蘭杰，李志寧，呂建剛

(陸軍工程大學(xué)石家莊校區(qū)，石家莊 050003)

0 引言

軸承是旋轉(zhuǎn)機(jī)械設(shè)備的核心部件，其健康狀態(tài)直接影響整個(gè)設(shè)備的運(yùn)行狀態(tài)。軸承在運(yùn)行過程中長(zhǎng)期承受交變載荷和高溫作用，其內(nèi)部零件易發(fā)生磨損、剝落和破裂。大量試驗(yàn)數(shù)據(jù)表明，軸承從早期故障發(fā)生到失效一般歷時(shí)較短；因此，實(shí)施精準(zhǔn)的早期故障檢測(cè)并研究軸承的退化規(guī)律，有助于幫助設(shè)備維修人員及時(shí)維護(hù)或更換故障軸承，防止引發(fā)設(shè)備其他部件的損傷，對(duì)于節(jié)約設(shè)備維修成本，避免發(fā)生安全事故具有重要意義。

精準(zhǔn)檢測(cè)早期故障的關(guān)鍵在于構(gòu)建對(duì)早期故障敏感的健康指標(biāo)。傳統(tǒng)健康指標(biāo)構(gòu)建方法一般利用現(xiàn)代信號(hào)處理技術(shù)對(duì)軸承振動(dòng)信號(hào)或聲信號(hào)進(jìn)行降噪分解后提取時(shí)域、頻域或時(shí)頻域等統(tǒng)計(jì)特征，在對(duì)多特征進(jìn)行降維或融合后構(gòu)建表征健康狀態(tài)的指標(biāo)。如文獻(xiàn)[1]對(duì)軸承振動(dòng)信號(hào)進(jìn)行變分模態(tài)分解后，選取了變化趨勢(shì)明顯的本征模量奇異值、均方根和樣本熵組成綜合特征指標(biāo)，用于軸承的早期故障診斷；文獻(xiàn)[2]提出一種基于多維度排列熵的軸承故障特征提取方法，與SVM相結(jié)合實(shí)現(xiàn)了軸承早期故障診斷。

傳統(tǒng)特征提取方法依賴于復(fù)雜的信號(hào)處理過程，在特征表達(dá)能力方面具有較大的局限性。隨著深度學(xué)習(xí)理論的發(fā)展，基于自編碼器(Auto Encoder，AE)的自適應(yīng)特征提取方法逐漸被應(yīng)用于軸承的故障診斷、異常檢測(cè)和狀態(tài)評(píng)估。與傳統(tǒng)特征提取方法相比，基于自編碼的故障診斷方法將特征提取與模式識(shí)別結(jié)合為整體，實(shí)現(xiàn)了端對(duì)端的診斷，極大簡(jiǎn)化了診斷流程。文獻(xiàn)[3]采用最大相關(guān)熵?fù)p失函數(shù)設(shè)計(jì)深度自編碼器，從軸承原始振動(dòng)信號(hào)中提取出判別性更強(qiáng)的深度特征，實(shí)現(xiàn)了軸承的早期故障診斷；文獻(xiàn)[4]利用堆疊式稀疏自動(dòng)編碼器從軸承聲信號(hào)頻譜圖中自動(dòng)提取故障特征，并采用softmax回歸實(shí)現(xiàn)故障模式分類；文獻(xiàn)[5]用深度自編碼神經(jīng)網(wǎng)絡(luò)對(duì)原始特征進(jìn)行壓縮提取，選取趨勢(shì)明顯的特征作為健康指標(biāo)實(shí)現(xiàn)了軸承健康狀態(tài)的評(píng)估；文獻(xiàn)[6]利用歸一化稀疏自編碼器構(gòu)建局部連接網(wǎng)絡(luò)提取數(shù)據(jù)的深度特征并實(shí)現(xiàn)早期故障診斷；文獻(xiàn)[7]采用變分自編碼器從軸承振動(dòng)信號(hào)頻域信息中學(xué)習(xí)潛在的狀態(tài)概率分布，用于評(píng)估軸承的狀態(tài)。

