張 莉, 趙江招, 孟琨泰, 高 健, 李 峰

(1.河北機(jī)電職業(yè)技術(shù)學(xué)院 信息工程系,河北 邢臺 054002,E-mail: xiaozhangbing2022@163.com;2.河北科技大學(xué) 信息科學(xué)與工程學(xué)院,石家莊 050018; 3.河北機(jī)電職業(yè)技術(shù)學(xué)院智能傳感網(wǎng)應(yīng)用技術(shù)研發(fā)中心,河北 邢臺 054002; 4.河北機(jī)電職業(yè)技術(shù)學(xué)院 云技術(shù)智能產(chǎn)品創(chuàng)新應(yīng)用與研發(fā)中心,河北 邢臺 054002;5.河北機(jī)電職業(yè)技術(shù)學(xué)院 電氣工程系,河北 邢臺 054002)

齒輪箱是一類可以實(shí)現(xiàn)高傳動比以及實(shí)現(xiàn)動力高效傳輸?shù)臋C(jī)械部件,目前已在航空設(shè)備、風(fēng)電器材、船舶、高鐵、汽車等眾多領(lǐng)域都得到了應(yīng)用推廣,為保證系統(tǒng)運(yùn)行安全可靠性,如果對其進(jìn)行故障診斷也獲得了越來越多學(xué)者的關(guān)注[1-2]。齒輪箱組成結(jié)構(gòu)較為復(fù)雜,當(dāng)不同齒輪之間發(fā)生嚙合的時候?qū)鹣嗷セ殳B的激勵信號,同時還會受到軸承振動的作用,導(dǎo)致齒輪箱故障信號被噪聲所淹沒,只能檢測到強(qiáng)度較弱的故障特征,難以實(shí)現(xiàn)故障的精確診斷[3-4]?，F(xiàn)階段,已有學(xué)者根據(jù)信號故障診斷或根據(jù)傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行故障診斷,但尚未有效克服變轉(zhuǎn)速狀態(tài)下難以進(jìn)行齒輪箱故障的準(zhǔn)確診斷缺陷[5-6]。近些年來,采用深度學(xué)習(xí)方法對齒輪箱進(jìn)行故障診斷方面的研究文獻(xiàn)也逐漸增加,但此類深度學(xué)習(xí)算法通常都需要設(shè)置大量層數(shù),而且參數(shù)規(guī)模也很大,難以實(shí)現(xiàn)網(wǎng)絡(luò)模型的高效訓(xùn)練[7-9]。

由于密集連接網(wǎng)絡(luò)是通過跨層連接方式對特征圖信息進(jìn)行重復(fù)利用,能夠消除網(wǎng)絡(luò)層數(shù)深以及參數(shù)規(guī)模大所引起的模型訓(xùn)練難度大缺陷,非常適合對齒輪箱進(jìn)行故障準(zhǔn)確診斷分析[10]。但改變齒輪箱轉(zhuǎn)速后將會引起同種故障樣本產(chǎn)生明顯偏差,不同類型的故障樣本則出現(xiàn)差異下降的結(jié)果,由此減弱了密集連接網(wǎng)絡(luò)反饋特定轉(zhuǎn)速工況的效果,降低了密集連接網(wǎng)絡(luò)對故障特征進(jìn)行識別的準(zhǔn)確率[11]。根據(jù)以上研究結(jié)果,本文采用加權(quán)動態(tài)網(wǎng)絡(luò)構(gòu)建了一種診斷齒輪箱故障的高效方法,通過加權(quán)動態(tài)處理方式來實(shí)現(xiàn)跨層連接特征圖小波包系數(shù)矩陣的權(quán)重調(diào)節(jié),從而完成各類頻帶信息的自適應(yīng)加權(quán)計算,使密集連接網(wǎng)絡(luò)具備更強(qiáng)的變轉(zhuǎn)速工況表征性能,實(shí)現(xiàn)故障識別率的顯著提升。

1 密集連接網(wǎng)絡(luò)

