韓春紅, 伊洪彬, 薛 濤, 劉玉芳

(1.焦作師范高等專科學(xué)校 信息工程學(xué)院,河南 焦作 454000,E-mail: jzszhch123@163.com;2.開(kāi)封技師學(xué)院 智能制造學(xué)院,河南 開(kāi)封 475004;3.河南理工大學(xué) 資源環(huán)境學(xué)院,河南 焦作 454000)

在工業(yè)制造過(guò)程中需使用種類豐富的機(jī)械設(shè)備,此類設(shè)備實(shí)際運(yùn)行狀況對(duì)系統(tǒng)安全性存在明顯影響,因此需要針對(duì)設(shè)備故障開(kāi)展提前診斷,由此實(shí)現(xiàn)生產(chǎn)系統(tǒng)運(yùn)行狀態(tài)的安全穩(wěn)定控制,制備得到更優(yōu)綜合性能的產(chǎn)品[1-4]。振動(dòng)信號(hào)容易產(chǎn)生非線性變化特征,而且還會(huì)受外部噪音因素的顯著干擾,難以從設(shè)備振動(dòng)頻率中提取獲得準(zhǔn)確的故障特征,這時(shí)如果繼續(xù)選擇傳統(tǒng)處理模式將導(dǎo)致診斷精度明顯下降[5-7]。

以傳統(tǒng)算法對(duì)故障實(shí)施診斷時(shí)通常選擇不超過(guò)2層數(shù)量的模型結(jié)構(gòu)來(lái)擬合函數(shù)表達(dá)式,屬于淺層學(xué)習(xí)形式,并未深入分析數(shù)據(jù)故障特征[8-9]。深度學(xué)習(xí)是在近些年中得到推廣應(yīng)用的深層算法,現(xiàn)階段已取得了眾多科研成果,在故障診斷領(lǐng)域也發(fā)揮了重要作用[10-13]。深度信念網(wǎng)絡(luò)(DBN)采用深度學(xué)習(xí)算法設(shè)置網(wǎng)絡(luò)模型,經(jīng)低層特征組合后形成高層網(wǎng)絡(luò)結(jié)構(gòu),能夠滿足對(duì)數(shù)據(jù)特征的精確分辨[14]。但選擇DBN網(wǎng)絡(luò)對(duì)高維網(wǎng)絡(luò)樣本分析時(shí),多隱層網(wǎng)絡(luò)訓(xùn)練時(shí)需要占用大量時(shí)間,對(duì)算力資源占用明顯偏高。文獻(xiàn)[15]設(shè)計(jì)了一種五層網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)軸承進(jìn)行時(shí)域診斷的功能。文獻(xiàn)[16]利用雙樹(shù)復(fù)小波技術(shù)提取得到特征參數(shù),再以DBN網(wǎng)絡(luò)完成分類過(guò)程,使模型算法得到明顯簡(jiǎn)化,但以上述方法處理時(shí)也需要提供前期經(jīng)驗(yàn)作為參考,無(wú)法滿足DBN數(shù)據(jù)的有效挖掘。不同于傳統(tǒng)信號(hào)處理模式,拉普拉斯映射(LE)屬于一類流形學(xué)習(xí)的過(guò)程,有助于深入挖掘非線性高維特征,并且還可以從振動(dòng)信號(hào)高維流形參數(shù)中采集低維參數(shù)[17]。

利用LE算法從高維數(shù)據(jù)中提取流形參數(shù),實(shí)現(xiàn)模型結(jié)構(gòu)有效簡(jiǎn)化,避免特征數(shù)據(jù)受到人為因素的作用而產(chǎn)生偏差。進(jìn)行半監(jiān)督分析時(shí),分別測(cè)試少量有標(biāo)簽與大量無(wú)標(biāo)簽樣本,為DBN設(shè)置流形學(xué)習(xí)方法。利用以上模型對(duì)滾動(dòng)軸承故障和齒輪裂紋缺陷開(kāi)展診斷測(cè)試,驗(yàn)證了上述模型可以達(dá)到可靠性標(biāo)準(zhǔn),同時(shí)提高了算法效率。

1 基于LE-DBN的故障診斷模型

完成模型預(yù)訓(xùn)練后確定初始參數(shù)學(xué)習(xí)過(guò)程,由此確定有監(jiān)督學(xué)習(xí)的先驗(yàn)條件。以DBN網(wǎng)絡(luò)最后一層建立初期條件再對(duì)全局參數(shù)實(shí)施微調(diào),利用少數(shù)標(biāo)簽逐層遞進(jìn)的模式朝低層方向小幅調(diào)節(jié)模型參數(shù),使模型獲得更優(yōu)模擬效果。

