劉春曉,許寶杰,劉秀麗
(北京信息科技大學,北京 100192)
滾動軸承是使用頻率最高的機械部件之一,更是引起機械故障的常見原因之一。因此,故障存在直接影響了工廠的效益。
傳統(tǒng)的故障診斷方法,如觀測器方法、濾波器方法,最小二乘法等需要建立相關的數字解析模型,針對性強,泛化性弱,且費時費力。神經網絡法可以快速高效地自動訓練,分層級抓取數據特征信息,可以處理更復雜的數據,具有更復雜的表達能力。
目前,國內外將深度神經網絡應用于故障診斷已經有一些研究了,如自編碼網絡、卷積神經網絡、循環(huán)神經網絡、深度殘差網絡等,但是,對于其綜合研究還很少。而本文提出的時空神經網絡,具有共享權重、數據降維、深度聯合、結構復雜等特點,是非常全面和有效的網絡。
卷積層由卷積核組成,對數據特征通過窗口進行局部感知從而進行學習,權值共享,參數數量較低,避免了過擬合現象。卷積核的具體運算公式如下:
圖1 LSTM運算圖
循環(huán)神經網絡(RNN)的基本思想是將輸入的時序類信息納入考慮。其中的長短時記憶網絡(LSTM),擁有三個“門”結構:輸入門,輸出門,遺忘門。如圖1。分別實現對元細胞記憶的寫入,讀取,重置函數。這些門的存在使得LSTM層可以記憶不確定時間的信息。LSTM每個門的公式定義如下:
輸入門由兩個部分組成,如式3,4。其中各個參數含義與上式相同。
細胞狀態(tài)反映了細胞中各個參數數據對當前時刻數據的影響。更新后將用于計算隱藏狀態(tài)。細胞狀態(tài)計算公式如式如下:
殘差網絡的數據以兩種方式進行向前傳播,可以使得訓練結果可以包含更多的信息:經過DNN運算的權重信息和最初始的信息,如圖2。這提供了并聯數據傳播的思路??梢砸暈閿祿c元素全為1的并聯權重矩陣ResNet的傳播公式如下:
圖2 ResNet網絡結構
時空神經網絡是本文提出的新的網絡融合方式?,F有的混合網絡應用通常是在最后的全連接層將網絡輸出聯合訓練,或是串行處理。本文將結合各個網絡的特長,使其在每層中同時具備對空間域和時域信號的學習能力。為實現該思想,需要將卷積層和LSTM進行并行處理。這就可以使用并聯網絡和文獻的理論。時間域和空間域信息是振動信號的基本特征和所需保障。
網絡結構的并行運算中,需要保證所并行的兩者的輸出具有相同的數據結構,保證編碼過程中數據結構變化的相同性。
圖3 卷積——LSTM層
復合層結構如圖3。復合層是將卷積層和LSTM結構并聯編碼。在卷積層支路對輸入數據編碼,最終得到的數據結構為32份24×128的數據。
在LSTM支路同樣對輸入數據進行編碼,設置和輸入同樣大小的隱藏層,經過多輪循環(huán),可以得到編碼后的同構數據。需要滿足LSTM循環(huán)輪數等于卷積核數。如圖3所示,LSTM編碼后的數據需要經過轉置才能得到符合結構要求的數據組。
由復合層向前傳播的公式可以表示為
借用ResNet的并聯網絡思想,可以將兩支路網絡的輸出直接相加而不必求均值。在反向傳播調整參數的過程中,根據梯度下降原理,可以自動調整這方面的誤差。
損失函數的選擇,可以先使用似然函數來評估參數W如式(8)(9)(10)。
時空神經網絡的結構如圖4所示。該網包含兩個復合層,兩個池化層,一個全連接隱含層,最后再加入softmax分類器。診斷信號通過第一個復合層,變?yōu)橐唤M特征圖(Feature Maps),再經過最大值池化進行降采樣。重復一次以上操作,將最后一個池化層的特征圖與全連接隱含層相連,傳遞到最后的 softmax 層。卷積神經網絡的結構參數如表1所示。
圖4 時空網絡結構圖
試驗數據由振動信號測試系統(tǒng)振動信號構成。系統(tǒng)整體結構如圖5所示。本文試驗分析采用的三級行星齒輪箱型號為HS300-L3-77-H1,輸出軸轉速700r/min,傳感器的布置位置如圖2所示。試驗研究軸承為齒輪箱主軸軸承,測點3和測點4分別用于測試y方向和x方向的振動加速度。經理論推導和試驗結果表明,x方向振動信號較為明顯,因此,本文選用x方向的振動加速度信號。采樣頻率為20.48kHz,每組信號采樣時間為10s。軸承故障被劃分為內圈故障,外圈故障,滾珠故障,選取空載下的4種狀態(tài)的振動信號分別處于試驗采集, x方向振動加速度曲線如圖6所示。
(1)數據預處理。本文所使用的數據為時序振動峰值一維信號,再對數據進行截取拆分。拆分法為順序抽樣法:依次截取固定長度的信號進行分析。因為CNN的降維特性,所以拆分后的單個數據要求可以被整除,其中,n表示池化層的層數。數據長度的第二個要求為:長度大于軸承單周期。L≥60f/N即其中L表示抽取數據的長度,f表示采樣頻率,N表示轉速。根據所設計的神經網絡和試驗臺,最終選擇順序抽樣法,這樣可以更有效且不重復的利用數據。
(2)試驗臺數據試驗結果及分析。應用試驗數據進行分析。最終選取采樣長度為3072。
三種工況中,滾子、內圈故障和外圈故障樣本數均為50組,正常運轉樣本數量為40組,選取其中的80%作為訓練集樣本,剩余的作為測試集。再將其堆疊為24×128的二維樣本,進行訓練和檢測。通過訓練時空神經網絡網絡,其準確率曲線圖如圖7所示。
圖5 試驗臺
表1 時空神經網絡結構參數
圖6 x方向振動加速度曲線圖
圖7 準確率曲線圖
進一步對時空神經網絡進行5折交叉驗證,重復三次。結果如表2所示。其中識別率的最低值為97.93%,證明本文論述的時空神經網絡可以有效地對振動信號進行分類。
表2 時空神經網絡5折交叉驗證結果(%)
對比不同網絡和時空神經網絡的準確率,可以得到表格3。這表明,時空網絡對于振動幅值信號的分析能力要強于其他網絡。
表3 不同網絡數據分類準確率(%)
(1)通過結合卷積神經網絡,循環(huán)神經網絡,殘差神經網絡創(chuàng)新出的時空神經網絡可以很好地實現對振動信號識別和分類。測試集準確率最低為97.93。(2)通過復合網絡對齒輪箱加速度振動信號進行了故障診斷,僅對數據進行歸一化處理和維數轉換,省略了特征工程環(huán)節(jié)。(3)簡化了故障診斷的流程。(4)通過改變二維信號樣本的行列數,討論了堆疊方式的改變對復合網絡的分類準確率的影響,并進一步優(yōu)化了復合網絡的分類效果。(5)通過對比卷積神經網絡,循環(huán)神經網絡,殘差網絡,時空神經網絡,發(fā)現時空神經網絡可以更好地識別振動加速度信號。