顧偉紅, 毛夢(mèng)薇

(蘭州交通大學(xué)土木工程學(xué)院, 甘肅 蘭州 730070)

0 引言

近年來(lái),我國(guó)地下交通工程取得了巨大進(jìn)展,全斷面硬巖隧道掘進(jìn)機(jī)(TBM)開挖工法由于其安全高效的優(yōu)點(diǎn)得到了廣泛應(yīng)用。但是TBM的施工環(huán)境惡劣且復(fù)雜多變,在掘進(jìn)過(guò)程中常受到頻繁的沖擊和振動(dòng),設(shè)備零部件難免會(huì)逐漸劣化,從而埋下安全隱患,同時(shí)TBM系統(tǒng)結(jié)構(gòu)較為復(fù)雜,各部件之間相互關(guān)聯(lián),無(wú)論哪個(gè)部位出現(xiàn)問題都會(huì)對(duì)TBM的正常運(yùn)行造成影響。變速箱作為TBM的核心部件之一,主要由齒輪、軸承、軸和箱體等部件組成,是復(fù)雜的行星齒輪結(jié)構(gòu),由于在運(yùn)行過(guò)程中長(zhǎng)期承受來(lái)自TBM和外界的強(qiáng)轉(zhuǎn)矩作用,致使其故障率極高,而故障發(fā)生早期通常以磨損形式出現(xiàn),大多數(shù)設(shè)備的失效也是由磨損引起的。因此,監(jiān)控變速箱的磨損狀態(tài)可以在故障發(fā)生早期做出判斷,及時(shí)處理并制定維護(hù)保養(yǎng)策略,防止其帶“病”作業(yè)而造成更大的損失,對(duì)維持TBM安全穩(wěn)定運(yùn)行具有重要意義。

目前已有很多國(guó)內(nèi)外學(xué)者對(duì)TBM重要部件的狀態(tài)監(jiān)測(cè)進(jìn)行了研究: Sutherland[1]通過(guò)比較計(jì)算電機(jī)處的電壓與隧道中的測(cè)量電壓,對(duì)TBM電機(jī)的性能做出診斷; Simoes等[2]運(yùn)用模糊邏輯理論建立了TBM利用率預(yù)測(cè)模型; Alvarez等[3]闡述了依托神經(jīng)模糊方法對(duì)TBM性能建模的研究結(jié)果; 左慶林[4]通過(guò)分析盾構(gòu)關(guān)鍵設(shè)備的故障機(jī)制和狀態(tài)檢測(cè)方法,開放了故障診斷系統(tǒng); Yagiz等[5]通過(guò)構(gòu)建非線性多變量預(yù)測(cè)模型,對(duì)盾構(gòu)性能做出評(píng)估; 陳文遠(yuǎn)等[6]通過(guò)融合盾構(gòu)各監(jiān)測(cè)技術(shù),基于互聯(lián)網(wǎng)開發(fā)了信息管理系統(tǒng); 喬世范等[7]在推導(dǎo)出掘進(jìn)參數(shù)與刀具磨損關(guān)系的基礎(chǔ)上,提出了一種小波包分解掘進(jìn)參數(shù)信號(hào)的盾構(gòu)刀具磨損識(shí)別方法; 劉堯等[8]結(jié)合機(jī)器學(xué)習(xí)和盾構(gòu)掘進(jìn)參數(shù),基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘?qū)Φ侗P的健康狀態(tài)做出評(píng)估; 李宏波等[9]基于聲發(fā)射和改進(jìn)灰關(guān)聯(lián)度分析的方法對(duì)TBM滾刀的磨損狀態(tài)做出評(píng)估; 夏燕冰等[10]介紹了油液監(jiān)測(cè)技術(shù)的原理和程序,并將其應(yīng)用于TBM刀盤主軸承、主變速箱和主液壓油箱。

