王宜忺，周大可

(1.國營蕪湖機械廠，安徽 蕪湖 241000；2.南京航空航天大學(xué) 自動化學(xué)院，南京 211100)

0 引言

傳動設(shè)備是機械系統(tǒng)重要組成部分之一，作為核心零部件傳統(tǒng)設(shè)備在精密加工、航空航天、船舶制造、汽車制造等領(lǐng)域，有著十分廣泛的應(yīng)用。傳動設(shè)備的工作狀態(tài)不僅會影響到機械系統(tǒng)的工作效率、工作穩(wěn)定性和動能損失，還涉及到安全生產(chǎn)問題。隨著機械系統(tǒng)精密化程度的不斷提升，對傳動設(shè)備控制精度、工作強度及可靠性等，都提出了更高的要求。傳動設(shè)備的安全性與可靠性在很大程度上取決于日常維護保養(yǎng)及實施有效的在線監(jiān)控，尤其是對于一些服役時間較長及使用強度較大的傳動設(shè)備，應(yīng)實施嚴(yán)格的在線監(jiān)控，通過采集到的數(shù)據(jù)指標(biāo)判定傳統(tǒng)設(shè)備的工作狀態(tài)[1]，及預(yù)判其使用壽命[2]。傳動設(shè)備的在線監(jiān)控過程，主要包括原始信號采集，信號處理，在線故障分析判別和故障點定位和分類識別等。故障信號處理和信號分析，是傳動設(shè)備在線監(jiān)控的關(guān)鍵，從現(xiàn)有的研究成果來看，主要從對原始信號特征的特征提取[3]，特征參數(shù)分析及狀態(tài)識別等角度展開研究[4]。

文獻[5]提出一種基于FFT(Fast Fourier Transform，快速傅里葉變換)特征信號提取與分析算法，利用傳感器采集傳動設(shè)備的工作信號，再融合細(xì)化譜和小波變換識別出原始故障集中的異常特征，進而對傳統(tǒng)設(shè)備的運行狀態(tài)做出判斷。但FFT算法最大的缺點是延時，在多幀運算環(huán)境下由于信號的重疊幀較大，直接影響到算法的識別精度。此外，F(xiàn)FT算法的實現(xiàn)復(fù)雜度較高，當(dāng)獲取到的故障數(shù)據(jù)集規(guī)模較大時受數(shù)據(jù)規(guī)模和長度的限制，同樣會影響到算法的工作效率；文獻[6]設(shè)計一種經(jīng)過改進的SVM模型，算法先利用小波包提取故障集特征，適用于多種故障并存情況下故障定位、分類和檢測。改進SVM模型的優(yōu)勢是能夠在小樣本環(huán)境下，相對準(zhǔn)確地實現(xiàn)對多故障類型的分類，由于模型中引入了不同類型的核函數(shù)，在高維映射條件下不會使故障判斷中出現(xiàn)維數(shù)災(zāi)難；但SVM模型在處理多種故障問題時的效率明顯降低，在應(yīng)對大規(guī)模數(shù)據(jù)集時也存在故障分類與診斷精度降低的情況。文獻[7]提出一種基于模糊理論模型的故障在線檢測算法。模糊算法模型為復(fù)雜數(shù)據(jù)樣本集條件下的傳動設(shè)備在線監(jiān)測，提供了另一種思路，該算法具有較強的靈活性，容錯性高，通過模糊規(guī)模調(diào)整和隸屬度函數(shù)的選擇而靈活地處理和應(yīng)對不同情況下設(shè)備狀態(tài)問題。同時，通過模糊評價得出的結(jié)果也較為直觀，有助于對最終結(jié)果的判斷；但模糊算法模型也有其自身的缺點，例如將采集到的原始數(shù)據(jù)進行模糊處理，會限制最終的檢測結(jié)果精度，即使在模糊處理后進行反模糊化，也無法還原到最佳水平。

