韓 波，章榮麗

(1.商洛學(xué)院 數(shù)學(xué)與計(jì)算機(jī)應(yīng)用學(xué)院，陜西 商洛 726000；2.秦嶺康養(yǎng)大數(shù)據(jù)陜西省高校工程研究中心，陜西 商洛 726000)

0 引言

軸承是機(jī)械設(shè)備中最核心的零部件之一，由于軸承的工作周期長(zhǎng)且在工作中承受巨大的擠壓力，因此容易損壞[1]。有相關(guān)數(shù)據(jù)統(tǒng)計(jì)：在旋轉(zhuǎn)機(jī)械中有近30%的故障來(lái)源于軸承，一旦軸承發(fā)生故障或斷裂將直接導(dǎo)致設(shè)備拋錨或引起生產(chǎn)線停工，甚至?xí){到操作者的人身安全。軸承在出現(xiàn)性能衰減或發(fā)生故障前會(huì)出現(xiàn)一定征兆，通過(guò)對(duì)軸承性能的評(píng)估可以相對(duì)準(zhǔn)確地掌握軸承的工作狀態(tài)[2]，并采取相應(yīng)預(yù)防措施避免由于軸承損壞而出現(xiàn)突發(fā)狀況。評(píng)估軸承的工作狀態(tài)或?qū)S承是否存在故障進(jìn)行在線診斷，都要基于傳感器獲取到軸承工作中的各種狀態(tài)信息，具體包括振動(dòng)信號(hào)[3]、聲學(xué)信號(hào)[4]、溫度信息[5]等，再通過(guò)對(duì)軸承工作狀態(tài)信息的分析最終判斷出軸承的性能是否已經(jīng)出現(xiàn)了衰減。在軸承性能的評(píng)估過(guò)程中故障特征提取是應(yīng)用最為廣泛的方法之一，與故障診斷不同對(duì)軸承性能衰減的評(píng)估不僅要判斷出軸承是否出現(xiàn)了異常，還要對(duì)軸承性能退化的程度進(jìn)行分析和判斷，因此對(duì)軸承性能衰減評(píng)估的難度更大。文獻(xiàn)[6]提出一種基于信號(hào)頻域分析的特征提取方法，根據(jù)傳感器提取信號(hào)的峰值、峭度值評(píng)估出軸承性能衰減的程度。但該種評(píng)估方案的缺點(diǎn)是基于故障信號(hào)的單個(gè)或少量幾個(gè)特征，無(wú)法全面、準(zhǔn)確和有效地評(píng)估出軸承的真實(shí)狀態(tài)；文獻(xiàn)[7]提出一種基于PCA(主成分分析)的評(píng)估方法，先對(duì)采集到的高維軸承故障信號(hào)進(jìn)行降維和降噪處理，再得到軸承工作中的表征狀態(tài)值進(jìn)而實(shí)現(xiàn)對(duì)軸承狀態(tài)的評(píng)估。PCA評(píng)估方法主要采用特征融合的方式進(jìn)行評(píng)估，優(yōu)勢(shì)在于無(wú)需進(jìn)行復(fù)雜的參數(shù)優(yōu)選，計(jì)算復(fù)雜度相對(duì)較低。但該種方法更適合于對(duì)線性信號(hào)的評(píng)估和分析，如果故障集較為復(fù)雜、規(guī)模較大或存在典型的非線性特征，評(píng)估的準(zhǔn)確率和可靠性將有所降低由此可見(jiàn)，現(xiàn)有評(píng)估方法的絕大多數(shù)已設(shè)置特征有效性，只針對(duì)特定應(yīng)用信息或數(shù)據(jù)，其使用片面性過(guò)強(qiáng)，且可遷移性水平較差。在特征值提取的過(guò)程中，系數(shù)指標(biāo)計(jì)算流程過(guò)于繁瑣，導(dǎo)致數(shù)據(jù)可計(jì)算性性能持續(xù)下降。這些特征參量雖具有一定強(qiáng)度的泛化處理能力，但在沒(méi)有明確先驗(yàn)知識(shí)的情況下，并不能描述出原事物的顯著特征[8]。

