普會(huì)杰,劉 韜,褚 惟

(昆明理工大學(xué)a.機(jī)電工程學(xué)院;b.云南省先進(jìn)裝備智能維護(hù)工程研究中心,昆明 650500)

0 引言

機(jī)械設(shè)備在使用過程中會(huì)由于疲勞磨損、工作環(huán)境惡劣等問題,容易發(fā)生性能和健康狀態(tài)的退化[1]。而滾動(dòng)軸承、齒輪故障是大多數(shù)機(jī)械設(shè)備性能失效的主要原因之一,因此對(duì)滾動(dòng)軸承、齒輪的故障診斷就顯得尤其重要。

在故障診斷研究中,普遍采用信號(hào)處理與模式識(shí)別相結(jié)合的診斷方法[2],特征提取和模式識(shí)別是故障診斷的核心技術(shù)。如利用經(jīng)驗(yàn)?zāi)B(tài)分解、小波分解等,提取特征并送入支持向量機(jī)、極限學(xué)習(xí)機(jī)等模型進(jìn)行故障診斷。由于特征提取的部分參數(shù)和信號(hào)分量的選擇等依賴先驗(yàn)知識(shí),因此存在一定的不確定性。此外,傳統(tǒng)分類模型的泛化能力不佳,輸入特征的微調(diào)有時(shí)甚至?xí)?dǎo)致分類效果明顯下降,而且當(dāng)輸入的特征維度較大時(shí),分類器的訓(xùn)練也變得困難,模型訓(xùn)練效率變低。

近年來,深度學(xué)習(xí)被廣泛應(yīng)用到故障診斷,它利用機(jī)器學(xué)習(xí)的深度結(jié)構(gòu),自動(dòng)學(xué)習(xí)高層次的本質(zhì)特征[3],根據(jù)輸入自動(dòng)提取更具鑒別性的高層次特征,解決了傳統(tǒng)提取特征的弊端。JIA等[4]結(jié)合機(jī)械大數(shù)據(jù)和深度學(xué)習(xí)理論,提出了一種新的機(jī)械裝備健康監(jiān)測方法。HU等[5]將降噪稀疏自編碼用于風(fēng)機(jī)轉(zhuǎn)速預(yù)測。張紹輝[6]提出利用稀疏自編碼深度學(xué)習(xí)模型對(duì)各個(gè)傳感器采集到的數(shù)據(jù)進(jìn)行融合,采用稀疏自編碼與平方預(yù)測誤差相結(jié)合的模型有效監(jiān)測軸承故障,并對(duì)故障部位進(jìn)行準(zhǔn)確定位。汪鵬等[7]提出了一種基于參數(shù)稀疏自編碼器的故障診斷方法,通過編碼過程分析信號(hào)組成成分來判斷旋轉(zhuǎn)機(jī)械的故障。袁憲鋒等[8]提出了一種基于棧式稀疏自編碼網(wǎng)絡(luò)、改進(jìn)灰狼智能優(yōu)化算法以及支持向量機(jī)的混合智能故障診斷模型,對(duì)不同滾動(dòng)軸承故障類型的振動(dòng)信號(hào)實(shí)現(xiàn)更精準(zhǔn)的識(shí)別。張紹輝等[9]提出了一種基于頻譜包絡(luò)曲線的稀疏自編碼算法,并用齒輪箱故障數(shù)據(jù)進(jìn)行了驗(yàn)證,在保證診斷模型識(shí)別效果的同時(shí),降低算法的計(jì)算復(fù)雜度,提高診斷模型的適用性。

自動(dòng)編碼器以其良好的特征提取和降維性能,被廣泛應(yīng)用于機(jī)械設(shè)備的故障診斷。目前大多數(shù)研究集中在將時(shí)域信號(hào)、頻域信號(hào)直接輸入到深度學(xué)習(xí)模型中或者人工提取特征后再將其送到網(wǎng)絡(luò)模型,通過不斷訓(xùn)練調(diào)整參數(shù)和人工調(diào)整來提高的模型泛化能力。但是,將時(shí)域信號(hào)直接輸入深度學(xué)習(xí)模型,存在信號(hào)截取規(guī)則隨機(jī)導(dǎo)致分類結(jié)果差異較大;而以頻域信號(hào)作為輸入,又存在頻譜中各頻段信息的有效信息不一致,降低了模型學(xué)習(xí)效率;包絡(luò)譜低頻信息雖然在一定程度上提高了計(jì)算效率,但變轉(zhuǎn)速設(shè)備難以從包絡(luò)譜里面提取到有用的信息,限制了該方法的應(yīng)用。

