郭保蘇,章 欽, 吳鳳和

(1.燕山大學(xué)機(jī)械工程學(xué)院，河北 秦皇島 066004)(2.河北省重型智能制造裝備技術(shù)創(chuàng)新中心，河北 秦皇島 066004)

隨著科學(xué)技術(shù)的不斷進(jìn)步，制造業(yè)正朝著高速化、精密化、自動(dòng)化的方向不斷發(fā)展。為了保障設(shè)備的正常運(yùn)行，對(duì)其中關(guān)鍵零部件的健康狀況進(jìn)行實(shí)時(shí)監(jiān)控是必不可少的[1]。在航天等領(lǐng)域，因設(shè)備故障導(dǎo)致的停機(jī)，輕則導(dǎo)致經(jīng)濟(jì)損失，重則威脅生命安全[2]。軸承是旋轉(zhuǎn)機(jī)械中最關(guān)鍵的零件之一，一般由4部分組成，包括內(nèi)圈、外圈、滾動(dòng)體和保持架[3]。在機(jī)械設(shè)備運(yùn)轉(zhuǎn)時(shí)，軸承可以將軸和座之間的滑動(dòng)摩擦轉(zhuǎn)換為滾動(dòng)摩擦，從而減少機(jī)械設(shè)備的摩擦損耗，其運(yùn)行狀態(tài)的變化對(duì)機(jī)械設(shè)備能否正常運(yùn)作有著重要意義。數(shù)據(jù)統(tǒng)計(jì)表明，旋轉(zhuǎn)機(jī)械發(fā)生故障時(shí)，約30%是軸承故障[4]。

目前，軸承故障診斷技術(shù)伴隨著傳感器以及人工智能等技術(shù)的應(yīng)用，已形成了完整的研究體系，主要環(huán)節(jié)可以概括為信號(hào)采集及預(yù)處理、特征提取和故障識(shí)別。研究人員通過提取時(shí)域、頻域特征試圖采用機(jī)器學(xué)習(xí)的方式建立傳感器信號(hào)與軸承故障之間的聯(lián)系。常見的特征提取方法有小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等[5],常見的機(jī)器學(xué)習(xí)分類算法有支持向量機(jī)[6]、隨機(jī)森林等。

計(jì)算機(jī)技術(shù)的發(fā)展使得由數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)得以廣泛運(yùn)用，深度學(xué)習(xí)也被證明優(yōu)于機(jī)器學(xué)習(xí)方法[7]。郭亮等[8]通過提取振動(dòng)信號(hào)的時(shí)域、頻域和時(shí)頻域特征構(gòu)成特征向量，并將其輸入到堆疊自編碼器中進(jìn)行故障特征學(xué)習(xí)。Chen等[9]通過提取齒輪箱故障狀態(tài)信號(hào)的時(shí)、頻域特征作為輸入，構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)。袁建虎等[10]在同樣的網(wǎng)絡(luò)結(jié)構(gòu)下提取滾動(dòng)軸承振動(dòng)信號(hào)的時(shí)頻特征作為二維卷積神經(jīng)網(wǎng)絡(luò)的輸入。Kong等[11]通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)滾動(dòng)軸承的能量進(jìn)行監(jiān)控，以此來實(shí)現(xiàn)電機(jī)故障的分類。

上述深度學(xué)習(xí)算法雖然采用CNN，但是其模型輸入依然還是人為提取特征，沒有充分利用CNN的自動(dòng)提取特征能力，限制了故障分類的準(zhǔn)確率，為此本文提出一種基于一維殘差網(wǎng)絡(luò)的軸承故障診斷方法。通過對(duì)采集到的振動(dòng)信號(hào)進(jìn)行小波降噪預(yù)處理以消除噪聲的干擾，將降噪后的信號(hào)直接輸入到一維殘差網(wǎng)絡(luò)中，實(shí)現(xiàn)軸承故障分類。

