杜菲，馬天兵，胡偉康，呂英輝，彭猛

（1. 安徽理工大學 深部煤礦采動響應與災害防控國家重點實驗室，安徽 淮南 232001；2. 安徽理工大學 機械工程學院，安徽 淮南 232001）

0 引言

立井提升系統(tǒng)是煤礦礦井的咽喉，在提升系統(tǒng)中，罐道和罐耳共同構成導向裝置，導向裝置是提升系統(tǒng)健康運行的重要保障。當剛性罐道存在缺陷時，會導致提升容器受到?jīng)_擊振動。因此，及時診斷剛性罐道潛存的故障，是保障煤礦安全高效生產(chǎn)、降低安全事故風險、減少生產(chǎn)成本的重要前提之一。

目前，研究人員根據(jù)采集的提升容器在振動沖擊下的信號，提出了多種剛性罐道故障診斷方法。文獻[1]針對提升容器的故障響應，利用尺度平均小波能量百分比表征罐道缺陷相關頻率上的能量隨提升過程的變化，從而削弱了隨機噪聲的干擾；通過Tukey控制圖法自適應地設定健康監(jiān)測閾值，消除了工況變化對檢測效果的影響，實現(xiàn)了不同工況下罐道缺陷的有效檢測。文獻[2]針對現(xiàn)有剛性罐道故障診斷方法不能消除環(huán)境因素影響 、接頭故障識別率較低等問題，提出了基于小波包和BP神經(jīng)網(wǎng)絡的剛性罐道故障診斷方法。運用小波包分解對采集的信號進行能量分析并提取缺陷特征參數(shù)，將缺陷特征參數(shù)作為BP神經(jīng)網(wǎng)絡的輸入，選取新的測試樣本檢測神經(jīng)網(wǎng)絡的診斷效果。上述研究提出的機器學習方法雖然可以實現(xiàn)對缺陷的識別，但是僅適用于小樣本的數(shù)據(jù)集。

文獻[3]將經(jīng)驗模態(tài)分解與概率神經(jīng)網(wǎng)絡相結合，實現(xiàn)了對剛性罐道缺陷的診斷，但是研究的工況較單一。文獻[4]提出采用CMOS+FPGA+ARM架構的剛性罐道圖像采集處理和識別方案，解決了系統(tǒng)容量、運算能力和嵌入式軟核性能不足的缺點，但存在圖像采集效果受光線、振動影響較大的問題。上述研究成果雖成功將大樣本數(shù)據(jù)集融入到剛性罐道故障診斷中，但忽略了實際工作環(huán)境中的多工況背景。

卷積神經(jīng)網(wǎng)絡[5-8]是一種特殊的多層感知器或前饋神經(jīng)網(wǎng)絡，其不僅適用于變工況下的故障診斷，且診斷準確率很高。文獻[9]提出了一種新的深度卷積神經(jīng)網(wǎng)絡及其在變工況滾動軸承故障診斷方法，對滾動軸承故障進行識別，取得了優(yōu)異的診斷效果，但是模型的計算量和內存負擔非常大，當?shù)螖?shù)達到一定次數(shù)后極易產(chǎn)生過擬合現(xiàn)象。

針對上述問題，本文對卷積神經(jīng)網(wǎng)絡模型進行改進，提出了一種基于小波變換和改進卷積神經(jīng)網(wǎng)絡的剛性罐道缺陷診斷方法。小波變換[10-11]將一維振動信號轉換為二維時頻圖像能夠直觀顯示信號在不同頻段上的能量分布信息，可對多工況背景下的剛性罐道進行有效特征提取。通過改進卷積神經(jīng)網(wǎng)絡模型結構解決缺陷診斷中的過擬合問題，降低運算量。

1 剛性罐道缺陷診斷過程

基于小波變換和改進卷積神經(jīng)網(wǎng)絡的剛性罐道缺陷診斷過程如圖1所示。首先，分別在剛性罐道上設置錯位缺陷、間隙缺陷和無缺陷3種狀態(tài)，通過變換負載、速度的方式模擬多工況，通過改變間隙長度、錯位高度模擬多缺陷種類，并采集提升容器振動加速度信號作為實驗數(shù)據(jù)。其次，利用小波變換將采集的振動信號轉換為二維時頻圖像，打上對應的標簽后按比例設置訓練集、測試集和驗證集。然后，將模型深度拓展至5層卷積層，局部增加批標準化（Batch Normalization，BN）層和Dropout層，利用小尺寸卷積核、長步幅的卷積層局部代替池化層，改進卷積神經(jīng)網(wǎng)絡模型。最后，利用驗證集對網(wǎng)絡模型的診斷效果進行驗證。