隨著機(jī)械設(shè)備的構(gòu)造和運(yùn)行過程的復(fù)雜性不斷提高，如何利用在線樣本實(shí)施快速、精準(zhǔn)的故障診斷和異常檢測(cè)成為故障診斷領(lǐng)域的新課題。傳統(tǒng)診斷方法大多基于離線診斷，難以滿足在線診斷和異常檢測(cè)的需求。極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)因較快的訓(xùn)練速度和良好的泛化能力被廣泛應(yīng)用于機(jī)械故障在線診斷領(lǐng)域[8]。文獻(xiàn)[9]提出一種基于稀疏和近鄰的流行正則化深度極限學(xué)習(xí)機(jī)，以電動(dòng)機(jī)的電路信號(hào)作為輸入實(shí)現(xiàn)了滾動(dòng)軸承的故障診斷；文獻(xiàn)[10]提出一種在線貫序極限學(xué)習(xí)機(jī)的故障診斷方法，實(shí)現(xiàn)了樣本的在線更新和診斷；文獻(xiàn)[11]為克服單個(gè)ELM模型分類精度不高和隨機(jī)設(shè)置輸入權(quán)值導(dǎo)致結(jié)果不穩(wěn)定的問題，提出一種集成極限學(xué)習(xí)機(jī)，提高了滾動(dòng)軸承多故障模式識(shí)別的準(zhǔn)確率。

自編碼器網(wǎng)絡(luò)在實(shí)現(xiàn)數(shù)據(jù)重構(gòu)的過程中，會(huì)自適應(yīng)學(xué)習(xí)到訓(xùn)練樣本的狀態(tài)分布特征，輸入測(cè)試樣本后，網(wǎng)絡(luò)會(huì)依據(jù)訓(xùn)練樣本的狀態(tài)分布重構(gòu)測(cè)試樣本，若測(cè)試樣本與訓(xùn)練樣本的狀態(tài)分布不一致，則自編碼器網(wǎng)絡(luò)對(duì)測(cè)試樣本的泛化能力會(huì)變?nèi)?，表現(xiàn)為重構(gòu)誤差增大。軸承在退化過程中，故障樣本必然會(huì)逐漸偏離健康樣本的分布，且偏離程度與故障程度呈正相關(guān)?；谏鲜鲈恚疚倪x擇軸承健康狀態(tài)樣本訓(xùn)練自編碼器,而后對(duì)軸承的在線樣本進(jìn)行測(cè)試，以在線樣本的重構(gòu)誤差作為健康指標(biāo)以反映軸承與健康狀態(tài)的偏離程度。為提高網(wǎng)絡(luò)的訓(xùn)練速度以適應(yīng)在線檢測(cè)的需求，將自編碼器與極限學(xué)習(xí)相結(jié)合，構(gòu)建極限學(xué)習(xí)機(jī)自編碼器(ELM-AE)用于樣本重構(gòu)，并采用滑動(dòng)t檢驗(yàn)檢測(cè)健康指標(biāo)發(fā)生突變的時(shí)間點(diǎn)，從而實(shí)現(xiàn)軸承的智能化早期故障檢測(cè)。

1 極限學(xué)習(xí)機(jī)自編碼器

1.1 自編碼器

自編碼器是一種無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練時(shí)無(wú)需設(shè)置標(biāo)簽，而是以輸入作為網(wǎng)絡(luò)標(biāo)簽進(jìn)行訓(xùn)練，訓(xùn)練好的自編碼器可以實(shí)現(xiàn)輸入數(shù)據(jù)的重構(gòu)并進(jìn)行抽象特征提取[12]。自編碼器結(jié)構(gòu)如圖1所示，由編碼器和解碼器2部分組成，編碼器實(shí)現(xiàn)輸入向量x向隱含層的非線性映射h，解碼器則將隱含層特征重構(gòu)為原始向量x′，整個(gè)網(wǎng)絡(luò)以輸入和輸出的誤差作為損失函數(shù)L，并通過損失函數(shù)的反向傳播不斷調(diào)整網(wǎng)絡(luò)參數(shù)，使損失函數(shù)最小。

