基于機(jī)器學(xué)習(xí)的齒輪故障診斷研究現(xiàn)狀和發(fā)展前景

陳天熙，費(fèi)葉琦，2*，江 琴，王吉平，閆業(yè)斌

(1.南京理工大學(xué)紫金學(xué)院智能制造學(xué)院，江蘇 南京 210046；2.南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院，江蘇 南京 210037；3.上海普密德自動化科技有限公司，上海 200000)

齒輪作為最重要的傳動元件之一，當(dāng)它出現(xiàn)故障時往往會使設(shè)備失效甚至被破壞，對設(shè)備和人員都有極大的威脅，所以對齒輪進(jìn)行準(zhǔn)確的故障診斷十分重要。準(zhǔn)確地對齒輪進(jìn)行故障診斷，將會產(chǎn)生巨大的社會效益和經(jīng)濟(jì)效益，近年來國家與社會也對相關(guān)技術(shù)逐漸重視。

對齒輪箱故障診斷方法的原理進(jìn)行分類，大致可以分為油液分析法、振動分析法以及聲發(fā)射技術(shù)[1]。隨著計算機(jī)技術(shù)、傳感器技術(shù)以及信息技術(shù)的不斷發(fā)展，新型的故障診斷方法也不斷出現(xiàn)，包括系統(tǒng)數(shù)學(xué)模型的診斷方法、信號處理的診斷方法、人工智能的診斷方法等[2]。目前，在人工智能診斷方法中最常用到的是基于機(jī)器學(xué)習(xí)的故障診斷方法，如人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)、粒子群優(yōu)化(PSO)、深度學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等，這些方法都可以通過對齒輪數(shù)據(jù)的學(xué)習(xí)來實(shí)現(xiàn)故障的診斷和分類。其中深度學(xué)習(xí)作為一種新的機(jī)器學(xué)習(xí)方法，可以從初始數(shù)據(jù)中提取、加強(qiáng)數(shù)據(jù)的特征，可以更加準(zhǔn)確的對數(shù)據(jù)進(jìn)行分析。

機(jī)器學(xué)習(xí)經(jīng)過數(shù)十年的發(fā)展，現(xiàn)在已經(jīng)在圖像、語音、文本識別等領(lǐng)域廣泛應(yīng)用[3]。下文將重點(diǎn)介紹機(jī)器學(xué)習(xí)在齒輪故障診斷中的應(yīng)用成果及未來的發(fā)展方向。

1 國內(nèi)外研究發(fā)展和現(xiàn)狀

機(jī)器學(xué)習(xí)一直是機(jī)械故障診斷研究領(lǐng)域的重要組成部分。下文將梳理國內(nèi)和國外對基于機(jī)器學(xué)習(xí)的齒輪故障診斷的研究發(fā)展和現(xiàn)狀。

1.1 國外研究發(fā)展歷程和現(xiàn)狀

機(jī)器學(xué)習(xí)技術(shù)最早出現(xiàn)在國外，并在國外快速發(fā)展。國外的研究發(fā)展和現(xiàn)狀將分為機(jī)器學(xué)習(xí)的兩個發(fā)展階段——淺層學(xué)習(xí)和深度學(xué)習(xí)依次進(jìn)行介紹。

1.1.1 淺層學(xué)習(xí)

20世紀(jì)40年代，自人工神經(jīng)網(wǎng)絡(luò)被提出以來，淺層學(xué)習(xí)模型就在不斷發(fā)展。淺層學(xué)習(xí)模型在結(jié)構(gòu)上一般只有一層或不含隱含層節(jié)點(diǎn)。淺層學(xué)習(xí)具有非線性的映射能力、良好的魯棒性和較強(qiáng)的自學(xué)能力。直到今天，淺層學(xué)習(xí)方法主要包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)[4]、支持向量機(jī)(Support Vector Machine，SVM)[5]和Boosting算法[6]等。

