礦山設備軸承故障診斷與異常分析

賴華友

(江西銅業(yè)集團有限公司 德興銅礦，江西 德興市，334224)

0 前言

近年來隨著我國科技的快速發(fā)展，大量新型技術涌入工業(yè)、制造業(yè)，傳統(tǒng)的機械設備逐漸被智能化、集成化和綜合化的精密機械產品所取代[1]。但這類機械設備面臨工作環(huán)境、部件損耗與人為操作不當?shù)惹闆r時，易導致巨大的經濟損失和嚴重的社會影響[2]。長江三峽工程中一塔吊機由于底座軸承選型、焊接不當而發(fā)生嚴重倒塌事件，導致3 人死亡，30 余人受傷[3]。因此，針對精密機械設備中易發(fā)生故障的關鍵部件開展實時狀態(tài)監(jiān)測和故障診斷分析能夠保證設備安全穩(wěn)定運行，提高經濟效益[4]。

由于礦山設備工作環(huán)境特殊，機械設備長期處于這種環(huán)境下工作，極易產生故障。例如機械鉆頭、滾動軸承等在強應力、易腐蝕環(huán)境下，在持續(xù)工作中易引發(fā)機械設備故障，若未對故障進行及時有效的處理，將為安全、穩(wěn)定生產帶來較大隱患[5]。而滾動軸承作為礦山機械設備中的重要部件之一，主要由內圈、外圈、滾動體和保持架這4 部分組成，起到支撐和傳遞載荷的作用，具有工作效率高、摩擦阻力小、裝配方便的優(yōu)點[6?7]。但是，極度惡劣的工作狀況使得滾動軸承成為礦山機械設備最容易發(fā)生故障的部件。大量數(shù)據(jù)表明，軸承工作失效而導致的機械設備故障的情況約占30%[8]。滾動軸承的健康狀態(tài)與機械設備的工作性能密切相關，一旦出現(xiàn)故障，輕則會影響生產效率和質量，重則會導致嚴重的生產事故。因此，對礦山機械設備的軸承開展故障診斷和狀態(tài)監(jiān)測，一方面能夠保持其在監(jiān)測狀態(tài)下的良好運行狀態(tài)，另一方面在軸承故障診斷技術的支持下，能夠實現(xiàn)對礦上機械設備運行故障的科學處理，減少電鏟、挖掘機、推土機等礦山設備運行中可能存在的安全隱患，確保維修方式由事后維修轉為事前維護，降低維修費用，延長設備運行壽命。

1 礦山設備故障診斷技術

1.1 主觀診斷技術

主觀診斷技術主要依靠操作者豐富的工作經驗和扎實的理論知識來分析、判斷機械設備發(fā)生故障可能的位置和原因。采用主觀診斷技術一定程度上能夠節(jié)約設備維修前所需的儀器檢查、分析的維修時間[9]。但是診斷效果常常受限于操作者的個人能力，需要操作者對礦山機械設備的故障情況、運行狀態(tài)有很好的掌握。同時，由于采用主觀診斷技術進行故障診斷時，通常采用肉眼觀察等人力方法，一些特征表現(xiàn)細微的故障容易被忽略，難以對復雜的礦山機械設備故障進行準確判斷。因此，主觀診斷技術常與智能診斷技術和儀器診斷技術配合使用[10]。

1.2 儀器診斷技術

儀器診斷技術主要利用先進的診斷儀器對機械設備進行故障診斷，一旦機械設備發(fā)生故障，采用相關儀器對設備的機電組件進行監(jiān)測后，將監(jiān)測結果與設備出廠時設定的波動閾值相比對，確認設備是否發(fā)生故障以及故障類型[11]。儀器診斷技術剛出現(xiàn)時主要針對輕微故障診斷，當主觀診斷法存在限制時，用以彌補其缺陷。但隨著科技水平的不斷提高，診斷設備逐漸趨于全面，診斷精度逐漸提高[12]，該技術將會在礦山設備故障診斷和維修中起到重要作用。

1.3 數(shù)學模型診斷技術

數(shù)學模型診斷技術在應用時，首先根據(jù)相關數(shù)學知識和設備運行原理，再結合實際生產環(huán)境和設備運行數(shù)據(jù)，構建合理、可靠、有效的機械設備數(shù)學模型。模型建立后，對模型的標準數(shù)據(jù)和實際數(shù)據(jù)進行對比，確定是否存在故障。數(shù)學模型建模耗時較長，便攜性較弱[13]，但其診斷技術的可靠性比儀器診斷技術更強，一旦構建好科學的模型后，能夠對設備故障提供有效快速的診斷，進而及時提出準確的處理方法。