圖1 自編碼器結(jié)構(gòu)圖

h=g(w1x+b1)，

(1)

x′=g(w2h+b2)，

(2)

(3)

式中：w1,b1分別為輸入的權(quán)值和偏置；g為非線性激活函數(shù)；w2,b2分別為隱含層輸出的權(quán)值和偏置；x′為訓(xùn)練過程中的輸出向量。

1.2 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)是對(duì)單隱藏層前饋神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)[13]，其結(jié)構(gòu)如圖2所示，圖中x和t分別為輸入向量和輸出標(biāo)簽，w,b分別為輸入層與隱含層的權(quán)值和偏置，β為隱含層與輸出層的權(quán)值。與采用梯度下降訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)不同，極限學(xué)習(xí)機(jī)訓(xùn)練時(shí)輸入層與隱含層的權(quán)值隨機(jī)生成且無(wú)需再調(diào)整，隱含層與輸出層之間的權(quán)值則通過最小二乘法直接求解，計(jì)算公式為

Hβ=T，

(4)

β=H+T，

(5)

式中：H為隱含層向量hi(i=1，2，…，n)構(gòu)成的隱含層矩陣；n為輸入樣本的數(shù)量；T為樣本標(biāo)簽向量構(gòu)成的矩陣；H+為H的廣義逆矩陣?；谧钚《朔?，整個(gè)算法的求解過程無(wú)需反饋迭代調(diào)整，既實(shí)現(xiàn)了單隱藏層前饋神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力[14]，又具備訓(xùn)練參數(shù)少，學(xué)習(xí)速度快和泛化能力強(qiáng)的優(yōu)點(diǎn)。

圖2 極限學(xué)習(xí)機(jī)結(jié)構(gòu)

1.3 極限學(xué)習(xí)機(jī)自編碼器

傳統(tǒng)自編碼器是基于梯度下降求解的神經(jīng)網(wǎng)絡(luò)，當(dāng)各層神經(jīng)元數(shù)量較多時(shí)，網(wǎng)絡(luò)訓(xùn)練耗時(shí)較長(zhǎng)且容易陷入局部最優(yōu)解。ELM也是單隱層神經(jīng)網(wǎng)絡(luò)，將其輸出用輸入表示時(shí)，可通過訓(xùn)練實(shí)現(xiàn)自編碼器的功能且能夠克服傳統(tǒng)自編碼器的不足，顯著提升模型的泛化能力和訓(xùn)練速度[15]。

假定極限學(xué)習(xí)機(jī)自編碼器的輸入樣本數(shù)為n，輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)數(shù)均為l，隱含層節(jié)點(diǎn)數(shù)為m，則對(duì)于輸入樣本矩陣X=[x1,x2,…,xn]，x∈Rl且可在訓(xùn)練過程中作為網(wǎng)絡(luò)輸出向量。ELM-AE的隱藏層單元向量為

h=g(W·x+b)，

(6)

為提高模型的泛化能力，一般將隨機(jī)生成的輸入權(quán)重和偏置做正交化處理，即(W,b)需滿足

WWT=I,bbT=I。

(7)

隱含層h與輸出x′之間的關(guān)系為

hβ=x′，

(8)

式中：x′為ELM-AE訓(xùn)練時(shí)的輸出。

將ELM-AE損失函數(shù)設(shè)定為

(9)

對(duì)β求導(dǎo)可得輸出權(quán)值β的最優(yōu)解，即

(10)

式中：C為正則化系數(shù)，其值直接影響ELM的泛化性能。

2 基于ELM-AE的早期故障檢測(cè)方法

軸承處于健康狀態(tài)時(shí)，其振動(dòng)信號(hào)的頻譜會(huì)保持相對(duì)穩(wěn)定，在進(jìn)入性能退化階段后，故障特征頻率所對(duì)應(yīng)的基頻和倍頻在頻譜中的幅值會(huì)隨著故障加深而增大，由此導(dǎo)致頻譜成分發(fā)生變化。因此，本文選取軸承健康狀態(tài)下振動(dòng)信號(hào)的希爾伯特包絡(luò)頻譜作為樣本訓(xùn)練ELM-AE，然后利用訓(xùn)練好的ELM-AE對(duì)軸承在線振動(dòng)信號(hào)包絡(luò)譜進(jìn)行檢測(cè)，并將真實(shí)頻譜與重構(gòu)頻譜的誤差作為健康指標(biāo)。

