基于分布式深度神經(jīng)網(wǎng)絡的刮板輸送機啟停工況故障診斷方法

丁 華, 呂彥寶,3, 崔紅偉, 劉 俊, 牛銳祥, 孟祥龍, 施 瑞

(1. 太原理工大學 機械與運載工程學院,太原 030024; 2. 煤礦綜采裝備山西省重點實驗室,太原 030024;3. 江陰興澄特種鋼鐵有限公司,江蘇 無錫 214429; 4. 山西煤礦機械制造股份有限公司,太原 030031)

在物聯(lián)網(wǎng)、大數(shù)據(jù)、邊緣計算、人工智能等新興信息化技術的推動下,礦山安全生產(chǎn)管理也不斷向智能化、智慧化的方向發(fā)展[1-3]。刮板輸送機是綜采工作面唯一與采煤機和液壓支架配套使用的運輸設備,其工況差、負載大、受沖擊多,工作過程中極易出現(xiàn)故障,實現(xiàn)刮板輸送機實時精確的故障診斷對提高綜采工作面智能化水平,促進煤礦智化建設具有重要意義。

由于刮板輸送機具有多變量、強耦合和非線性等特點,建立復雜部件與系統(tǒng)的數(shù)學或物理模型十分困難,數(shù)據(jù)驅動的故障診斷方法逐漸獲得重視并成為故障診斷領域的重要研究熱點[4]。該方法大致分為以下兩個方面[5]:

一是基于信號處理算法的研究,即利用快速傅里葉變換、經(jīng)驗小波變換、解析模態(tài)分解法等信號分析方法,通過與理論計算或經(jīng)驗知識比對,實現(xiàn)對故障部位、類型甚至程度的判定。文獻[6]利用經(jīng)驗小波變換和時頻區(qū)間分量重構的方法,構建了用來反映信號沖擊頻域分布特征的時頻峭度譜,以此實現(xiàn)軸承的故障檢測。文獻[7]利用解析模態(tài)分析法提取滾動軸承故障頻段的信號并求其頻譜,以此來判斷提取的信號中是否有故障頻率。

二是基于機器學習算法的研究,機器學習時期分為3個階段。第一階段為連接主義,即利用基于漸進理論構建的感知機、人工神經(jīng)網(wǎng)絡等模型,對信號處理后的故障特征自動分類。文獻[8]選取振動信號時域特征參數(shù)作為軸承故障特征,基于雙層螢火蟲算法的神經(jīng)網(wǎng)絡識別多負載工況下的軸承故障。第二階段為統(tǒng)計學習,即利用基于統(tǒng)計學理論構建的支持向量機等模型,對信號處理后的故障特征自動分類。文獻[9]利用經(jīng)驗解析模態(tài)分解和正交監(jiān)督線性局部切線空間對齊的方法提取軸承故障特征,通過最小二乘支持向量機實現(xiàn)軸承故障在小樣本下的有效診斷。第三階段為深度學習,即在連接主義的基礎上結合卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)、深度殘差網(wǎng)絡等模型,對信號自動提取特征和分類。文獻[10]將多尺度一維卷積神經(jīng)網(wǎng)絡中卷積核數(shù)目和尺度作為粒子群優(yōu)化的粒子,在非經(jīng)驗指導下獲取最優(yōu)參數(shù),對風機基礎螺栓進行松動識別。文獻[11]將基于注意力機制的擠壓與激勵網(wǎng)絡結構引入到殘差神經(jīng)網(wǎng)絡殘差塊之中,識別載荷變化以及信號受到噪聲污染工況下的軸承故障。

然而,第一類方法僅能有效地識別某類特定的工況,泛化能力低且提取故障特征的過程十分依賴人工經(jīng)驗,存在計算過程復雜和耗時的問題。第二類方法的前兩個階段能夠有效地自動識別多類故障,但仍需人工經(jīng)驗提取故障特征。第三個階段實現(xiàn)了故障特征的自動提取和多類故障的識別,但隨著傳感器產(chǎn)生的海量數(shù)據(jù)和深度學習模型網(wǎng)絡深度的不斷加深,傳統(tǒng)的集中式云計算深度學習模型存在診斷延時和通訊成本顯著增加的問題。