因此,本文提出了一種基于信息融合的稀疏自編碼故障診斷方法,充分利用振動(dòng)加速度信號(hào)、速度信號(hào)、位移信號(hào)里的有效信息進(jìn)行故障診斷,降低模型復(fù)雜度的同時(shí),提高了診斷準(zhǔn)確率和泛化性。

1 理論基礎(chǔ)

基于信息融合的稀疏自編碼故障診斷方法包括數(shù)據(jù)信息融合、稀疏自編碼器和SoftMax分類器三部分。信息融合層次分為數(shù)據(jù)級(jí)融合、特征級(jí)融合、決策級(jí)融合[10]。數(shù)據(jù)級(jí)融合信號(hào)的特點(diǎn)是數(shù)據(jù)量龐大、維數(shù)繁多,且融合在底層發(fā)生,可以提供最完整的信息,精度屬最高。3種融合關(guān)系如圖1所示。

通過頻域積分方法對(duì)原始振動(dòng)加速度進(jìn)行一次、二次積分得到速度、位移信號(hào),并結(jié)合頻譜信號(hào),將3個(gè)信號(hào)進(jìn)行數(shù)據(jù)層融合作為自編碼器的輸入。稀疏自編碼器可視為一個(gè)深度自適應(yīng)學(xué)習(xí)網(wǎng)絡(luò),可以無監(jiān)督自適應(yīng)學(xué)習(xí)特征。SoftMax分類器[11]將稀疏自編碼器提取的特征經(jīng)過非線性變換,輸出分類結(jié)果。

1.1 信號(hào)積分轉(zhuǎn)化

在進(jìn)行信號(hào)采集的過程中,可能會(huì)受到儀器設(shè)備或環(huán)境等因素的限制,部分物理量往往要通過另外一些采集到的物理量進(jìn)行轉(zhuǎn)化,如將振動(dòng)加速度信號(hào)轉(zhuǎn)化為速度、位移信號(hào)。加速度傳感器廣泛用于獲取振動(dòng)信號(hào),因?yàn)榕c速度和位移傳感器相比,振動(dòng)數(shù)據(jù)可以快速捕獲,并且采集系統(tǒng)需要安裝的附加設(shè)備更少。基于振動(dòng)加速度信號(hào),可以通過傅立葉變換和積分運(yùn)算獲得速度和位移信息[12-14]。常用的將振動(dòng)加速度信號(hào)轉(zhuǎn)化為速度、位移信號(hào)的方法有時(shí)域積分和頻域積分兩種方法。

1.1.1 時(shí)域積分

設(shè)采集到的振動(dòng)加速度信號(hào)a(t)為:

a(t)=x(t)+ε

(1)

式中:ε是采集時(shí)產(chǎn)生的誤差。

一次時(shí)域積分得到速度信號(hào)v(t):

(2)

二次時(shí)域積分得到速度信號(hào)s(t):

(3)

時(shí)域積分,方法原理簡單,但多次積分后,測量誤差ε的作用被放大,導(dǎo)致一次、二次積分得到的速度、位移信號(hào)與真實(shí)情況有很大偏差[15],位移振幅值將產(chǎn)生嚴(yán)重偏移趨勢項(xiàng),很大程度影響測量的準(zhǔn)確程度。理論上加速度信號(hào)在時(shí)域上進(jìn)行兩次積分可以得到位移信號(hào),但實(shí)際的結(jié)果不理想。

1.1.2 頻域積分

頻域積分算法是將時(shí)域數(shù)據(jù)通過傅里葉變換轉(zhuǎn)換為頻域數(shù)據(jù),在頻域中解決時(shí)域計(jì)算無法解決的響應(yīng)問題,得到精確解[15]。積分在頻域里積分的原理是:將信號(hào)做傅里葉變換,將變換結(jié)果在頻域里做積分運(yùn)算,最后做傅里葉逆變換得到積分后的時(shí)域信號(hào)。