1.4 智能診斷技術

隨著人工智能、機器學習的迅猛發(fā)展，智能診斷技術在許多領域已經取得了很好的應用。隨著礦山機械設備的高度集成化、信息化與智能化，在設備運行時常常能夠獲取大量監(jiān)測數(shù)據(jù)。采用智能診斷技術，結合設備實際運行情況和運行數(shù)據(jù)，建立完善而科學的故障診斷系統(tǒng)，根據(jù)診斷系統(tǒng)進行相關數(shù)據(jù)的比較和分析，及時確定故障類型。現(xiàn)有智能診斷方法包括專家系統(tǒng)、神經網絡、支持向量機、模糊診斷法等[14?15]。而神經網絡憑借其非線性映射能力強，自學習能力高且對先驗知識低等優(yōu)點在故障診斷領域得到廣泛應用，因此本文針對機械設備軸承故障重點介紹卷積神經網絡方法。

2 卷積神經網絡

2.1 卷積神經網絡

20 世紀60 年代，Hubel 和Wiesel[16]研究貓腦皮層中感受視野的神經元在處理圖像時，每一段神經元只負責處理一小塊區(qū)域的視覺圖像，這種特殊的網絡結構可以有效降低反饋神經網絡的復雜性。基于這種網絡結構，提出了卷積神經網絡（Convolutional Neural Networks,CNN）。卷積神經網絡的基本結構包括輸入層、卷積層、激活層、池化層和全連接層，如圖1 所示。

圖1 卷積神經網絡結構

卷積神經網絡根據(jù)輸入數(shù)據(jù)類型，可以分為一維、二維和三維卷積神經網絡，二維神經網絡主要應用于圖像處理、計算機視覺等領域，三維卷積神經網絡主要應用于視頻處理和行為識別等領域[17]。為了避免過擬合導致數(shù)據(jù)的一些正常波動被識別為故障，本文采用一維卷積神經網絡處理軸承運行的一維時序數(shù)據(jù)。

2.2 一維卷積神經網絡

2.2.1 一維卷積層

卷積層是構成卷積神經網絡的重要部分，卷積層是用卷積核對輸入信號的局部特征進行卷積計算，并產生相應的特征。假設卷積層輸入數(shù)據(jù)為i×1 維矩陣A=[a1，a2，…，ai]T，設置濾波器為j×1 維矩陣B=[b1，b2，…，bj]T，一般設置濾波器的維度小于原始數(shù)據(jù)，卷積過程步長為一固定值o，卷積計算過程見式（1）。

卷積層最大的特點是權值共享和局部感受視野，通過這個特點能夠極大地減少卷積層的網絡參數(shù)，避免卷積神經網絡因參數(shù)過多而發(fā)生過擬合問題，并節(jié)約神經網絡運行資源。

2.2.2 激活層

當輸入樣本經過卷積層進行卷積計算后，會將每個卷積輸出的邏輯值作為激活層的輸入，經過激活函數(shù)的非線性變換，增加卷積后特征的可識別性。3 種常見的激活函數(shù)[18]，即Sigmoid 函數(shù)、Tanh函數(shù)和ReLu 函數(shù)，其數(shù)學表達式如下（卷積層輸出為x，激活層輸出為y）：

2.2.3 池化層

池化層被設置于激活層后，其目的是降低卷積、激活后的數(shù)據(jù)數(shù)量，減少模型參數(shù)，提高模型計算效率，避免模型出現(xiàn)過擬合現(xiàn)象。池化方法主要分為兩種，最大值池化和平均值池化[19]，其實質為以一定寬度、一定步長在卷積層上滑動，獲取該寬度窗口下輸入數(shù)據(jù)的均值或最大值。

最大值池化計算方式為：

平均值池化計算方式為：

池化層的輸入數(shù)據(jù)為矩陣X=[x1,x2,…,xq]T，池化步長為t。

2.3 dropout 技術

由于神經網絡含有大量的神經元，其中包含大量的參數(shù)，因此數(shù)據(jù)集尤其是一些較小的數(shù)據(jù)集容易出現(xiàn)過擬合現(xiàn)象，導致網絡模型在訓練集上的準確率與測試集上的準確率之間存在較大差距。而dropout 技術作為一種防止過擬合方法，被廣泛用于神經網絡之中。其核心思想在于，讓神經網絡在學習訓練過程中，隨機將部分神經元節(jié)點的權值置0，并且在每次迭代過程中，被抑制的神經元節(jié)點互不相同，因此每個神經元節(jié)點對于整個網絡的貢獻率依舊相同。dropout 技術作為一種能給神經網絡模型提供正則化作用的防過擬合技術，能夠有效改進模型的表現(xiàn)性能，在計算機視覺、自然語言處理中得到了廣泛的應用。

3 故障診斷試驗與分析

3.1 數(shù)據(jù)集介紹

為驗證一維卷積神經網絡對于軸承故障診斷與異常分析的效果，本文選取經典的滾動軸承公開數(shù)據(jù)集CWRU 進行了相關試驗，其整體軸承數(shù)據(jù)采集系統(tǒng)如圖2 所示。在試驗過程中，選取了其中驅動端滾軸SKF6205 在12 kHz 的采樣頻率下采集的信號作為試驗對象。