隨著神經(jīng)網(wǎng)絡(luò)算法的不斷發(fā)展和進步，深度神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為主流[8]，并開始在故障檢測領(lǐng)域應(yīng)用。尤其是在非監(jiān)督環(huán)境下，可以通過構(gòu)成多層深度網(wǎng)絡(luò)結(jié)構(gòu)顯著提升模式的故障數(shù)據(jù)訓(xùn)練能力。深度結(jié)構(gòu)的優(yōu)勢是使用較少的參數(shù)來表示復(fù)雜的函數(shù)，模型運算能力得到顯著提升的同時，對于故障點的識別精度同樣能夠得到保證。較為常用和訓(xùn)練能力較強的深度網(wǎng)絡(luò)模型包括卷積神經(jīng)網(wǎng)絡(luò)[9]、遞歸神經(jīng)網(wǎng)絡(luò)[10]、生成對抗神經(jīng)網(wǎng)絡(luò)[11]，YOLO模型[12]，深度置信網(wǎng)絡(luò)[13]等。本文針對傳統(tǒng)設(shè)備故障診斷的特征提出一種改進的SSD模型(Single Shot Detector，單激發(fā)多框檢測)，SSD是一種優(yōu)秀的目標(biāo)檢測算法，與深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)相比，其計算性能和提取多尺度故障特征的能力更強，與YOLO相比其在計算速度和MAP(平均精度)方面的優(yōu)勢更加明顯。但經(jīng)典的SSD模型容易受到噪聲干擾，尤其在利用高層特征層進行故障檢測時往往由于信息量過少而降低故障檢測精度；為此本文引入了注意力機制模塊和特征增強模塊，提升SSD網(wǎng)絡(luò)的表達能力，也有助于改善算法的檢測精度和總體性能。

1 傳感器信號的采集調(diào)制與包絡(luò)分析

針對傳動設(shè)備故障信號的采集，可以根據(jù)策略參數(shù)要求選擇不同類型的傳感器，選用傳感器時主要考慮傳感器的靈敏度、線性范圍及頻率響應(yīng)等。故障信號的處理過程如圖1所示。

圖1 傳動設(shè)備故障信號的處理過程

采集到的故障信號中包含系統(tǒng)噪聲和環(huán)境噪聲，會后續(xù)故障信號特征提取和視頻分析構(gòu)成不利影響，因此要對采集到的信號做濾波處理[14]。根據(jù)香農(nóng)采樣定理可知[15]，故障信號的采樣頻率要至少高于時頻分析頻率2倍以上才能確保分析效果。原始信號濾波調(diào)制包括幅值調(diào)制和頻率調(diào)制兩個部分：首先，幅值調(diào)制就是信號卷積使高頻時域信號低頻信號周期的脈沖變化。調(diào)制中將兩個信號在時域上相乘，通過改變幅值達到抑制噪聲的目標(biāo)；其次，頻率調(diào)制能夠使采集到的原始信號轉(zhuǎn)換成變頻信號，提升信號的穩(wěn)定性同時也能夠達到抑制噪聲的目的。共振信號解調(diào)[16]是一種包絡(luò)頻譜分析方法，當(dāng)傳動系統(tǒng)元件受到損傷時，高速旋轉(zhuǎn)中的固有振動會產(chǎn)生巨大沖擊，并混雜系統(tǒng)噪聲和環(huán)境噪聲。帶通低頻濾波器對信號包絡(luò)頻譜進行檢測，并通過剝離共振信號能夠診斷出包絡(luò)頻譜的異常情況。

時頻分析時最常見和最有效的原始信號分析方法之一[17]，傳統(tǒng)設(shè)備故障信號具有明顯的波形特征，通過觀察信號的時域波形可以識別出設(shè)備是否存在異常。當(dāng)傳動設(shè)備的零部件發(fā)生局部損傷或存在缺陷時，信號的調(diào)制波形會出現(xiàn)異常，本文基于包絡(luò)譜分析判定傳動設(shè)備信號是否存在異常，設(shè)實時采集到的原始故障信號為s(t)，對該信號進行希爾伯特變換[18]：

(1)

(2)

其中：h(t)對應(yīng)的幅值信號為g(t)，原始信號s(t)為幅值信號的包絡(luò)譜：

(3)