早期故障發(fā)生時(shí)，軸承的頻譜與健康狀態(tài)有明顯差異，導(dǎo)致重構(gòu)誤差突然增大。為更好地實(shí)現(xiàn)軸承的智能化早期故障預(yù)警，避免人為干預(yù)，采用滑動(dòng)t檢驗(yàn)獲取健康指標(biāo)首次突增的時(shí)間。滑動(dòng)t檢驗(yàn)是一種常用于檢驗(yàn)氣候時(shí)間序列是否發(fā)生突變的異常數(shù)據(jù)檢驗(yàn)方法，其通過檢驗(yàn)時(shí)間序列中2段子序列均值差異的顯著性水平反映2段子序列的差異，當(dāng)均值差異超過給定的顯著性水平時(shí)，認(rèn)為序列有突變發(fā)生。

(11)

(12)

統(tǒng)計(jì)量t服從自由度為v=n1+n2-2的t分布。在給定顯著性水平α下,若|t|≥tα，則認(rèn)為該序列在基準(zhǔn)點(diǎn)處發(fā)生了突變。當(dāng)通過滑動(dòng)t檢驗(yàn)檢測(cè)到健康指標(biāo)發(fā)生突變，可判定軸承發(fā)生早期故障。

如圖3所示，將軸承的性能退化分析和早期故障檢測(cè)過程分為離線和在線2個(gè)階段。

離線階段：獲取軸承健康狀態(tài)下的多段振動(dòng)信號(hào)，取每段信號(hào)希爾伯特包絡(luò)譜的前1 280個(gè)幅值作為樣本訓(xùn)練ELM-AE，這是由于軸承故障特征頻率一般處于低頻帶，前1 280個(gè)幅值所代表的低頻信息即可表征軸承的故障特征。

在線階段：

1)在線獲取軸承的振動(dòng)信號(hào)并計(jì)算每段信號(hào)的希爾伯特包絡(luò)譜，采樣頻率和采樣時(shí)長(zhǎng)與離線樣本一致。

2)將每段信號(hào)包絡(luò)譜的前1 280個(gè)幅值作為測(cè)試樣本，即xi=(fi1,fi2,…,fi1 280)，按時(shí)間順序依次將xi輸入訓(xùn)練好的ELM-AE中，網(wǎng)絡(luò)輸出重構(gòu)數(shù)據(jù)x′i=(f′i1,f′i2,…,f′i1 280)，計(jì)算測(cè)試樣本的重構(gòu)誤差ei，即

ei=‖xi-x′i‖2。

(13)

3)將ei作為軸承的健康指標(biāo)，按時(shí)間順序生成健康指標(biāo)序列e。利用滑動(dòng)t檢驗(yàn)逐步檢測(cè)e是否產(chǎn)生突變，產(chǎn)生突變后可判定軸承早期故障發(fā)生，軸承進(jìn)入性能退化階段。

圖3 軸承早期故障檢測(cè)流程圖

3 試驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)集

采用XJTU-SY 軸承數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。試驗(yàn)平臺(tái)設(shè)計(jì)如圖4所示，試驗(yàn)軸承為L(zhǎng)DKUER204，振動(dòng)信號(hào)采樣頻率為25.6 kHz，采樣間隔為1 min，每次采樣時(shí)長(zhǎng)為1.28 s。當(dāng)振動(dòng)信號(hào)最大幅值超過10Ah時(shí)認(rèn)定軸承失效并終止試驗(yàn)，Ah為軸承正常運(yùn)行階段的最大振動(dòng)幅值[16]。該試驗(yàn)共設(shè)計(jì)了3類工況(表1)，每類工況包含5種水平和垂直的軸承全壽命振動(dòng)數(shù)據(jù)，且明確標(biāo)注了每套軸承的具體失效部位，數(shù)據(jù)集的具體描述見表2。