通過(guò)對(duì)上述文獻(xiàn)的學(xué)習(xí)發(fā)現(xiàn),國(guó)外對(duì)于TBM狀態(tài)監(jiān)測(cè)的研究集中于掘進(jìn)機(jī)運(yùn)行性能評(píng)價(jià)、模型適用性等方面,國(guó)外公司主要通過(guò)在關(guān)鍵設(shè)備上裝置各種傳感器,通過(guò)傳感器參數(shù)的變化來(lái)發(fā)現(xiàn)故障; 國(guó)內(nèi)對(duì)于TBM狀態(tài)監(jiān)測(cè)的研究大多為介紹各種監(jiān)測(cè)技術(shù)在施工中的應(yīng)用,以及開發(fā)相關(guān)信息管理系統(tǒng)。實(shí)際施工中會(huì)采用各種監(jiān)測(cè)技術(shù)對(duì)TBM零部件的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè),并記錄相關(guān)數(shù)據(jù),但缺乏對(duì)記錄數(shù)據(jù)的分析。振動(dòng)和油液監(jiān)測(cè)是機(jī)械故障診斷的常用方法,但振動(dòng)監(jiān)測(cè)多用于識(shí)別表面損傷類故障,對(duì)早期磨損故障敏感性較差,而油液監(jiān)測(cè)對(duì)磨損故障更為敏感,識(shí)別率更高。光譜分析是油液監(jiān)測(cè)的一種方法,它可以檢測(cè)出潤(rùn)滑油中元素的種類和質(zhì)量分?jǐn)?shù),從而判斷機(jī)械設(shè)備的磨損狀態(tài),施工中常用三線值法對(duì)油液光譜數(shù)據(jù)進(jìn)行分析(三線值法是對(duì)歷次變速箱油樣光譜分析數(shù)據(jù)進(jìn)行線性分析,確定3條控制線,根據(jù)數(shù)據(jù)曲線的走勢(shì)判斷變速箱當(dāng)前的磨損狀態(tài)),但這種方法需要結(jié)合歷次數(shù)據(jù)進(jìn)行分析,存在數(shù)據(jù)量大、計(jì)算困難的問題,并且該方法對(duì)工程經(jīng)驗(yàn)的依賴性較強(qiáng),需要人為選擇所用歷次數(shù)據(jù)的組數(shù),不同選擇確定的3條線也不同,大大增加了人為因素對(duì)結(jié)果的影響,可能會(huì)存在誤診和漏診的情況,給正常施工帶來(lái)?yè)p失。

近年來(lái),深度學(xué)習(xí)在學(xué)術(shù)界引發(fā)了研究熱潮,相較于淺層網(wǎng)絡(luò),深層網(wǎng)絡(luò)可以自適應(yīng)地提取數(shù)據(jù)中的深層特征。其中,卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)模型,由于其稀疏連接和權(quán)值共享的特點(diǎn),在提取數(shù)據(jù)特征時(shí)具有很大優(yōu)勢(shì)[11]。并且也有學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于解決小樣本問題,如鐘建華等[12]基于小樣本數(shù)據(jù),使用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)齒輪箱進(jìn)行故障診斷; 林年添等[13]使用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法,用于在小樣本條件下智能提取、分類并識(shí)別地震油氣特征?；诖?本文提出使用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)TBM變速箱進(jìn)行磨損狀態(tài)識(shí)別(wear state recognition based on improved convolution neural network,WSRCNN),并結(jié)合工程實(shí)際數(shù)據(jù)驗(yàn)證模型識(shí)別性能,通過(guò)模型對(duì)比分析證明本研究所提出方法的有效性,以期為實(shí)際施工中TBM變速箱的安全穩(wěn)定運(yùn)行提供可靠保障。

1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋神經(jīng)網(wǎng)絡(luò),本質(zhì)是多層感知機(jī),包括前向提取拓?fù)浜秃笙騻鞑?yōu)化2部分,最早是在1998年針對(duì)手寫數(shù)字分類問題提出的,在處理圖像問題時(shí)具有很大優(yōu)勢(shì)[14-15]。因此,最初的卷積神經(jīng)網(wǎng)絡(luò)只能解決二維圖像問題。后來(lái)由于輸入數(shù)據(jù)的類型不同,專家學(xué)者對(duì)網(wǎng)絡(luò)模型結(jié)構(gòu)做了改動(dòng),可用于處理一維數(shù)據(jù)、圖像和視頻,雖然應(yīng)用的領(lǐng)域不同,但結(jié)構(gòu)和原理相同。

1.1 卷積層

卷積層的作用是提取數(shù)據(jù)特征,其中最重要的就是卷積核。卷積結(jié)構(gòu)中一般包括多個(gè)卷積核,在訓(xùn)練前預(yù)設(shè)好卷積核的步長(zhǎng)和邊長(zhǎng),通過(guò)多次迭代不斷更新各自的權(quán)值。使用卷積核在輸入特征上按步長(zhǎng)移動(dòng)做卷積運(yùn)算,遍歷后輸出提取到的特征圖[16-17]。具體的卷積運(yùn)算公式為:

