基于深度學習的船舶滾動軸承狀態(tài)監(jiān)測技術研究

余培文 張杜清 廣東海洋大學海運學院

“中國制造2025”國家戰(zhàn)略持續(xù)推進，“智能制造”“智慧工廠”“工業(yè)互聯(lián)網”“人工智能”等已經成為時代發(fā)展的熱點，新的工業(yè)革命狂潮已經掀起。在人工智能的加持下，船舶領域諸多痛點亟待解決，尤其是船舶機械設備的狀態(tài)監(jiān)測技術得到越來越多行業(yè)的關注，診斷技術也由傳統(tǒng)的經驗判斷向人工智能轉變。減速齒輪箱、船用泵、空壓機等船舶諸多復雜機械設備中，滾動軸承扮演著極為重要的角色，因此，滾動軸承的狀態(tài)監(jiān)測技術研究對于提高船舶設備的安全性和可靠性具有重大意義。本文應用深度神經網絡方法對船舶滾動軸承進行狀態(tài)監(jiān)測技術研究，加強軸承的健康監(jiān)測，保障設備的安全性和可靠性，減少非必要的設備停機，降低船舶運營成本。

1.滾動軸承的失效模式和機理

滾動軸承是機械設備中不可或缺的重要零件之一。滾動軸承用于支承軸及軸上的零件，減少摩擦和磨損，廣泛應用于中速、中載和一般工作條件中，具有良好的互換性和通用性，易于潤滑維護及保養(yǎng)。然而，滾動軸承失效模式多樣，如圖1所示，主要包括接觸疲勞失效、磨損失效、斷裂失效、腐蝕失效及游隙變化失效。

圖1 軸承全壽命衰退圖

可喜的是，各種軸承失效形式在運行過程中都會出現(xiàn)明顯的衰退過程，一般可分為穩(wěn)定階段、衰退階段和故障階段。不同階段下的軸承健康指數(shù)具有明顯的差異。處于穩(wěn)定階段的軸承性能變化不明顯，然而在運行至衰退階段具有較大性能差異。

滾動軸承的衰退過程是由損傷、積累、擴展直至破壞的漸變過程，整個過程包含了物理變化和化學變化，變化過程有的有跡可循，有的則是隨機事件。傳統(tǒng)的軸承故障分類主要是結合各學科進行失效的定性分析，針對失效模式、失效表征和原因分析，總結如表1所示。

表1 滾動軸承失效模式、表征及原因分析

2.深度神經網絡的狀態(tài)監(jiān)測方法

2.1 深度神經網絡理論

深度神經網絡理論啟發(fā)于哺乳動物大腦皮質的多層機制，該機制能夠多次提取并處理提取有效信息，達到識別物體的目的。20世紀六十年代，深度神經網絡被提出，在2010年前后得到巨大的成功的原因有三點：一是訓練網絡所需的海量信息；二是充足的計算資源；三是算法技術的進化極大的提高了準確性并拓寬了DNN的應用范圍。2006年HINTON等人提出了深度學習理論，該理論旨在模擬人腦機制，構建深度神經網絡（Deep Neural Network,DNN），通過將底層信息進行多層非線性變化，將底層特征表達為更加抽象的高層表示，整個學習系統(tǒng)不依賴于人工的特征提取，發(fā)現(xiàn)數(shù)據(jù)中的特征，學習到復雜的函數(shù)表達。該理論的重要思想是每一層神經元都能夠描述對象的全部，也就是說，原始信息從輸入開始，經歷各層網絡時均沒有丟失信息，所以才能夠將底層信息表達為更高層次的抽象表達。深度神經網絡（DNN）目前是許多現(xiàn)代AI應用的基礎。自從DNN在語音識別和圖像識別任務中展現(xiàn)出突破性的成果，使用DNN的應用數(shù)量呈爆炸式增加。這些DNN方法被大量應用在無人駕駛汽車，癌癥檢測，游戲AI等方面。在許多領域中，DNN目前的準確性已經超過人類。與早期的專家手動提取特征或制定規(guī)則不同，DNN的優(yōu)越性能來自于在大量數(shù)據(jù)上使用統(tǒng)計學習方法，從原始數(shù)據(jù)中提取高級特征的能力，從而對輸入空間進行有效的表示。

深度神經網絡以構建多層神經網絡為主要手段，建立多層非線性擬合關系進行特征表達，采用多層網絡訓練訓練方法，利用隨機梯度下降算法(Stochastic Gradient Descent,SGD)進行優(yōu)化網絡模型，隨機梯度下降算法在大多數(shù)訓練集較大且數(shù)據(jù)豐富的情況下是最有效的學習算法。

隨機梯度下降算法的更新公式如下：

式中：x，y是訓練集的數(shù)據(jù)對，α是學習速率。

2.2 整體方法流程說明

結合船舶滾動軸承傳感器數(shù)據(jù)的特點和深度神經網絡的優(yōu)點，一種基于深度神經網絡的狀態(tài)監(jiān)測方法整體流程如圖2所示：

圖2 整體流程圖

首先，獲取滾動軸承的大量離線電流信號并進行預處理，并將這些信號分為訓練樣本和測試樣本；其次，確定深度神經網絡的層數(shù)和激活函數(shù)以及網絡的輸出層；最后利用隨機梯度下降法（SGD）和訓練數(shù)據(jù)及測試數(shù)據(jù)對深度神經網絡模型進行訓練和測試。模型訓練好之后使用在線數(shù)據(jù)驗證該方法的有效性。

