噪聲干擾下基于二維特征圖和深度殘差收縮網(wǎng)絡(luò)的齒輪箱故障診斷

李曉峰，向輝，楊青樺

(1.重慶工商職業(yè)學(xué)院智能制造與汽車(chē)學(xué)院，重慶 401520；2.重慶青山工業(yè)有限責(zé)任公司，重慶 402761)

0 前言

齒輪箱是一種被廣泛應(yīng)用的機(jī)械裝置，在航空航天裝備、交通運(yùn)輸工具以及風(fēng)力發(fā)電裝備等領(lǐng)域發(fā)揮了關(guān)鍵作用。然而由于其服役的工作環(huán)境惡劣且復(fù)雜，長(zhǎng)時(shí)間的負(fù)荷運(yùn)轉(zhuǎn)常常導(dǎo)致齒輪箱發(fā)生故障，嚴(yán)重時(shí)甚至?xí)?dǎo)致機(jī)器停機(jī)，造成巨大的經(jīng)濟(jì)損失。因此，及時(shí)分析收集到的齒輪箱振動(dòng)信號(hào)可以判斷齒輪箱是否發(fā)生異常，以便能及時(shí)發(fā)現(xiàn)問(wèn)題，有效避免故障的持續(xù)惡化。

學(xué)者們提出了許多傳統(tǒng)技術(shù)來(lái)進(jìn)行時(shí)域、頻域和時(shí)頻域的旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)分析，基于振動(dòng)信號(hào)的故障診斷方法較多且研究相對(duì)成熟。劉佳音等采用基于奇異值分解降噪方法結(jié)合功率譜圖實(shí)現(xiàn)了齒輪故障診斷。崔慧娟等將集合局部均值分解降噪特征向量與離散隱馬爾科夫模型結(jié)合，實(shí)現(xiàn)了風(fēng)機(jī)齒輪箱故障診斷。金成功采用自適應(yīng)白噪聲平均總體經(jīng)驗(yàn)?zāi)B(tài)分解濾除信號(hào)內(nèi)的噪聲干擾，并結(jié)合能量熵和馬氏距離實(shí)現(xiàn)了齒輪故障診斷。雖然信號(hào)分析方法在機(jī)械故障診斷方面取得了較好成就，但需要專(zhuān)家知識(shí)篩選特征來(lái)實(shí)現(xiàn)故障診斷，過(guò)程繁瑣。

深度學(xué)習(xí)(DL)方法已經(jīng)在機(jī)械故障診斷中發(fā)揮出優(yōu)良性能。徐活耀和陳里里利用提取的時(shí)域和時(shí)頻域特征構(gòu)建高維特征向量，輸入堆棧稀疏自編碼器訓(xùn)練，最終實(shí)現(xiàn)了滾動(dòng)軸承故障診斷。葉壯和余建波將經(jīng)驗(yàn)?zāi)B(tài)分解得到的多個(gè)內(nèi)稟模態(tài)函數(shù)組成灰度圖輸入到多通道加權(quán)卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了齒輪箱故障診斷。HAO等將多傳感器軸承故障振動(dòng)信號(hào)輸入一維卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)。XIA等針對(duì)旋轉(zhuǎn)機(jī)械故障開(kāi)發(fā)了一種基于多傳感器信息輸入卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Network，CNN) 的融合技術(shù)。張明德等基于多尺度卷積策略的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了滾動(dòng)軸承故障診斷。WEN等提出基于一維振動(dòng)信號(hào)轉(zhuǎn)換成二維圖像的LeNet-5新CNN故障診斷方法。宮文峰等將一維信號(hào)構(gòu)造成二維拓?fù)浣Y(jié)構(gòu)，輸入改進(jìn)CNN中診斷滾動(dòng)軸承故障。這些模型在旋轉(zhuǎn)機(jī)械的故障診斷方面取得了較好效果，但均沒(méi)有考慮噪聲干擾的情況，難以保證精度。

本文作者提出一種噪聲干擾下基于二維特征圖和多尺度深度殘差收縮網(wǎng)絡(luò)(Two-dimensional Feature Map and Deep Residual Shrinkage Network，TM-DRSN) 的齒輪箱故障診斷方法,將原始一維信號(hào)轉(zhuǎn)換為二維特征圖集作為輸入層，采用TM-DRSN在二維尺度對(duì)特征圖進(jìn)行自動(dòng)故障特征提取和識(shí)別，并利用標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)TM-MSDRSN方法進(jìn)行分析驗(yàn)證。