圖1 基于小波變換和改進卷積神經(jīng)網(wǎng)絡的剛性罐道缺陷診斷過程Fig. 1 Fault diagnosis process of rigid guide based on wavelet transform and improved convolutional neural network

2 小波變換

2.1 振動加速度信號采集與選取

剛性罐道作為立井提升系統(tǒng)重要組成部分，現(xiàn)場采集罐道數(shù)據(jù)會耽誤煤礦正常的生產(chǎn)任務，且存在安全隱患，因此，需要搭建立井提升系統(tǒng)實驗臺（圖2）模擬不同罐道故障下提升容器振動響應。在剛性罐道上設置高度為5 mm的錯位缺陷、長度為10 mm的間隙缺陷。利用三方向加速度傳感器、四通道數(shù)據(jù)采集儀、DSPA V11數(shù)據(jù)采集軟件實現(xiàn)動態(tài)數(shù)據(jù)采集。

圖2 提升系統(tǒng)實驗臺Fig. 2 Hoisting system test bench

提升容器的頂部和底部均安裝有滾輪罐耳，當滾輪罐耳經(jīng)過罐道缺陷時會受到?jīng)_擊激勵，提升容器會產(chǎn)生水平方向的振動響應。將三方向加速度傳感器安裝于罐籠頂部中間位置，采樣頻率為1 024 Hz，提升速度為0.15 m/s。采集2種缺陷時振動加速度信號，如圖3、圖4所示。

圖3 錯位缺陷時振動加速度信號Fig. 3 Acceleration signal of vibration during dislocation defect

圖4 間隙缺陷時振動加速度信號Fig. 4 Acceleration signal of vibration during gap defect shock

由圖3可看出，在0～0.5 s時滾輪罐耳在剛性罐道上平穩(wěn)運行；在0.5～0.6 s時滾輪罐耳接觸到剛性罐道錯位缺陷處的臺階部位，受到迎輪沖擊，導致提升容器發(fā)生水平方向的振動，提升系統(tǒng)的加速度發(fā)生變化；0.6 s之后滾輪罐耳離開剛性罐道并且爬過錯位，因錯位缺陷處產(chǎn)生的沖擊能量在滾輪罐耳的運行中耗散，呈阻尼衰減現(xiàn)象直至平穩(wěn)。y方向振動加速度特征較x方向振動加速度特征更明顯，故選取y方向振動加速度信號作為錯位缺陷信號進行分析。

由圖4可看出，在0～0.4 s時滾輪罐耳未接觸間隙缺陷，在剛性罐道上平穩(wěn)運行；在0.4 s左右滾輪罐耳接觸到間隙缺陷的下端，此時滾輪罐耳作用于剛性罐道的壓力開始減小；在0.55 s左右滾輪罐耳接觸到間隙缺陷的上端，滾輪罐耳與剛性罐道發(fā)生撞擊，且剛性罐道對滾輪罐耳施加壓力；0.55 s之后沖擊振動呈阻尼衰減，并且彈簧重新被壓縮。x方向振動加速度特征較y方向振動加速度特征更明顯，故選取x方向振動加速度信號作為間隙缺陷信號進行分析。

2.2 小波基函數(shù)選取與二維時頻圖像生成

采 用 Haar、Daubechies、Symlets和 Complex Morlet（簡稱cmor） 等4種小波基函數(shù)對錯位缺陷和間隙缺陷的振動加速度信號進行時頻分析[12]，小波變換的尺度序列長度設置為 512。錯位缺陷、間隙缺陷時振動加速度信號二維時頻圖像如圖5、圖6所示。

圖5 錯位缺陷振動加速度信號二維時頻圖像Fig. 5 Two-dimensional time-frequency image of dislocation defect vibration acceleration signal

由圖5可看出，錯位缺陷時振動加速度信號均在0.5 s前后受到?jīng)_擊激勵，使得加速度的方向和大小在0.5 s左右發(fā)生突變，隨后呈阻尼衰減，沖擊激勵頻率為400～500 Hz。由圖6可看出，間隙缺陷時振動加速度信號均在0.4～0.6 s發(fā)生加速度方向與幅值的變化。由圖5和圖6還可看出 ，利用cmor小波基函數(shù)進行小波變換的時頻圖像具備最佳的時間和頻率分辨率。

圖6 間隙缺陷時振動加速度信號二維時頻圖像Fig. 6 Two-dimensional time-frequency image of gap defect vibration acceleration signal

小波中心頻率和帶寬是衡量時間和頻率分辨率的標準，通過試湊法調整小波中心頻率，發(fā)現(xiàn)當錯位缺陷、間隙缺陷、無缺陷時振動加速度信號分別采用cmor3-3，cmor3-1，cmor3-2小波基函數(shù)時，二維時頻圖像的時間和頻率分辨率綜合效果最優(yōu)，同時能夠表現(xiàn)出較好的細小噪聲消除效果。