(1)

1.2 激活函數(shù)

激活函數(shù)用于對(duì)卷積運(yùn)算的結(jié)果做非線性處理,可以幫助模型學(xué)習(xí)數(shù)據(jù)中復(fù)雜的模式。本文選用ReLU函數(shù),因?yàn)槠溥\(yùn)算量低,且比sigmoid函數(shù)和tanh函數(shù)更能加快梯度下降和網(wǎng)絡(luò)模型訓(xùn)練的速度[18],具體的計(jì)算公式為:

yl=f(xl)=max{0,xl}。

(2)

式中:xl為卷積運(yùn)算后得到的特征圖;yl為xl經(jīng)ReLU函數(shù)激活后得到的輸出值。

1.3 池化層

池化層的作用是通過(guò)壓縮卷積層的輸出提取關(guān)鍵特征,從而簡(jiǎn)化模型結(jié)構(gòu),避免過(guò)擬合現(xiàn)象的發(fā)生。最大池化和平均池化是最常用的2種池化方式,最大池化是將計(jì)算區(qū)域中的最大值作為池化后的值,平均池化是將計(jì)算區(qū)域中的平均值作為池化后的值,本文選用最大池化方式[19-20]。最大池化和平均池化的計(jì)算公式分別如式(3)和式(4)所示。

(3)

(4)

1.4 全連接層和輸出層

卷積層和池化層交替后進(jìn)入全連接層,其作用是將提取到的多維特征展開平鋪為一維向量,并進(jìn)一步提取特征后傳給輸出層,輸出層使用Softmax分類器完成分類任務(wù)。計(jì)算公式分別如式(5)和式(6)所示。

(5)

(6)

2 變速箱磨損識(shí)別機(jī)制

變速箱是TBM主驅(qū)動(dòng)中負(fù)責(zé)變速以及傳遞力和力矩的重要部件,且在運(yùn)行過(guò)程中易發(fā)生磨損,而油液檢測(cè)對(duì)磨損類故障的識(shí)別率較高[21]。因此,本文使用油液檢測(cè)對(duì)變速箱的磨損狀態(tài)做出判斷。

2.1 磨損的定義

磨損是指機(jī)械設(shè)備運(yùn)行時(shí),相互接觸的零部件發(fā)生相對(duì)運(yùn)動(dòng),接觸表面在交變接觸應(yīng)變力的作用下產(chǎn)生零件表面材料損失。當(dāng)變速箱處于超載荷工作時(shí),因加工裝配不當(dāng)、人為操作不當(dāng)?shù)仍蛟斐傻碾s質(zhì)異物侵入都會(huì)導(dǎo)致磨損,產(chǎn)生的磨損產(chǎn)物也會(huì)參與磨損; 當(dāng)磨損發(fā)展至嚴(yán)重狀態(tài)時(shí),會(huì)使得變速箱故障失效停止工作。

2.2 油液檢測(cè)

根據(jù)磨損的定義可知,磨損會(huì)造成零件表面損失,產(chǎn)生的磨損產(chǎn)物都會(huì)隨機(jī)器運(yùn)轉(zhuǎn)進(jìn)入到油液中,因此對(duì)油液的檢測(cè)可以獲得許多關(guān)于設(shè)備磨損的信息。

油液檢測(cè)包括潤(rùn)滑油分析和磨損顆粒分析2部分[22]。其中,潤(rùn)滑油分析是指分析油液的理化性能指標(biāo),用于判斷對(duì)象的潤(rùn)滑狀態(tài); 磨損顆粒分析是指分析油液中磨粒大小、形狀、質(zhì)量分?jǐn)?shù)等參數(shù),用于判斷對(duì)象的磨損狀態(tài),包括鐵譜分析和光譜分析。分析潤(rùn)滑油中的磨粒可以在不拆機(jī)的情況下對(duì)TBM變速箱磨損狀態(tài)做出判斷,本文使用光譜分析的結(jié)果作為磨損識(shí)別依據(jù)。