1 數(shù)據(jù)預(yù)處理

實(shí)際加工中由于自身加工環(huán)境、機(jī)床的振動(dòng)等影響使得采集的傳感器信號(hào)中混雜有噪聲干擾。如果直接使用帶有噪聲的原始信號(hào)作為模型的輸入進(jìn)行特征提取，將難以提取更多的有效信息，嚴(yán)重影響之后模型的識(shí)別與預(yù)測(cè)精度，因此需要對(duì)原始信號(hào)數(shù)據(jù)進(jìn)行降噪處理。

1.1 數(shù)據(jù)集介紹

本文實(shí)驗(yàn)所采用的數(shù)據(jù)來自DataCastle競(jìng)賽數(shù)據(jù)集。該數(shù)據(jù)集中軸承有3種故障——外圈故障、內(nèi)圈故障、滾珠故障，結(jié)合軸承的3種直徑，即9種故障類別，外加正常的工作狀態(tài)，其工作狀態(tài)有10類，見表1。

表1 軸承的工作狀態(tài)類別

1.2 信號(hào)降噪

本文采用的降噪方法是由Donoho等[12]提出的小波閾值降噪，其主要思想是信號(hào)通過小波變換后產(chǎn)生的小波系數(shù)含有信號(hào)的重要信息，經(jīng)過小波分解后信號(hào)的小波系數(shù)較大，而噪聲的小波系數(shù)較小，通過選擇一個(gè)合適的閾值，大于閾值的小波系數(shù)被認(rèn)為是信號(hào)產(chǎn)生的，給予保留；小于閾值的小波系數(shù)則認(rèn)為是噪聲產(chǎn)生的，將其重置為零。其原理如圖1所示。盡管小波降噪在很大程度上可以看成是一種低通濾波，但是由于在降噪的同時(shí)還能保留信號(hào)特征，因此又要優(yōu)于傳統(tǒng)的降噪方法。

圖1 小波降噪原理

小波閾值降噪過程如圖2所示，其重點(diǎn)在于選擇合適的小波基、閾值以及閾值函數(shù)。

圖2 小波閾值降噪過程

1)小波基采用“sym8”，分解層數(shù)為5。

2)閾值T的選擇采用如下公式：

(1)

式中：cD1為第一層分解的細(xì)節(jié)系數(shù)；N為數(shù)據(jù)長(zhǎng)度；median表示計(jì)算中位數(shù)。

3)閾值函數(shù)采用軟硬閾值折中的方法，可以表示為：

(2)

式中：x為信號(hào)數(shù)據(jù)值。

以數(shù)據(jù)集中id為100的信號(hào)數(shù)據(jù)樣本為例，如圖3(a)、(b)所示，采用傅里葉變換對(duì)該樣本的原始波形進(jìn)行頻譜分析，可以發(fā)現(xiàn)頻譜圖上峰值主要集中在0～2 000 Hz的低頻和4 000～6 000 Hz的高頻上，高頻上的成分也就是噪聲干擾，因此需要對(duì)振動(dòng)信號(hào)進(jìn)行小波閾值降噪處理，降噪后的信號(hào)如圖3(c)所示。經(jīng)過降噪處理后的信號(hào)可以直接用作后續(xù)模型的輸入。