圖4 軸承壽命加速試驗(yàn)平臺(tái)

表1 軸承壽命加速試驗(yàn)工況表

表2 XJTU-SY軸承數(shù)據(jù)集表

3.2 建立軸承健康指標(biāo)

由于試驗(yàn)均從軸承完好狀態(tài)開始進(jìn)行，因此認(rèn)為軸承運(yùn)行初期處于健康狀態(tài)，選取3-1數(shù)據(jù)集前100次采樣的振動(dòng)信號(hào)包絡(luò)譜作為健康樣本訓(xùn)練ELM-AE。ELM-AE的網(wǎng)絡(luò)泛化能力受隱含層神經(jīng)元數(shù)m和正則化系數(shù)C的影響，為使ELM-AE測(cè)試其他工況軸承數(shù)據(jù)時(shí)的重構(gòu)誤差最小，利用1-1和1-2數(shù)據(jù)集各前100個(gè)樣本共同作為測(cè)試樣本，以測(cè)試樣本健康指標(biāo)之和作為優(yōu)化參數(shù)，采用網(wǎng)格化搜索方式優(yōu)化ELM-AE的隱含層神經(jīng)元數(shù)和正則化系數(shù)設(shè)置m為{500,600,…,3 000},C為{10-3,10-2,…,104},則m和C在不同取值下重構(gòu)誤差的網(wǎng)格化結(jié)果如圖5所示：

“風(fēng)云莫測(cè)”一類的話語(yǔ)，用在內(nèi)蒙的云上可能最是貼切。例如第四天在曼陀山邊達(dá)日罕小鎮(zhèn)“龍泉賓館”早起出發(fā)時(shí)晨晨說(shuō)“天不好，沒云；多半會(huì)一路暴曬了”；可此話后不過一個(gè)時(shí)辰，就無(wú)中生有地?zé)o意間積聚了甚多的云，開始還是羞答答貼著地平線或地平線一帶的平矮低山溜達(dá)，爾后隨著太陽(yáng)的高升和氣溫的提升開始變得越來(lái)越登堂入室、越來(lái)越肆無(wú)忌憚，像往日一般東一抹西一抹地步步拉高，最終是布滿湛藍(lán)的天庭。

圖5 重構(gòu)誤差網(wǎng)格化圖

重構(gòu)誤差隨隱含層神經(jīng)元數(shù)量增多而逐漸減小， 正則化系數(shù)對(duì)重構(gòu)誤差的影響相對(duì)較小，由于模型訓(xùn)練和測(cè)試時(shí)間會(huì)隨隱藏層神經(jīng)元數(shù)量增多而明顯增長(zhǎng)，綜合考慮后選取隱藏層神經(jīng)元數(shù)量為2 000，網(wǎng)絡(luò)正則化系數(shù)為0.001。

不同工況下，由上述健康指標(biāo)建立的軸承退化曲線如圖6所示：各工況下軸承的健康指標(biāo)均在運(yùn)行初期保持平穩(wěn)，隨著運(yùn)行時(shí)間增長(zhǎng)在某一時(shí)刻突然升高，而后持續(xù)增長(zhǎng)，最后在失效階段急劇升高。退化過程表明，軸承運(yùn)行初期處于健康平穩(wěn)狀態(tài)，在指標(biāo)突變處發(fā)生早期故障，而后進(jìn)入退化階段直至失效。圖中多套軸承的健康指標(biāo)在進(jìn)入退化階段后并非一直呈現(xiàn)單調(diào)遞增趨勢(shì)，如軸承2-5運(yùn)行200 min后的健康指標(biāo)呈下降趨勢(shì)，這是由于軸承進(jìn)入退化階段后，由于高溫和載荷的作用，會(huì)對(duì)磨損、剝落等表面損傷形成撫平作用，導(dǎo)致軸承在退化階段的故障程度有所減弱，表現(xiàn)為健康指標(biāo)下降，此類傷口撫平作用可能會(huì)在退化過程中多次發(fā)生，因此健康指標(biāo)在軸承退化階段出現(xiàn)階段性下降符合工程實(shí)際。