近年來,邊緣計算和深度學習理論的融合為解決上述問題提供了可行的解決方法[12-15]。文獻[16]提出了一種面向邊緣計算的深度學習分布式深度神經(jīng)網(wǎng)絡(distributed deep neural network, DDNN)模型,通過邊緣端模型樣本置信度判斷,可提前退出部分樣本,減少后續(xù)網(wǎng)絡層的樣本量和通訊量,文獻[17]針對CNN復雜模型需要使用強大的硬件來訓練和部署,提出了卷積特征袋(convolutional bag-of-features, CBoF)的池化方法。該方法結合特征袋模型,將可訓練的徑向基函數(shù)神經(jīng)元用于量化最終卷積層的激活,減少了網(wǎng)絡中的參數(shù)數(shù)量,解決了邊緣端計算和存儲能力有限而受到限制的問題。基于上述理論,本文提出一種基于分布式深度神經(jīng)網(wǎng)絡的刮板輸送機啟停工況故障診斷方法,將刮板輸送機監(jiān)測數(shù)據(jù)轉化的二維圖像樣本作為輸入,利用邊緣端設置的退出點,對網(wǎng)絡置信度高的樣本進行提前退出和分類,無需向云端發(fā)送任何信息,對于邊緣端退出點無法處理的樣本,將其在共享卷積層的特征向量發(fā)送到云端,使用額外的神經(jīng)網(wǎng)絡層執(zhí)行進一步的推理,并輸出最終的分類診斷結果。該方法使邊緣端和云端計算資源利用率得到最大化,避免診斷過程中通訊資源的浪費,解決大量數(shù)據(jù)因遠距離傳輸而導致的診斷延時問題,尤其是CBoF的引入,使得邊緣端模型參數(shù)得到量化,改善邊緣端計算能力和存儲能力不足的缺陷,顯著提升DDNN的診斷性能。

1 刮板輸送機啟停工況故障分析

刮板輸送機是一種以撓性體作為牽引機構的連續(xù)輸送機械,主要由機頭(尾)傳動部、中間部、推移裝置及附屬裝置等組成。刮板輸送機負載量大、運距長、啟動頻繁,故障產(chǎn)生源頭集中在啟動和停機狀態(tài),根據(jù)實際故障數(shù)據(jù)統(tǒng)計和故障機理,對刮板輸送機的過載停機、卡鏈停機、重負載啟動、啟動功率不平衡和重復啟動5種啟停工況故障進行分析和識別。

通過對2020—2021年度某礦業(yè)集團4個煤礦智能綜采工作面刮板輸送機啟停故障的統(tǒng)計,刮板輸送機過載停機、卡鏈停機、重負載啟動、啟動功率不平衡和重復啟動5種啟停故障的具體統(tǒng)計數(shù)據(jù)如表1所示。其中過載停機故障率在40%以上,因過載停機后未及時清理負載的煤炭,導致重負載啟動和啟動功率不平衡的故障率之和接近過載停機的故障率,重復啟動故障率在15%上下浮動,卡鏈停機故障率占比較小,穩(wěn)定在2%以下。上述統(tǒng)計數(shù)據(jù)為刮板輸送機啟停工況故障診斷的必要性提供了事實依據(jù)。根據(jù)刮板輸送機啟停工況故障機理,各故障原因分析如下:

表1 2020—2021年度某礦業(yè)集團智能綜采

(1) 過載停機。在實際生產(chǎn)過程中,刮板輸送機經(jīng)常出現(xiàn)因片幫、垮頂、負荷過重,導致減速器和電機處于超負荷狀態(tài),進而出現(xiàn)死機現(xiàn)象,影響整個輸送機的可靠性。

