基于S-CBiGRU的風(fēng)電機組滾動軸承故障診斷方法*

史宗輝,陳長征,2*,田 淼,安文杰,孫鮮明

(1.沈陽工業(yè)大學(xué) 機械工程學(xué)院,遼寧 沈陽 110870;2.振動噪聲控制工程技術(shù)研究中心,遼寧 沈陽 110870;3.寧波坤博測控科技有限公司,浙江 寧波 315200)

0 引 言

由于大多數(shù)風(fēng)電機組都被安裝在沙漠、戈壁等惡劣的環(huán)境中,且機組長期受到風(fēng)力沖擊[1]和交變載荷的影響,導(dǎo)致作為風(fēng)電機組重要零部件的滾動軸承極易遭到損壞。因此,對滾動軸承進行故障診斷,以保證風(fēng)電機組良好運行,具有重要的意義。

目前,針對風(fēng)電機組滾動軸承故障診斷的信號來源,主要以振動信號為主[2,3]。風(fēng)場采集到的振動信號存在非線性、非平穩(wěn)的特性。

時頻分析是一種處理非線性、非平穩(wěn)信號的有效方法。時頻分析的方法主要有短時傅里葉變換(short time Fourier transform,STFT)、連續(xù)小波變換(continuous wavelet transform,CWT)與S變換(S-transform)等。

CHEN Jun-gan等人[4]在采用時頻分析方法進行故障診斷時,考慮了STFT的窗口大小與振動信號頻率之間的關(guān)系,因而提高了時頻分析方法的通用性。TRAN M Q等人[5]在進行故障診斷時,利用連續(xù)小波變換(CWT)方法,將振動信號轉(zhuǎn)化為尺度圖特征圖像,提高了故障診斷效果。

運用上述方法對振動信號進行時頻分析時,由于STFT存在窗口大小無法隨著頻率改變的問題,而CWT存在小波基函數(shù)選取困難的問題,筆者選取STFT與CWT融合改進的S變換的時頻分析方法,利用高斯窗函數(shù)替代CWT中小波基函數(shù),同時窗寬可變,可以有效解決上述問題。

近年來,在復(fù)雜裝備故障診斷領(lǐng)域中,采用深度學(xué)習(xí)方法的表現(xiàn)優(yōu)異[6,7]。O’SHEA T J等人[8]提出了一種用于調(diào)制類型分類的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN),并對該網(wǎng)絡(luò)進行了實驗驗證,結(jié)果表明,CNN的魯棒性更強。GAO Shu-zhi等人[9]利用改進CNN,對滾動軸承進行了故障診斷,結(jié)果表明,該方法可以提高其網(wǎng)絡(luò)收斂性。

然而,利用CNN進行故障診斷時,對時間的依賴性不高,無法捕捉振動信號時域的依賴關(guān)系。

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)是一種善于捕捉信號間時間依賴關(guān)系的方法,常被用于有時間序列信號的分析。常見的RNN有長短時記憶網(wǎng)絡(luò)(long short-term memory,LSTM)、門控循環(huán)單元網(wǎng)絡(luò)(gated recurrent unit,GRU)[10,11]。

在對剩余使用壽命進行預(yù)測時,為了降低預(yù)測的誤差,HSU C Y等人[12]利用改進的LSTM分析了特征之間的時間依賴關(guān)系。GRU結(jié)構(gòu)作為LSTM結(jié)構(gòu)的變體之一,雖然網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)少,但在一定程度上可提高計算效率。TAO Ying等人[13]利用三層GRU結(jié)構(gòu)逐層深入學(xué)習(xí)了故障特征,實現(xiàn)了齒輪箱故障診斷的目的。

但上述方法僅能提取信號中t時刻及其前一時刻信號特征,無法提取t時刻之后的有用特征。振動信號為時間序列數(shù)據(jù),t時刻及其前后時刻都包含有用特征。因此,筆者提出用BiGRU方法來提取信號中t時刻及其前后時刻的特征,使特征提取更全面。

針對以上問題,筆者提出一種基于S變換、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、雙向門控循環(huán)單元(BiGRU)的故障診斷方法,即基于S-CBiGRU的方法。