1.1 確定網(wǎng)絡(luò)最高隱層輸出:

(1)

將最后一層誤差組成初始條件來(lái)實(shí)現(xiàn)反向傳播,之后利用梯度下降的算法確定合適DBN權(quán)值。

(2)

以相同放回處理方式也可以實(shí)現(xiàn)參數(shù)集θ剩余樣本的調(diào)節(jié),根據(jù)以上處理過(guò)程建立DBN網(wǎng)絡(luò)模型。

1.2 故障診斷模型

構(gòu)建一種以LE算法和DBN網(wǎng)絡(luò)的數(shù)學(xué)模型來(lái)實(shí)現(xiàn)故障的診斷功能,建立圖1所示結(jié)構(gòu)。利用流行原理進(jìn)行算法處理,再以LE算法確定信號(hào)初始特征,達(dá)到高維數(shù)據(jù)的簡(jiǎn)化效果。接著通過(guò)DBN網(wǎng)絡(luò)完成特征參數(shù)挖掘,再把低維流形特征參數(shù)輸入DBN網(wǎng)絡(luò)中完成深度學(xué)習(xí)后確定分類結(jié)果。采用以上模型優(yōu)化DBN網(wǎng)絡(luò)挖掘特征參數(shù)性能,從而更加精確控制計(jì)算成本。不同于單一結(jié)構(gòu)DBN網(wǎng)絡(luò)算法,以算法處理時(shí)能夠有效發(fā)揮流形學(xué)習(xí)在降維方面的靈活性。設(shè)置流程來(lái)實(shí)現(xiàn)故障診斷:

(1) 構(gòu)建高維模空間。

先在系統(tǒng)中設(shè)置信號(hào)檢測(cè)器進(jìn)行數(shù)據(jù)采集,之后利用min-max標(biāo)準(zhǔn)化方法進(jìn)行歸一化處理確定時(shí)域振動(dòng)信號(hào)。

(2) 設(shè)置LE算法特征采集。

選擇LE算法對(duì)高維故障開(kāi)展流形學(xué)習(xí),獲得低維流形集合,實(shí)現(xiàn)降維效果[18]。

(3) DBN網(wǎng)絡(luò)故障診斷。

通過(guò)二值化分析的方法確定流形參數(shù)后,再將結(jié)果作為DBN網(wǎng)絡(luò)的輸入?yún)?shù)來(lái)達(dá)到深度挖掘數(shù)據(jù)的功能,之后通過(guò)Soft-max分類器完成故障信號(hào)的精確診斷。

▲圖1 基于LE-DBN模型的故障信號(hào)特征提取流程

2 算法驗(yàn)證

2.1 測(cè)試方案

本研究主要分析了載荷動(dòng)力結(jié)構(gòu)滾動(dòng)軸承在運(yùn)行階段形成的故障特征,平臺(tái)系統(tǒng)構(gòu)成中包括1 490 W三相電動(dòng)機(jī)、動(dòng)力電機(jī)與扭矩信號(hào)探測(cè)器。在驅(qū)動(dòng)端設(shè)置6205-2RSJEMSKF滾動(dòng)軸承,之后把加速度傳感器固定到機(jī)殼上部。測(cè)試時(shí)設(shè)定電機(jī)負(fù)載功率范圍(0～3)hp,共設(shè)置四個(gè)轉(zhuǎn)速條件作為測(cè)試參數(shù)。以12 kHz的固定頻率采樣。根據(jù)以上條件開(kāi)展測(cè)試,在不同負(fù)載條件下進(jìn)行算法故障識(shí)別表征,設(shè)置以下兩種測(cè)試條件:第一種為以本文算法對(duì)故障類型進(jìn)行驗(yàn)證;第二組則以相同故障類型完成受損程度的分類。測(cè)試過(guò)程按照MATLABR2014a要求完成。

2.2 算法診斷試驗(yàn)

在LE算法中加入50低維嵌入維數(shù),輸入層的神經(jīng)元數(shù)量為50,隱含層節(jié)點(diǎn)為50。保持學(xué)習(xí)率σ=0.1,動(dòng)量常數(shù)0.9,最大迭代次數(shù)200。

