒性,適用于在實(shí)際工程變工況條件下,對滾動軸承進(jìn)行故障診斷。

4 結(jié)束語

針對風(fēng)電機(jī)組滾動軸承運(yùn)行工況復(fù)雜,采集的數(shù)據(jù)具有多尺度特征的問題,筆者提出了一種基于MSCNNSA-BiGRU的變工況風(fēng)電機(jī)組滾動軸承故障診斷方法,實(shí)現(xiàn)了對變工況背景下滾動軸承的故障診斷。

研究結(jié)論如下:

(1)基于MSCNNSA-BiGRU的變工況風(fēng)電機(jī)組滾動軸承故障診斷模型,采用MSCNN提取原始振動數(shù)據(jù)全局與局部特征信息,BiGRU結(jié)構(gòu)考慮了原始振動信號的歷史與未來信息,更全面地提取了數(shù)據(jù)時序特征信息;同時,引入Self-Attention,重點(diǎn)關(guān)注故障特征,最后將特征信息融合成一個特征向量,輸入到SoftMax層,實(shí)現(xiàn)故障分類;

(2)針對實(shí)際采集的風(fēng)電機(jī)組電機(jī)驅(qū)動端數(shù)據(jù),通過不同的模型進(jìn)行了對比分析,所述模型10次平均結(jié)果94.18%的故障識別準(zhǔn)確率,優(yōu)于對比實(shí)驗(yàn);

(3)采用變工況數(shù)據(jù)集進(jìn)行故障識別,筆者提出的模型的平均故障識別準(zhǔn)確率為92.7%,高于對比實(shí)驗(yàn);通過T-SNE可視化分析,不同的故障類型能夠精準(zhǔn)的區(qū)分開,進(jìn)一步說明了在變工況下,基于MSCNNSA-BiGRU的模型可對實(shí)際工程中的風(fēng)電機(jī)組滾動軸承進(jìn)行故障診斷。

在后續(xù)的研究中,筆者將重點(diǎn)研究背景噪聲及其他設(shè)備激勵源對多尺度卷積神經(jīng)網(wǎng)絡(luò)的影響,并提出相應(yīng)的解決方案,以提高其故障識別的準(zhǔn)確率。