幅值信號g(t)由于經(jīng)過了幅值調(diào)制和變換，相當(dāng)于對原始信號進行了預(yù)處理和噪聲濾除，可以作為故障數(shù)據(jù)分析模型的輸入項。根據(jù)信號的頻率、幅值、包絡(luò)譜等差異，能夠識別出傳動設(shè)備的常見故障，如點蝕、磨損、偏磨等。將振動信號圖像化處理能夠更直觀地觀測出故障點位置和故障類別，在故障信號的采集周期內(nèi)，基于信號的相位點和序列特征判斷故障數(shù)據(jù)與時間t的函數(shù)關(guān)系。

對傳感器提取到的信號進行短時傅里葉變換，得到相位和振動之間的對應(yīng)頻譜，分別以信號的頻率值、時間t和振動信號的幅值作為圖像的橫坐標(biāo)、縱坐標(biāo)和像素點，得到對應(yīng)的振動圖像，實現(xiàn)了從振動信號到振動圖像的轉(zhuǎn)換?；趫D像故障識別的優(yōu)勢在于更直觀地提取故障特征，并可以對故障特征向量進行降維處理[19]，能夠處理相對規(guī)模較大的故障數(shù)據(jù)集。故障數(shù)據(jù)集中第i個復(fù)合故障信號h(t)i對應(yīng)的故障圖像中的像素點為(xi，yi)。

2 深度SSD網(wǎng)絡(luò)構(gòu)建及模型的改進

2.1 SSD網(wǎng)絡(luò)構(gòu)建

SSD是一種單階段檢測模型，可以對采集到的故障數(shù)據(jù)做卷積操作，并提取原始故障數(shù)據(jù)特征。無論是圖像數(shù)據(jù)還是原始故障信號，SSD網(wǎng)絡(luò)模型都能夠省略重采樣環(huán)節(jié)，縮短故障檢測的時間。在模型卷積核的選擇方面，SSD網(wǎng)絡(luò)模型采用了較小的金字塔型結(jié)構(gòu)的卷積核，能夠縮短數(shù)據(jù)訓(xùn)練的時間和提高對故障數(shù)據(jù)定位與檢測的精度，SSD網(wǎng)絡(luò)適合處理圖像數(shù)據(jù)，因此可以將故障信號轉(zhuǎn)換為不同分辨率的圖像數(shù)據(jù)。SSD網(wǎng)絡(luò)從結(jié)構(gòu)上分為基礎(chǔ)卷積部分、輔助卷積部分和預(yù)測層，如圖2所示。

圖2 SSD網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

在基礎(chǔ)卷積部分采用了VGG-16對輸入數(shù)據(jù)進行處理，SSD與傳統(tǒng)卷積網(wǎng)絡(luò)相比去掉了分類層的結(jié)構(gòu)，使網(wǎng)絡(luò)結(jié)構(gòu)更加簡潔高效，VGG-16的基礎(chǔ)功能與深度卷積網(wǎng)絡(luò)模型類似。根據(jù)輸入數(shù)據(jù)集的規(guī)模和復(fù)雜程度可以適度調(diào)整VGG-16結(jié)構(gòu)的復(fù)雜度，具體包括了卷積層、池化層，并選擇適合的激活函數(shù)調(diào)整整個網(wǎng)絡(luò)的參數(shù)體系和結(jié)構(gòu)設(shè)計；而與傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比，SSD增加了CONV-6，CONV-7，CONV-8，CONV-9等4個卷積層替代了傳統(tǒng)復(fù)雜的隱含層和神經(jīng)元連接結(jié)構(gòu)[20]。卷積層在數(shù)據(jù)訓(xùn)練能力方面超過了傳統(tǒng)深度網(wǎng)絡(luò)的神經(jīng)元結(jié)構(gòu)，同時結(jié)構(gòu)設(shè)計更加簡潔。輔助部分是在傳統(tǒng)卷積層結(jié)構(gòu)基礎(chǔ)上增加的特殊結(jié)構(gòu)，如CONV-10和CONV-11，輔助結(jié)構(gòu)提升了模型的數(shù)據(jù)訓(xùn)練性能，同時能夠按照數(shù)據(jù)集規(guī)模大小或圖像尺寸大小排序，提高SSD網(wǎng)絡(luò)的適用性。