加速度信號(hào)a(t)在某一頻率的傅里葉變量形式表示為:

a(t)=Aejwt

(4)

初速度為0時(shí),對(duì)加速度信號(hào)進(jìn)行時(shí)間積分可以得到速度信號(hào)分量,即:

(5)

式中:V為速度信號(hào)分量v(t)對(duì)應(yīng)的系數(shù)。

一次積分在頻域里的關(guān)系為:

(6)

初速度和初位移分量都為0時(shí),對(duì)加速度信號(hào)的傅里葉變量兩次積分就能得到位移信號(hào)分量,即:

(7)

式中:X為位移信號(hào)分量s(t)對(duì)應(yīng)的系數(shù)。

兩次積分在頻域里的關(guān)系為:

(8)

將振動(dòng)加速度信號(hào)中所有不同頻率的傅里葉分量按照積分在頻域里的關(guān)系式計(jì)算后,進(jìn)行傅里葉逆變換就能得到相應(yīng)的速度信號(hào)和位移信號(hào)。利用頻域積分的計(jì)算結(jié)果較時(shí)域積分算法會(huì)更準(zhǔn)確,故選用頻域積分算法來求速度、位移信號(hào)。

1.2 稀疏自編碼器

自編碼器是一種無監(jiān)督自適應(yīng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),由輸入層、隱含層和輸出層組成,通過對(duì)輸入的編碼和解碼兩個(gè)過程提取輸入數(shù)據(jù)的隱含層特征,稀疏自編碼器基于自編碼器在目標(biāo)函數(shù)的變化上加入系數(shù)懲罰項(xiàng),通過稀疏懲罰項(xiàng),提取稀疏的數(shù)據(jù)特征,有效降維并改善聚類的效果,自編碼器的結(jié)構(gòu)如圖2所示。

圖2 自編碼器結(jié)構(gòu)圖

編碼過程:設(shè)輸入的無標(biāo)簽樣本數(shù)據(jù)為:{x1,x2,…,xn-1,xn},利用編碼器激活函數(shù)fθ對(duì)輸入數(shù)據(jù)進(jìn)行編碼轉(zhuǎn)化為隱含層矢量hm,即:

(9)

(10)

式中:fθ的激活函數(shù)為tanh函數(shù),編碼層的權(quán)重矩陣和偏置參數(shù)為w和b。

(11)

式中:fθ′是解碼層的激活函數(shù),解碼層的權(quán)重矩陣和偏置參數(shù)分別為w′和c。

在進(jìn)行隱含層矢量重構(gòu)的過程中,通過構(gòu)建誤差損失函數(shù)對(duì)網(wǎng)絡(luò)的誤差進(jìn)行計(jì)算,從而得到最優(yōu)的輸出結(jié)果,損失函數(shù)J為:

(12)

(13)

當(dāng)神經(jīng)元輸出接近于1時(shí)表示活躍,輸出接近于-1時(shí)表示是被抑制。

通過相對(duì)熵來測量2個(gè)分布之間得差異,引入相對(duì)稀疏性因子ρ,于是懲罰因子可以定義為:

(14)

在自編碼器中加入稀疏性約束,將式(14)作為懲罰因子加入原損失函數(shù)J中。

1.3 基于信息融合的稀疏自編碼故障診斷模型

基于信息融合的稀疏自編碼故障診斷模型的方法流程如圖3所示,主要包括數(shù)據(jù)預(yù)處理、模型訓(xùn)練和故障診斷3個(gè)過程,具體的做法如下:

圖3 基于信息融合的故障診斷模型的流程圖

步驟1:數(shù)據(jù)預(yù)處理過程:將原始振動(dòng)加速度時(shí)域信號(hào)a(t)經(jīng)一次頻域積分得到速度信號(hào)v(t),同時(shí)將原始振動(dòng)加速度信號(hào)a(t)做快速傅里葉變換得到頻譜信號(hào),然后將一次積分得到的速度信號(hào)v(t)再經(jīng)一次頻域積分得到位移信號(hào)s(t),最后將頻譜、速度、位移信號(hào)融合成一個(gè)復(fù)合信號(hào)作為樣本數(shù)據(jù)集;