而隨著卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，稀疏組合算法逐漸取代了傳統(tǒng)的手工設(shè)置特征方法，且已經(jīng)被廣泛應(yīng)用于數(shù)據(jù)分類、信息識(shí)別等多個(gè)領(lǐng)域之中。在卷積神經(jīng)網(wǎng)絡(luò)中，稀疏節(jié)點(diǎn)始終保持組合排列的存在形式，卷積層結(jié)構(gòu)可從卷積核中直接分理出后續(xù)評(píng)估處理所需的實(shí)際信息參量，并自動(dòng)對(duì)這些特征值進(jìn)行分類，從而對(duì)網(wǎng)絡(luò)組合權(quán)值進(jìn)行調(diào)整，得到一個(gè)相對(duì)完整的復(fù)雜網(wǎng)絡(luò)擬合數(shù)據(jù)訓(xùn)練模型[9-10]。以往進(jìn)行軸承性能衰減評(píng)估的研究需要以全壽命周期參考數(shù)據(jù)作為支持，此方法不能利用數(shù)學(xué)模型對(duì)數(shù)據(jù)信息進(jìn)行采集，且軸承設(shè)備的實(shí)用壽命相對(duì)較長(zhǎng)，在采集全壽命周期參考數(shù)據(jù)時(shí)不僅需要耗費(fèi)大量時(shí)間，也會(huì)因人為設(shè)定參數(shù)的影響，造成評(píng)估結(jié)果可解釋性交叉的情況，這也無(wú)形當(dāng)中增加了綜合性評(píng)估成本。而在卷積稀疏組合算法的作用下，軸承設(shè)備的全壽命周期數(shù)據(jù)采集壓力不斷減小，各指標(biāo)也不再對(duì)軸承性能的退化表現(xiàn)能力造成影響，隨著衰減自相關(guān)函數(shù)的完善，譜相關(guān)密度估計(jì)值具備了較強(qiáng)的一致性，這也大大減輕了軸承性能衰減評(píng)估所面臨的數(shù)據(jù)計(jì)算與數(shù)據(jù)處理壓力。

1 基于卷積稀疏組合算法的軸承性能識(shí)別

針對(duì)軸承性能識(shí)別的具體需求并利用深度學(xué)習(xí)算法的優(yōu)勢(shì)，本章引入卷積稀疏組合算法，分別從卷積神經(jīng)網(wǎng)絡(luò)框架、稀疏組合子采樣層、稀疏判別準(zhǔn)則三個(gè)方面展開(kāi)研究，以提升對(duì)軸承新能評(píng)估的準(zhǔn)確性和可靠性。

1.1 卷積稀疏組合算法的總體框架

卷積稀疏組合算法的總體框架是一個(gè)極為穩(wěn)定的信息識(shí)別結(jié)構(gòu)，在多個(gè)層級(jí)節(jié)點(diǎn)的共同作用下，輸入信息可經(jīng)過(guò)多次轉(zhuǎn)換，從而成為稀疏組合算法所需的應(yīng)用信息參量。卷積稀疏組合算法總體框架基于卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)而成，在框架設(shè)計(jì)上卷積神經(jīng)網(wǎng)絡(luò)框架與普通神經(jīng)網(wǎng)絡(luò)框架類似，都由輸入節(jié)點(diǎn)、過(guò)渡節(jié)點(diǎn)、輸出節(jié)點(diǎn)共同組成，但卷積稀疏組合框架在數(shù)據(jù)集訓(xùn)練效率和框架總體性能等方面，做了進(jìn)一步的優(yōu)化和增強(qiáng)。其中，輸入節(jié)點(diǎn)能夠順應(yīng)稀疏組合算法的執(zhí)行需求，對(duì)相關(guān)軸承性能信息進(jìn)行提取[11]。過(guò)渡節(jié)點(diǎn)則包含稀疏節(jié)點(diǎn)和頻繁卷積節(jié)點(diǎn)兩類，前者在對(duì)應(yīng)軸承性能信息的同時(shí)，為稀疏組合算法提供所需的傳輸數(shù)據(jù)參量，后者則主要負(fù)責(zé)對(duì)軸承性能信息進(jìn)行深度的轉(zhuǎn)化與處理。輸出節(jié)點(diǎn)與軸承性能輸出信息對(duì)應(yīng)，能夠反映卷積神經(jīng)網(wǎng)絡(luò)框架內(nèi)稀疏組合算法的進(jìn)行過(guò)程，且通常情況下，所輸出信息中包含的全部數(shù)據(jù)參量都能與原始輸入信息保持一一對(duì)應(yīng)關(guān)系[12]。