(2) 卡鏈停機。刮板輸送機在運行過程中,由于其底層運輸大量的煤石而產(chǎn)生較多的浮煤、碎石等雜物、溜槽對口的錯位、現(xiàn)場工作人員未嚴格按照刮板輸送機的操作流程進行操作等原因,導致刮板輸送機出現(xiàn)卡鏈現(xiàn)象,當刮板輸送機發(fā)生卡鏈故障時,刮板會產(chǎn)生扭擺,易出現(xiàn)斷鏈事故[18]。

(3) 重載啟動。在實際生產(chǎn)過程中,為了確保整個綜采工作面的安全生產(chǎn)或出現(xiàn)一些突發(fā)事故的情況下,常要求刮板輸送機停機配合檢查,而在再次啟動時,由于刮板機上的原煤未及時清理,刮板輸送機常處于滿載或者超載狀態(tài)。刮板輸送機經(jīng)常在重載工況下啟動,會造成強烈的機械沖擊,進而可能燒壞電機、使鏈條斷裂、將鏈輪上的齒輪打壞等[19-20]。

(4) 啟動功率不平衡。由于刮板輸送機啟動前的負載大小、位置及機頭機尾電動機的啟動時間差等因素,使得負載功率無法按比例分配至刮板輸送機的不同電機,出現(xiàn)電機功率不平衡的現(xiàn)象。嚴重的功率不平衡可能造成設備零部件壽命縮短、電機燒毀、運行效率降低等問題[21]。

(5) 重復啟動。刮板輸送機在啟動時,因變頻器電路或信號反饋問題,導致刮板輸送機多次啟動的現(xiàn)象,刮板輸送機的重復啟動,加速了零件的磨損,影響其使用壽命。

2 基礎理論

2.1 卷積神經(jīng)網(wǎng)絡

CNN是基于卷積運算與深度網(wǎng)絡結構的前饋神經(jīng)網(wǎng)絡,主要由卷積層、批歸一化(batch normalization,BN)層、激活層、池化層、全連接層等組成。

卷積層通過卷積核的移動實現(xiàn)輸入數(shù)據(jù)的降維和特征提取,其內部包含多個卷積核,每個卷積核都對應一個權重系數(shù)與一個偏差。卷積層運算數(shù)學表達式為

(1)

BN層通過引入均值和方差的運算,使數(shù)據(jù)同分布、更穩(wěn)定,加快網(wǎng)絡訓練速度,使模型收斂更快。其數(shù)學表達式為

(2)

式中:μ為同時輸入的一組數(shù)值的均值;σ為這組數(shù)值的方差;ε為一個極小的數(shù),防止分母為零。

激活函數(shù)在網(wǎng)絡學習中可以實現(xiàn)數(shù)據(jù)之間的非線性擬合。通常使用線性整流函數(shù)作為激活函數(shù),其函數(shù)數(shù)學表達式為

f(x)=max(0,x)

(3)

池化層對卷積后的特征進行進一步降維和提取,常用的有平均池化和最大池化,原理分別是輸出核覆蓋范圍內所有數(shù)的平均值和最大值。

全連接層將卷積和池化的輸出進行非線性擬合,通過softmax分類器,實現(xiàn)提取特征與樣本標記的對應。

2.2 分布式神經(jīng)網(wǎng)絡

DCNN具有多層結構,其表達學習也是層級分布的,對輸入向量而言,海量數(shù)據(jù)的遠距離傳輸及其神經(jīng)網(wǎng)絡的逐層傳輸都會帶來延遲,而且隨著運算參數(shù)不斷累積,計算耗能也逐層增多。DDNN作為一種面向邊緣計算的深度神經(jīng)網(wǎng)絡,具有分布式計算層次結構,不僅能在云端進行深度神經(jīng)網(wǎng)絡的推理,還能在邊緣端上使用神經(jīng)網(wǎng)絡的淺層部分進行快速、本地化推理。DDNN由邊緣端小型神經(jīng)網(wǎng)絡模型和云端較大的神經(jīng)網(wǎng)絡模型組成,其框架如圖1所示。邊緣端小型模型可以快速地進行初始特征提取,在置信度可信的情況下,對數(shù)據(jù)進行退出并輸出分類結果,邊緣端未退出的數(shù)據(jù)會傳遞到云端的大型網(wǎng)絡模型中,進行下一步的特征處理和分類。DDNN與傳統(tǒng)集中式云計算的神經(jīng)網(wǎng)絡相比,具有識別精度高、通信成本低的優(yōu)點。