2.2 模型的改進

SSD網(wǎng)絡(luò)卷積核結(jié)構(gòu)采用了類似于金字塔式的結(jié)構(gòu)設(shè)計，符合原始故障數(shù)據(jù)集特征提取的規(guī)律，對于每個卷積層都采用了L2級的正則化處理模式，一方面通過正則化提升對不同特征的權(quán)值賦值；另一方面正則化有助于提升置信度計算的精度，同時提升對設(shè)備故障點定位的準(zhǔn)確性。在針對傳動設(shè)備的目標(biāo)檢測中，經(jīng)典SSD算法在檢測效果上有一定程度改善，但算法效率較低，尤其在故障數(shù)據(jù)集規(guī)模較大時較低的檢測效率無法滿足在線檢測的要求，為此本文對經(jīng)典SSD網(wǎng)絡(luò)模型的性能進行改進，從兩個維度進行優(yōu)化和改進：其一是引入注意力機制模塊提升網(wǎng)絡(luò)數(shù)據(jù)訓(xùn)練的性能。注意力機制模塊本質(zhì)上是一種信息共享模塊，在對故障數(shù)據(jù)訓(xùn)練過程中避免了數(shù)據(jù)特征出現(xiàn)冗余，可以實現(xiàn)對數(shù)據(jù)的降維處理，進而提升和改進的網(wǎng)絡(luò)模型性能；其二時引入特征增強模塊，突顯出更多的故障細(xì)節(jié)。

首先，引入注意力機制模塊，卷積核的大小為k表示故障數(shù)據(jù)訓(xùn)練中信息共享的范圍(即參與通道注意力預(yù)測臨近數(shù)據(jù)個體的數(shù)量)，因此在卷積核大小為k的條件下，用wk表示SSD網(wǎng)絡(luò)模型的通道注意力機制：

(4)

在wk中共包含了k×n個參數(shù)，注意力機制中第j項權(quán)重ωj與主體之間的關(guān)系表示如下：

(5)

其中：κ為注意力機制的控制參數(shù)，取值范圍在0～1之間，wk與權(quán)重的關(guān)系還可以表示如下：

wk=κ(Ck(ωj))

(6)

其中：C表示為模型的一維卷積，注意力機制模塊能夠在指定區(qū)域內(nèi)實現(xiàn)信息的交互和共享，當(dāng)故障數(shù)據(jù)集內(nèi)部的數(shù)據(jù)量累計到一定程度時，維數(shù)較小的通道和周圍相近的一維卷積表現(xiàn)為一種線性關(guān)系：

C=ζ(ω)+b

(7)

ζ表示線性函數(shù)的斜率，當(dāng)一維卷積C的數(shù)值為一個確定值時，SSD卷積核k的計算過程如下：

(8)

其次，引入特征增強模塊，提升改進SSD網(wǎng)絡(luò)模塊對小故障目標(biāo)及微弱特征的提取能力。特征增強的思路是在基礎(chǔ)卷積層進行空洞卷積操作，形成特征增強模塊同時還可以提高SSD網(wǎng)絡(luò)模型原有各個模塊的運算效率。將CONV4_3的卷積層進行特征融合并形成底層特征圖，分別利用1×3和3×1卷積做特征二次提取，基于1×1卷積提升SSD網(wǎng)絡(luò)模型的訓(xùn)練性能，及基于3×3卷積結(jié)構(gòu)增強視野范圍，同時改善經(jīng)典SSD網(wǎng)絡(luò)模型的數(shù)據(jù)訓(xùn)練效率，特征增強模塊的示意圖，如圖3所示。