步驟2:模型訓(xùn)練過程:對(duì)融合后的復(fù)合信號(hào)劃分訓(xùn)練集和測試集,通過構(gòu)建的稀疏自編碼網(wǎng)絡(luò)進(jìn)行無監(jiān)督學(xué)習(xí)訓(xùn)練,自適應(yīng)學(xué)習(xí),得到深度特征向量;然后,將提取的深度特征向量送入SoftMax分類器進(jìn)行故障模式識(shí)別,與真實(shí)標(biāo)簽進(jìn)行對(duì)比后,若未達(dá)到期望的識(shí)別精度,則對(duì)模型進(jìn)行微調(diào)直至達(dá)到期望的診斷準(zhǔn)確率,保存訓(xùn)練好的SAE故障診斷模型;

步驟3:故障診斷過程:將劃分好的測試集數(shù)據(jù)送入訓(xùn)練好的SAE故障診斷模型,輸出診斷結(jié)果,完成故障診斷過程。

2 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

為驗(yàn)證所提方法的有效性和實(shí)用性,本文引入了滾動(dòng)軸承故障實(shí)驗(yàn)數(shù)據(jù)和RV減速器行星輪故障實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證。

2.1 滾動(dòng)軸承故障診斷實(shí)例

滾動(dòng)軸承故障實(shí)驗(yàn)數(shù)據(jù)選用某大學(xué)軸承振動(dòng)加速度數(shù)據(jù)[16]。滾動(dòng)軸承有正常、內(nèi)圈故障、滾動(dòng)體故障和外圈故障4種狀態(tài),3種故障狀態(tài)下?lián)p傷直徑又分為0.177 8、0.355 6、0.533 4 mm的3種損傷尺寸大小,故滾動(dòng)軸承的故障實(shí)驗(yàn)數(shù)據(jù)有10種狀態(tài)。

滾動(dòng)軸承數(shù)據(jù)樣本劃分如表1所示。其中振動(dòng)加速度信號(hào)的FFT變換后的頻譜信號(hào)有1024個(gè)采樣點(diǎn),為了減少模型訓(xùn)練時(shí)間和探討速度、位移信號(hào)融合對(duì)模型的有效性,對(duì)頻域積分后的速度、位移信號(hào)只選取占頻譜信息一定比例的長度來進(jìn)行數(shù)據(jù)融合,即選取的速度、位移信號(hào)的點(diǎn)數(shù)占頻譜信號(hào)點(diǎn)數(shù)的15%、30%、50%。

表1 滾動(dòng)軸承數(shù)據(jù)樣本集劃分

2.1.1 滾動(dòng)軸承故障診斷的步驟

首先,對(duì)滾動(dòng)軸承加速度振動(dòng)信號(hào)做一次、二次頻域積分得到速度、位移信號(hào),同時(shí)對(duì)振動(dòng)加速度信號(hào)做快速傅里葉變換得到頻譜信號(hào),對(duì)頻譜、速度、位移3種信號(hào)分別做歸一化處理到[-1,1]。

其次,每個(gè)樣本的頻譜信號(hào)點(diǎn)數(shù)取1024,對(duì)速度、位移信號(hào)的點(diǎn)數(shù)長度只選取頻譜信號(hào)點(diǎn)數(shù)的15%、30%、50%,即對(duì)速度、位移信號(hào)每個(gè)樣本取154、308、512個(gè)點(diǎn)3種方式。

最后,為了對(duì)比不同輸入對(duì)結(jié)果的影響,將劃分好的樣本數(shù)據(jù)集按照以下3種方式輸入到稀疏自編碼網(wǎng)絡(luò)。方式1:歸一化后的原始加速度信號(hào);方式2:原始加速度信號(hào)作快速傅里葉變換后的頻譜信號(hào);方式3:頻譜信號(hào)、速度和位移信號(hào)融合后的復(fù)合信號(hào)。方式3輸入的復(fù)合信號(hào)的每個(gè)樣本的長度有3種,取整后分別為1332、1640、2048。故障標(biāo)簽類型個(gè)數(shù)為10,所以3種輸入方式的輸出層神經(jīng)元個(gè)數(shù)都為10,經(jīng)稀疏自編碼提取深度特征后,再通過SoftMax分類器輸出診斷結(jié)果。

