郭向陽 王建國 范 斌 張 超 于 航
(1.內(nèi)蒙古科技大學機械工程學院 內(nèi)蒙古包頭 014010;2.內(nèi)蒙古農(nóng)業(yè)大學機電工程學院 內(nèi)蒙古呼和浩特 010018)
齒輪箱是機械傳動系統(tǒng)的關鍵部件,其健康狀態(tài)直接影響整個機械系統(tǒng)的性能。其中,齒輪箱中的齒輪極易發(fā)生磨損,齒輪的健康狀態(tài)直接影響齒輪箱的運行情況[1]。所以,在齒輪箱工作過程中對齒輪進行磨損狀態(tài)監(jiān)測具有重要意義。目前齒輪箱磨損狀態(tài)監(jiān)測技術有振動監(jiān)測、油液監(jiān)測和超聲監(jiān)測等,其中振動監(jiān)測和油液監(jiān)測是目前齒輪箱磨損狀態(tài)監(jiān)測的主要技術手段[2]。振動監(jiān)測技術是通過在齒輪箱上安裝振動傳感器采集原始振動信號,目前比較常用的方法有時域分析法、頻域分析法。近年來,許多學者通過時域頻域特征融合[3]、提取原始振動信號的圖譜特征[4]以及多傳感器數(shù)據(jù)融合[5]等方法大大提高了齒輪箱磨損狀態(tài)監(jiān)測能力。油液監(jiān)測技術是對機器的潤滑劑的理化特性和攜帶的磨粒進行分析,獲得機器的潤滑與磨損狀態(tài)信息,從而對機器進行故障預測,確定故障類型[6]。機器磨損會產(chǎn)生磨粒,磨粒帶有大量表征機器狀態(tài)的信息。經(jīng)過多年發(fā)展,目前基于電磁、超聲、光學等技術研發(fā)的磨粒監(jiān)測傳感器在監(jiān)測磨粒濃度、個數(shù)以及具體形貌等方面已經(jīng)取得了良好的效果,在很多領域已經(jīng)實現(xiàn)了應用[7]。
近年來,隨著人工智能技術的發(fā)展,深度學習技術應用在鐵譜圖像識別上可以很好地對磨粒進行定性和定量分析[8]。振動監(jiān)測在齒輪裂紋識別方面效果較好,但是無法有效監(jiān)測到齒面的微點蝕。而通過監(jiān)測潤滑油液中的磨粒濃度、磨粒個數(shù)等特征信息可以有效地反映齒輪箱摩擦副的磨損程度,但是無法及時地識別到齒輪裂紋??梢妴我坏谋O(jiān)測技術很難準確、全面地反映設備狀態(tài),而將振動監(jiān)測和油液監(jiān)測相結合有利于更加全面地反映齒輪箱的運行狀態(tài)[9]。
齒輪箱在運行過程中各個部件間存在關聯(lián)耦合現(xiàn)象,所以產(chǎn)生的振動和油液數(shù)據(jù)具有非線性的特點,同時振動和油液數(shù)據(jù)是時間序列數(shù)據(jù),其當前時刻的數(shù)據(jù)與歷史時刻的數(shù)據(jù)具有時間關聯(lián)性[10]。WANG等[11]使用深度神經(jīng)網(wǎng)絡(DNN)對齒輪箱狀態(tài)進行了預測,但是該模型不能很好地挖掘數(shù)據(jù)間的時間關聯(lián)性。張龍等人[12]使用循環(huán)神經(jīng)網(wǎng)絡(RNN)對齒輪箱狀態(tài)進行了預測,一定程度上提高了齒輪箱故障診斷精度,但是RNN存在梯度消失和爆炸問題。長短期記憶神經(jīng)網(wǎng)絡(LSTM)是一種基于時間序列的神經(jīng)網(wǎng)絡,并且擁有非線性層,能夠充分挖掘時序數(shù)據(jù)的深層信息以提高狀態(tài)監(jiān)測的性能,同時也解決了RNN的梯度消失和爆炸問題[13]。何群等人[14]使用油溫監(jiān)測LSTM模型對齒輪箱進行故障預測,表現(xiàn)出很好的預測性,但是模型的參數(shù)取值多靠研究人員的經(jīng)驗。粒子群優(yōu)化算法(PSO)是一種從隨機解出發(fā),通過迭代不斷地尋找當前最優(yōu)值來求得全局最優(yōu)解,該算法具有速度快、精度高的優(yōu)點,適用于神經(jīng)網(wǎng)絡模型的參數(shù)尋優(yōu)[15]。
為此,本文作者提出了基于油液-振動多維特征與粒子群優(yōu)化算法-長短時記憶神經(jīng)網(wǎng)絡(PSO-LSTM)的齒輪箱磨損狀態(tài)監(jiān)測算法;對鐵譜圖像進行預處理,提取磨粒濃度特征、磨粒個數(shù)特征,對振動信號進行小波閾值去噪,并提取時域特征,得到油液振動十四維特征作為LSTM模型的輸入;采用粒子群優(yōu)化算法對LSTM模型進行參數(shù)尋優(yōu),利用采集的齒輪箱全壽命實驗數(shù)據(jù)進行實驗和對比。