2.3 光譜分析

2.3.1 光譜分析原理

光譜分析技術(shù)主要有紅外光譜和發(fā)射光譜2種,其中發(fā)射光譜分析常被用于機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)。光譜分析能快速準(zhǔn)確地檢測(cè)到油液中21種金屬、非金屬元素質(zhì)量分?jǐn)?shù)。根據(jù)變速箱的材料化學(xué)成分,本文選取了Fe、Al、Cr、Ni、Si、Cu、Ti、Zn、Ba 9種元素,以變速箱潤(rùn)滑油光譜分析結(jié)果中這9種元素的質(zhì)量分?jǐn)?shù)為指標(biāo),識(shí)別出變速箱的磨損狀態(tài)。

2.3.2 光譜三線值法

實(shí)際TBM施工過(guò)程中會(huì)定期采集油樣做光譜檢測(cè),通常采用三線值法對(duì)檢測(cè)結(jié)果進(jìn)行分析。三線指的是正常線、警告線和危險(xiǎn)線3條控制線,由于油液中的磨粒元素質(zhì)量分?jǐn)?shù)隨機(jī)械設(shè)備運(yùn)行而不斷增加,因此3條控制線也以一定的斜率呈現(xiàn): 正常線V1=0.8(P+2S),警告線V2=P+2S,危險(xiǎn)線V3=P+3S,其中,P為基準(zhǔn)值,P=a+bx;S為標(biāo)準(zhǔn)差?；€通過(guò)線性回歸法對(duì)樣本點(diǎn)進(jìn)行擬合確定,計(jì)算公式如式(7)—(9)所示。

(7)

(8)

(9)

式(7)—(9)中: (Xi,Yi)為設(shè)備測(cè)得的元素質(zhì)量分?jǐn)?shù)值經(jīng)過(guò)變換得到的回歸系數(shù);a、b為最小二乘法求得的擬合系數(shù)。

建立的控制線如圖1所示。

圖1 光譜分析三線值法

使用光譜三線值法的判別標(biāo)準(zhǔn)如下:

1)當(dāng)本次檢測(cè)的特征參量P

2)當(dāng)V1

3)當(dāng)V2

4)當(dāng)P>V3時(shí),說(shuō)明設(shè)備磨損已屬于危險(xiǎn)范圍,此時(shí)油液中磨粒的質(zhì)量分?jǐn)?shù)很大,設(shè)備磨損嚴(yán)重將導(dǎo)致故障失效無(wú)法運(yùn)轉(zhuǎn)。

使用三線值法可以對(duì)變速箱的磨損狀態(tài)做出判斷,但使用這種方法主要結(jié)合歷次所有光譜分析數(shù)據(jù),所需的數(shù)據(jù)和計(jì)算量比較大,而且一定程度上會(huì)受到人為因素的影響。因此,本文選用可以自適應(yīng)提取數(shù)據(jù)特征的卷積神經(jīng)網(wǎng)絡(luò),該方法可以更加準(zhǔn)確地對(duì)TBM變速箱磨損狀態(tài)做出識(shí)別。根據(jù)元素質(zhì)量分?jǐn)?shù)的大小,將TBM變速箱的磨損狀態(tài)分為正常、輕度磨損、異常磨損和嚴(yán)重磨損。

3 WSRCNN方法

3.1 WSRCNN模型建立

本文以變速箱油液光譜分析的9種元素的質(zhì)量分?jǐn)?shù)值作為模型輸入,因此選用一維卷積神經(jīng)網(wǎng)絡(luò),并通過(guò)對(duì)傳統(tǒng)網(wǎng)絡(luò)模型作出調(diào)整,提出了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的TBM變速箱磨損狀態(tài)識(shí)別模型(WSRCNN),最終構(gòu)建的模型如圖2所示。其中包含4個(gè)卷積層(Conv)、2個(gè)池化層(Maxp)和1個(gè)全局平均池化層(GAP)。通過(guò)卷積層和池化層交替提取光譜數(shù)據(jù)特征,使用全局平均池化層對(duì)輸入的多維特征進(jìn)行整合,并結(jié)合Dropout正則化隨機(jī)丟棄神經(jīng)元,最后通過(guò)Softmax分類器輸出磨損狀態(tài)類別。

WSRCNN模型對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)做的改進(jìn)為: 使用2個(gè)卷積層疊加代替?zhèn)鹘y(tǒng)模型中的1個(gè)卷積層,可以更深層地提取數(shù)據(jù)特征; 并且使用2個(gè)不同尺寸的卷積核,可以學(xué)習(xí)不同級(jí)別的數(shù)據(jù)特征。

