基于LabVIEW的減速箱智能故障診斷系統(tǒng)設(shè)計

劉浩濤， 杜青年， 歐婷婷， 唐娜娜， 秦 勇

（陸軍勤務(wù)學(xué)院訓(xùn)練基地，武漢430000）

0 引 言

作為機械傳動系統(tǒng)的重要組成部分，減速器在機械運轉(zhuǎn)中起著調(diào)節(jié)轉(zhuǎn)速和傳遞轉(zhuǎn)矩的作用，是影響機械設(shè)備運行的一個重要因素［1-2］。其故障診斷是當(dāng)前故障診斷領(lǐng)域研究的重點和難點，尤其是齒輪、軸承的故障判別。目前，國內(nèi)外對齒輪傳動機械設(shè)備的狀態(tài)監(jiān)測和故障診斷方法主要有基于油液（潤滑油）檢測的分析法［3-4］、基于聲發(fā)射的診斷方法［5］以及基于振動信號的故障診斷方法［6］。由于振動便于測量，故障反應(yīng)直接等獨特優(yōu)勢［7］，基于振動信號的故障診斷技術(shù)是目前研究和應(yīng)用最為普遍的。

齒輪振動信號往往呈非線性、非平穩(wěn)等特點［8］，如何從齒輪的振動信號中提取故障特征是減速器齒輪故障診斷的關(guān)鍵［9］。鑒于此，本文利用深度學(xué)習(xí)理論強大的非線性特征自提取和高效的信號表征能力［10］，提出了一種基于深度置信網(wǎng)絡(luò)和LabVIEW平臺的減速箱齒輪故障診斷系統(tǒng)。利用數(shù)據(jù)采集硬件完成減速器齒輪振動信號的采集，通過大量的故障信號樣本構(gòu)建訓(xùn)練集完成深度置信網(wǎng)絡(luò)的無監(jiān)督預(yù)訓(xùn)練，實時采集隨機的齒輪振動信號構(gòu)建測試集，利用測試集對診斷系統(tǒng)的可靠性進行驗證。

1 系統(tǒng)總體功能

由于系統(tǒng)是以減速箱作為故障診斷的研究對象，所以整個系統(tǒng)的設(shè)計是以減速箱試驗平臺為基礎(chǔ)，分為硬件和軟件兩部分，如圖1所示。硬件部分包括減速箱試驗平臺、傳感器，數(shù)據(jù)采集儀及其配套的硬件設(shè)施，主要負責(zé)系統(tǒng)的數(shù)據(jù)采集。軟件部分在計算機上通過LabVIEW軟件編程完成，負責(zé)測試數(shù)據(jù)的顯示、存儲、處理分析及診斷結(jié)果顯示，其中數(shù)據(jù)處理分析包括數(shù)據(jù)歸一化、傅里葉變換，訓(xùn)練集和隨機測試集的生成，DBNs神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及齒輪故障的自動判別。

圖1 總體設(shè)計框圖

2 基于DBNs的故障診斷原理

2.1 DBNs的特征提取過程

DBNs網(wǎng)絡(luò)由多層限制玻爾茲曼機（Restricted Boltzmann Machine，RBM）堆疊而成［11］，如圖2所示，一個由3層限制波爾茲曼機堆疊而成的DBNs，由于網(wǎng)絡(luò)分類輸出層不在RBM網(wǎng)絡(luò)之內(nèi)，故將該DBNs網(wǎng)絡(luò)視為4層DBNs網(wǎng)絡(luò)。

圖2 DBNs網(wǎng)絡(luò)結(jié)構(gòu)圖

在RBM中，任意隱層和顯層神經(jīng)元之間有一個權(quán)值w表示其連接強度，每個顯層神經(jīng)元自身有一個偏置系數(shù)b、每個隱層神經(jīng)元有一個偏置系數(shù)c來表示其自身權(quán)重。這樣就可以用以下函數(shù)表示一個RBM的能量［12］：