3 改進卷積神經(jīng)網(wǎng)絡

根據(jù)實際需求，對利用卷積神經(jīng)網(wǎng)絡剛性罐道的錯位缺陷、間隙缺陷和無缺陷3種模式進行識別。參照文獻[11]進行網(wǎng)絡參數(shù)設置，隨著卷積層數(shù)增加，模型對于剛性罐道故障診斷的準確率逐漸上升，但當改進卷積層數(shù)超過5時，輸出圖像像素小于卷積核尺寸，故卷積層數(shù)最大設置為5。為保證看到的圖像信息更多，獲得更好的全局特征，設卷積核尺寸為5，數(shù)量分別為16，32，64，32，64，卷積步長為1，圖像邊界填充為2。

卷積神經(jīng)網(wǎng)絡中應用尺寸大的卷積核會導致計算量增大，不利于模型深度的增加，計算性能也會降低，極易產(chǎn)生過擬合問題。因此利用卷積核尺寸為3、卷積步長為2、圖像邊界填充為1的小尺度卷積層替換第2，3，4層池化層，以改進卷積神經(jīng)網(wǎng)絡結構。改進后的卷積神經(jīng)網(wǎng)絡模型結構如圖7所示，其中，s為卷積核步長，p為圖像邊緣增加的邊界像素層數(shù)。

圖7 改進后的卷積神經(jīng)網(wǎng)絡模型結構Fig. 7 Improved convolutional neural network model structure

保留第1層池化層，可有效剔除大部分非代表性特征信息。保留第5層池化層，能夠較大程度地減少參數(shù)，避免參數(shù)量太大減緩計算速度，同時減少過擬合風險。將第2，3，4層池化層替換為小尺度卷積層，對圖像像素特征進行提取與降維。池化層中的池化單元（池化單元尺寸為2×2，步幅為2，邊界填充為1）使用最大池化函數(shù)，降低信息冗余和過擬合。改進卷積神經(jīng)網(wǎng)絡模型結構選取ReLU函數(shù)為激活函數(shù)，選擇Adam優(yōu)化算法作為模型的優(yōu)化器，設置BN層和Dropout層，防止過擬合和提高模型泛化能力。最后，輸出層使用Softmax作為分類器。

4 實驗結果與分析

4.1 數(shù)據(jù)集

根據(jù)MT 5010-1995《煤礦安裝工程質量檢驗評定標準》中罐道安裝規(guī)定，設置剛性罐道錯位缺陷的高度分別為5，8，10，12 mm，間隙缺陷的長度分別為5，8，10，15 mm，設置提升容器負載質量分別為0，4，6，8 kg。根據(jù)《煤礦安全規(guī)程》中規(guī)定，提升容器的運行速度≤ 0.5（提升系統(tǒng)實驗臺高度H=3 m），計算得到提升容器的最高運行速度為0.87 m/s，實驗中設置提升容器的最低速度為0.15 m/s，最高速度為0.65 m/s，通過調節(jié)變頻器頻率，將提升容器的運行速度劃分為11級，每級遞增0.05 m/s，每種運行速度下采集10組信號數(shù)據(jù)。

采集錯位缺陷、間隙缺陷和無缺陷時振動加速度信號數(shù)據(jù)各1 760組，其中有效數(shù)據(jù)1 690組，將數(shù)據(jù)轉換為二維時頻圖像，圖像尺寸為224×224。將數(shù)據(jù)集按照8∶2劃分，即訓練集包含4 056張圖像，測試集包含1 014張圖像。在多種隨機模式下采集錯位缺陷、間隙缺陷和無缺陷時振動加速度數(shù)據(jù)各100組作為驗證集，即驗證集包含300張圖像。

4.2 實驗驗證

將訓練集和測試集輸入至搭建好的改進卷積神經(jīng)網(wǎng)絡模型，設間隙缺陷、錯位缺陷和無缺陷標簽分別為0，1，2，批尺寸為24，學習率為0.000 01，訓練輪次為20，改進神經(jīng)網(wǎng)絡模型的準確率如圖8所示?？煽闯龈倪M模型經(jīng)過訓練后，在訓練集上的平均準確率達99%左右，在測試集上的平均準確率達99.5%，說明改進模型可信度高。

圖8 改進神經(jīng)網(wǎng)絡模型的準確率Fig. 8 Accuracy rates of improved convolutional neural network model