在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展中，UNGER[7]等對人工神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用進(jìn)行了描述。此后，ANN開始廣泛應(yīng)用于故障診斷領(lǐng)域。ANN主要包括反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、自組織競爭(Self-organizing Competitive，SC)神經(jīng)網(wǎng)絡(luò)、徑向基(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)、Hopfield神經(jīng)網(wǎng)絡(luò)等。

Adel Afia[8]搭建徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型并結(jié)合Autogram方法，Autogram方法可以優(yōu)化傳統(tǒng)峰度(Kurtogram)，實(shí)驗(yàn)結(jié)果表明，該方法可以有效對齒輪進(jìn)行故障診斷并對齒輪的故障進(jìn)行分類。C.Sreepradha[9]搭建人工神經(jīng)網(wǎng)絡(luò)模型對直齒輪潤滑油狀況進(jìn)行預(yù)測，以此來對齒輪故障進(jìn)行預(yù)防和檢測。S.Bansal[10]使用SVM對齒輪進(jìn)行故障診斷，并新加入了插值法和外插法來加強(qiáng)訓(xùn)練數(shù)據(jù)的泛用性，優(yōu)化后的SVM可以對多類齒輪進(jìn)行高正確率的故障診斷。

在各類神經(jīng)網(wǎng)絡(luò)的發(fā)展中也不斷優(yōu)化出各種更優(yōu)秀的模型，如自組織特征映射(Self-Organizing feature Maps，SOM)神經(jīng)網(wǎng)絡(luò)[11]和學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡(luò)[12]等。

通過以上可以看出淺層學(xué)習(xí)在齒輪故障診斷中有良好的表現(xiàn)，但是由于其無法對數(shù)據(jù)特征進(jìn)行有效提取，所以在故障診斷方面的應(yīng)用逐漸陷入瓶頸。隨著機(jī)器學(xué)習(xí)的發(fā)展，可以有效加強(qiáng)、提取數(shù)據(jù)特征的深度學(xué)習(xí)出現(xiàn)了。

1.1.2 深度學(xué)習(xí)

HINTON[13]等在2006年首次提出了深度學(xué)習(xí)(deep learning)的概念，他們構(gòu)建了包含多層隱含層(如卷積層、池化層等)的網(wǎng)絡(luò)結(jié)構(gòu)，這使得神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)特征的學(xué)習(xí)能力大大加強(qiáng)，深度學(xué)習(xí)浪潮由此展開。目前，被廣泛使用的深度學(xué)習(xí)方法主要包括卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)、自動編碼器(Auto-Encoder，AE)以及深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)等。

CNN的縮放不變性與局部學(xué)習(xí)特性為其在機(jī)械故障診斷領(lǐng)域的應(yīng)用奠定了基礎(chǔ)[14]。CHEN[15]等研究了卷積神經(jīng)網(wǎng)絡(luò)在齒輪箱故障識別和分類中的應(yīng)用，實(shí)驗(yàn)得出卷積神經(jīng)網(wǎng)絡(luò)在對齒輪故障診斷時有優(yōu)秀的表現(xiàn)。Ozhan Gecgel[16]等通過將齒輪的仿真振動數(shù)據(jù)輸入機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型當(dāng)中，并進(jìn)行正確率對比，得出和傳統(tǒng)的機(jī)器學(xué)習(xí)(如分類支持向量機(jī)(SVC)、分類樹(DTC)等)相比，卷積神經(jīng)網(wǎng)絡(luò)的正確率更高。Tadas ?virblis[17]使用一維和二維卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶和Transformer等深度學(xué)習(xí)算法，對雙曲面齒輪進(jìn)行故障診斷，驗(yàn)證了使用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)有更高的故障識別正確率。

深度學(xué)習(xí)的自動提取特征能力可以有效提取齒輪數(shù)據(jù)中的特征，在對齒輪進(jìn)行故障診斷時表現(xiàn)出優(yōu)秀的準(zhǔn)確率與魯棒性。