圖2 CWRU 軸承數(shù)據(jù)采集系統(tǒng)

SKF6205 軸承的故障類型分為滾珠故障、外圈故障與內圈故障3種，故障直徑分為0.1778，0.3556，0.5334，0.772 mm 4 種。由于0.772 mm 故障直徑對應的數(shù)據(jù)不夠全面，本文最終選了0.1778，0.3556，0.5334 mm 3 種故障直徑對應的故障數(shù)據(jù)作為試驗數(shù)據(jù)。因此，包含正常軸承數(shù)據(jù)在內，試驗所構建的數(shù)據(jù)集共包含10 個類別。具體而言，對應每個類別的軸承數(shù)據(jù)，按照2048 個信號點作為一個訓練樣本的方法，將所有數(shù)據(jù)分割為多個不相互重疊的訓練樣本，并將其按照7:3 的比例劃分為訓練集與測試集。

3.2 網絡結構及參數(shù)設置

首先構建了一個一維卷積神經網絡，包含兩個卷積層、一個全連接層以及一個Softmax 層，并且每個卷積層及全連接層之后都添加了一個Relu 激活函數(shù)，以引入神經網絡的非線性特征。具體而言，網絡模型中的第一層卷積核大小為125，步長為16，第二層卷積核的大小為15，步長為4，全連接層的神經元個數(shù)為64，最后網絡模型輸出10 個類別的識別概率，并將其中概率取值最高的類別作為模型對該樣本所預測的類別。

由于卷積神經網絡中含有大量的參數(shù)，容易出現(xiàn)過擬合的現(xiàn)象。本文在一維卷積神經網絡的基礎上，進一步研究了dropout 技術能否進一步改進模型的性能，分別將dropout 率設為0.1，0.2，0.3，0.4，0.5，構建了5 種基于不同dropout 率的改進一維卷積神經網絡模型，并進行相關對比試驗。此外，本文的試驗均基于開源的深度學習框架pytorch 實現(xiàn)，在訓練過程中，每個批次的訓練數(shù)據(jù)batch_size被設定為16，優(yōu)化算法采用隨機梯度算法，迭代的次數(shù)被設定為3000。

3.3 試驗結果與分析

基礎一維卷積神經網絡和基于dropout 技術改進的一維卷積神經網絡模型，在訓練集和測試集上的診斷準確率見表1。從表1 可以看出，基礎一維卷積神經網絡模型在訓練集上的故障診斷準確率能達到100%，在測試集上的故障診斷準確率僅為83.2%。而引入dropout 技術后的改進模型，都較基礎模型而言，在測試集上的診斷準確率得到有效提高。并且當dropout 設為0.3 時，一維卷積神經網絡的表現(xiàn)性能最佳，在測試集上的故障準確率高達92.9%。

表1 故障診斷準確率

為了進一步探究基于dropout 技術的一維卷積神經網絡的有效性，對基礎一維卷積神經網絡與dropout 率設為0.3 的改進一維卷積神經網絡，在測試集和訓練集上的3000 次迭代過程進行了具體對比分析，模型訓練結果對比如圖3 所示，其中實線代表基礎一維卷積神經網絡，虛線代表基于dropout技術的改進一維卷積神經網絡。從圖3 可以看出，在引入dropout 技術后，模型在測試集上的識別準確率得到有效改進。此外，相比于基礎模型，改進模型的優(yōu)化擬合時間更長，損失函數(shù)優(yōu)化過程更慢，說明dropout 技術能給網絡模型起到正則化作用，從而有效抑制模型過擬合?？傮w而言，各網絡模型在軸承數(shù)據(jù)集上都達到了較高的識別準確率，充分驗證了一維卷積神經網絡能夠應用于礦山設備的軸承故障與異常分析。

圖3 模型訓練結果對比

4 結論

基于礦山設備故障診斷的研究背景，構建了一維卷積神經網絡，在此基礎上引入了dropout 技術構建了相應的改進模型，并在CWRU 軸承數(shù)據(jù)集上進行了相關的試驗。試結果表明，一維卷積神經網絡能夠較為準確地診斷出軸承的故障狀態(tài)，表明了一維卷積神經網絡對于軸承故障診斷具有較好的應用前景，同時通過試驗發(fā)現(xiàn)，dropout 技術能夠抑制一維卷積神經網絡模型出現(xiàn)過擬合的現(xiàn)象，進一步改進模型性能。在此次試驗中，各網絡模型在訓練集上的診斷準確率都達到了100%，而在測試集上的診斷準確率仍然有一定的提升空間。因此在未來的工作中，將采取其他的樣本分割方法，以構造更大的數(shù)據(jù)集進行相關試驗，進一步提高一維卷積神經網絡的表現(xiàn)性能。