1 基于TM-DRSN的故障診斷方法

1.1 基于一維深度卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法

LetNet、AlexNet、GoogleNet等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型因其獨(dú)特的卷積結(jié)構(gòu)、權(quán)值共享、稀疏鏈接等特點(diǎn)被廣泛用于圖像識(shí)別領(lǐng)域。CNN對(duì)特征有強(qiáng)大的學(xué)習(xí)能力和較高的泛化能力，近幾年有學(xué)者提出將CNN應(yīng)用在故障診斷領(lǐng)域。與傳統(tǒng)的完全連接的深度神經(jīng)網(wǎng)絡(luò)相比，CNN大大減少了可訓(xùn)練參數(shù) (權(quán)重和偏差) 的數(shù)量，并且大多具有很高的計(jì)算復(fù)雜性。針對(duì)機(jī)械設(shè)備的故障診斷所采集到的振動(dòng)信號(hào)，不同故障類(lèi)型的特征在信號(hào)中所占的比重與位置不同，且伴隨著噪聲等因素，造成原始信號(hào)具有多尺度復(fù)雜性，影響故障診斷準(zhǔn)確率。在使用卷積層與池化層交替連接構(gòu)建的一維深度卷積神經(jīng)網(wǎng)絡(luò)模型 (1D-DCNN) 提取故障特征時(shí)，通常添加批量歸一化 (Batch Normalization，BN)、修正線(xiàn)性單元 (Rectified Linear Unit，ReLU)、Dropout等技巧使得模型的泛化能力與診斷準(zhǔn)確率提高。1D-DCNN結(jié)構(gòu)如圖1所示。

圖1 一維深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

當(dāng)振動(dòng)信號(hào)中重要的細(xì)節(jié)故障特征大小有很大差別且伴有噪聲干擾時(shí)，選擇合適的卷積核來(lái)提取噪聲環(huán)境下不同大小的特征難度較大，最終會(huì)導(dǎo)致機(jī)械設(shè)備的故障診斷效果不佳。

1.2 基于一維深度殘差收縮網(wǎng)絡(luò)的故障診斷方法

針對(duì)CNN現(xiàn)有淺層智能診斷算法的不足，ZHAO等基于深度殘差網(wǎng)絡(luò)(Deep Residual Network，DResNet)和擠壓激勵(lì)網(wǎng)絡(luò)結(jié)構(gòu)(Squeeze-and-Excitation Network，SENet),提出了深度殘差收縮網(wǎng)絡(luò)(Deep Residual Shrinkage Network，DRSN)。1D-DRSN中采用全局平均池化 (Global Average Pooling，GAP) 提高模型的運(yùn)算速度，結(jié)構(gòu)如圖2所示。

圖2 一維殘差收縮模塊結(jié)構(gòu)

DRSN的本質(zhì)是將SENet中各個(gè)特征通道的加權(quán)替換成各個(gè)特征通道的軟閾值化，即:

(1)

式中：為輸入特征;為輸出特征;為閾值，即正參數(shù)。軟閾值化能更加靈活地設(shè)置特征取值區(qū)間，最終得到更優(yōu)的模型。1D-DRSN將原始信號(hào)直接作為輸入，針對(duì)含噪聲或復(fù)雜數(shù)據(jù)旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的學(xué)習(xí)效果較佳，可為診斷領(lǐng)域提供參考。

1.3 基于二維特征圖和深度殘差收縮網(wǎng)絡(luò)(TM-DRSN)的故障診斷方法

DRSN融合了DResNet、SENet及軟閾值的優(yōu)點(diǎn)，構(gòu)建出的深度神經(jīng)網(wǎng)絡(luò)模型可以自適應(yīng)地去除噪聲，避免了過(guò)度依賴(lài)于專(zhuān)家經(jīng)驗(yàn)的信號(hào)處理等繁瑣過(guò)程。為得到便于DRSN輸入的二維特征圖，同時(shí)保留一維振動(dòng)信號(hào)的關(guān)聯(lián)性和時(shí)序性，首先將振動(dòng)信號(hào)按橫向插樣構(gòu)建為二維特征圖，以包含1024點(diǎn)的振動(dòng)信號(hào)為例，數(shù)據(jù)點(diǎn)為時(shí)間序列，振動(dòng)信號(hào)1024點(diǎn)按順序依次插入32行32列的二維矩陣中，進(jìn)而得到滿(mǎn)足模型輸入的二維特征圖。本文作者提出一種針對(duì)噪聲環(huán)境下齒輪箱振動(dòng)信號(hào)的TM-DRSN方法，實(shí)現(xiàn)了故障診斷。圖3所示為基于二維特征圖的深度殘差收縮網(wǎng)絡(luò)模型結(jié)構(gòu)圖。TM-DRSN主要通過(guò)多個(gè)殘差收縮模塊提取故障特征，輸入層為二維特征圖。該方法采用二維卷積核實(shí)現(xiàn)故障特征的自動(dòng)提取， DRSN的第一特征提取層為寬卷積核層，殘差收縮模塊選用小卷積核提取特征。為增強(qiáng)模型的抗噪聲干擾能力，引入融合了Sigmoid 和ReLU 的 ELU 激活函數(shù)。在TM-DRSN模型訓(xùn)練中，采用ADAM自適應(yīng)學(xué)習(xí)率算法優(yōu)化參數(shù)，采用交叉熵?fù)p失函數(shù)Softmax作為分類(lèi)器實(shí)現(xiàn)故障診斷。