圖1 DDNN框架Fig.1 The framework of DDNN

雖然DDNN模型的推理在分布式計算層次結構上分布,但其可以在單個強大的服務器或云端進行訓練。與大多數(shù)傳統(tǒng)神經(jīng)網(wǎng)絡訓練不同,DDNN模型至少有兩個出口點,在訓練時,通過對每個出口損失值的加權求和,實現(xiàn)整個網(wǎng)絡的聯(lián)合訓練,使每個出口點相對于其模型深度能夠達到良好的準確性。模型使用softmax交叉熵損失函數(shù)作為優(yōu)化目標,其數(shù)學表達式為

(4)

(5)

zk=fexitn(xk,θ)

(6)

DDNN模型通過加權損失函數(shù)對各個出口的損失值加權求和,并采用SGD(stochastic gradient descent)方法更新模型參數(shù),加權損失函數(shù)數(shù)學表達式為

(7)

DDNN模型分支對輸入圖像進行快速地初始特征提取,在置信度可信的情況下,分支出口點對樣本進行退出并輸出分類結果,采用歸一化熵閾值作為分支對樣本的預測置信度,其數(shù)學表達式為

(8)

式中:C為所有標簽的集合;x為概率向量;η?[0,1]。

η=0為置信度為1,η=1為置信度為0,使用多個預先配置的出口閾值T作為對樣本預測置信度的衡量標準。如果分支出口點對預測結果有信心(即,η≤T)則退出樣本并輸出分類結果,否則,將未退出樣本在共享卷積塊中的圖像特征傳遞到主干,進行下一步的特征提取和分類。

傳統(tǒng)集中式云計算模型的推理通訊成本是將全部樣本直接傳輸?shù)皆贫?而DDNN模型推理是在分布式計算層次結構上分布的,其將分支嵌入到靠近數(shù)據(jù)源的邊緣端,而主干則嵌入到云端。由于分支靠近數(shù)據(jù)源,故DDNN模型推理通訊成本只考慮將分支中未退出樣本在共享卷積塊中的特征圖像傳輸?shù)皆贫酥鞲傻耐ㄓ嵙?DDNN通訊成本期望數(shù)學表達式為

c=4(1-r)fo

(9)

式中:r為分支退出樣本百分比;f為共享卷積塊向主干輸出的特征圖像尺寸;o為共享卷積塊向主干輸出特征圖像的通道數(shù),常數(shù)4指在64位普通的Windows系統(tǒng)中,一個32位浮點數(shù)占據(jù)4 B。

2.3 卷積特征袋

DDNN 在邊緣側的全連接層節(jié)點越多,邊緣側模型越復雜,分類能力越強,邊緣設備的計算開銷也會增加,但邊緣側計算和存儲資源有限,對此,需要在邊緣設備資源和誤差之間實現(xiàn)一個平衡,CBoF通過對神經(jīng)網(wǎng)絡壓縮編碼,可以大幅度減少參數(shù)計算量。CBoF模型結構如圖2所示。

圖2 CBoF模型結構Fig.2 Model structure of CBoF

構建CBoF 模型的關鍵步驟有3個,分別是圖像特征提取、構造視覺詞典以及圖像的直方圖表示。

(1) 圖像特征提取,轉化后的二維圖像送入邊緣側模型后經(jīng)卷積層自動提取特征向量。

(2) 構造視覺詞典,通過特征向量與視覺單詞的相似度來確定視覺詞典中視覺單詞的個數(shù),特征向量與視覺詞典的相似度用徑向基函數(shù)(radial basis function,RBF)來計算,RBF第k個神經(jīng)元的輸出表示為

[φ(X)]k=exp(-‖X-Vk‖2/σk)

(10)