為進一步展示模型訓練過程的學習效果，設訓練步數(shù)為500，改進模型的準確率與損失函數(shù)值變化趨勢如圖9所示。可看出當數(shù)據(jù)訓練至200步后，模型的準確率達99%以上，模型的損失函數(shù)值趨近于0，說明模型收斂性能較好，模型的泛化能力得到了增強，在學習過程中對于過擬合的抑制效果明顯。

圖9 改進神經(jīng)網(wǎng)絡模型準確率與損失函數(shù)值變化趨勢Fig. 9 Accuracy and loss function values change trend of improved convolutional neural network model

利用驗證集的數(shù)據(jù)對改進卷積神經(jīng)網(wǎng)絡模型進行驗證，將驗證集輸入訓練過的模型并生成預測結果的混淆矩陣，如圖10所示?？煽闯鲩g隙缺陷和錯位缺陷識別準確率為100%，無缺陷識別準確率為92%。這是因為在MT 5010-1995中規(guī)定，當剛性罐道間隙不大于4 mm時，仍劃分為無缺陷剛性罐道，所以在實際分類過程中，容易將間隙較大的無缺陷剛性罐道診斷為間隙缺陷。說明通過小波變換結合改進卷積神經(jīng)網(wǎng)絡模型能夠很好地對剛性罐道故障進行診斷。

圖10 驗證集結果預測混淆矩陣Fig. 10 Validation set result prediction confusion matrix

選取平均準確率作為衡量指標，對比EMD（Empirical Mode Decommposition，經(jīng)驗模態(tài)分解）-SVD（Singular Value Decomposition，奇異值分解）-SVM（Support Vector Machine，支持向量機）[13]、小波包-SVM[14]、EMD-SVD-BP神經(jīng)網(wǎng)絡[15]、小波包-BP神經(jīng)網(wǎng)絡[15]和本文方法對剛性罐道故障診斷的準確率。EMD-SVD-SVM方法中初始向量為IMF1-IMF5（固有模 態(tài)函數(shù)），SVM采用RBF為 核函數(shù)，svmtrain函數(shù)中懲罰函數(shù)的范圍為[2-10, 210]，參數(shù)取值范圍為[2-10, 210]，交叉驗證參數(shù)取3；小波包-SVM方法利用db2小波基分解到8個頻段，采樣頻率為1 024 Hz，分析頻率為512 Hz，分別計算出3種缺陷時振動加速度不同頻段的能量并作為特征向量；EMD-SVD-BP神經(jīng)網(wǎng)絡方法中輸入層和輸出層節(jié)點數(shù)分別為4和3，隱藏層數(shù)為5；小波包-BP神經(jīng)網(wǎng)絡方法中輸入層節(jié)點數(shù)為8，隱藏層數(shù)為5，BP神經(jīng)網(wǎng)絡隱含層傳遞函數(shù)選擇tansing函數(shù)，輸出層傳遞函數(shù)選擇purelin函數(shù)，訓練函數(shù)選擇Levenberg Martquardt函數(shù)，學習率為0.1。不同方法下缺陷診斷結果如圖11所示。

圖11 不同方法下缺陷診斷識別準確率Fig. 11 Average of defect diagnosis identification under different methods

由圖11可看出，EMD-SVD-SVM準確率為86.67%，小波包-SVM準確率為83.33%，EMD-SVDBP神經(jīng)網(wǎng)絡準確率為92.75%，小波包-BP神經(jīng)網(wǎng)絡準確率為82.88%，本文方法準確率為99%，說明本文方法在剛性罐道缺陷診斷方面較傳統(tǒng)的故障診斷方法存在明顯優(yōu)勢。

5 結論

（1） 利用小波變換將采集的振動加速度信號轉換為二維時頻圖像，采用試湊法最終確定cmor小波基函數(shù)處理后的二維時頻圖像的時間和頻率分辨率最佳。

（2） 改進卷積神經(jīng)網(wǎng)絡模型經(jīng)過訓練后，在訓練集上的平均準確率為99%左右，在測試集上的平均準確率為99.5%，說明改進模型可信度高。

（3） 當數(shù)據(jù)訓練至200步后，改進模型的準確率達99%以上，模型的損失函數(shù)值趨近于0，說明模型收斂性能較好，模型的泛化能力得到了增強，在學習過程中對于過擬合的抑制效果明顯，改進后的模型可信度高。

（4） 在驗證集混淆矩陣上，間隙缺陷和錯位缺陷識別準確率為100%，無缺陷識別準確率為92%。說明通過小波變換結合改進卷積神經(jīng)網(wǎng)絡模型能夠很好地對剛性罐道的故障進行診斷。

（5） 基于小波變換和改進卷積神經(jīng)網(wǎng)絡的剛性罐道故障診斷方法在剛性罐道缺陷診斷與預測方面較傳統(tǒng)的故障診斷方法存在明顯優(yōu)勢，準確率達99%。