圖3 基于二維特征圖的深度殘差收縮網(wǎng)絡(luò)模型結(jié)構(gòu)

2 基于TM-DRSN的齒輪箱故障診斷結(jié)果

2.1 TM-DRSN模型結(jié)構(gòu)設(shè)計(jì)和參數(shù)設(shè)置

本文作者所提的TM-DRSN模型共有13層模型，包括1個(gè)輸入層 (樣本數(shù)據(jù)輸入維度為32×64)、1個(gè)卷積層、8個(gè)殘差收縮模塊 (包含2個(gè)卷積層和1個(gè)軟閾值模塊)、1個(gè)Dropout層、1個(gè)GAP層、1個(gè)Softmax層。在Windows10計(jì)算機(jī)中基于Python-Tensorflow搭建深度殘差收縮網(wǎng)絡(luò)模型。模型訓(xùn)練時(shí)設(shè)置mini-batch為50，學(xué)習(xí)率為0.001，循環(huán)迭代輪數(shù)為3 000，Dropout率為0.5。TM-DRSN模型的具體結(jié)構(gòu)參數(shù)設(shè)置如表1所示。

表1 TM-DRSN模型的參數(shù)設(shè)置

2.2 試驗(yàn)系統(tǒng)和數(shù)據(jù)集制作

試驗(yàn)數(shù)據(jù)來(lái)自Spectra Quest振動(dòng)試驗(yàn)系統(tǒng)。在試驗(yàn)中，研究了在兩種不同轉(zhuǎn)速和負(fù)載配置運(yùn)行條件下齒輪和軸承的故障，設(shè)置為20 Hz-0 V和30 Hz-2 V。8個(gè)通道分別采集電動(dòng)機(jī)的振動(dòng)和扭矩、行星齒輪箱和減速齒輪箱的在、、三軸上的振動(dòng)。本文作者選取了行星齒輪箱在30 Hz-2 V工況下軸的振動(dòng)數(shù)據(jù)，5種故障類(lèi)型分別為健康、齒根裂紋、表面磨損、缺齒和斷齒。文中在獲得信號(hào)數(shù)據(jù)集時(shí)采用重疊采樣方法，即將一維振動(dòng)信號(hào)切分為每類(lèi)故障1 000個(gè)樣本，每個(gè)樣本包含2 048個(gè)數(shù)據(jù)點(diǎn)，得到的數(shù)據(jù)集G30-2包含5 000個(gè)樣本。試驗(yàn)中選取80%樣本作為訓(xùn)練集，20%作為測(cè)試集。

2.3 基于TM-DRSN的故障診斷方法驗(yàn)證

2.3.1 TM-DRSN的高級(jí)特征可視化

為分析TM-DRSN對(duì)原始特征的學(xué)習(xí)能力，將原始特征與高級(jí)特征用T-隨機(jī)鄰近嵌入 (T-SNE)算法進(jìn)行二維可視化，結(jié)果如圖4所示。

圖4 測(cè)試樣本的特征分布

由圖4可知：原始特征的散點(diǎn)圖顯示的5種故障類(lèi)型相互之間均有交叉，無(wú)法識(shí)別其具體故障類(lèi)型；隨著TM-DRSN模型層數(shù)增加，每一層故障特征可分割性逐漸增強(qiáng)，說(shuō)明深度網(wǎng)絡(luò)結(jié)構(gòu)的必要性，最后經(jīng)過(guò)Softamx層實(shí)現(xiàn)故障有效分類(lèi)。

2.3.2 TM-DRSN模型的有效性驗(yàn)證

為證明TM-DRSN模型的優(yōu)勢(shì)，在無(wú)噪聲環(huán)境下進(jìn)行試驗(yàn)。使用文獻(xiàn)[18]和[19]中的方法、1D-DCNN、1D-DResNet、1D-DRSN和TM-DRSN分析相同的數(shù)據(jù)集,并比較故障診斷結(jié)果。1D-DResNet和1D-DRSN的結(jié)構(gòu)與TM-DRSN相同，參考表1，不同的是前兩者的第一卷積層均采用1×88大卷積核提取故障特征，步長(zhǎng)設(shè)置為1×8，殘差塊和殘差收縮模塊中卷積核大小均為1×4。1D-DCNN的結(jié)構(gòu)參數(shù)見(jiàn)表2，不同方法的診斷結(jié)果見(jiàn)表3。