式中:X為特征向量;Vk為RBF的第k個神經(jīng)元的中心;σk為核函數(shù)的寬度參數(shù)。

(3) 圖像的直方圖表示,視覺詞典得到了特征圖關于各視覺中心的相似性度量,圖像的直方圖表示需要對量化特征進行統(tǒng)計。計算公式表示為

(11)

式中:φ(Xij)=([φ(Xij)]1,…,[φ(Xij)]Nk)T∈RNk;Nk為RBF神經(jīng)元個數(shù)。

3 基于分布式深度神經(jīng)網(wǎng)絡的故障診斷

3.1 模型搭建

基于第2章基礎理論,所搭建的DDNN模型結構如圖3所示。模型由共享卷積塊、分支和主干組成,主干和分支各有一個退出點。將CBoF放置在分支最后一個卷積塊后面代替全連接層,以量化卷積塊最終輸出的特征向量,減少模型運算參數(shù);主干采用殘差網(wǎng)絡塊和全局平均池化層結構,用來代替全連接層,增加特征向量的流動性,減少模型參數(shù)量;通過分支和主干的聯(lián)合訓練,實現(xiàn)故障特征的識別和分類。

圖3 DDNN模型結構Fig.3 Model structure of the DDNN

模型參數(shù)如表2所示。模型卷積層全部采用3×3卷積核堆疊的方式提取輸入圖像的特征向量,以提高卷積層的感受野和非線性表達能力。共享卷積核的個數(shù)設為1,用來減少共享卷積塊與主干臨近卷積塊之間的通訊量并最大程度的保留原始圖像特征。分支兩個卷積層的卷積核個數(shù)分別為4和8,主干中前兩個卷積層的卷積核個數(shù)為8,其余卷積層的卷積核個數(shù)為32,卷積層的填充為1,卷積核移動步長為1。

表2 DDNN模型參數(shù)Tab.2 Model parameters of the DDNN

3.2 故障診斷流程

構建的DDNN模型故障診斷流程如圖4所示,主要包括數(shù)據(jù)預處理、云端模型訓練、云邊協(xié)同推理三部分。

圖4 DDNN模型故障診斷流程Fig.4 DDNN model fault diagnosis process

3.2.1 數(shù)據(jù)預處理

時域信號到矩陣的轉換過程如圖5所示。首先在大量連續(xù)樣本中選取一維時間序列信號,選取方式為每784個信號點截取一次,即K=28,然后將一維時間序列信號轉換的矩陣進行灰度化處理生成二維圖像,此外,為更充分地提取二維圖像的邊緣特征,再對其進行padding=2的數(shù)據(jù)預處理。矩陣到圖像的轉換數(shù)學表達式為

圖5 信號到矩陣的轉換過程Fig.5 Signal to matrix conversion process

(12)

式中:p為二維圖像的像素強度;L為數(shù)據(jù)灰度值;a,b?[1,K];K為二維圖像的邊長尺寸。

通過上述數(shù)據(jù)轉換方式,對一維時域信號的曲線形數(shù)據(jù)重新排布,生成CNN擅長處理的圖像數(shù)據(jù),利用CNN的自適應學習,實現(xiàn)對一維時域信號故障特征的提取和識別。

3.2.2 云端模型訓練

使用Pytorch深度學習框架和Python編程語言構建DDNN故障診斷模型,涉及到的參數(shù)設置如下:激活函數(shù)為Relu,目標函數(shù)為交叉熵損失函數(shù),優(yōu)化器為隨機梯度下降(stochastic gradient descent,SGD),batch size為16,動量參數(shù)為0.9,初始學習率為0.1,學習率衰減值為0.000 1,迭代次數(shù)為100。

3.2.3 云邊協(xié)同推理

訓練好的模型完成參數(shù)遷移后,將測試集輸入到模型中,在分支出口處將測試集樣本的置信度η與設置的閾值T進行比較,若η≤T,則退出樣本,輸出邊緣端故障診斷結果;否則,將其在共享卷積塊中的特征圖輸入到云端主干模型進一步推理,輸出云端故障診斷結果。