首先,利用S變換對振動信號進行時頻分析,生成時頻圖;其次,將其輸入到搭建的CBiGRU網(wǎng)絡(luò)模型中,利用CNN卷積池化層提取時頻圖的空間特征;隨后利用BiGRU提取時間正序與逆序中的時間特征(多角度提取故障特征);最終,實現(xiàn)風(fēng)電機組滾動軸承故障診斷的目的。

1 基本原理

1.1 S變換

S變換[14]是一種優(yōu)異的時頻分析方法。它利用可伸縮的高斯窗與連續(xù)小波變換的相位矯正,對信號進行多分辨率的分析。

振動信號x(t)的S變換為:

(1)

式中:t—時間;τ—控制窗口函數(shù)在時間軸上的位置;f—頻率;ω—高斯窗函數(shù)。

高斯窗函數(shù)ω(τ-t,f)可表示為:

(2)

由式(1,2)可得到連續(xù)振動信號S變換為:

(3)

由于要構(gòu)造S變換時頻特性復(fù)矩陣,因此需將S變換離散化,振動信號x(t)可離散為x(kT),T為采樣間隔,將離散采樣信號的傅里葉變換為:

(4)

其中:n=0,1,…,N-1,N為采樣點數(shù)。

令τ→kT,f→n/NT,因此離散S變換為:

(5)

S變換利用高斯窗函數(shù),避免了STFT時頻窗不變的缺點,同時改善了CWT局部相位不變的缺點。因此,S變換在時域、頻域都可以獲得高分辨率,時頻分析的效果更顯著。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為一種近年來發(fā)展迅速的前饋神經(jīng)網(wǎng)絡(luò),常被用于軸承的故障診斷[15]。

CNN由輸入層、卷積層、池化層、全連接層、輸出層組成,其結(jié)構(gòu)如圖1所示。

圖1 CNN結(jié)構(gòu)圖

卷積層的作用為特征提取,將輸入層中的數(shù)據(jù)與卷積核進行卷積運算,其表達式為:

(6)

為防止過擬合,筆者在每一個卷積層后接一個池化層。

采用最大池化的方式減小神經(jīng)網(wǎng)絡(luò)中參數(shù)為:

(7)

式中:A—池化區(qū)域?qū)挾取?/p>

1.3 BiGRU網(wǎng)絡(luò)

在誤差反向傳播的過程中,循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)[16]會出現(xiàn)梯度消失現(xiàn)象。為了解決梯度消失問題,通常采用其變體結(jié)構(gòu)LSTM與GRU。

GRU網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 GRU網(wǎng)絡(luò)結(jié)構(gòu)圖

與LSTM相比,GRU只有更新門zt與重置門rt(t為當(dāng)前時刻)。

相關(guān)計算公式為:

rt=σ[Wr?(ht-1,xt)]

(8)

zt=σ[Wz?(ht-1,xt)]

(9)

(10)

(11)

振動信號是時間序列數(shù)據(jù),當(dāng)軸承發(fā)生故障時,t時刻及其前后都包含著故障信息。GRU網(wǎng)絡(luò)只能提取t時刻及其前一時刻信息,無法獲取t時刻之后的信息,因此,為了解決上述問題,筆者在此處引入BiGRU。

BiGRU由兩列GRU組成,按照時間正序與逆序?qū)φ駝有盘栠M行特征提取。

BiGRU模型結(jié)構(gòu)如圖3所示。

圖3 BiGRU模型結(jié)構(gòu)圖

(12)

(13)

(14)

式中:GRU(·)—GRU單元;T(·)—t時刻隱藏狀態(tài)輸出。

2 故障診斷流程

振動數(shù)據(jù)經(jīng)S變換后得到其時頻圖,CNN卷積池化層提取時頻圖中的空間特征信息,BiGRU從時間正序、逆序中捕獲時間特征,多角度提取特征。

CBiGRU結(jié)構(gòu)如圖4所示。

圖4 CBiGRU結(jié)構(gòu)圖

基于S-CBiGRU的風(fēng)電機組軸承故障診斷步驟如下:

(1)利用風(fēng)場采集振動信號,采用S變換進行時頻分析,生成時頻圖,劃分訓(xùn)練集與測試集;