圖1 卷積神經(jīng)網(wǎng)絡(luò)框架示意圖

采用了稀疏節(jié)點(diǎn)和頻繁卷積節(jié)點(diǎn)的組合方式，優(yōu)勢(shì)在于結(jié)合了稀疏節(jié)點(diǎn)在參數(shù)選擇和閾值設(shè)定方面的優(yōu)勢(shì)，有助于避免參數(shù)集過(guò)大和神經(jīng)參數(shù)優(yōu)選過(guò)程過(guò)于復(fù)雜，而導(dǎo)致訓(xùn)練過(guò)程中出現(xiàn)模型梯度膨脹和梯度消失的異常狀態(tài)；頻繁卷積節(jié)點(diǎn)的設(shè)計(jì)優(yōu)勢(shì)在于顯著提升對(duì)復(fù)雜多元異構(gòu)數(shù)據(jù)集的訓(xùn)練能力。卷積神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)僅與相鄰兩層隱含層的節(jié)點(diǎn)相鄰，同一層節(jié)點(diǎn)之間不存在相互干擾的情況，頻繁卷積層的復(fù)雜程度依據(jù)輸入故障集的復(fù)雜程度而定，且與稀疏節(jié)點(diǎn)的數(shù)量及層次相匹配。

1.2 稀疏組合子采樣層

(1)

輸入的故障信息先進(jìn)入到稀疏子采樣層，模糊濾波器根據(jù)采樣頻率，可以濾除系統(tǒng)噪聲和環(huán)境噪聲的干擾。在稀疏節(jié)點(diǎn)的分類優(yōu)選下不同的故障類型被預(yù)分類，而且不會(huì)增加模型和子采樣層的復(fù)雜度，縮放因子p實(shí)現(xiàn)了對(duì)輸入故障集的預(yù)處理和分類，有助于提升卷積層對(duì)數(shù)據(jù)集訓(xùn)練性能和訓(xùn)練效率。

1.3 軸承性能稀疏表示判別準(zhǔn)則

通常情況下，軸承性能稀疏判別分類采用卷積組合的最小恢復(fù)殘差機(jī)制，即所有待測(cè)樣本數(shù)據(jù)都會(huì)在衰減評(píng)估過(guò)程中被歸為殘差值最小的那一類組合條件。在稀疏組合子采樣層的支持下，卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建不再完全遵照最小分類準(zhǔn)則，而是可以依照不同殘差指標(biāo)的性能統(tǒng)計(jì)結(jié)果，確定判別時(shí)的近似性能數(shù)據(jù)誤差，從而減小最終的信息疏離程度[15]。在對(duì)待不同的軸承性能衰減參量yi(i=1，2，…，n)進(jìn)行稀疏分類時(shí)，將計(jì)算所得的卷積組合殘差值按照從小到大的順序進(jìn)行排列，并按照排序所獲的先后次序條件對(duì)這些系數(shù)值進(jìn)行衰減性能投票，其中殘差值越小的系數(shù)所獲得的投票量就越大，殘差值越大的系數(shù)所獲得的投票量就越小，而當(dāng)實(shí)際數(shù)值指標(biāo)超過(guò)一定的次序量后，投票值則直接歸為0[16]。設(shè)xi(i=1，2，…，n)代表與軸承性能衰減參量yi(i=1，2，…，n)匹配的卷積神經(jīng)網(wǎng)絡(luò)組合節(jié)點(diǎn)系數(shù)，聯(lián)立公式(1)，可將軸承性能稀疏表示判別準(zhǔn)則定義為：

(2)