2.1.2 診斷結(jié)果

采用方式1、方式2輸入的稀疏自編碼網(wǎng)絡(luò)分別構(gòu)建了1、2、3層的網(wǎng)絡(luò)模型,并對(duì)每種情況的診斷模型訓(xùn)練并測試了10次,取10次測試結(jié)果的平均值。方式1和方式2的在不同層數(shù)下的平均診斷率如圖4所示。

圖4 方式1、2在不同深度下的平均診斷率對(duì)比

由圖4可以看出,在不同的網(wǎng)絡(luò)層數(shù)下,振動(dòng)加速度信號(hào)的頻譜作為輸入,診斷準(zhǔn)確率總是高于振動(dòng)加速度作為輸入的診斷準(zhǔn)確率,這表明相比于振動(dòng)加速度信號(hào),頻譜信號(hào)作為輸入效果更好,但單獨(dú)使用頻譜信號(hào)作為輸入,模型的診斷精度還有待提高。

利用t-SNE方法,對(duì)方式1、方式2、方式3提取的深層特征向量進(jìn)行可視化,如圖5所示。

(a) 方式1輸入 (b) 方式2輸入

由圖5可以看出,方式1輸入,經(jīng)稀疏自編碼網(wǎng)絡(luò)提取的深度特征散點(diǎn)圖混疊,軸承的10種狀態(tài)完全不可分;方式2輸入,經(jīng)稀疏自編碼網(wǎng)絡(luò)提取的深度頻譜特征降低了不同狀態(tài)的重疊程度,10種狀態(tài)的特征散點(diǎn)圖基本可分,但仍有極小部分劃分錯(cuò)誤,且3種不同故障尺寸的內(nèi)圈故障之間的區(qū)分不夠明顯;方式3三種不同比例混合的復(fù)合信號(hào)作為輸入,且只采用一層網(wǎng)絡(luò)結(jié)構(gòu)提取的深度特征,就能將軸承的10種狀態(tài)完全區(qū)分出來。因此,頻譜、速度、位移信號(hào)融合后提取到的深層故障特征更顯優(yōu)勢,更適合分類器來做故障識(shí)別。

方式3輸入中3種不同比例混合的復(fù)合信號(hào),經(jīng)10次測試后的平均準(zhǔn)確率如表2所示。

表2 方式3中3種不同比例混合的結(jié)果

由表2可以看出,輸入的復(fù)合信號(hào)隨著速度、位移信號(hào)信息量的不斷增加,軸承的平均診斷準(zhǔn)確率不斷提高,并且方差也逐漸減小,說明速度、位移信號(hào)的信息增加會(huì)提高模型的穩(wěn)定性,從而更加準(zhǔn)確識(shí)別出軸承的狀態(tài)。

2.1.3 對(duì)比分析

方式1中的振動(dòng)加速度信號(hào)、方式2中的頻譜信號(hào)和方式3中的3種不同比例混合的復(fù)合信號(hào)輸入的診斷結(jié)果進(jìn)行對(duì)比,利用測試集在這5種不同輸入方式的故障模型上分別進(jìn)行10次實(shí)驗(yàn),方式1和方式2輸入均選取診斷效果最好的層數(shù)模型結(jié)果進(jìn)行對(duì)比,10次測試對(duì)比的結(jié)果如圖6所示。

圖6 5種不同輸入方式10次測試的結(jié)果對(duì)比

將振動(dòng)加速度信號(hào)直接輸入到SAE網(wǎng)絡(luò)的平均診斷準(zhǔn)確率最低,僅為52.24%,方差為29.24;將振動(dòng)加速度信號(hào)轉(zhuǎn)換為頻譜信號(hào)輸入到SAE網(wǎng)絡(luò)的平均診斷準(zhǔn)確率為91.40%,方差為12.27;在頻譜信號(hào)的基礎(chǔ)上融合了速度、位移信號(hào)后,診斷準(zhǔn)確率明顯提高,平均診斷準(zhǔn)確率分別為98.33%、98.87%、99.20%,方差分別為23.02、6.70、4.84。通過對(duì)比,可以得出結(jié)論:頻譜信號(hào)融合速度、位移信號(hào)后,模型的故障診斷準(zhǔn)確率會(huì)明顯提高,且隨著速度、位移信息量的增加,診斷模型的穩(wěn)定性會(huì)更好。