3.試驗驗證

3.1 試驗設置

實驗以滾動軸承作為研究對象，實驗中的參數(shù)選取和設置依賴于船舶航行中的推薦參數(shù)設置，軸承試驗臺如圖3所示。被測試軸承的失效模式多種多樣，包括內軸承外圈磨損、外圈磨損、外圈斷裂等。圖4顯示正常和內圈磨損軸承的照片。到關于run-to-failure測試軸承的數(shù)據(jù),如圖3所示,兩個PCB加速度傳感器352c33放置在測試軸承和90°的軸承座上,也就是一個是放置在縱軸上,另一個是放在水平軸。采樣頻率為25.6 kHz，每1分鐘記錄32768個樣本(即1.28 s)。由于載荷是在水平方向施加的，放置在這個方向的加速度計能夠捕獲更多被測軸承的退化信息。因此，選擇水平振動信號來估計被測軸承的剩余使用壽命。

圖3 軸承試驗臺

圖4 測試軸承

3.2 數(shù)據(jù)處理和狀態(tài)劃分

由于傳感器信號可能被各種噪聲污染，信噪比下降，首先對采集的傳感器信號進行去空值和剔奇異值等預處理。用6σ定理來剔除信號中的奇異值，即若信號數(shù)據(jù)點與信號數(shù)據(jù)平均值之差大于3倍信號數(shù)據(jù)標準差，則認為該信號數(shù)據(jù)點為奇異值并舍去；舍去的奇異值信號點，用所有信號數(shù)據(jù)點的均值進行填補。

接著，根據(jù)離線數(shù)據(jù)的軸承振動信號劃分軸承狀態(tài)，根據(jù)表2滾動軸承衰退階段的劃分標準，將滾動軸承衰退劃分為三種階段：穩(wěn)定階段，衰退階段，故障階段。根據(jù)監(jiān)測滾動軸承的傳感器信號，判斷當前軸承處于何種程度衰退狀態(tài)，軸承振幅超過20g就得考慮檢修或者更換，以免對設備其他部件造成損傷。

表2 軸承狀態(tài)階段劃分

在船舶航行中推薦設置下得到的試驗數(shù)據(jù)，采集傳感器相應的軸承振動數(shù)據(jù)，將之作為離線數(shù)據(jù)，用于建立滾動軸承狀態(tài)監(jiān)測的深度神經網絡預測模型。傳感器一次采樣得到4025424個數(shù)據(jù)點。經過6σ定理去空值和剔奇異點等信號預處理后如圖5所示。該軸承退化過程主要包括穩(wěn)定階段、衰退階段和故障階段。在本實驗中，選取原始信號第723274個點前為軸承穩(wěn)定數(shù)據(jù)；723274到3970454個數(shù)據(jù)點為軸承衰退數(shù)據(jù)；3970454到4025424個數(shù)據(jù)點為軸承故障數(shù)據(jù)。

圖5 傳感器信號

試驗過程中根據(jù)實際情況軸承的振動信號采集數(shù)據(jù)，選取256個數(shù)據(jù)點作為軸承狀態(tài)樣本。如表3所示，穩(wěn)定階段具有200個樣本，衰退階段具有200個樣本，故障階段具有200個樣本。

表3 軸承狀態(tài)和采樣狀況

在實驗中，隨機選取70%樣本作為訓練數(shù)據(jù)，一共包含420個，進行深度神經網路的訓練。選取30%樣本作為測試數(shù)據(jù)，驗證提出的基于深度神經網絡的軸承狀態(tài)監(jiān)測模型。本文中，構建的深度神經網絡參數(shù)如表4所示，共四個全連接層、一個輸出層，每層神經元的個數(shù)分別是256，128，128，32，3。前四個全連接層均采用Relu作為激活函數(shù)，最后輸出層激活函數(shù)為Sigmoid。

表4 模型測試結果

3.3 試驗結果

該深度神經網絡模型的校驗和測試結果如表5所示。穩(wěn)定階段的準確率為100%，60個樣本全部預測正確；衰退階段的識別率為91.67%，60個樣本中正確識別55個樣本；故障階段的狀態(tài)識別率為96.67%，60個樣本中正確識別58個樣本，三種狀態(tài)的平均識別精度為96.11%。穩(wěn)定階段的召回率為95.24%，衰退階段的召回率為96.49%，故障階段的召回率是96.67%。根據(jù)上述試驗結果，可以看出基于深度神經網絡的船舶滾動軸承監(jiān)測方法有良好的效果。

表5 模型測試結果

4.結論

本文搭建了用于滾動軸承監(jiān)測的實驗平臺，構建了用于軸承狀態(tài)監(jiān)測的深度神經網絡模型，并提出了一種基于深度神經網絡理論的滾動軸承狀態(tài)監(jiān)測的方法，用于船舶機械設備的軸承狀態(tài)實時監(jiān)測。試驗表明：（1）基于深度神經網絡的船舶滾動軸承狀態(tài)監(jiān)測的方法是可行的；（2）本方法直接從傳感器原始信號自動提取軸承狀態(tài)信息，無需對信號進行提取和選擇特征，擺脫信號對人工處理的依賴，便于深度神經網絡充分挖掘信號內部隱藏的軸承狀態(tài)的信息，具有較高的識別精度。同時，與傳統(tǒng)提取并篩選特征量的方法相比，彌補了傳統(tǒng)方法在選取特征量時耗時耗力的缺點。

當然，船舶航行環(huán)境惡劣，引起軸承狀態(tài)的因素多變，在以后的研究中，需要進一步研究海況等其他相關因素對滾動軸承狀態(tài)監(jiān)測的影響。