圖6 不同工況下各試驗(yàn)軸承的性能退化趨勢(shì)

3.3 基于滑動(dòng)t檢驗(yàn)的健康指標(biāo)突變檢測(cè)

為減少人為干預(yù)，實(shí)現(xiàn)軸承的智能化早期故障預(yù)警，采用滑動(dòng)t檢驗(yàn)獲取健康指標(biāo)發(fā)生異常突變的時(shí)間。對(duì)于滑動(dòng)t檢驗(yàn)，需確定2個(gè)滑動(dòng)子序列的長(zhǎng)度n和顯著性水平α，n選值過大會(huì)造成早期故障預(yù)警的遲滯，α過大則導(dǎo)致tα過小，無(wú)法過濾指標(biāo)在穩(wěn)態(tài)下的正常波動(dòng)，造成提前誤警。選定檢測(cè)基準(zhǔn)點(diǎn)前后子序列長(zhǎng)度均為5(即自由度ν=8)，顯著性水平α為0.000 5(查表可得tα=5.041 3)。工況1和工況2下，試驗(yàn)軸承首次突變的檢驗(yàn)結(jié)果如圖7所示：在顯著性水平為0.000 5時(shí)，所設(shè)置的tα閾值可有效檢測(cè)健康指標(biāo)發(fā)生突變的時(shí)間，適用于軸承早期故障在線預(yù)警。其中，軸承1-4的健康指標(biāo)未超過閾值，是由于采樣數(shù)據(jù)中該軸承在最后1 min才進(jìn)入退化階段，運(yùn)行過程中未出現(xiàn)突變。

圖7 工況1，2下各試驗(yàn)軸承的異常檢驗(yàn)結(jié)果

3.4 試驗(yàn)結(jié)果分析

軸承的早期故障一般是因長(zhǎng)期承載和潤(rùn)滑失效所致的局部點(diǎn)狀磨損、疲勞剝落和裂紋等，故障初期的損傷面較小，微弱故障導(dǎo)致的周期性沖擊分量容易被噪聲淹沒，在對(duì)信號(hào)進(jìn)行降噪分解前難以直接在原始振動(dòng)信號(hào)中觀測(cè)到?jīng)_擊分量。發(fā)生早期故障后，各故障部位對(duì)應(yīng)的特征頻率或其倍頻在頻譜中的幅值會(huì)明顯增加，因此可通過分析頻譜變化檢驗(yàn)是否發(fā)生早期故障。

分別以軸承1-2，2-4，2-1為例進(jìn)行分析，各軸承不同時(shí)刻振動(dòng)信號(hào)的包絡(luò)譜如圖8所示：

1)軸承1-2第32 min時(shí)健康指標(biāo)發(fā)生突變，其第1，31 min時(shí)刻包絡(luò)譜的成分和幅值并無(wú)明顯變化，頻譜峰值對(duì)應(yīng)的頻率為轉(zhuǎn)速的基頻(35 Hz)，表明該時(shí)間段內(nèi)軸承為健康狀態(tài)；第32 min時(shí)的頻譜峰值對(duì)應(yīng)頻率變化為860.0 Hz，近似于外圈故障特征頻率(107.9 Hz)的8倍頻，次峰值對(duì)應(yīng)頻率為216.4 Hz，近似于外圈故障特征頻率的2倍頻，說(shuō)明軸承在第32 min時(shí)出現(xiàn)外圈故障。

2)軸承2-4第31 min的頻譜峰值變?yōu)?89.8 Hz，對(duì)應(yīng)于外圈故障特征頻率(115.6 Hz)的6倍頻，說(shuō)明軸承在31 min發(fā)生了外圈早期故障。

3)軸承2-1第454 min的頻譜中出現(xiàn)了365.6 Hz的成分，近似于軸承內(nèi)圈故障特征頻率(184.4 Hz)的2倍頻，但整體幅值與第1 min的頻譜相比并無(wú)明顯變化；第455 min時(shí)頻譜峰值顯著增加，且出現(xiàn)了近似于于內(nèi)圈故障特征頻率5倍頻的934.4 Hz，說(shuō)明此時(shí)內(nèi)圈已經(jīng)開始出現(xiàn)故障，但故障比較微弱。