式中：v為顯層數(shù)據(jù)；h為隱層數(shù)據(jù)；Wij為權(quán)值矩陣W的元素；n為可見層單元數(shù)；m為隱層單元數(shù)。

在RBM網(wǎng)絡(luò)的訓(xùn)練過程中，用到對數(shù)似然函數(shù)

在RBM中，樣本真實的分布和RBM網(wǎng)絡(luò)表示的邊緣分布的KL距離即為兩者之間的差異性，具體為：

式中：Ω為樣本空間；q為輸入樣本的分布；q（x）為訓(xùn)練樣本的概率；p為RBM網(wǎng)絡(luò)表示的Gibbs分布的v的邊緣分布；p（x）為其邊緣分布的概率。

要使KL最小，就要求lnp（x）取最大值，即輸入樣本的最大似然估計：

綜合上述公式，分別對w、b、c求導(dǎo)，最終求得：

自從2006年，Hinton等［13］、Yu等［14］第1次提出深度置信網(wǎng)絡(luò)時，就證實了其具有強大的特征提取能力，并在近10年的發(fā)展應(yīng)用中得到了進一步的證實。深度置信網(wǎng)絡(luò)作為一種自主學(xué)習(xí)的特征提取算法，在網(wǎng)絡(luò)訓(xùn)練過程中不需要大量標簽數(shù)據(jù)的參與，被廣泛應(yīng)用于許多領(lǐng)域。如圖3所示為一個4層DBNs的特征提取過程。

圖3 DBNs逐層特征提取過程

2.2 DBNs故障診斷流程

利用DBNs對振動信號數(shù)據(jù)集進行特征提取的過程，實際上就是利用DBNs網(wǎng)絡(luò)對數(shù)據(jù)集進行無監(jiān)督預(yù)訓(xùn)練，得到高層特征的過程。預(yù)訓(xùn)練過程中所用的數(shù)據(jù)集為不帶任何故障標簽的訓(xùn)練集。在RBM逐層訓(xùn)練完成后，利用BP分類器，結(jié)合交叉熵共軛梯度下降算法對整個DBNs進行微調(diào)，確定各層之間的權(quán)值和偏置量，完成網(wǎng)絡(luò)的監(jiān)督微調(diào)過程，最后輸入隨機測試集樣本實現(xiàn)故障分類［15］?；贒BNs算法的故障診斷步驟如下：

步驟1對故障數(shù)據(jù)集樣本進行歸一化處理，將其賦值給DBNs網(wǎng)絡(luò)的v1層，即第1層顯層；

步驟2在預(yù)訓(xùn)練之前，初始化DBNs網(wǎng)絡(luò)參數(shù)，包括學(xué)習(xí)率ε、網(wǎng)絡(luò)層數(shù)L及各層神經(jīng)元數(shù)目h l、偏置向量b l和權(quán)值矩陣W l；

步驟3利用v1層數(shù)據(jù)，計算隱層中每個神經(jīng)元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機抽取一個樣本得到第1層RBM的隱層h1；

步驟4利用h1層數(shù)據(jù)反推顯層v1，計算v1層中每個神經(jīng)元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機抽取一個樣本以重構(gòu)該層RBM的顯層v1；

步驟5利用v1層數(shù)據(jù)反推隱層h1，計算h1層中每個神經(jīng)元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機抽取一個樣本以重構(gòu)RBM的隱層h1；

步驟6通過上述步驟，第1層RBM已經(jīng)訓(xùn)練完成，將第1層RBM的隱層h1作為第2層RBM的顯層v2，即v2＝h1，然后重復(fù)步驟3、4、5逐層對RBM網(wǎng)絡(luò)進行預(yù)訓(xùn)練；

步驟7待RBM網(wǎng)絡(luò)預(yù)訓(xùn)練完成后，將測試集的標簽單元作為分類輸出層與最后一層RBM的隱層對接，利用BP算法進行反向微調(diào)，完成整個DBNs網(wǎng)絡(luò)的訓(xùn)練；