其中：β為卷積神經(jīng)網(wǎng)絡(luò)中的近似性能數(shù)據(jù)誤差值，u1，u2，…，un為n個(gè)不同的投票量系數(shù)i取值條件。當(dāng)輸入卷積神經(jīng)網(wǎng)絡(luò)的故障集進(jìn)入到頻繁卷積層后，樣本的分布特征具有較強(qiáng)的隨機(jī)性，為了更加準(zhǔn)確地提取到不同故障類型的特征，并通過(guò)數(shù)據(jù)融合的方式綜合評(píng)定出軸承的工作狀態(tài)和使用壽命，還要對(duì)隨機(jī)生成的大量訓(xùn)練樣本及樣本標(biāo)簽進(jìn)行對(duì)應(yīng)的線性插值，便于實(shí)現(xiàn)對(duì)輸入樣本的均衡比對(duì)。但在線性插值后，對(duì)故障集訓(xùn)練過(guò)程會(huì)產(chǎn)生冗余的虛擬樣本，并增加了參數(shù)選擇的復(fù)雜度及可能會(huì)降低數(shù)據(jù)集的訓(xùn)練效率。此時(shí)，可以利用卷積稀疏組合算法調(diào)整激活函數(shù)的有效閾值控制區(qū)間和學(xué)習(xí)率，與其他的數(shù)據(jù)增強(qiáng)算法不同，稀疏組合的采樣方式不會(huì)增加神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度，還可以讓卷積神經(jīng)網(wǎng)絡(luò)的隱含層學(xué)習(xí)訓(xùn)練規(guī)律，同時(shí)降低系統(tǒng)存在的泛化誤差。

2 軸承性能衰減評(píng)估策略

在卷積稀疏組合算法的約束下，軸承性能衰減具有典型的循環(huán)平穩(wěn)性特征，因此，在對(duì)其進(jìn)行評(píng)估時(shí)，必須提出更具有針對(duì)性的處理方法，且必須對(duì)軸承設(shè)備自身的性能衰減行為進(jìn)行準(zhǔn)確定義。所謂軸承性能衰減是設(shè)備元件自身所具備的性能變化行為，通常情況下，不同節(jié)點(diǎn)處的軸承性能衰減程度也會(huì)有所不同[17]。因此，選取多個(gè)節(jié)點(diǎn)處的軸承性能衰減特征作為數(shù)據(jù)來(lái)源，對(duì)其進(jìn)行均值求取處理，將計(jì)算所得數(shù)值作為核心性能衰減指標(biāo)，并規(guī)定該數(shù)值量始終存在于軸承元件的中心位置處[18]。假定任意選定的s1，s2，…，sn為所選取的n個(gè)不同節(jié)點(diǎn)處的軸承性能衰減特征值，且這些數(shù)值指標(biāo)間的組合方式始終滿足卷積稀疏算法，基于此可將計(jì)算所需的核心軸承性能衰減特征值表示為：

(3)

若規(guī)定Rs代表軸承性能衰減特征的定義結(jié)果，則在衰減系數(shù)為λ的情況下，可將Rs定義式描述為：

(4)

2.1 衰減自相關(guān)函數(shù)

軸承衰減自相關(guān)函數(shù)是一個(gè)以評(píng)估時(shí)間和衰減頻率為變量條件的二元函數(shù)，在已知性能衰減定義結(jié)果的情況下，遵循中心衰減節(jié)點(diǎn)處的卷積稀疏組合算法，就能得到最終的函數(shù)計(jì)算結(jié)果[19]。

圖2為一個(gè)標(biāo)準(zhǔn)的軸承元件示意圖，在其轉(zhuǎn)動(dòng)過(guò)程中，外界受力的施加方向始終為豎直向下。而隨著外力作用的影響，主動(dòng)輪首先進(jìn)入轉(zhuǎn)動(dòng)狀態(tài)，在慣性作用下，從動(dòng)輪也逐漸進(jìn)入轉(zhuǎn)動(dòng)狀態(tài)，但其實(shí)際轉(zhuǎn)速始終低于主動(dòng)輪[20]。衰減節(jié)點(diǎn)存在于主動(dòng)輪、從動(dòng)輪之間，由其原地旋轉(zhuǎn)所產(chǎn)生的外力衰減作用，即為軸承性能的衰減結(jié)果。設(shè)軸承相關(guān)衰減節(jié)點(diǎn)的直徑為d，外界轉(zhuǎn)動(dòng)受力為F，聯(lián)立公式(4)，可將軸承元件的性能衰減自相關(guān)函數(shù)定義為：