為優(yōu)化模型性能,避免過(guò)擬合現(xiàn)象的發(fā)生,使用全局平均池化層代替全連接層,并引入Dropout正則化和批量歸一化,減少模型參數(shù)。

圖2 改進(jìn)CNN模型結(jié)構(gòu)

3.2 狀態(tài)識(shí)別流程

使用WSRCNN模型識(shí)別TBM變速箱磨損狀態(tài)的流程包括4個(gè)部分: 數(shù)據(jù)準(zhǔn)備、模型搭建、模型訓(xùn)練、模型預(yù)測(cè)。具體步驟如下:

1)將采集到的TBM變速箱油液光譜數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集,并進(jìn)行歸一化處理。

2)構(gòu)建WSRCNN模型并初始化相關(guān)參數(shù)。

3)將訓(xùn)練樣本數(shù)據(jù)批量輸入到構(gòu)建好的WSRCNN模型中,逐層向前傳播提取數(shù)據(jù)特征,使用Softmax分類器輸出磨損狀態(tài)類別,并計(jì)算目標(biāo)輸出與實(shí)際輸出的偏差。

4)誤差反向傳播,更新模型參數(shù)。

5)重復(fù)步驟3)、4),不斷調(diào)整模型參數(shù),當(dāng)誤差收斂至滿足要求或達(dá)到最大迭代次數(shù)時(shí),即完成模型的訓(xùn)練。

6)將測(cè)試集數(shù)據(jù)輸入訓(xùn)練好的WSRCNN模型,進(jìn)行TBM變速箱磨損狀態(tài)識(shí)別。

具體的識(shí)別流程如圖3所示。

圖3 磨損狀態(tài)識(shí)別流程圖

3.3 模型評(píng)價(jià)指標(biāo)

為驗(yàn)證模型識(shí)別性能,就要引入一些評(píng)價(jià)指標(biāo)進(jìn)行衡量。對(duì)于多分類模型的評(píng)價(jià)指標(biāo)通常有4種。

3.3.1 準(zhǔn)確率

準(zhǔn)確率是指被正確分類的樣本數(shù)(ncorrect)與總樣本數(shù)(ntotal)的比值。計(jì)算公式為:

(10)

3.3.2 精確率

精確率是指分類正確的正樣本個(gè)數(shù)(TP)占分類器判定為正樣本的樣本個(gè)數(shù)(TP+FP)的比例。計(jì)算公式為:

(11)

3.3.3 召回率

召回率是指分類正確的正樣本個(gè)數(shù)(TP)占真正的正樣本個(gè)數(shù)(TP+FN)的比例。計(jì)算公式為:

(12)

3.3.4F1分值

F1分值是指精確率和召回率的調(diào)和平均值。計(jì)算公式為:

(13)

4 實(shí)例驗(yàn)證

4.1 工程概況

本文獲取的TBM變速箱油液光譜數(shù)據(jù)主要來(lái)自于引漢濟(jì)渭工程秦嶺輸水隧洞。秦嶺輸水隧洞的主要任務(wù)是將從漢江流域調(diào)出的水自流至渭河流域關(guān)中地區(qū),全長(zhǎng)81.79 km,隧洞主要采用TBM工法,開挖斷面為圓形。

4.2 數(shù)據(jù)準(zhǔn)備

4.2.1 數(shù)據(jù)采集

本文使用工程實(shí)際采集的TBM變速箱油液的光譜分析數(shù)據(jù)為依據(jù)識(shí)別變速箱的磨損狀態(tài),但現(xiàn)場(chǎng)TBM變速箱潤(rùn)滑油的取樣送檢間隔通常為1次/月,因此樣本量較少。TBM變速箱的磨損狀態(tài)分為正常、輕度磨損、異常磨損和嚴(yán)重磨損4種,采集到4種磨損狀態(tài)的油液光譜數(shù)據(jù)共100組,按類別對(duì)各組數(shù)據(jù)貼標(biāo)簽,具體的類別標(biāo)簽信息和樣本分布如表1所示,并按8∶2的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。