對(duì)算法模型開(kāi)展訓(xùn)練得到圖2中各迭代次數(shù)對(duì)應(yīng)的均方誤差,將其表示為EMS。根據(jù)前后比較可以發(fā)現(xiàn),模型在初始階段能夠?qū)崿F(xiàn)誤差參數(shù)的快速消除,到達(dá)后期尋優(yōu)過(guò)程時(shí)則存在明顯停滯的情況。經(jīng)過(guò)更多次數(shù)迭代計(jì)算后并對(duì)模型進(jìn)行優(yōu)化處理時(shí)可以有效控制均方誤差。持續(xù)迭代140次使訓(xùn)練誤差達(dá)到較小值,繼續(xù)迭代到150次使收斂誤差降低至0.01范圍內(nèi)。通過(guò)以上算法模型進(jìn)行處理時(shí)可以實(shí)現(xiàn)理想訓(xùn)練效果,迭代到合適次數(shù)時(shí),模型能夠達(dá)到理想收斂性能,促進(jìn)訓(xùn)練效率明顯提高。

▲圖2 算法迭代變化

采用本文算法跟LE+KNN、KPCA+KNN、DBN進(jìn)行比較,測(cè)試得到的準(zhǔn)確率見(jiàn)表1,結(jié)果顯示以本文LE-DBN模型分析時(shí)相對(duì)其它模型的性能獲得了顯著提升。以DBN網(wǎng)絡(luò)單獨(dú)處理時(shí)耗時(shí)86 s,與LE-DBN模型相比可以實(shí)現(xiàn)算法時(shí)間的大幅縮短,以上結(jié)果表明以LE算法進(jìn)行處理時(shí)能夠?qū)崿F(xiàn)LE-DBN組合模型處理時(shí)間的有效控制。

表1 試驗(yàn)方法對(duì)比

3 齒輪故障試驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)方案

圖3顯示了以齒輪狀態(tài)監(jiān)控系統(tǒng)測(cè)試平臺(tái)。

▲圖3 齒輪箱試驗(yàn)平臺(tái)

表2為減速箱齒輪參數(shù),通過(guò)線切割方法獲得四種裂紋缺陷,包括正常狀態(tài)以及1/4、1/2、3/4裂紋。

表2 齒輪參數(shù)

采用上述算法對(duì)每種工況進(jìn)行齒輪裂紋診斷,按照不同程度的裂紋缺陷共分成10種工況,得到表3輸入軸轉(zhuǎn)速和兩種負(fù)載。以NIPXI-1042數(shù)據(jù)卡完成參數(shù)采集,保持采樣頻率等于5 000 Hz,各高維樣本都是由900個(gè)采樣點(diǎn)組成。各工況中都存在50個(gè)故障樣本,各齒輪故障中存在500個(gè)樣本。

表3 多工況下試驗(yàn)參數(shù)設(shè)置

3.2 模型訓(xùn)練結(jié)果分析

為探討不同樣本數(shù)條件下故障分類精度,選項(xiàng)KS算法對(duì)不同有標(biāo)簽數(shù)樣本開(kāi)展測(cè)試。樣本數(shù)對(duì)識(shí)別準(zhǔn)確率影響結(jié)果見(jiàn)圖4所示。從圖4中可以看到,采用訓(xùn)練集識(shí)別時(shí)準(zhǔn)確率都在99.8%附近,說(shuō)明本文模型可以對(duì)訓(xùn)練數(shù)據(jù)發(fā)揮理想擬合性能。隨著標(biāo)記樣本數(shù)量的逐漸增加,模型識(shí)別準(zhǔn)確率也隨之提高,當(dāng)樣本數(shù)增加到60時(shí),模型準(zhǔn)確率可以超過(guò)90%;進(jìn)一步增加標(biāo)記樣本數(shù)到180以上,準(zhǔn)去了可以達(dá)到99.8%。因此實(shí)際應(yīng)用時(shí)需綜合分析算法耗時(shí)與準(zhǔn)確性,使訓(xùn)練樣本數(shù)達(dá)到最優(yōu)。