圖2 軸承示意圖

(5)

其中：θ為相鄰衰減節(jié)點(diǎn)圓心延長(zhǎng)線間的物理夾角，D為轉(zhuǎn)動(dòng)受力的力臂，kmin為最小的轉(zhuǎn)動(dòng)動(dòng)量，kmax為最大的轉(zhuǎn)動(dòng)動(dòng)量。

2.2 譜相關(guān)密度估計(jì)

(6)

2.3 評(píng)估平穩(wěn)性分析

在已知譜相關(guān)密度條件的情況下，評(píng)估平穩(wěn)性成為衡量軸承性能衰減評(píng)估可靠性的關(guān)鍵性系數(shù)指標(biāo)，若將卷積稀疏組合算法的作用能力考慮在內(nèi)，則可認(rèn)為一切影響軸承應(yīng)能的參考數(shù)值量，都屬于評(píng)估平穩(wěn)性分析的范疇之中。根據(jù)軸承結(jié)構(gòu)體的振動(dòng)循環(huán)平穩(wěn)特征可知，在其性能衰減的過(guò)程中，輪狀組織、衰減節(jié)點(diǎn)的轉(zhuǎn)動(dòng)方向均保持不變，因此可以此條件作為評(píng)估平穩(wěn)性分析方程建立的數(shù)值參考依據(jù)。規(guī)定+?代表軸承結(jié)構(gòu)體的轉(zhuǎn)動(dòng)正方向，-?代表軸承結(jié)構(gòu)體的轉(zhuǎn)動(dòng)負(fù)方向(不同結(jié)構(gòu)元件的轉(zhuǎn)動(dòng)方向可用下角標(biāo)1、2、……進(jìn)行區(qū)分)，設(shè)2φ代表軸承性能的直衰周期，聯(lián)立式(6)，可將軸承性能的衰減評(píng)估平穩(wěn)性分析結(jié)果表示為：

(7)

其中：k為軸承性能指標(biāo)在單位時(shí)間內(nèi)的行為化衰減特征值，σmin為最小的極限衰減幅度值，σmax為最大的極限衰減幅度值，+?1為輪狀組織的轉(zhuǎn)動(dòng)正方向，+?2為衰減節(jié)點(diǎn)的轉(zhuǎn)動(dòng)正方向，-?1為輪狀組織的轉(zhuǎn)動(dòng)負(fù)方向，-?2為衰減節(jié)點(diǎn)的轉(zhuǎn)動(dòng)負(fù)方向?；谏鲜隼碚撘罁?jù)，以評(píng)估平穩(wěn)性分析結(jié)果作為考核軸承性能衰減評(píng)估情況的關(guān)鍵判別條件，若計(jì)算結(jié)果在合理偏差范圍內(nèi)，則認(rèn)為該評(píng)估方法有效，否則則可重新選取數(shù)值參量進(jìn)行二次評(píng)估與計(jì)算。

3 實(shí)驗(yàn)部分

軸承性能衰減與性能退化指標(biāo)是造成軸承性能出現(xiàn)衰減情況的重要數(shù)值條件，由于這些指標(biāo)受到外界條件的干擾性相對(duì)較小，故常被用作仿真實(shí)驗(yàn)的參考數(shù)值。

3.1 實(shí)驗(yàn)設(shè)置與數(shù)據(jù)集的構(gòu)建

以旋轉(zhuǎn)風(fēng)機(jī)設(shè)備的軸承性能評(píng)估為例進(jìn)行仿真研究，在實(shí)驗(yàn)過(guò)程中軸承主動(dòng)輪、從動(dòng)輪間始終存在2%的物理滑動(dòng)，且輪體共振頻率基本保持為2 000 Hz，調(diào)制幅值參量，使其至于0.15～2.15之間來(lái)仿真軸承運(yùn)行狀態(tài)的惡化。圖3為調(diào)制幅值等于1時(shí)，軸承性能退化指標(biāo)受人為設(shè)定參數(shù)的影響情況(已知調(diào)制幅值等于1是軸承性能衰減的起始狀態(tài)，在該情況下，退化指標(biāo)受人為設(shè)定參數(shù)的影響最輕，可基本忽略)。