步驟8在整個DBNs網(wǎng)絡(luò)的訓(xùn)練完成之后，輸入待診斷故障樣本，根據(jù)網(wǎng)絡(luò)分類器得出最終診斷結(jié)果。

圖4 基于DBNs的故障診斷流程

3 診斷系統(tǒng)硬件及軟件設(shè)計

3.1 硬件模塊

出于故障診斷的需求，系統(tǒng)的硬件分試驗平臺系統(tǒng)和測試系統(tǒng)兩部分。試驗平臺主要包括驅(qū)動電動機、齒輪減速箱、加載系統(tǒng)和直流調(diào)速控制系統(tǒng)，如圖5所示。

圖5 減速箱試驗平臺示意圖

測試系統(tǒng)主要由傳感器，數(shù)據(jù)采集儀，信號傳輸線和中央控制計算機組成。

試驗平臺系統(tǒng)是一種3軸式2級變速器，輸入軸與輸出軸上的齒輪均為正常齒輪，中間軸上的齒輪為3聯(lián)齒輪（小直齒輪，齒數(shù)為40，模數(shù)為2 mm）和2聯(lián)齒輪（大直齒輪，齒數(shù)為64，模數(shù)為2 mm）。齒輪的故障共分為偏心、點蝕、剝落、磨損、斷齒和裂紋，分布情況見圖6，6種故障齒輪加上正常齒輪，共能輸出7種模式的振動信號，故障類型的切換可通過減速箱前后換擋手柄調(diào)節(jié)。

圖6 減速箱故障齒輪分布情況

測試系統(tǒng)功能模塊如圖7所示，包括轉(zhuǎn)速監(jiān)測模塊和振動監(jiān)測模塊，主要實現(xiàn)對輸入軸轉(zhuǎn)速和減速箱振動情況的測量。數(shù)據(jù)采集儀采集的信號最后經(jīng)過USB接口直接接入計算機以便后續(xù)處理。

圖7 硬件功能設(shè)計圖

監(jiān)測齒輪箱輸入軸轉(zhuǎn)速，以便于齒輪箱各旋轉(zhuǎn)件轉(zhuǎn)速的計算，了解各旋轉(zhuǎn)件的運行工況。該模塊所用傳感器采用轉(zhuǎn)速傳感器。振動監(jiān)測模塊負責(zé)監(jiān)測齒輪箱各旋轉(zhuǎn)件的振動情況和振動數(shù)據(jù)的采集，包括齒輪箱齒輪、軸承、軸和底座等，所用傳感器為加速度傳感器（由于NI數(shù)據(jù)采集卡集信號濾波、放大等信號調(diào)理功能于一體，可以大大精簡數(shù)據(jù)采集所需硬件設(shè)備）。

上述兩個監(jiān)測模塊的數(shù)據(jù)采集擬采用NI數(shù)據(jù)采集卡完成。通過與數(shù)據(jù)采集卡連接的計算機控制整個系統(tǒng)，實現(xiàn)狀態(tài)監(jiān)測、故障預(yù)警、數(shù)據(jù)采集、存儲及故障模式識別等功能。

3.2 軟件模塊設(shè)計

基于LabVIEW軟件平臺開發(fā)的減速箱智能故障診斷系統(tǒng)如圖8所示，分為監(jiān)測界面、信號采集、離線分析與故障診斷3個工作面板。

圖8 智能診斷系統(tǒng)工作界面

監(jiān)測界面主要是實時顯示輸入軸轉(zhuǎn)速和各個測點的振動情況，包括時域波形和統(tǒng)計指標。當(dāng)輸入的振動信號統(tǒng)計指標超出其閾值時，減速箱振動可能出現(xiàn)異常，此時報警指示燈會閃爍，需要進入“信號采集”面板?！靶盘柌杉睂斎胄盘栠M行簡單的降噪濾波處理。還可對濾波后信號進行簡單頻譜分析，為判別振動信號是否異常提供依據(jù)。對于復(fù)雜的齒輪故障信號，需要對故障信號進行采樣存儲，以便后續(xù)的離線分析和故障診斷，在面板上可以對采樣參數(shù)進行設(shè)置?！半x線分析與故障診斷”面板會顯示調(diào)取信號的相關(guān)信息，以便調(diào)取信號。當(dāng)調(diào)取故障信號后，按下“齒輪診斷”鍵就可以智能識別出信號的故障類型，對應(yīng)的故障指示燈會由綠變紅。為減少編程工作量和系統(tǒng)運算時間，智能診斷算法是通過LabVIEW與Matlab軟件混合編程完成的，即運用“Matlab script”函數(shù)節(jié)點調(diào)用Matlab運算引擎。