圖3 小波閾值降噪處理

2 基于一維殘差網(wǎng)絡(luò)的分類模型

基于一維殘差網(wǎng)絡(luò)的軸承故障分類模型如圖4所示，將之前經(jīng)過預(yù)處理的振動(dòng)信號(hào)作為模型的輸入，該模型包括一個(gè)后激活(Post-activation)殘差塊和多個(gè)預(yù)激活(Pre-activation)殘差塊。后激活殘差塊的結(jié)構(gòu)是由一個(gè)卷積層(Conv)開始，經(jīng)過一個(gè)批標(biāo)準(zhǔn)化層(BN)以加速模型的計(jì)算，激活函數(shù)采用Relu函數(shù)，再經(jīng)過一個(gè)Dropout層減少訓(xùn)練參數(shù)以防止過擬合，與此同時(shí)，為了消除冗余特征并減少計(jì)算，用一個(gè)最大池化層(MaxPool)作為短連接，最后經(jīng)過一個(gè)卷積層(Conv)結(jié)束。其中卷積層和池化層的參數(shù)采用傳統(tǒng)設(shè)置，卷積核大小為3，步長(zhǎng)為2，兩個(gè)卷積層的卷積核數(shù)分別為64和128。與之不同的是，預(yù)激活殘差塊的結(jié)構(gòu)是由批標(biāo)準(zhǔn)化層(BN)開始，起到了正則化的作用，然后依次經(jīng)過Relu激活函數(shù)、Dropout層、卷積層(Conv)，并且循環(huán)重復(fù)一次。為了增加網(wǎng)絡(luò)的深度，預(yù)激活殘差塊使用了多個(gè)，用k表示其個(gè)數(shù)，選取k=15。最后經(jīng)過一個(gè)全連接層采用Softmax分類器輸出10種故障的概率。

圖4 基于一維殘差網(wǎng)絡(luò)的軸承故障分類模型

3 實(shí)驗(yàn)與結(jié)果分析

對(duì)于訓(xùn)練集數(shù)據(jù)，每行數(shù)據(jù)編號(hào)1～6 000為按時(shí)間序列連續(xù)采樣的振動(dòng)信號(hào)數(shù)值。第一列id字段為樣本編號(hào)，最后一列l(wèi)abel字段為標(biāo)簽數(shù)據(jù)，即軸承的工作狀態(tài)，用數(shù)字0～9表示。每行數(shù)據(jù)是一個(gè)樣本，共792條數(shù)據(jù)，按照0.2的比例將其分為訓(xùn)練集和驗(yàn)證集。測(cè)試集共有528條數(shù)據(jù)，每行數(shù)據(jù)除去id和label后是軸承某段時(shí)間內(nèi)的振動(dòng)信號(hào)數(shù)據(jù)，這些振動(dòng)信號(hào)可以用來判定軸承的工作狀態(tài)以實(shí)現(xiàn)軸承故障分類。所有算法均通過Tensorflow的keras框架實(shí)現(xiàn)。計(jì)算機(jī)GPU使用的是Nvidia GTX1080Ti。將數(shù)據(jù)集在已建立好的模型上進(jìn)行實(shí)驗(yàn)，并且同傳統(tǒng)CNN進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖5,6所示，兩種模型的分類效果分析見表2。

圖5 殘差網(wǎng)絡(luò)在訓(xùn)練集與驗(yàn)證集上的結(jié)果

圖6 CNN在訓(xùn)練集與驗(yàn)證集上的結(jié)果

表2 兩種模型的分類效果分析

實(shí)驗(yàn)結(jié)果表明，本文提出的一維殘差網(wǎng)絡(luò)可以有效提高軸承故障分類準(zhǔn)確率，優(yōu)于傳統(tǒng)CNN。

4 結(jié)束語

本文針對(duì)旋轉(zhuǎn)機(jī)械中軸承的故障診斷問題，提出一種基于一維殘差網(wǎng)絡(luò)的故障分類算法，將原始信號(hào)經(jīng)過預(yù)處理降噪后，經(jīng)過一維殘差網(wǎng)絡(luò)自適應(yīng)提取故障特征，實(shí)驗(yàn)結(jié)果表明：

1)將采集到的振動(dòng)信號(hào)經(jīng)過小波閾值降噪處理可以有效消除噪聲干擾，讓模型更好地學(xué)到重要信息，從而提高模型的分類準(zhǔn)確率。

2)一維殘差網(wǎng)絡(luò)可以自適應(yīng)提取有效特征，相比于傳統(tǒng)方法的人為手動(dòng)提取特征，更加合理。殘差結(jié)構(gòu)可以防止特征信息的丟失，而且通過增加殘差網(wǎng)絡(luò)的深度，提高了模型的分類準(zhǔn)確率，明顯優(yōu)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)。