圖3 特征增強模塊的示意圖

從兩個維度對經(jīng)典SSD網(wǎng)絡(luò)結(jié)構(gòu)進行改進，盡管從一定程度上增加的模型的復(fù)雜度，但注意力機制模塊的引入增強了區(qū)域內(nèi)部信息的共享程度，有助于提高網(wǎng)絡(luò)模型的效率；而引入特征增強模塊在沒有改變分類網(wǎng)絡(luò)結(jié)構(gòu)和增加回歸復(fù)雜的前提下，增加了4個BN層有效控制了模型參數(shù)復(fù)雜度，并提升了經(jīng)典SSD網(wǎng)絡(luò)特征融合的能力。改進后的結(jié)構(gòu)設(shè)計，如圖4所示。

圖4 改進后的SSD模型結(jié)構(gòu)設(shè)計

3 傳動設(shè)備狀態(tài)的在線監(jiān)測

基于改進SSD模型的傳動設(shè)備在線檢測過程，包括多尺度特征融合與上采樣，特征金字塔結(jié)構(gòu)的改進與先驗框的匹配，及損失函數(shù)選擇等5個步驟：

1)傳感器信號多尺度特征融合。

2)特征層的上采樣。

3)特征金字塔結(jié)構(gòu)的改進。

4)特征圖先驗框比例分析。

5)損失函數(shù)的確定

3.1 多尺度特征融合與過采樣

對SSD模型中特征層進行多尺度融合可以提高網(wǎng)絡(luò)的表達能力和算力，尤其在輸入特征故障集規(guī)模較大的條件下，能夠改善模型在線檢測的準(zhǔn)確率和效率。模型特征融合的方法有相加方法和通道拼合兩種方法，由于簡單相加容易導(dǎo)致特征層中出現(xiàn)過多冗余的信息，故本文選擇了通道拼合方法。拼合指將長寬尺寸相同但包含通道數(shù)量不同的特征層進行融合，由于特征層長寬值沒有改變，即使在融合時也不會改變特征層內(nèi)的原始故障數(shù)據(jù)規(guī)模，還可以保留原始數(shù)據(jù)集內(nèi)的全部信息。在拼合后，特征層的信息容量增大，算力增強，能夠應(yīng)對更大規(guī)模的故障數(shù)據(jù)集。但在特征層多尺度融合后，通道數(shù)據(jù)增加容易導(dǎo)致特征融合出現(xiàn)冗余現(xiàn)象，在針對SSD模型的改進中由于引入注意力機制模塊，可以實現(xiàn)對冗余的消除和對高維特征降維處理。基于通道拼合進行多尺度特征融合，還能夠降低特征層內(nèi)部不同元素差異度，改善在故障數(shù)據(jù)訓(xùn)練過程中故障特征提取準(zhǔn)確率。

3.2 特征層的過采樣

(9)

近鄰插值方法的計算量較小，能夠獲取在不同尺度下的新圖像，解決由于數(shù)據(jù)降維帶來的圖像失真及檢測率下降等問題。

3.3 特征金字塔結(jié)構(gòu)的改進

在經(jīng)典SSD目標(biāo)檢測中，多模型檢測大都基于最后一層檢測，因為最后一層卷積尺寸大且算力更強，數(shù)據(jù)訓(xùn)練和特征融合的能力也更強。但金字塔結(jié)構(gòu)設(shè)計中位于底層特征信息量盡管較少，但位置準(zhǔn)確率和特征提取的準(zhǔn)確性均較高；而高層特征層盡管包含的特征較為豐富，但經(jīng)過多次卷積以后對故障點的定位信息會發(fā)生偏差。為此本文采用線性插值的方法對原有SSD網(wǎng)絡(luò)模型中的特征層金字塔結(jié)構(gòu)進行優(yōu)化，具體的過程是將最小的特征層尺寸增加為上一特征層尺寸，再進行下一步的特征融合，改進的過程如圖5所示。

圖5 對金字塔結(jié)構(gòu)的改進

使用1×1卷積操作調(diào)整網(wǎng)絡(luò)通道數(shù)量，然后在基于累加的方式選擇最佳的通道數(shù)量，融合后再基于2×2卷積消除混疊效應(yīng)。通過對金字塔結(jié)構(gòu)的優(yōu)化和改進將高層與底層特征進行有效融合，一方面有助于故障集深度特征信息的提取，另一方面也能夠避免降維過程中圖像失真情況的發(fā)生。SSD金字塔結(jié)構(gòu)高低層特征在原圖上的感受視野不同，不同特增層對應(yīng)尺度存在差異，但生成比例一致。