圖3 時(shí)域波形(1)

分析圖3可知，當(dāng)調(diào)制幅值為1時(shí)，軸承性能退化指標(biāo)受人為設(shè)定參數(shù)的影響情況較為嚴(yán)重，在正向變化時(shí)，其時(shí)域波形的影響系數(shù)逐漸向著物理數(shù)值“3”靠近，而在負(fù)向變化時(shí)，其時(shí)域波形的影響系數(shù)已經(jīng)超過(guò)物理數(shù)值“-3”，且在整個(gè)實(shí)驗(yàn)過(guò)程中，時(shí)域波形的覆蓋面積始終相對(duì)較廣，正負(fù)方向上也均有體現(xiàn)。

表1為調(diào)制幅值等于1時(shí)，軸承性能退化指標(biāo)的評(píng)估結(jié)果可解釋性強(qiáng)度。

表1 時(shí)域波形的可解釋系數(shù)(1)

分析表1可知，在調(diào)制幅值等于1的情況下，時(shí)域波形可解釋系數(shù)在正、負(fù)兩個(gè)方向上基本保持相對(duì)對(duì)應(yīng)的存在狀態(tài)，且其變化趨勢(shì)也能夠與時(shí)域波形保持相互對(duì)應(yīng)的形式，大體上也滿足覆蓋面積大、波動(dòng)頻率強(qiáng)的變化趨勢(shì)。因此，在起始條件下，軸承性能衰減特質(zhì)受人為設(shè)定參數(shù)的影響大、評(píng)估結(jié)果可解釋性弱，調(diào)制幅值的數(shù)值水平雖相對(duì)較低，但其可忽視性影響依然會(huì)帶來(lái)較為不理想的實(shí)驗(yàn)效果，故可認(rèn)為該項(xiàng)評(píng)估手段不能起到維護(hù)軸承性能衰減機(jī)制、延長(zhǎng)設(shè)備元件實(shí)際使用時(shí)長(zhǎng)的作用。

在調(diào)制幅值分別為1和為2的條件下分別采集的1 000組故障數(shù)據(jù)，并分別將1 000組數(shù)據(jù)分成10組，各組故障集的影響系數(shù)分布范圍如表2所示。

表2 故障數(shù)據(jù)集的影響系數(shù)分布情況

以分析調(diào)制幅值在1和2的情況下，均滿足時(shí)域波形的控制要求，將2 000組數(shù)據(jù)作為評(píng)估軸承故障性能是否衰減的基礎(chǔ)數(shù)據(jù)。

3.2 卷積稀疏組合方法的評(píng)估性能分析

調(diào)試實(shí)驗(yàn)主機(jī)，將卷積稀疏組合方法導(dǎo)入仿真實(shí)驗(yàn)環(huán)境中，再次導(dǎo)出調(diào)制幅值的各種參量，使其與上述實(shí)驗(yàn)的物理數(shù)值結(jié)果相等。實(shí)驗(yàn)調(diào)試過(guò)程中，為避免軸承性能退化指標(biāo)選取結(jié)果收到算法程序的影響，在編寫(xiě)卷積稀疏組合算法時(shí)應(yīng)遵循以下語(yǔ)句條件：

Start//;

MicroBlog/.project;

settings/org.eclipse.wst.common.component;

body style="overflow-y:hidden";

onmouseover="this.style.backgroundColor=' FFFFFF'";

window.event.returnValue=false;

window.event.returnValue=false onselectstart=event.;

frameborder=false scrolling="auto" ;

meta http-equiv="Expires" CONTENT="0";

a href="#" target="_self";

td style="word-break:break-all";

select name="select" ;

param name="wmode" value="transparent";

Script Language="JavaScript">;

End//;

圖4為調(diào)制幅值等于2時(shí)，軸承性能退化指標(biāo)受人為設(shè)定參數(shù)的影響情況(已知調(diào)制幅值等于2是卷積稀疏組合算法作用下軸承性能衰減的起始狀態(tài)，在該情況下，退化指標(biāo)受人為設(shè)定參數(shù)的影響最輕，可基本忽略)。

圖4 時(shí)域波形(2)