2.2 RV減速器故障診斷實(shí)例

采用某大學(xué)工業(yè)機(jī)器人RV的實(shí)驗(yàn)數(shù)據(jù)[17]。RV減速器行星輪故障實(shí)驗(yàn)在RV減速器測試臺(tái)上進(jìn)行,實(shí)驗(yàn)臺(tái)如圖7所示。

圖7 工業(yè)機(jī)器人RV減速器故障實(shí)驗(yàn)臺(tái)

RV減速器的實(shí)驗(yàn)數(shù)據(jù)選用減速器輸出軸單向無負(fù)載的持續(xù)運(yùn)動(dòng)故障數(shù)據(jù),RV的狀態(tài)主要有5種:正常、點(diǎn)蝕故障、斷齒故障、裂紋故障、磨損故障,故障主要發(fā)生在行星輪上。

故障數(shù)據(jù)樣本劃分如表3所示。同樣對(duì)頻域積分后的速度、位移信號(hào)只選取頻譜采樣點(diǎn)數(shù)的一定比例長度來進(jìn)行數(shù)據(jù)融合,即選取速度、位移信號(hào)的點(diǎn)數(shù)占頻譜信號(hào)點(diǎn)數(shù)的15%、30%、50%。

表3 RV故障數(shù)據(jù)樣本集劃分

2.2.1 RV行星輪故障診斷的過程

首先,對(duì)采集到的RV振動(dòng)加速度信號(hào)做一次、二次頻域積分得到速度、位移信號(hào),同時(shí)對(duì)振動(dòng)加速度信號(hào)做快速傅里葉變換得到頻譜信號(hào),對(duì)頻譜、速度、位移3種信號(hào)分別做歸一化處理。

其次,選取每個(gè)樣本的長度為1875,且對(duì)速度、位移信號(hào)的點(diǎn)數(shù)長度選取頻譜信號(hào)點(diǎn)數(shù)的15%、30%、50%,即取282、563、938個(gè)點(diǎn)3種方式。

最后,同樣按照以下3種方式輸入到稀疏自編碼模型。方式1:歸一化后的振動(dòng)加速度信號(hào);方式2:原始振動(dòng)加速度信號(hào)做快速傅里葉變換后的頻譜信號(hào)。方式3:3種不同比例的復(fù)合信號(hào)。方式1和方式2每類RV狀態(tài)的樣本數(shù)為280,每個(gè)樣本的數(shù)據(jù)長度為1875。方式3輸入的復(fù)合信號(hào)的每個(gè)樣本的長度有3種,取整后分別為2439、3001、3751。RV的狀態(tài)為5類,所以3種輸入方式的輸出層神經(jīng)元個(gè)數(shù)都為5,經(jīng)稀疏自編碼提取深度特征后,通過SoftMax分類器得到最終的診斷結(jié)果。

2.2.2 診斷結(jié)果

同樣對(duì)方式1、方式2輸入分別構(gòu)建了1、2、3層的模型,并對(duì)不同層數(shù)的診斷模型訓(xùn)練并測試了10次,取10次測試結(jié)果的平均值,方式1、2在不同層數(shù)下的平均診斷率如圖8所示。

圖8 方式1、 2在不同深度下的平均診斷率對(duì)比

圖8中,在不同的稀疏自編碼網(wǎng)絡(luò)層數(shù)下,振動(dòng)加速度信號(hào)的頻譜作為輸入的診斷準(zhǔn)確率總是高于振動(dòng)加速度作為輸入的診斷準(zhǔn)確率,但單獨(dú)用頻譜信號(hào)作為稀疏自編碼的輸入,診斷精度還未達(dá)到預(yù)期目標(biāo)。