4.2.2 數(shù)據(jù)預(yù)處理

TBM變速箱油液光譜數(shù)據(jù)的各元素質(zhì)量分?jǐn)?shù)值變化量較大,還有可能存在奇異數(shù)據(jù),這會(huì)使得模型計(jì)算的復(fù)雜程度較高且訓(xùn)練時(shí)間長(zhǎng)。為了提高模型識(shí)別性能,先對(duì)奇異數(shù)據(jù)進(jìn)行剔除,然后對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理后再輸入模型,使得數(shù)據(jù)處于0～1范圍。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后,可以減少梯度下降求最優(yōu)解的時(shí)間,提高模型識(shí)別的準(zhǔn)確度。具體的歸一化公式為:

(14)

式中:Xn為歸一化處理后的數(shù)據(jù)值;Xmax和Xmin分別為某一指標(biāo)樣本數(shù)據(jù)中的最大值和最小值;X為原始數(shù)據(jù)值。

4.3 模型參數(shù)設(shè)置

卷積神經(jīng)網(wǎng)絡(luò)模型中有許多參數(shù),參數(shù)的選取對(duì)模型識(shí)別準(zhǔn)確率有很大影響。因此,在構(gòu)建WSRCNN模型過(guò)程中,需要對(duì)一些影響模型性能的參數(shù)進(jìn)行選取。通過(guò)多次對(duì)比試驗(yàn),最終構(gòu)建的WSRCNN模型參數(shù)如表2所示。變速箱的磨損狀態(tài)是根據(jù)選取的9種元素的光譜數(shù)據(jù)判斷的,因此,輸入層尺寸為9×1,2層卷積層的卷積核尺寸為5×1和3×1。Softmax分類器的神經(jīng)元數(shù)即為變速箱的磨損狀態(tài)類別數(shù),設(shè)置為4。模型中采用交叉熵?fù)p失函數(shù)計(jì)算目標(biāo)輸出與實(shí)際輸出之間的誤差,優(yōu)化器選用Adam調(diào)整模型參數(shù),批處理量為20,學(xué)習(xí)率設(shè)置為0.001,最大迭代次數(shù)為200。損失值使用交叉熵?fù)p失函數(shù)進(jìn)行計(jì)算,計(jì)算公式為:

(15)

式中:L為損失值;M為類別數(shù);p(xi)為樣本的真實(shí)類別;q(xi)為預(yù)測(cè)為該類別的概率。

表2 WSRCNN模型結(jié)構(gòu)參數(shù)

Dorpout層的參數(shù)通過(guò)對(duì)比試驗(yàn)選取,分別將模型的Dropout率設(shè)為0.3、0.5和0.7,得到的模型損失曲線如圖4所示。由圖可知,當(dāng)Dropout率為0.3時(shí),模型收斂速度更快也更穩(wěn)定,因此選擇Dropout率為0.3。

圖4 不同Dropout率的損失對(duì)比

4.4 模型訓(xùn)練與測(cè)試

4.4.1 準(zhǔn)確率與損失曲線

將訓(xùn)練集數(shù)據(jù)歸一化處理后批量輸入到初始化參數(shù)的WSRCNN模型中,對(duì)模型進(jìn)行200次迭代,得到的準(zhǔn)確率和損失值變化如圖5所示。從圖中可以看出,模型在迭代75次后,準(zhǔn)確率和損失值逐漸趨于穩(wěn)定,并且在迭代100次后,準(zhǔn)確率已經(jīng)穩(wěn)定于0.9以上,多次達(dá)到100%,并且模型的損失值也穩(wěn)定于0.1以下。

(a) 準(zhǔn)確率曲線

(b) 損失曲線

4.4.2 混淆矩陣

為了更直觀地觀察模型的識(shí)別效果,將測(cè)試集的數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的模型中進(jìn)行磨損狀態(tài)識(shí)別,把模型識(shí)別的結(jié)果與實(shí)際磨損狀態(tài)的標(biāo)簽進(jìn)行混淆矩陣的繪制,得到的混淆矩陣如圖6所示?；煜仃囀且环N展示模型性能的可視化方法,其原理是將模型識(shí)別結(jié)果以矩陣形式表示出來(lái),行表示模型預(yù)測(cè)類別,列表示真實(shí)類別,左上角到右下角對(duì)角線的值為分類正確的比例,其他位置為分類錯(cuò)誤的比例。

圖6 混淆矩陣

因此,本文提出使用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)TBM變速箱磨損狀態(tài)識(shí)別的效果較好。