3.4 特征圖先驗框比例分析

由于故障特征數(shù)據(jù)集的視野感受范圍不一致，為了適應(yīng)不同規(guī)模的數(shù)據(jù)集會在不同的卷積層上生成同比例但不同層尺度的先驗框。假定原始的故障集特征圖尺寸為m維，對應(yīng)大小為k的卷積，每個網(wǎng)格所包含的先驗框數(shù)量與卷積大學(xué)一致也為k，那么該特征圖生成的先驗框數(shù)量為m×n×k個，每個先驗框用坐標(biāo)值機圖像的高度和寬度定位和預(yù)測(x，y，W，H)，先驗框在對應(yīng)的特征圖上縮放比例S，表示如下：

(10)

其中：Smax為高特征圖的最大值，Smin為低特征圖的最小值，根據(jù)特征圖的復(fù)雜程度和待檢測數(shù)據(jù)集的規(guī)模大小設(shè)置特征圖縮放比例值，先設(shè)置不同的寬高比例ξ，通常情況下取值如表1所示。

表1 待檢測的特征圖寬高比值范圍

每個特征圖單元格寬及高計算過程如下，單元格寬、高值與比例ξ密切相關(guān)：

(11)

固定的寬高比值能夠確保先驗框的縮放比例始終保持一致，基于改進的SSD算法模型訓(xùn)練時先將先驗框和圖像的真實框進行比對，并提取特征圖中預(yù)測制定目標(biāo)像素點特征，并將先驗框標(biāo)定為正樣本；如果通過比對，所有先驗框與真實框的比例都不一致，將該類樣本標(biāo)定為負(fù)樣本，判斷正負(fù)樣本還可以通過觀測先驗框和真實框之間的重疊面積來判定，給定一個理論上的閾值范圍(通常設(shè)定為0.5)，通過對比重疊面積和理論閾值的大小關(guān)系判斷目標(biāo)樣本的正負(fù)。通常情況下輸入改進SSD模型的樣本均衡度都較差，正樣本數(shù)量要遠(yuǎn)遠(yuǎn)低于負(fù)樣本的數(shù)量，而待檢測傳動設(shè)備故障圖像數(shù)據(jù)集，通常只包括有限多個指標(biāo)，且受到系統(tǒng)噪聲和環(huán)境噪聲的影響會導(dǎo)致檢測效率和檢測精度的降低。正樣本數(shù)量過少和不均衡分布，容易導(dǎo)致訓(xùn)練模型向負(fù)樣本數(shù)據(jù)集的方式收斂。為解決上述問題，一方面通過調(diào)整負(fù)樣本先驗框的寬高比，加速負(fù)樣本數(shù)據(jù)的特征提取以改善均衡度；另一方面，選擇合適的SSD模型損失函數(shù)，并提高負(fù)樣本數(shù)據(jù)損失函數(shù)計算效率和函數(shù)值，改善正負(fù)樣本之間的不均衡度，保障模型對故障數(shù)據(jù)定位和檢測的準(zhǔn)確性。

3.5 損失函數(shù)的選擇與在線故障檢測的實現(xiàn)

SSD模型損失函數(shù)既是故障圖像先驗框匹配的關(guān)鍵，同時也是決定整個模型性能的重要工具，損失函數(shù)的值越低證明模型的數(shù)據(jù)訓(xùn)練性能越強，對設(shè)備故障定位和檢測的準(zhǔn)確度越高。本文選用適用于多分類的復(fù)合函數(shù)L作為改進SSD網(wǎng)絡(luò)模型的損失函數(shù)，復(fù)合函數(shù)L的優(yōu)勢在于能夠處理較大規(guī)模的故障集，能夠處理包含多種故障在內(nèi)的故障集，而且與SSD網(wǎng)絡(luò)模型的契合度更高。決定損失函數(shù)L值的因素有SSD網(wǎng)絡(luò)的置信度λ、邊界框信息ζ、真實框的位置τ，損失函數(shù)L主要由兩個部分構(gòu)成，即置信度損失函數(shù)L1和位置損失函數(shù)L2：