從連接結(jié)構(gòu)層面分析,密集連接網(wǎng)絡(luò)是以普通卷積網(wǎng)絡(luò)為基礎(chǔ)設(shè)計得到的一種新連接模式。通過跨層前后卷積層實(shí)現(xiàn)信息流在輸入與輸出層間的快速流動[12]?？梢岳妹芗B接網(wǎng)絡(luò)對同種特征維度卷積層實(shí)現(xiàn)連接的過程,使網(wǎng)絡(luò)各層都以其前續(xù)層輸出特征構(gòu)成輸入。為重復(fù)利用特征圖,進(jìn)行跨層連接時將特征圖設(shè)置為并聯(lián)粘接的模式,此時各層網(wǎng)絡(luò)輸入都來自前面各層輸出結(jié)果。圖1給出了密集連接結(jié)構(gòu)的密集塊。

網(wǎng)絡(luò)層跟后續(xù)層進(jìn)行直接相連時,應(yīng)確保前續(xù)層和后續(xù)層之間具備同樣尺寸的特征圖。而網(wǎng)絡(luò)層特征圖尺寸無法一直處于恒定的狀態(tài),否則將會造成網(wǎng)絡(luò)模型發(fā)生運(yùn)算量的顯著提升。這就要求隨網(wǎng)絡(luò)往后端進(jìn)行傳輸?shù)倪^程中,需持續(xù)縮小特征圖尺寸。由不同尺寸特征圖構(gòu)成的密集塊以過渡層相連,由此構(gòu)成密集連接網(wǎng)絡(luò)的主體結(jié)構(gòu)。密集塊包含了不同數(shù)量的卷積層,在這些卷積層中則包含了多種卷積組成的結(jié)構(gòu)。

卷積層和池化層共同組成過渡層,降低特征圖的維數(shù)和尺寸,由此完成跨通道之間的信息組合,同時形成了更多的非線性特征。對密集塊粘接再輸出的特征圖實(shí)施1×1卷積處理,由此減小特征圖維數(shù),使網(wǎng)絡(luò)層運(yùn)算量大幅減少[13]。再以2×2與步長為2的池化方法完成池化過程,由此實(shí)現(xiàn)特征圖尺寸減半的效果。

▲圖1 密集連接網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)圖1各卷積層輸出的特征圖都為k個時,則密集塊第n個卷積層共包含了k0+k×(n-1)個并聯(lián)粘接輸出,k0為初始輸入層包含的通道個數(shù)。超參數(shù)k表示卷積層f×f中的卷積核個數(shù),由此構(gòu)成密集連接網(wǎng)絡(luò)增長率。密集連接網(wǎng)絡(luò)呈現(xiàn)更深與更窄的特點(diǎn),密集連接網(wǎng)絡(luò)也可以獲得理想的處理結(jié)果。

密集連接網(wǎng)絡(luò)相對常規(guī)卷積神經(jīng)網(wǎng)絡(luò)的差異性是密集塊中包含的卷積層輸出特征圖都可直接與后跨層進(jìn)行并聯(lián)粘接,再以此構(gòu)成后卷積層輸入。根據(jù)網(wǎng)絡(luò)內(nèi)部特征圖尺寸差異性進(jìn)行分類得到相應(yīng)的密集塊,再以過渡層完成不同密集塊的連接,對特征圖維數(shù)和尺寸進(jìn)行轉(zhuǎn)換后,再以全局池化和全連接層建立密集連接網(wǎng)絡(luò)。

2 故障診斷流程

共同利用小波包轉(zhuǎn)換與加權(quán)動態(tài)網(wǎng)絡(luò)是被齒輪箱故障。如圖2所示,是以加權(quán)動態(tài)網(wǎng)絡(luò)對齒輪箱變轉(zhuǎn)速運(yùn)行狀態(tài)下進(jìn)行故障診斷的具體流程。