上述分析表明：基于ELM-AE重構(gòu)誤差所建立的軸承健康指標(biāo)對(duì)軸承早期故障比較敏感，能夠準(zhǔn)確描述軸承的退化過程，利用滑動(dòng)t檢驗(yàn)可以準(zhǔn)確獲取軸承發(fā)生早期故障的時(shí)間。

軸承1-2全壽命振動(dòng)信號(hào)的標(biāo)準(zhǔn)差、峭度和均方根及其突變點(diǎn)檢測(cè)結(jié)果如圖9所示，峭度指標(biāo)的單調(diào)性較差，不能準(zhǔn)確描述軸承退化過程， 均方根和標(biāo)準(zhǔn)差在第31 min時(shí)的變化并不明顯。采用滑動(dòng)t檢驗(yàn)獲取峭度、均方根和標(biāo)準(zhǔn)差的突變時(shí)間點(diǎn)，結(jié)果表明這3個(gè)指標(biāo)獲取的突變時(shí)間點(diǎn)均滯后于本文健康指標(biāo)的檢測(cè)結(jié)果。

(a)軸承1-2

(b)軸承2-4

(c)軸承2-1

(a)標(biāo)準(zhǔn)差 (b)峭度 (c)均方根

為說(shuō)明本文方法在軸承在線檢測(cè)方面的有效性和優(yōu)勢(shì)性，與同樣采用無(wú)監(jiān)督構(gòu)建健康指標(biāo)的方法[17]進(jìn)行對(duì)比，2種方法對(duì)軸承早期故障的預(yù)警結(jié)果見表3，本文方法對(duì)軸承2-5的早期故障預(yù)警時(shí)間早于文獻(xiàn)[17]，其他預(yù)警時(shí)間基本一致。文獻(xiàn)[17]采用深度可分離卷積自編碼器構(gòu)建軸承深度特征提取模型，訓(xùn)練好模型后用于提取在線樣本的深度特征，計(jì)算在線樣本深度特征與健康狀態(tài)深度特征的Bray-Curtis 距離，在平滑濾波后采用3σ原則實(shí)現(xiàn)早期故障預(yù)警；需要建立多層復(fù)雜的特征提取模型，訓(xùn)練模型時(shí)需采集多套軸承的全壽命數(shù)據(jù)集作為樣本，導(dǎo)致其訓(xùn)練時(shí)間長(zhǎng)。本文方法僅需采集軸承健康狀態(tài)下的少量樣本訓(xùn)練模型即可，模型結(jié)構(gòu)為單隱層的ELM-AE，而且 ELM的訓(xùn)練速度具有極大優(yōu)勢(shì)，在同等故障預(yù)警精度下，本文模型具有訓(xùn)練樣本少，訓(xùn)練速度快的優(yōu)點(diǎn)。

表3 早期故障預(yù)警結(jié)果對(duì)比

4 結(jié)論

針對(duì)軸承早期故障檢測(cè)和性能退化過程描述問題，基于軸承在線監(jiān)測(cè)數(shù)據(jù)的動(dòng)態(tài)變化，提出了一種基于無(wú)監(jiān)督ELM-AE的健康指標(biāo)構(gòu)建方法，并用XJTU-SY 軸承數(shù)據(jù)集進(jìn)行了試驗(yàn)驗(yàn)證，主要結(jié)論如下：

1)基于極限學(xué)習(xí)機(jī)自編器重構(gòu)誤差所構(gòu)建的健康指標(biāo)能較好描述軸承的性能退化過程，對(duì)軸承的早期故障比較敏感，能明顯區(qū)分軸承的健康狀態(tài)和退化階段。

2)采用的滑動(dòng)t檢驗(yàn)可有效獲取軸承健康指標(biāo)首次發(fā)生突變的時(shí)間，適用于軸承的在線智能故障預(yù)警。

3)與基于深度神經(jīng)網(wǎng)絡(luò)的模型相比，本文方法具有模型結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練樣本少，訓(xùn)練速度快和精度高的優(yōu)點(diǎn)。