利用t-SNE方法,對(duì)方式1、方式2、方式3輸入提取的5種深層特征向量進(jìn)行可視化,如圖9所示。

(a) 方式1輸入 (b) 方式2輸入

由圖9a可以看出,將RV的振動(dòng)加速度信號(hào)作為稀疏自編碼網(wǎng)絡(luò)的輸入,提取的深度特征散點(diǎn)圖除斷齒故障呈聚集狀態(tài),其余4種狀態(tài)完全不可分;圖9b圖輸入頻譜信號(hào),提取出來的深度頻譜特征改善了不同狀態(tài)間的混疊程度,5種狀態(tài)的特征散點(diǎn)圖大致可分,但正常、點(diǎn)蝕、裂紋、磨損狀態(tài)的特征散點(diǎn)圖還存在部分混疊,且類間距并不大,同一種狀態(tài)的聚集程度并不明顯;圖9c～圖9e圖在頻譜的基礎(chǔ)上分別融合了15%、30%、50%的速度、位移信息,3種情況下的特征散點(diǎn)圖RV的5種狀態(tài)都可以明顯區(qū)分出來,且不同狀態(tài)的類間距明顯增大,同一種狀態(tài)的聚集程度也有明顯改善。因此,將頻譜、速度、位移信號(hào)融合后作為稀疏自編碼網(wǎng)絡(luò)的輸入來提取RV行星輪的深層故障特征是完全可行的。

2.2.3 對(duì)比分析

方式1中的振動(dòng)加速度信號(hào)、方式2中的頻譜信號(hào)和方式3中的3種不同比例混合的信號(hào)輸入的診斷結(jié)果進(jìn)行對(duì)比,在這5種故障診斷模型上分別進(jìn)行10次測試,方式1和方式2輸入均選取診斷效果最好的層數(shù)結(jié)果進(jìn)行對(duì)比,10次測試對(duì)比的結(jié)果如圖10所示。

圖10 5種不同輸入10次測試的結(jié)果對(duì)比

將RV的振動(dòng)加速度信號(hào)直接輸入到SAE網(wǎng)絡(luò)的平均診斷準(zhǔn)確率最低,僅為71.30%,方差為15.41;輸入為頻譜信號(hào)后,平均診斷準(zhǔn)確率為94.20%,雖然識(shí)別準(zhǔn)確率明顯提升,但方差為19.93,模型的穩(wěn)定性較差;在頻譜信號(hào)的基礎(chǔ)上融合了速度、位移信號(hào)后,3種不同比例的混合信號(hào)10次測試的平均診斷準(zhǔn)確率均為100%。通過對(duì)比,可以得出結(jié)論:頻譜信號(hào)融合速度、位移信號(hào)后,診斷準(zhǔn)確率會(huì)明顯提高,且頻譜信號(hào)輸入中只需要融入15%的速度和15%的位移信息量,診斷模型的精度就可以達(dá)到100%,且穩(wěn)定性較好。為節(jié)省模型的訓(xùn)練時(shí)間,對(duì)于RV減速器行星輪5狀態(tài)的故障識(shí)別,只需要融合15%的速度、位移信息量即可達(dá)到預(yù)期診斷目的。

3 結(jié)論

振動(dòng)加速度信息、速度信息、位移信息能更全面包含設(shè)備狀態(tài)信息,本文將三者進(jìn)行數(shù)據(jù)融合,并利用稀疏自編碼與SoftMax分類器構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò),對(duì)滾動(dòng)軸承、RV減速器行星輪進(jìn)行狀態(tài)識(shí)別,最終得出以下結(jié)論:

(1)稀疏自編碼具有強(qiáng)大的特征提取和降維性能,可以自適應(yīng)提取深層故障特征,能有效解決傳統(tǒng)手工提取特征區(qū)分度差、代表性弱的問題。

(2)相比于單一數(shù)據(jù)輸入,頻譜、速度、位移信號(hào)進(jìn)行數(shù)據(jù)融合后的復(fù)合信號(hào)作為稀疏自編碼網(wǎng)絡(luò)的輸入,滾動(dòng)軸承和RV行星輪的多組對(duì)比實(shí)驗(yàn)結(jié)果表明,相比經(jīng)典方法,所提方法在保證識(shí)別準(zhǔn)確率和降低模型復(fù)雜度的同時(shí),有效提高了其泛化性。