▲圖4 樣本數(shù)對(duì)識(shí)別準(zhǔn)確率影響

3.3 算法對(duì)比驗(yàn)證

為判斷模型分類精度跟降維算法以及嵌入維度之間的關(guān)系。分別對(duì)PCA、KPCA、LE三種算法實(shí)施降維,在各嵌入維度下進(jìn)行信號(hào)特征提取,再把結(jié)果輸入DBN網(wǎng)絡(luò)中作為診斷參數(shù)。按照之前方法設(shè)置算法參數(shù),選擇KS算法設(shè)置的有標(biāo)簽與無(wú)標(biāo)簽樣本個(gè)數(shù)分別為200和1 200,之后測(cè)定剩余樣本。每組樣本經(jīng)過(guò)10次計(jì)算后再取均值作為測(cè)試結(jié)果。圖5是對(duì)準(zhǔn)確率與DBN訓(xùn)練100次并計(jì)算獲得的均值?？梢悦黠@看到,LE算法比PCA、KPCA算法都達(dá)到了更優(yōu)特征提取效果,選擇合理參數(shù)的情況下可以使準(zhǔn)確率達(dá)到99.8%。綜合考慮分類精度與識(shí)別速率,將嵌入維度設(shè)定在24～30是最優(yōu)的。

▲圖5 不同算法運(yùn)行效率對(duì)比

根據(jù)上述測(cè)試結(jié)果可知,KPCA與PCA相比可以實(shí)現(xiàn)更優(yōu)性能?？梢跃C合運(yùn)用KPCA與LE算法從單個(gè)傳感器中提取獲得故障特征。圖6顯示,實(shí)線LE算法表現(xiàn)出了高準(zhǔn)確率,在提取傳感器信號(hào)特征方面相對(duì)KPCA算法具備更優(yōu)性能。因此采用LE-DBN模型可以對(duì)各類傳感器信號(hào)實(shí)現(xiàn)理想診斷效果。此外還可以從圖6中發(fā)現(xiàn),采用多傳感器實(shí)施特征融合時(shí)相對(duì)單個(gè)傳感器的診斷性能更優(yōu)。

▲圖6 對(duì)單個(gè)傳感器信號(hào)特征提取

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是現(xiàn)階段得到大規(guī)模應(yīng)用的深度學(xué)習(xí)網(wǎng)絡(luò),對(duì)LE-DBN模型開(kāi)展特征提取與故障診斷測(cè)試。從流形學(xué)習(xí)傳感器各軸振動(dòng)參數(shù)中提取得到30維故障特征。網(wǎng)絡(luò)參數(shù)設(shè)置見(jiàn)表4所示。

表4 網(wǎng)絡(luò)參數(shù)設(shè)置

對(duì)樣本集進(jìn)行測(cè)試后得到的結(jié)果與圖6基本一致,對(duì)訓(xùn)練集進(jìn)行分類得到有標(biāo)簽、無(wú)標(biāo)簽樣本。通過(guò)隨機(jī)模式確定有標(biāo)簽樣本后再以不同條件測(cè)定DBN、CNN算法的分類效果。經(jīng)過(guò)10次測(cè)試形成表5所示的結(jié)果,δ代表算法準(zhǔn)確率偏差。

表5 不同樣本數(shù)下算法準(zhǔn)確率

通過(guò)分析準(zhǔn)確率差值可知,有標(biāo)簽樣本個(gè)數(shù)在60～120之間時(shí),采用DBN網(wǎng)絡(luò)可以獲得比CNN更理想分類結(jié)果。這是由于DBN網(wǎng)絡(luò)自身能利用無(wú)標(biāo)簽數(shù)據(jù)開(kāi)展訓(xùn)練,獲得比少量標(biāo)簽條件下進(jìn)行訓(xùn)練的CNN網(wǎng)絡(luò)精度更高。

綜合分析上述測(cè)試發(fā)現(xiàn),LE-DBN模型同時(shí)滿足滾動(dòng)軸承故障和齒輪裂紋的高精度診斷需求。特別是以本文模型進(jìn)行訓(xùn)練時(shí)不需要加入大量有標(biāo)簽樣本,避免受到樣本標(biāo)簽數(shù)量過(guò)少的影響。

4 結(jié)論

(1) 采用訓(xùn)練集識(shí)別時(shí)準(zhǔn)確率在99.8%附近,表明本文模型可以對(duì)訓(xùn)練數(shù)據(jù)發(fā)揮理想擬合性能。

(2) LE算法比PCA、KPCA算法都達(dá)到了更優(yōu)特征提取效果,選擇合理參數(shù)可以使準(zhǔn)確率達(dá)到99.8%。

(3) 采用多傳感器實(shí)施特征融合時(shí)相對(duì)單個(gè)傳感器的診斷性能更優(yōu)。有標(biāo)簽樣本個(gè)數(shù)在60～120之間時(shí),采用DBN網(wǎng)絡(luò)可以獲得比CNN網(wǎng)絡(luò)更理想的分類結(jié)果。