L((x，y)，λ，ζ，τ)=

(12)

其中：α為權(quán)重系數(shù)，對于位置損失函數(shù)和置信度損失函數(shù)而言，α是一種此消彼長的關(guān)系，根據(jù)SSD模型數(shù)據(jù)訓(xùn)練的復(fù)雜度及故障集的規(guī)模等，適度調(diào)整兩個函數(shù)的權(quán)重比例關(guān)系。確定損失函數(shù)后，改進的SSD模型在線故障狀態(tài)監(jiān)測進入最后一個環(huán)節(jié)，即消除精度不合適的先驗框，降低模型的冗余度和復(fù)雜度，避免出現(xiàn)重復(fù)檢測的情況。現(xiàn)將所有預(yù)測框按照置信度排序并計算閾值范圍，直接刪除置信度較低的先驗框；循環(huán)迭代操作直到宣傳最優(yōu)先驗預(yù)測框，鎖定最終的傳動設(shè)備狀態(tài)檢測結(jié)果。

4 實驗結(jié)果與分析

4.1 實驗準(zhǔn)備與故障數(shù)據(jù)集的采集

本文在實驗室環(huán)境下，驗證提出改進SSD算法傳動設(shè)備對齒輪箱運行狀態(tài)的監(jiān)控情況，實驗用的齒輪箱實物圖，如圖6所示。

圖6 齒輪箱實物圖

實驗中選擇了德國MMF-KS76C100型高精度傳感器，在齒輪箱工作運行中共采集了4 080個樣本，包括4 000個正常樣本和80個異常樣本。實驗用齒輪箱共包括3個齒輪組和3個齒輪軸，其中故障點的分布情況統(tǒng)計和故障集的構(gòu)建情況如下：齒輪組的故障類型包括點蝕和磨損(這兩種故障會導(dǎo)致齒輪箱出現(xiàn)異常振動和異響，嚴(yán)重會導(dǎo)致齒輪打齒或損壞)，齒輪軸的故障類型是偏磨(該種故障會導(dǎo)致齒輪軸同軸度降低，影響齒輪咬合精度，引發(fā)異響和其他機械故障)，如表2所示。

表2 故障樣本集的構(gòu)建

實驗控制系統(tǒng)的硬件環(huán)境設(shè)置，如表3所示。

表3 實驗環(huán)境設(shè)置

實驗步驟如下。

1)在SSD網(wǎng)絡(luò)上實驗，并將SSD網(wǎng)絡(luò)劃分為基礎(chǔ)網(wǎng)絡(luò)、輔助網(wǎng)絡(luò)和預(yù)測層。

2)改進主干網(wǎng)絡(luò)，用注意力機制模塊和特征增強模塊改善網(wǎng)絡(luò)的性能。

3)調(diào)整SSD網(wǎng)絡(luò)模型的參數(shù)并刪除4倍以下的預(yù)測層，降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度。

4)確定損失函數(shù)并根據(jù)數(shù)據(jù)集信號的幅值、頻率和像素點，將故障信號進行轉(zhuǎn)換。

4.2 結(jié)果分析

將故障樣本集中80個故障樣本和4 000個正常樣本隨機分成10組，每個組中包含8個不同類型的故障樣本和400個正常樣本，基于改進SSD模型對每個小組的7故障樣本檢測情況進行分析和討論，具體如圖7(a)～(j)所示。

圖7 改進SSD算法對于每組故障的定位與檢測

如圖7的統(tǒng)計結(jié)果所示：當(dāng)識別出故障樣本時信號的頻率會出現(xiàn)異常，異常頻率范圍通常在20～150 Hz，在改進SSD算法模型下，僅有第6組出現(xiàn)了1個漏檢故障，其他各組都能夠準(zhǔn)確識別出8個故障點，這表明改進SSD算法具有較強的故障定位與檢測效率，平均的故障檢測率高達98.8%，而在相同的實驗環(huán)境下，沒有經(jīng)過改進的SSD模型的故障檢測率為94.5%，改進后的SSD模型在性能上優(yōu)于傳統(tǒng)的SSD模型。相對于傳統(tǒng)SSD算法模型，改進SSD模型盡管在結(jié)構(gòu)上進行了精簡和優(yōu)化，降低了模型的復(fù)雜度，但模型的故障檢測性能并沒有受到影響。