1.2 國內(nèi)研究發(fā)展歷程和現(xiàn)狀

與發(fā)達(dá)國家相比，中國在基于機(jī)器學(xué)習(xí)的機(jī)械故障診斷技術(shù)研究和應(yīng)用方面相對較晚。然而，我國許多大學(xué)和科研機(jī)構(gòu)在機(jī)械故障診斷方面做出了許多努力，早期研究始于清華大學(xué)、西北工業(yè)大學(xué)、上海交通大學(xué)等。

自20世紀(jì)60年代，我國科研人員對故障診斷的方法和原理進(jìn)行快速的學(xué)習(xí)和研究。在故障原理、數(shù)據(jù)的特征提取、復(fù)雜機(jī)械系統(tǒng)的故障診斷等領(lǐng)域取得了顯著進(jìn)展[18]，驗(yàn)證了基于淺層學(xué)習(xí)的故障診斷模型的可行性，并且在原有模型的基礎(chǔ)上進(jìn)行改進(jìn)。薛萍[19]等使用改進(jìn)的雙RBF神經(jīng)網(wǎng)絡(luò)，對經(jīng)過提取特征處理后的振動數(shù)據(jù)進(jìn)行故障診斷，搭建齒輪故障檢測平臺并驗(yàn)證了模型對齒輪故障診斷的正確性和有效性。朱文輝[20]等在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了離散隱馬爾可夫模型(DHMM)，將DHMM較強(qiáng)的時序建模能力和神經(jīng)網(wǎng)絡(luò)相結(jié)合，較好地提高了齒輪故障診斷的正確率。張曉莉[21]等為了解決SVM中懲罰函數(shù)和核函數(shù)的選取問題，使用遺傳算法和粒子群算法對SVM中的核函數(shù)進(jìn)行優(yōu)化，實(shí)驗(yàn)結(jié)果表明優(yōu)化后的參數(shù)可以有效提高SVM對齒輪箱進(jìn)行故障診斷的正確率。

在深度學(xué)習(xí)領(lǐng)域，我國科研人員們也有很多新嘗試、新發(fā)現(xiàn)。永堯[22]等在標(biāo)準(zhǔn)CNN模型的基礎(chǔ)上提出一種堆疊卷積神經(jīng)網(wǎng)絡(luò)模型來對齒輪進(jìn)行故障檢測，實(shí)驗(yàn)結(jié)果表明這個模型在對不同工況下的齒輪進(jìn)行故障診斷都有較好的效果。郗濤[23]等在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了一種基于參數(shù)優(yōu)化的變分模態(tài)分解(VMD)，并且使用正交實(shí)驗(yàn)法和粒子群優(yōu)化算法對CNN中的參數(shù)進(jìn)行優(yōu)化，實(shí)驗(yàn)結(jié)果可得知該模型在齒輪故障診斷中有優(yōu)秀的表現(xiàn)。張能文[24]等針對旋轉(zhuǎn)機(jī)械齒輪箱的故障診斷提出了一種融合對稱點(diǎn)圖案(SDP)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷方法，把振動信號通過SDP方法轉(zhuǎn)化為具有特征信息的二維圖像，再使用CNN對獲得的二維圖像提取特征，最后使用分類器進(jìn)行分類，實(shí)驗(yàn)證明該模型能夠準(zhǔn)確地對齒輪箱進(jìn)行故障診斷。

由于機(jī)械故障診斷的重要性，如今國家與社會也逐漸重視有關(guān)機(jī)械故障診斷方面的研究，國家自然科學(xué)基金(NSFC)資助的有關(guān)故障診斷的項(xiàng)目數(shù)量逐年提升[25]，并且因在故障診斷方面研究而獲獎的項(xiàng)目數(shù)量也在逐年提升。隨著傳感器技術(shù)、計算機(jī)技術(shù)、云計算、云存儲技術(shù)的發(fā)展，未來的故障診斷領(lǐng)域會不斷改進(jìn)優(yōu)化現(xiàn)有技術(shù)，也會出現(xiàn)更多優(yōu)秀的新技術(shù)。