算法流程如圖1所示。具體步驟為:(1)將鐵譜圖像進行預處理操作,并提取磨粒濃度特征以及磨粒個數(shù)特征;(2)將振動數(shù)據(jù)進行小波閾值去噪,并提取時域特征;(3)將上述特征組成油液振動十四維特征,并進行歸一化處理;(4)將LSTM模型的隱藏神經(jīng)元個數(shù)和學習率設置為尋優(yōu)參數(shù),初始化粒子群,當達到最大迭代次數(shù)時停止迭代更新,確定學習率和隱藏神經(jīng)元個數(shù);(5)使用最優(yōu)參數(shù)的LSTM模型完成齒輪箱的磨損狀態(tài)預測。
圖1 算法流程
2.1.1 鐵譜圖像預處理
首先,需要對鐵譜圖像進行預處理。如圖2(a)所示,對鐵譜圖像進行灰度化,并采用中心為5的8領域拉普拉斯算子進行磨粒圖像增強,使磨粒圖像更加清晰,增大磨粒與氣泡的灰度反差,同時突出微小磨粒的細節(jié)信息。如圖2(b)所示,使用最大類間方差算法(Otsu算法)進行磨粒分割,得到鐵譜二值化圖像,以便進行特征提取[16]。
圖2 鐵譜圖像預處理
2.1.2 磨粒濃度特征提取
計算磨粒濃度指標即磨粒覆蓋面積指數(shù)(IPCA),計算二值化鐵譜圖像中灰度值為0的像素點個數(shù),記為W,與二值化鐵譜圖像中的總像素點個數(shù)X×Y作比,如公式(1)所示,即為磨粒濃度。該指標可以反映齒輪箱的磨損狀態(tài)[17]。
(1)
式中:W為灰度值為0的像素點的個數(shù);X為二值化鐵譜圖片的高度,單位為像素;Y為二值化鐵譜圖片的寬度,單位為像素。
2.1.3 磨粒個數(shù)特征提取
使用opencv中的cv2.findContours函數(shù)進行磨粒邊緣檢測提取磨粒輪廓,然后使用cv2.contour-Area函數(shù)進行磨粒輪廓面積計算,文中將面積大于45小于100的磨粒定義為小型磨粒,將面積大于100小于200的磨粒定義為中型磨粒,將面積大于200的磨粒定義為大型磨粒,統(tǒng)計每張鐵譜圖像三類磨粒個數(shù),如圖3所示。
圖3 磨粒個數(shù)標注
2.2.1 小波閾值去噪
由于外部環(huán)境以及人為原因,振動加速度傳感器采集的原始信號存在許多噪聲,這樣很難提取到有效的特征,所以在進行特征提取前需要進行去噪處理。小波閾值去噪克服了短時傅里葉變換窗口大小不隨時間變化,滑動平均濾波算法丟失較多信息等缺點,可以有效減少齒輪箱振動加速度信號中的噪聲[18]。小波閾值去噪分為3個步驟:(1)選定一個小波基函數(shù)對振動加速度信號進行N層分解計算,分解后得到多個小波系數(shù);(2)將多個小波系數(shù)中的高頻系數(shù)視為噪聲,并對其進行閾值收縮處理;(3)將低頻系數(shù)和經(jīng)過閾值收縮處理的高頻系數(shù)進行小波重構。Db小波基函數(shù)對齒輪箱振動信號去噪具有較好的效果[19],文中采用Db14小波基,分解層數(shù)為3層,采用自適應閾值,閾值公式如公式(2)所示。
(2)
式中:cD1為第一層分解的高頻系數(shù);A為振動信號長度;N為分解層數(shù)。
閾值函數(shù)的選取直接影響去噪信號的連續(xù)性以及與原始信號的相似度,是去噪的關鍵所在[20]。閾值函數(shù)常用的有軟閾值函數(shù)、硬閾值函數(shù)、軟硬閾值折衷函數(shù)。如公式(3)所示。
(3)
式中:ω為小波系數(shù);λ為閾值,n=0時為硬閾值函數(shù),n=1時為軟閾值函數(shù),0 為了比較不同閾值函數(shù)的去噪效果,使用實驗數(shù)據(jù)進行去噪測試,使用信噪比(SNR)和均方根誤差(RMSE)進行去噪效果評價,如公式(4)和公式(5)所示。 (4) (5) 式中:X2(i)表示去噪后的信號;Y2(i)表示原始振動加速度信號;Nr表示采樣點數(shù)。 結果如表1所示。 表1 去噪效果評價 SNR的值與去噪效果成正比,RMSE的值與去噪效果成反比??梢缘贸?,去噪效果最好的是硬閾值函數(shù),其去噪效果如圖4所示。 圖4 振動信號去噪前后對比 2.2.2 時域特征提取 對濾波后的振動加速度時間序列提取10種常用的時域特征,定義時域特征向量 T1=[ρ1ρ2ρ3…ρ10] (6) 式中:ρ1…ρ10分別為有量綱特征,包括均值、峰值、均方根值、方根幅值、峭度、偏斜度,無量綱特征包括波形指標、峰值指標、脈沖指標、裕度指標[21]。 