分析圖4可知，當(dāng)調(diào)制幅值為2時(shí)，軸承性能退化指標(biāo)受人為設(shè)定參數(shù)的影響情況較輕，在正向變化時(shí)，其時(shí)域波形的影響系數(shù)最大值始終不會(huì)超過(guò)物理數(shù)值“1”，在負(fù)向變化時(shí)，其時(shí)域波形的影響系數(shù)最大值始終不會(huì)超過(guò)物理數(shù)值“-1”，且在整個(gè)實(shí)驗(yàn)過(guò)程中，存在固定時(shí)間區(qū)間，使人為設(shè)定參數(shù)對(duì)軸承性能退化指標(biāo)的作用影響只具備單一的數(shù)值變化方向，整體覆蓋面積也始終相對(duì)較小。

表3為調(diào)制幅值等于3時(shí)，軸承性能退化指標(biāo)的評(píng)估結(jié)果可解釋性強(qiáng)度。

表3 時(shí)域波形的可解釋系數(shù)(2)

分析表2可知，在調(diào)制幅值等于2的情況下，時(shí)域波形可解釋系數(shù)在正、負(fù)兩個(gè)方向上并不能保持完全對(duì)應(yīng)的存在狀態(tài)，某些時(shí)間節(jié)點(diǎn)處，可解釋系數(shù)只在單一方向上具有變化能力，整體數(shù)值覆蓋情況能與時(shí)域波形保持一致，但波動(dòng)性卻相對(duì)較差。在卷積稀疏組合算法作用下，軸承性能衰減特質(zhì)受人為設(shè)定參數(shù)的影響小、評(píng)估結(jié)果可解釋性強(qiáng)，調(diào)制幅值的數(shù)值水平較低，其影響確實(shí)可以忽略不僅，故可認(rèn)為該項(xiàng)評(píng)估手段能夠起到維護(hù)軸承性能衰減機(jī)制、延長(zhǎng)設(shè)備元件實(shí)際使用時(shí)長(zhǎng)的作用。

3.3 各算法評(píng)估預(yù)測(cè)結(jié)果對(duì)比

為進(jìn)一步驗(yàn)證本文提出卷積稀疏組合算法對(duì)于軸承性能評(píng)估的精度及評(píng)估誤差，對(duì)所構(gòu)建的故障集進(jìn)行評(píng)估驗(yàn)證，同時(shí)引入了文獻(xiàn)[6]和文獻(xiàn)[7]兩種傳統(tǒng)評(píng)估方法參與對(duì)比。當(dāng)調(diào)制幅值為1時(shí)和為2時(shí)，各算法的評(píng)估結(jié)果與軸承實(shí)際性能衰減的偏差值統(tǒng)計(jì)，分別如表4和表5所示。

表4 調(diào)制幅值為1值各算法評(píng)估與真實(shí)性能衰減偏差

表5 調(diào)制幅值為2值各算法評(píng)估與真實(shí)性能衰減偏差

對(duì)比分析結(jié)果顯示：不論當(dāng)調(diào)制幅值為1時(shí)或者為2時(shí)，根據(jù)對(duì)每組故障數(shù)據(jù)的評(píng)估結(jié)果可知，本文提出的卷積稀疏組合算法的各組平均評(píng)估偏差為0.02和0.01，要明顯小于兩種傳統(tǒng)評(píng)估算法的評(píng)估偏差(文獻(xiàn)[6]在兩種調(diào)制狀態(tài)的與理論值的偏差值分別為0.15和0.07；文獻(xiàn)[7]在兩種調(diào)制狀態(tài)下與理論值的偏差值分別為0.15和0.08)。這表明本文算法對(duì)故障數(shù)據(jù)集的訓(xùn)練能力更強(qiáng)且精度更高，能夠充分提取到故障集中包含的細(xì)節(jié)特征，并根據(jù)對(duì)特征的評(píng)估判定軸承的實(shí)際性能狀態(tài)。