▲圖2 基于加權(quán)動態(tài)網(wǎng)絡(luò)的故障診斷流程

本研究首先設(shè)計得到加權(quán)動態(tài)層,再將其加入密集塊內(nèi)獲得加權(quán)動態(tài)密集塊,由此構(gòu)建加權(quán)動態(tài)網(wǎng)絡(luò),之后再對齒輪箱故障進(jìn)行診斷[14]。先對振動信號實(shí)施小波包轉(zhuǎn)換獲得小波包系數(shù)矩陣,以此構(gòu)成加權(quán)動態(tài)網(wǎng)絡(luò)輸入,接著通過全連接層進(jìn)行分類識別確定齒輪箱各類故障。

3 實(shí)例驗(yàn)證

圖3給出了齒輪箱進(jìn)行故障診斷的測試平臺,可以看到該平臺包含了電動機(jī)、二級齒輪箱、扭矩調(diào)節(jié)器、二級平行齒輪箱、磁粉制動器。

▲圖3 齒輪箱故障診斷綜合試驗(yàn)臺

利用安裝于齒輪箱上的二個振動傳感器進(jìn)行振動數(shù)據(jù)采集,得到表1所示的故障參數(shù)。

表1 齒輪箱健康狀態(tài)描述

本實(shí)驗(yàn)對9種類型的齒輪箱故障都進(jìn)行48 s數(shù)據(jù)采集,控制轉(zhuǎn)速從20 Hz以線性方式增大至36 Hz。采集卡再通過25.6 kHz頻率進(jìn)行振動數(shù)據(jù)采集,各狀態(tài)下的信號依次進(jìn)行4次采集。數(shù)據(jù)采集結(jié)束后,還需對其實(shí)施簡單預(yù)處理。先把48 s內(nèi)采集獲得的振動樣本分為300段,各段都由4 096個振動樣本組成。各類狀態(tài)分別包含了1 200個振動樣本參數(shù)。再將各狀態(tài)樣本隨機(jī)分成訓(xùn)練和測試樣本集,從中隨機(jī)選擇1 000個樣本組成訓(xùn)練集,再對剩余200個樣本開展測試。完成數(shù)據(jù)小波包轉(zhuǎn)換后得到小波包系數(shù)矩陣,此時各終端節(jié)點(diǎn)中包含了4 096/2d=4 096/26=64個小波包系數(shù),d表示根據(jù)小波包分解方法確定的層數(shù)。將得到的64×64小波包系數(shù)矩陣構(gòu)成加權(quán)動態(tài)網(wǎng)絡(luò)輸入。

3.1 超參數(shù)設(shè)置

結(jié)合網(wǎng)絡(luò)層數(shù)與樣本數(shù)設(shè)定網(wǎng)絡(luò)模型超參數(shù)。當(dāng)卷積神經(jīng)網(wǎng)絡(luò)達(dá)到過大學(xué)習(xí)率時,較易超出最優(yōu)值,當(dāng)設(shè)定值太小時將會造成訓(xùn)練速率偏低的情況,因此將其設(shè)定在0.01的合適值。批量是在網(wǎng)絡(luò)中同時輸入的樣本數(shù),通常可按照網(wǎng)絡(luò)參數(shù)個數(shù)和內(nèi)存將其設(shè)定在100。動量表示權(quán)重更新系數(shù)[15],通過前期迭代計算更新本次迭代系數(shù),由此獲得更快訓(xùn)練速度并防止產(chǎn)生局部最優(yōu)的問題,將其設(shè)定成0.5。根據(jù)權(quán)重進(jìn)行隨機(jī)初始化,將其初始值設(shè)定成0。增長率k屬于密集塊包含的卷積核數(shù),隨著k的增大,說明特征圖維度也更大,需要達(dá)到更高的網(wǎng)絡(luò)運(yùn)算性能。當(dāng)k太小時,將會造成輸出特征圖維度偏小的情況,從而引起傳遞信息遺漏的問題。綜合考慮計算機(jī)性能、輸入特征圖大小、網(wǎng)絡(luò)深度將k設(shè)定在12。