(2)構(gòu)建CBiGRU網(wǎng)絡(luò),調(diào)整網(wǎng)絡(luò)參數(shù),利用訓(xùn)練集數(shù)據(jù)訓(xùn)練CBiGRU模型;

(3)以測試集為輸入,利用S-CBiGRU模型進行故障診斷,最終得出故障診斷結(jié)果。

風(fēng)電機組滾動軸承故障診斷流程圖如圖5所示。

圖5 風(fēng)電機組滾動軸承故障診斷流程圖

3 實驗及結(jié)果分析

3.1 實驗

為了對上述軸承故障診斷方法的有效性進行驗證,筆者進行了實驗,并將實驗數(shù)據(jù)輸入到該模型中,進行驗證。

實驗振動數(shù)據(jù)來源于內(nèi)蒙古錫林浩特某風(fēng)場,軸承測點位置為風(fēng)電機組發(fā)電機驅(qū)動端徑向,傳感器為ICP壓電加速度傳感器,采樣時間20 s,采樣頻率16 384 Hz。

在數(shù)據(jù)集中,滾動軸承狀態(tài)由正常狀態(tài)、內(nèi)圈故障、外圈故障、滾動體故障4種狀態(tài)組成。

振動信號采集如圖6所示。

圖6 振動信號采集圖

滾動軸承的數(shù)據(jù)集如表1所示。

表1 滾動軸承數(shù)據(jù)集

表1中,0,1,2,3分別代表滾動軸承正常狀態(tài)、內(nèi)圈故障、外圈故障、滾動體故障4種狀態(tài)。

3.2 結(jié)果分析

由風(fēng)場采集的風(fēng)電機組滾動軸承振動信號時域圖如圖7所示。

圖7 滾動軸承振動信號時域圖

圖7中,包含有滾動軸承4種狀態(tài),即正常狀態(tài)、內(nèi)圈故障、外圈故障和滾動體故障。由于振動信號具有非線性、非平穩(wěn)的特性,筆者對振動信號進行時頻分析;又因STFT窗函數(shù)無法改變,CWT小波基選取困難的問題,所以筆者選取S變換進行時頻分析。

由S變換后的滾動軸承4種狀態(tài)的時頻圖如圖8所示。

圖8 滾動軸承振動信號時頻圖

由S變換生成的時頻圖,每種狀態(tài)生成1 000組數(shù)據(jù),隨機選取80%組作為訓(xùn)練集;將劃分后的訓(xùn)練集時頻圖譜輸入到CBiGRU模型中進行訓(xùn)練。

CBiGRU網(wǎng)絡(luò)模型參數(shù)如表2所示。

表2 CBiGRU網(wǎng)絡(luò)模型參數(shù)

CBiGRU模型輸入為S變換后的時頻圖,利用卷積池化層提取時頻圖中的空間特征,BiGRU層提取時間正序、逆序特征,以便從時頻圖中獲得更多故障信息,最后由SoftMax層對滾動軸承故障進行分類。

在CBiGRU模型中,模型學(xué)習(xí)率設(shè)置為0.001,batch size為32,為防止網(wǎng)絡(luò)發(fā)生過擬合,在全連接層中引入Dropout層并設(shè)置為0.5。

筆者選取交叉熵損失函數(shù)為網(wǎng)絡(luò)模型的損失函數(shù),網(wǎng)絡(luò)的故障分類準(zhǔn)確率如圖9所示。

圖9 CBiGRU網(wǎng)絡(luò)故障分類準(zhǔn)確率

網(wǎng)絡(luò)的損失值圖10所示。

圖10 CBiGRU網(wǎng)絡(luò)損失值

由圖(8～10)可知:利用S-CBiGRU網(wǎng)絡(luò)進行滾動軸承故障診斷,訓(xùn)練集的準(zhǔn)確率達到93.81%,損失值為0.06;當(dāng)?shù)?0次后,故障準(zhǔn)確率曲線與損失曲線都趨于平穩(wěn),模型收斂。