引入傳統(tǒng)的FFT算法、改進SVM算法和模糊算法，統(tǒng)計各算法的對故障數(shù)據(jù)的定位與檢測率，如表4所示。

表4 各傳統(tǒng)算法的故障檢測率 %

從對各傳統(tǒng)算法的檢測率統(tǒng)計結(jié)果可知：3種傳統(tǒng)算法的平均檢測精度較低，與改進SSD算法存在一定差距。改進SSD算法的優(yōu)勢是將對故障信號的檢測轉(zhuǎn)換為圖像檢測，能夠更準(zhǔn)確第定位故障點，同時更加頻率和幅值的變化趨勢描述圖像像素點的差異，因此顯著提高了對傳動齒輪箱故障定位和檢測的準(zhǔn)確率，同時根據(jù)齒輪及齒輪軸點蝕、磨損及偏磨產(chǎn)生的不同振幅和不同頻率，還能夠準(zhǔn)確地辨別出故障的位置和類型。

檢測效率也評價故障在線監(jiān)測算法性能的重要指標(biāo)之一，以10組樣本為對象觀測各算法完成整個樣本檢測的耗時情況，耗時越短表明算法的效率越高。在實際在線監(jiān)測中，檢測效率具有重要的意義，尤其在數(shù)據(jù)集規(guī)模較大時檢測效率較高算法的優(yōu)勢會越來越明顯，完成10組檢測各算法的耗時情況，如表5所示。

表5 各故障在線監(jiān)測算法的檢測耗時對比

數(shù)據(jù)統(tǒng)計結(jié)果顯示，在完成10組故障樣本的檢測后，改進SSD算法的每組平均耗時僅為44 s，遠(yuǎn)遠(yuǎn)低于3種傳統(tǒng)算法。SSD算法數(shù)據(jù)訓(xùn)練效率較高，與模型的金字塔結(jié)構(gòu)設(shè)計密切相關(guān)，由于改變了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)輔助的網(wǎng)絡(luò)結(jié)構(gòu)，同時引入了注意力機制模塊和特征增強模型，在確保在線監(jiān)測準(zhǔn)確率的同時，也進一步提升了模型對故障數(shù)據(jù)的訓(xùn)練能力和檢測效率。

5 結(jié)束語

傳動設(shè)備是一個機械系統(tǒng)核心組成系統(tǒng)之一，傳動系統(tǒng)工作的穩(wěn)定性決定了機械系統(tǒng)的性能輸出，因此有必要對傳動系統(tǒng)的工作穩(wěn)定性實施在線檢測。本文設(shè)計了一種基于改進SSD模型的在線監(jiān)測方法，先通過對信號的時頻包絡(luò)分析預(yù)處理，降低噪聲干擾，并通過信號幅值和頻率轉(zhuǎn)換，將信號轉(zhuǎn)換為圖像數(shù)據(jù)作為SSD模型的輸入數(shù)據(jù)集。設(shè)計了SSD網(wǎng)絡(luò)模型在基礎(chǔ)卷積基礎(chǔ)上增加了輔助卷積，引入注意力機制模塊和特征增強模塊，改善SSD網(wǎng)絡(luò)模型的信息共享效果，并提升模型對圖像數(shù)據(jù)的訓(xùn)練能力；最后改進了SSD模型的金字塔結(jié)構(gòu)，再通過先驗框匹配及選擇適合的損失函數(shù)，提高對設(shè)備故障監(jiān)測性能。實驗結(jié)果顯示，改進SSD方法在檢測精度和檢測效率方面，相對于幾種傳統(tǒng)算法都有較為明顯的優(yōu)勢。