表2 文中提出的CNN模型參數(shù)

表3 不同模型的診斷正確率 單位:%

由表3可以看出:當(dāng)采用G30-2數(shù)據(jù)集進(jìn)行試驗(yàn)時(shí)，文獻(xiàn)[18]和[19]中方法的正確率分別為94.14%、99.02%和95.80%，其他方法1D-DCNN、1D-DResNet和1D-DRSN的診斷正確率分別為99.79%、99.93%和99.95%，而本文作者所提TM-DRSN方法的診斷正確率為99.97%，接近100%。相較之下，文中方法得到的故障診斷率更高，表現(xiàn)出更好的故障診斷能力，驗(yàn)證了TM-DRSN方法的有效性。

2.3.3 MSDRSN模型的抗噪聲能力驗(yàn)證

在測(cè)試樣本中加入SNR為0～10 dB的高斯白噪聲模擬強(qiáng)噪聲干擾環(huán)境，結(jié)果如表4所示。

表4 不同模型的診斷正確率 單位:%

由表4可知：當(dāng)采用4種方法對(duì)G30-2數(shù)據(jù)集進(jìn)行抗噪聲能力試驗(yàn)時(shí)，不同模型表現(xiàn)出的診斷能力有較大不同。當(dāng)采用1D-DCNN模型進(jìn)行訓(xùn)練和測(cè)試時(shí)，在SNR=0環(huán)境下的診斷正確率僅為46.83%，1D-DResNet和1D-DRSN的診斷正確率稍有提升，分別為53.85%和57.93%。主要原因?yàn)?D-DCNN模型網(wǎng)絡(luò)層數(shù)較淺，不能很好地提取到高級(jí)故障特征；而1D-DResNet在其基礎(chǔ)上添加了殘差塊，加深了特征提取層數(shù)；1D-DRSN在1D-DResNet的基礎(chǔ)上引入軟閾值化模塊，從而對(duì)含噪聲或復(fù)雜數(shù)據(jù)的齒輪箱振動(dòng)信號(hào)學(xué)習(xí)效果更佳，可得到更高的診斷正確率。TM-DRSN模型在1D-DRSN的基礎(chǔ)上作進(jìn)一步改進(jìn)，基于橫向插樣法將一維數(shù)據(jù)樣本構(gòu)建成便于DRSN輸入的二維特征圖，并且在TM-DRSN輸入層構(gòu)建寬卷積核層作為第一特征提取層。采用TM-DRSN在二維尺度對(duì)特征圖進(jìn)行自動(dòng)故障特征提取，得到的故障診斷正確率為93.50%。隨著SNR增加，4種方法的故障診斷正確率提升，并且在SNR的增長(zhǎng)區(qū)間內(nèi)，正確率從小到大始終為1D-DRSN、1D-DResNet、1D-DRSN、TM-DRSN。當(dāng)SNR=10 dB時(shí)，TM-DRSN的診斷正確率最高，為99.89%，結(jié)果表明了TM-DRSN方法的有效性和優(yōu)越性，且在噪聲干擾下具有極高的故障診斷能力。

3 結(jié)論

(1)本文作者提出了一種噪聲干擾下基于二維特征圖和深度殘差收縮網(wǎng)絡(luò)的齒輪箱故障診斷方法。該方法基于橫向插樣法將一維數(shù)據(jù)構(gòu)建成二維特征圖作為DRSN的輸入層，將多個(gè)殘差收縮模塊引入深度卷積神經(jīng)網(wǎng)絡(luò)中作為特征提取層，得到的TM-DRSN方法可以自動(dòng)提取原始信號(hào)的高階特征，實(shí)現(xiàn)了真正意義上的智能化診斷。

(2)利用齒輪箱標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證，與1D-DCNN、1D-DResNet、1D-DRSN以及其他3種現(xiàn)有方法相比，TM-DRSN方法可以取得更高的診斷正確率，表明了該智能診斷方法的有效性。利用G30-2數(shù)據(jù)集在噪聲環(huán)境下進(jìn)行測(cè)試試驗(yàn)，當(dāng)SNR=0時(shí)，TM-DRSN方法的診斷正確率為93.50%，SNR=10 dB時(shí)的診斷正確率為99.89%，與其他深度學(xué)習(xí)診斷方法相比，其診斷效果有較大提升，驗(yàn)證了TM-DRSN方法具有較強(qiáng)的抗噪聲干擾能力。