由于滾動(dòng)軸承的工作周期較長(zhǎng)，通過(guò)不間斷監(jiān)控所采集到的故障集規(guī)模較大，因此對(duì)算法的效率要求也較高。本文算法的優(yōu)勢(shì)在于將深度卷積網(wǎng)絡(luò)訓(xùn)練能力強(qiáng)和稀疏分解算法參數(shù)優(yōu)選效率高的優(yōu)點(diǎn)進(jìn)行了有機(jī)結(jié)合，因此也能夠提升和改善傳統(tǒng)算法無(wú)法保障數(shù)據(jù)訓(xùn)練效率，性能衰減評(píng)估時(shí)間過(guò)長(zhǎng)的弊端。仍舊以3.1節(jié)所構(gòu)建的故障數(shù)據(jù)集為例，分別在調(diào)制幅值為1和為2的兩種狀態(tài)下，觀測(cè)各算法的數(shù)據(jù)評(píng)估效率變化情況，如圖5和圖6所示。

圖5 調(diào)制幅值為1時(shí)值各算法評(píng)估效率對(duì)比

圖6 調(diào)制幅值為2時(shí)值各算法評(píng)估效率對(duì)比

在初始狀態(tài)下由于數(shù)據(jù)集的規(guī)模較小，各算法的數(shù)據(jù)處理效率差距較小，而當(dāng)數(shù)據(jù)集的規(guī)模不斷增大傳統(tǒng)評(píng)估算法的耗時(shí)開(kāi)始增加，尤其是當(dāng)故障集的規(guī)模超過(guò)500時(shí)文獻(xiàn)[6]和文獻(xiàn)[7]的評(píng)估耗時(shí)增長(zhǎng)較快，這表明傳統(tǒng)算法在應(yīng)對(duì)相對(duì)較大規(guī)模的性能衰減評(píng)估數(shù)據(jù)集時(shí)數(shù)據(jù)訓(xùn)練能力不足；而本文基于卷積稀疏組合算法的評(píng)估方案在應(yīng)對(duì)較大規(guī)模的故障集時(shí)性能未出現(xiàn)嚴(yán)重衰減，評(píng)估耗時(shí)也沒(méi)有出現(xiàn)較大幅度的增長(zhǎng)。

4 結(jié)束語(yǔ)

對(duì)軸承的性能衰減狀態(tài)和剩余使用壽命進(jìn)行相對(duì)準(zhǔn)確的評(píng)估，既能夠避免軸承出現(xiàn)突發(fā)故障而給企業(yè)造成巨大損失，還能夠充分發(fā)揮出軸承的使用價(jià)值，避免造成更多的資源浪費(fèi)和重復(fù)投入。但現(xiàn)階段傳統(tǒng)軸承性能評(píng)估方法多基于時(shí)域信號(hào)或頻域信號(hào)對(duì)故障數(shù)據(jù)集進(jìn)行評(píng)估和預(yù)測(cè)，與評(píng)估偏差真實(shí)值相比差距過(guò)大，而且在評(píng)估效率等方面也難以滿足較大規(guī)模故障集的精度要求。為此，本文提出一種針對(duì)軸承狀態(tài)評(píng)估的卷積稀疏組合算法，先照神經(jīng)網(wǎng)絡(luò)框架，對(duì)軸承性能基本特質(zhì)進(jìn)行初步判斷，且由于自相關(guān)函數(shù)、譜相關(guān)密度等數(shù)值條件的存在，該算法能夠較好維護(hù)評(píng)估結(jié)果的穩(wěn)定性情況，從而得到滿足實(shí)際應(yīng)用需求的函數(shù)表達(dá)式。維護(hù)軸承性能衰減機(jī)制，是延長(zhǎng)設(shè)備元件實(shí)際使用時(shí)長(zhǎng)的有效手段，故而完成性能衰減的可靠性評(píng)估才是實(shí)現(xiàn)最初目的的基礎(chǔ)應(yīng)用環(huán)節(jié)。實(shí)驗(yàn)結(jié)果表明，本文提出的卷積稀疏組合算法性能穩(wěn)定，評(píng)估解釋性較強(qiáng)，與傳統(tǒng)評(píng)估算法相比評(píng)估結(jié)果偏差較小，更接近于真實(shí)的軸承性能衰減狀態(tài)；同時(shí)借助卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的故障數(shù)據(jù)訓(xùn)練功能，能夠在更短的時(shí)間內(nèi)提取到軸承工作狀態(tài)特征信息，顯著提升了算法的故障數(shù)據(jù)評(píng)估與處理效率。