表2給出了測試時的各項加權(quán)動態(tài)網(wǎng)絡(luò)參數(shù)。

表2 加權(quán)動態(tài)網(wǎng)絡(luò)尺寸表

從表2中可以看到組成加權(quán)動態(tài)網(wǎng)絡(luò)的密集塊與過渡層結(jié)構(gòu)。各過渡層都包含了二層組成部分,其中一層可以實(shí)現(xiàn)卷積降維的效果,另一層則可以實(shí)現(xiàn)池化的效果。各密集塊都包含了6個卷積模塊、初始輸入端卷積層和輸出池化層以及全連接層。

為了對本文設(shè)計的連接網(wǎng)絡(luò)進(jìn)行有效性驗(yàn)證,分別以網(wǎng)絡(luò)層數(shù)一致的卷積神經(jīng)網(wǎng)絡(luò)與未經(jīng)過加權(quán)動態(tài)處理的密集連接網(wǎng)絡(luò)開展比較分析。將常規(guī)卷積神經(jīng)網(wǎng)絡(luò)設(shè)定成與加權(quán)密集連接網(wǎng)絡(luò)同樣的網(wǎng)絡(luò)層數(shù)和參數(shù),但未設(shè)置跨層連接結(jié)構(gòu)。

3.2 試驗(yàn)結(jié)果分析

以經(jīng)過處理的樣本集合測試設(shè)定的網(wǎng)絡(luò)模型,對各網(wǎng)絡(luò)模型依次進(jìn)行10次測試。本次測試各算法得到的訓(xùn)練準(zhǔn)確率都達(dá)到96%以上。但在測試期間發(fā)現(xiàn),密集連接網(wǎng)絡(luò)與常規(guī)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試得到的準(zhǔn)確率表現(xiàn)出了比訓(xùn)練準(zhǔn)確率更大的差異性,進(jìn)入后期訓(xùn)練階段時,密集連接網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)都發(fā)生了準(zhǔn)確率的大幅波動。圖4給出了以3種卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試得到的準(zhǔn)確率數(shù)據(jù)。

圖5給出了以各類卷積網(wǎng)絡(luò)進(jìn)行測試所得的結(jié)果。通過對比發(fā)現(xiàn),加權(quán)動態(tài)網(wǎng)絡(luò)達(dá)到了最優(yōu)性能,進(jìn)行小波包系數(shù)加權(quán)動態(tài)計算時獲得了最快收斂速率,并形成了穩(wěn)定的最高值。以常規(guī)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時會造成后期損失函數(shù)的明顯波動,進(jìn)入后期訓(xùn)練階段將達(dá)到飽和的性能。以密集連接網(wǎng)絡(luò)進(jìn)行測試時表現(xiàn)出了比加權(quán)動態(tài)網(wǎng)絡(luò)更低的精度,同時發(fā)生了測試損失數(shù)值的明顯波動,造成精度的大幅變化,見圖6。通過測試分析可知,采用本文加權(quán)動態(tài)網(wǎng)絡(luò)可以對齒輪箱實(shí)現(xiàn)故障信號的準(zhǔn)確診斷。

▲圖4 網(wǎng)絡(luò)訓(xùn)練后測試準(zhǔn)確率分布

4 結(jié)論

(1) 組成加權(quán)動態(tài)網(wǎng)絡(luò)的密集塊與過渡層結(jié)構(gòu)。各其中一層可以實(shí)現(xiàn)卷積降維的效果,另一層則可以實(shí)現(xiàn)池化的效果。各密集塊都包含了6個卷積模塊、初始輸入端卷積層和輸出池化層以及全連接層。

(2) 加權(quán)動態(tài)網(wǎng)絡(luò)達(dá)到了最優(yōu)性能,進(jìn)行小波包系數(shù)加權(quán)動態(tài)計算時獲得了最快收斂速率,并形成了穩(wěn)定的最高值。

▲圖6 網(wǎng)絡(luò)訓(xùn)練與測試損失

采用本文加權(quán)動態(tài)網(wǎng)絡(luò)可以對齒輪箱實(shí)現(xiàn)故障信號的準(zhǔn)確診斷。