4.4.3 特征可視化分析

為驗(yàn)證本文模型提取數(shù)據(jù)特征的優(yōu)勢(shì),使用t分布隨機(jī)鄰域嵌入(t-distributed stochastic neighbor embedding,t-SNE)算法對(duì)本文模型的卷積層、全局平均池化層和輸出層學(xué)習(xí)到的特征進(jìn)行分析和可視化[23],可視化結(jié)果如圖7所示,為WSRCNN模型各層提取到的特征分布狀態(tài)。從圖中可以看出,經(jīng)過(guò)卷積層和池化層的交替,不同類別的特征呈現(xiàn)分離趨勢(shì),同一類別的特征逐漸靠攏,在經(jīng)過(guò)第4層卷積操作后,類別相同的特征都集中在一起,類別不同的特征基本可以區(qū)分開。在全局平均池化層和輸出層,各類別的特征已完全分離開,同一類別的所有特征也聚集在一起完成分類。

(a) 卷積層1

(b) 卷積層2

(c) 卷積層3

(d) 卷積層4

(e) 全局平均池化層

(f) 輸出層

4.5 模型對(duì)比

為驗(yàn)證WSRCNN模型的有效性,將其與傳統(tǒng)的一維卷積神經(jīng)網(wǎng)絡(luò)(CNN-1D)和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。其中CNN-1D模型包括2個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層,2層卷積層的卷積核數(shù)目分別為16和32,卷積核尺寸為5×1,全連接層神經(jīng)元個(gè)數(shù)為16,其余參數(shù)設(shè)置與本文一致。BP神經(jīng)網(wǎng)絡(luò)的3層神經(jīng)元數(shù)分別設(shè)置為9、13、4,輸入層和隱藏層分別使用tanh函數(shù)和sigmoid函數(shù)激活。模型識(shí)別結(jié)果對(duì)比如表3所示。

表3 模型識(shí)別結(jié)果對(duì)比

由表3可知,只有BP神經(jīng)網(wǎng)絡(luò)的精確率是高于WSRCNN模型的,是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)有3個(gè)樣本沒有判斷出類別,其余分類器輸出的均為正確分類的,因此精確率顯示為100%; 而WSRCNN模型的其余指標(biāo)均高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)CNN-1D模型和BP神經(jīng)網(wǎng)絡(luò),證明改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)更適合進(jìn)行磨損狀態(tài)的識(shí)別,BP神經(jīng)網(wǎng)絡(luò)屬于淺層模型,特征學(xué)習(xí)能力有限,因此其識(shí)別性能也較本文方法存在一定差距。

5 結(jié)論與討論

1)本文提出了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的TBM變速箱磨損狀態(tài)識(shí)別方法。該方法以TBM變速箱的油液光譜分析結(jié)果作為模型輸入,通過(guò)建立光譜數(shù)據(jù)與磨損狀態(tài)標(biāo)簽的非線性映射關(guān)系,可以在不拆機(jī)的情況下及時(shí)識(shí)別出變速箱的磨損狀態(tài),避免發(fā)生更大故障,相較于傳統(tǒng)的三線值法計(jì)算簡(jiǎn)便且準(zhǔn)確。

2)通過(guò)對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型做出改進(jìn),建立WSRCNN模型,使用2層卷積層堆疊代替?zhèn)鹘y(tǒng)的1層卷積層,可以深度提取數(shù)據(jù)特征,并使用2個(gè)不同尺寸的卷積核提取不同層級(jí)的特征;為避免過(guò)擬合,使用全局平均池化層代替全連接層,并引入Dropout正則化,降低了模型的參數(shù)量和計(jì)算量。

3)將基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)建立的TBM變速箱磨損狀態(tài)識(shí)別模型應(yīng)用于工程實(shí)例中,并與傳統(tǒng)的CNN-1D模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比,試驗(yàn)結(jié)果表明,使用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確識(shí)別出TBM變速箱的磨損狀態(tài),且本文模型的識(shí)別性能更優(yōu),驗(yàn)證了所提方法的有效性。

4)本文使用光譜分析數(shù)據(jù)對(duì)變速箱的磨損狀態(tài)進(jìn)行識(shí)別,但數(shù)據(jù)需要對(duì)油液進(jìn)行光譜分析后才能得到,具有一定的滯后性,之后進(jìn)一步的研究可以使用TBM運(yùn)行時(shí)變速箱的監(jiān)測(cè)數(shù)據(jù)對(duì)其運(yùn)行狀態(tài)進(jìn)行判斷,更具有實(shí)時(shí)性。