2.2.3 特征歸一化 將時域特征、磨粒濃度特征、磨粒個數(shù)特征組合得到14維特征向量T=[ρ1ρ2ρ3…ρ14],同時進行歸一化處理,如公式(7)所示 (7) 式中:x表示特征向量中的任意特征;xmax是特征向量中的最大值;xmin是特征向量中的最小值。 LSTM的單元結構如圖5所示。LSTM主要包括了3個門結構,遺忘門ft作用于細胞狀態(tài),將細胞狀態(tài)中的信息選擇性遺忘。輸入門it作用于細胞狀態(tài),將新信息選擇性地記錄到細胞狀態(tài)中。輸出門ot作用于隱層狀態(tài)ht,決定輸出什么信息[13]。LSTM神經(jīng)單元內(nèi)的數(shù)據(jù)傳遞計算方式如公式(8)所示。 圖5 LSTM單元結構 (8) 式中:W表示權重;b表示偏置量。 (9) 式中:w表示慣性權重;c1、c2為慣性因子;r1和r2的取值范圍為[0,1]。 使用圖6所示的齒輪加速磨損試驗臺進行齒輪箱全壽命周期加速故障實驗。實驗總共進行200 h,期間通過工業(yè)內(nèi)窺鏡觀察齒輪磨損情況,將0~70 h定義為正常磨損階段,70~110 h定義為輕微磨損階段,110~160 h定義為異常磨損階段,160~200 h定義為嚴重磨損階段。將采集的原始振動加速度數(shù)據(jù)和鐵譜圖像進行特征提取,并根據(jù)監(jiān)測時間組成油液振動十四維特征數(shù)據(jù),按照磨損階段劃分打上四類標簽,隨后進行歸一化處理,制作了2 146組數(shù)據(jù)。將數(shù)據(jù)集按照5∶1的比例分為訓練集和測試集。 PSO-LSTM模型的初始化參數(shù)設置如表2所示,文中所使用的LSTM由1個輸入層、1個LSTM層、1個全連接層、1個Dropout層、1個softmax層和1個分類層組成。待優(yōu)化的學習率的范圍為[0.01,0.09],隱藏神經(jīng)元個數(shù)的范圍為[20,100]。 表2 PSO-LSTM參數(shù)設置 將油液振動十四維特征數(shù)據(jù)分別輸入自定義學習率為0.07、隱藏神經(jīng)元個數(shù)為15的LSTM模型和學習率、隱藏神經(jīng)元個數(shù)自適應優(yōu)化的PSO-LSTM模型中進行訓練以及預測,得出最優(yōu)學習率為0.05、最優(yōu)隱藏神經(jīng)元個數(shù)為25。對比LSTM模型和PSO-LSTM模型的識別準確率如表3所示。 表3 優(yōu)化前后模型準確率對比 通過對比可以看出,PSO-LSTM模型對于油液振動十四維特征數(shù)據(jù)的識別準確率全面優(yōu)于未經(jīng)優(yōu)化的LSTM模型。與未優(yōu)化前的LSTM模型相比,PSO-LSTM模型總體識別率提高4%。 為了對比不同特征維度下PSO-LSTM模型的識別準確率,使用時域特征組成的振動十維特征數(shù)據(jù),磨粒濃度特征、磨粒個數(shù)特征組成的油液四維特征數(shù)據(jù),時域特征、磨粒濃度特征和磨粒個數(shù)特征組成的油液振動十四維特征數(shù)據(jù)分別輸入PSO-LSTM模型進行訓練以及預測,其準確率如表4所示,并輸出最優(yōu)參數(shù)。 表4 不同特征下PSO-LSTM模型準確率對比 通過對比可以看出,使用油液振動十四維特征相比于振動十維特征和油液四維特征在正常磨損階段、輕微磨損階段、異常磨損階段,嚴重磨損階段的準確率都有提升,并且總體準確率分別提升了27.8%和22.2%。 提出了基于油液-振動多維特征與PSO-LSTM的齒輪箱磨損狀態(tài)監(jiān)測算法。以齒輪箱全壽命實驗的數(shù)據(jù)進行實驗分析,結果表明:使用油液振動十四維特征的PSO-LSTM模型的總體準確率要優(yōu)于單獨使用振動和油液特征的PSO-LSTM模型;同時,PSO-LSTM模型對于油液振動十四維特征數(shù)據(jù)的識別準確率全面優(yōu)于未經(jīng)優(yōu)化的LSTM模型。2.3 長短時記憶神經(jīng)網(wǎng)絡
2.4 粒子群優(yōu)化算法
3 實驗分析與討論
3.1 數(shù)據(jù)集準備
3.2 PSO-LSTM模型參數(shù)設置
3.3 對比分析
4 結論