4 實驗測試

4.1 數(shù)據(jù)采集

振動信號和轉(zhuǎn)速信號的數(shù)據(jù)采集選用NI9234動態(tài)信號采集模塊。該設(shè)備每通道采樣速率高達51.2 kS/s，±5 V輸入范圍，分辨率高達24 bit，102 dB動態(tài)范圍，接口形式為常用的BNC接頭，搭配IEPE傳感器可進行高精度的振動測量。而且該設(shè)備內(nèi)部集成有抗混疊濾波器，避免高頻噪聲的干擾。這里采樣頻率fs＝10 kHz，采樣點數(shù)2 048。圖9為實驗平臺實物圖。

圖9 減速箱試驗臺

4.2 數(shù)據(jù)處理分析與故障模式識別

為降低DBNs網(wǎng)絡(luò)自適應(yīng)提取故障特征的難度，需要將時域信號進行快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT），得到1 024點的頻譜，歸一化后合理構(gòu)建頻譜數(shù)據(jù)集，其構(gòu)建流程如圖10所示。

圖10 數(shù)據(jù)集構(gòu)建流程

為豐富信號樣本，擴大數(shù)據(jù)集，分別在3種輸入軸轉(zhuǎn)速下進行信號采樣。數(shù)據(jù)集包含剝落、點蝕、斷齒、磨損、裂紋、偏心和正常7種模式頻譜。

構(gòu)建好數(shù)據(jù)集后，經(jīng)過網(wǎng)絡(luò)優(yōu)化處理，選擇框架為1 024-100-100（即網(wǎng)絡(luò)層數(shù)為3，各層神經(jīng)元數(shù)目依次為1 024、100和100）、學(xué)習(xí)率為ε＝0.2的DBNs網(wǎng)絡(luò)并對該網(wǎng)絡(luò)進行無監(jiān)督預(yù)訓(xùn)練，迭代次數(shù)為100，以完成自適應(yīng)特征提取過程。利用主成分分析法（Principal Component Analysis，PCA）對提取的信號特征進行降維處理，前二維可視化結(jié)果如圖11所示。

圖11 7種振動信號特征可視化圖

由圖可見，7種信號的特征被明顯區(qū)分開來。DBNs網(wǎng)絡(luò)預(yù)訓(xùn)練完成后，通過測試集對診斷系統(tǒng)的可靠性進行測試，測試結(jié)果表明，該系統(tǒng)對齒輪故障信號判別的正確率高達97%，并且每次從按下故障診斷鍵到自動識別出故障類型用時不超過2 min。由此可見，該系統(tǒng)高效、可靠，完全滿足減速箱齒輪故障診斷的需要。

5 結(jié) 語

針對減速箱齒輪振動信號復(fù)雜而傳統(tǒng)信號處理方法難以對其進行故障識別的問題，基于LabVIEW與Matlab混合編程技術(shù)，通過與深度置信網(wǎng)絡(luò)的智能算法結(jié)合，進行減速箱實地故障診斷實驗。實驗結(jié)果表明，該系統(tǒng)打破了傳統(tǒng)時、頻域特征提取的束縛，直接將原始時域振動信號或其頻譜作為DBNs網(wǎng)絡(luò)的顯層輸入，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷方法煩瑣的外部特征提取過程，降低了故障診斷難度，實現(xiàn)了齒輪故障類型的智能、快速識別。