筆者通過對測試集樣本的分類,繪制混淆矩陣,如圖11所示。

圖11 混淆矩陣

在圖11中,橫軸表示預(yù)測類別,縱軸表示實際類別,數(shù)字“23”代表23個外圈故障(實際故障為滾動體故障,被網(wǎng)絡(luò)錯誤劃分為外圈故障)。由混淆矩陣可知:S-CBiGRU網(wǎng)絡(luò)可以有效區(qū)分出滾動軸承的不同故障。

為驗證S-CBiGRU采用S變換的優(yōu)越性,筆者將其與兩種常用的時頻分析方法STFT與CWT進行對比實驗。

同一組振動信號,采用S變換、STFT、CWT分別進行時頻分析,得出時頻圖譜后,再將其輸入到CBiGRU網(wǎng)絡(luò)中,對其進行故障分類。

故障分類準(zhǔn)確率如圖12所示。

圖12 故障分類準(zhǔn)確率

由圖12可知:在上述3種時頻分析方法中,利用S變換進行時頻分析的準(zhǔn)確率最高,達到93.17%;

由于S變換窗口大小可變,在高頻時段,窗口較窄,時間分辨率高;在低頻時段,窗口較寬,頻率分辨率高;

在多分辨分析中,可以獲得信號中更多的信息。因此,與STFT、CWT方法相比,采用S變換得到的故障識別準(zhǔn)確率更高。

深度學(xué)習(xí)常被用于滾動軸承的故障診斷,常用的深度學(xué)習(xí)方法有:AlexNet、VGG16、GRU等。為了證明S-CBiGRU網(wǎng)絡(luò)的故障分類能力的優(yōu)越性,筆者將其與其他深度學(xué)習(xí)方法進行對比實驗。

筆者采用不同算法得到的故障分類準(zhǔn)確率,如圖13所示。

圖13 不同算法故障分類準(zhǔn)確率

由圖13可知:振動信號以S變換后的時頻圖作為輸入,采用AlexNet、VGG16、GRU及CBiGRU模型進行故障分類,S-CBiGRU模型分類準(zhǔn)確率最高,達到93.17%;

由于S-GRU與S-CBiGRU考慮振動信號為時間序列,提取t時刻及其前一時刻的故障特征進行故障診斷,所以準(zhǔn)確率高于AlexNet、VGG16模型的準(zhǔn)確率;

由于S-CBiGRU不僅考慮時間正序,還考慮時間逆序,即提取t時刻及其前后時刻的故障特征,獲取的故障特征更全面。因此,利用S-CBiGRU模型進行風(fēng)電機組滾動軸承故障分類效果優(yōu)于其他深度學(xué)習(xí)算法。

4 結(jié)束語

針對風(fēng)電機組滾動軸承的振動信號存在非線性、非平穩(wěn)特性,且特征不易提取的問題,筆者提出了一種基于S-CBiGRU的故障診斷方法,利用風(fēng)場采集的振動信號進行了故障診斷。

研究結(jié)論如下:

(1)利用了S變換解決振動信號的非線性、非平穩(wěn)問題,并生成了二維時頻圖作為模型輸入,在CNN中引入了BiGRU結(jié)構(gòu),構(gòu)建了CBiGRU網(wǎng)絡(luò)模型,由CNN卷積池化層與BiGRU層分別提取了二維時頻圖中信號的空間特征與時間正序和逆序特征,深度挖掘了信號中所包含的故障特征,最終實現(xiàn)了滾動軸承故障診斷的目的;采用風(fēng)機實際數(shù)據(jù)診斷的準(zhǔn)確率高達93.17%;

(2)不同深度學(xué)習(xí)方法的對比實驗結(jié)果表明,基于S-CBiGRU的故障診斷方法提取的信號特征更全面,并可解決信號的非線性、非平穩(wěn)問題,診斷效果優(yōu)于傳統(tǒng)深度學(xué)習(xí)方法,可以為風(fēng)電機組滾動軸承故障診斷提供理論基礎(chǔ)。

在今后的相關(guān)工作中,筆者將繼續(xù)對風(fēng)力發(fā)電機組故障診斷進行深入研究,并結(jié)合機組的振動參數(shù)及其它參數(shù),對其故障進行融合診斷。