2 問題與挑戰(zhàn)

目前，與機(jī)械故障診斷研究相關(guān)的問題可以大體概括為：過多研究故障現(xiàn)象，較少研究故障原理；過多研究簡單機(jī)械的故障，較少研究復(fù)雜機(jī)械的故障；過多研究單一數(shù)據(jù)的分析方法，較少研究多種數(shù)據(jù)綜合分析的方法。另外，由于數(shù)據(jù)獲取成本的原因，也有對仿真數(shù)據(jù)的研究較多，對實(shí)際工程數(shù)據(jù)的研究較少的問題。

3 未來展望

機(jī)器學(xué)習(xí)由于擁有自動化、智能化等特點(diǎn)，一直是人工智能領(lǐng)域的重要組成部分之一。機(jī)器學(xué)習(xí)從出現(xiàn)開始就以高準(zhǔn)確率、高魯棒性等優(yōu)點(diǎn)被廣泛應(yīng)用于故障診斷領(lǐng)域。本文介紹了國內(nèi)和國外對基于機(jī)器學(xué)習(xí)的齒輪故障診斷技術(shù)的研究、發(fā)展和現(xiàn)狀，從列舉的各個文獻(xiàn)資料中都驗(yàn)證了機(jī)器學(xué)習(xí)在齒輪故障診斷領(lǐng)域中的優(yōu)越性，最后對于基于機(jī)器學(xué)習(xí)對齒輪進(jìn)行故障診斷技術(shù)出現(xiàn)的問題和未來的研究方向有以下幾點(diǎn)展望：

(1)在各類機(jī)器學(xué)習(xí)中，都需要大量數(shù)據(jù)對模型進(jìn)行訓(xùn)練，這會增大數(shù)據(jù)獲取的成本和難度，因此基于小樣本量的優(yōu)秀機(jī)器學(xué)習(xí)模型是未來發(fā)展方向之一。

(2)無論是淺層學(xué)習(xí)還是深度學(xué)習(xí)的模型結(jié)構(gòu)，都是黑盒模型，即只知道輸入與輸出之間的關(guān)系，而不知道內(nèi)部結(jié)構(gòu)，所以為內(nèi)部結(jié)構(gòu)提供理論依據(jù)是未來重要的發(fā)展方向。

(3) 實(shí)驗(yàn)數(shù)據(jù)的獲取往往需要大量時間與精力，隨著云存儲、云數(shù)據(jù)的發(fā)展，可以建立云數(shù)據(jù)庫，各個實(shí)驗(yàn)室可以上傳實(shí)驗(yàn)數(shù)據(jù)做到數(shù)據(jù)共享，既可以獲得多種條件下的數(shù)據(jù)，還可以減少數(shù)據(jù)獲得的成本。

(4)在實(shí)際的齒輪使用中，往往會有一個復(fù)雜的環(huán)境，這也導(dǎo)致實(shí)驗(yàn)測得的數(shù)據(jù)與實(shí)際會有較大的誤差，如何對數(shù)據(jù)進(jìn)行特征提取，減少環(huán)境對數(shù)據(jù)的干擾，這也是未來的研究方向之一。

(5)各類機(jī)器學(xué)習(xí)方法各有優(yōu)缺點(diǎn)，可以對各種方法取長補(bǔ)短，將不同的模型相互結(jié)合來綜合改進(jìn)算法形成集成學(xué)習(xí)系統(tǒng)是未來的發(fā)展方向之一。

(6)現(xiàn)在的故障診斷數(shù)據(jù)大部分是已經(jīng)從出現(xiàn)損壞的元件中獲得，這將會使得真實(shí)應(yīng)用的時候只有元件故障明顯時才會被診斷，因此，研究如何進(jìn)行設(shè)備的早期故障診斷，甚至預(yù)測故障的出現(xiàn)是未來的發(fā)展之一。