4 工程實例分析

4.1 數(shù)據(jù)來源

以上述礦業(yè)集團煤礦1的61120智能綜采工作面前置SGZ-764/630型刮板輸送機為試驗對象,試驗平臺包括刮板輸送機、變頻器、組合開關、順槽集控中心、汾西華益智慧云平臺等,如圖6所示。

圖6 試驗平臺Fig.6 The test platform

以刮板輸送機啟停工況故障機理和變頻器中電流傳感器、電壓傳感器、頻率傳感器反映出來的機頭機尾電流、轉速參數(shù)值作為故障判定依據(jù),其中,傳感器返回的數(shù)據(jù)類型為float32,采樣頻率為每秒4次,通訊協(xié)議為Modbus。采樣數(shù)據(jù)通過專線傳輸?shù)皆破脚_數(shù)據(jù)中心,每個參數(shù)值的提取方式為每49 s提取一次并將其按時間順序轉換成7×28的矩陣,通過上述4個參數(shù)轉化矩陣的垂直堆疊和數(shù)據(jù)灰度處理,生成一個28×28的灰度圖像。數(shù)據(jù)集共8 400個灰度圖像樣本,包括過載停機、卡鏈停機、重負載啟動、啟動功率不平衡、重復啟動5種故障工況和輕負載啟動、正常停機2種正常工況,數(shù)據(jù)集按照5∶1的比例劃分為訓練集和測試集,樣本具體組成信息如表3所示。

4.2 數(shù)據(jù)分析

數(shù)據(jù)轉換圖像的方法不僅可以在二維空間內更直觀地表征一維數(shù)據(jù)的分布變化,而且卷積運算在計算機領域多用于減少圖像復雜度、降低計算負擔。此外,利用卷積層自動挖掘圖像特征,避免了人工提取特征向量過程中計算復雜、耗時以及人為因素導致的局限性等弊端。轉換圖像如圖7所示。其整體等分為四部分,從上到下依次為機頭電流、機尾電流、機頭轉速和機尾轉速,圖像中不同深度的黑白色帶對應不同的數(shù)值,數(shù)據(jù)由小到大顯示為由黑到白。

圖7 轉換圖像結構示意圖Fig7 Structure diagram of transformed image

刮板輸送機主要技術參數(shù)如表4所示。在運行過程中,電流持續(xù)高于額定電流且突然大范圍波動,轉速驟降為零視為卡鏈停機,電流呈指數(shù)上升的趨勢和轉速階梯下降為零視為過載停機。

表4 SGZ-764/630型刮板輸送機主要技術參數(shù)

故障停機時域曲線及轉換圖像如圖8所示。圖8(a)電流的指數(shù)上升和轉速階梯下降為零的特征,映射出圖8(b)電流位置末端由黑驟變?yōu)榛业纳珟?轉速位置末端由白變黑的色帶顯著拉長。圖8(c)機尾電流的大范圍波動和轉速驟降為零的特征,對應圖8(d)機尾電流位置末端黑灰色帶的相互交替,轉速位置末端由白變黑的較短色帶。

圖8 刮板輸送機故障停機時域曲線及其轉換圖像Fig.8 Time domain curve of scraper conveyor fault shutdown and its transformation image

將額定電流的70%作為重負載和輕負載判定依據(jù),機頭機尾電流差值與平均值比值的35%作為啟動功率不平衡判定依據(jù),即整個啟動過程中,當機頭機尾電流差值與平均值比值小于35%時,若瞬時電流過后電流維持在140 A以上,則視為重負載啟動,否則視為輕負載啟動;當機頭機尾電流差值與平均值比值大于35%時,視為啟動功率不平衡。啟動時域曲線及轉換圖像如圖9所示,圖9(a)和圖9(c)各自機頭機尾電流值及差值在圖9(b)和圖9(d)的機頭機尾電流位置分別映射出不同深度的色帶。

圖9 刮板輸送機啟動故障時域曲線及其轉換圖像Fig.9 Time domain curve of scraper conveyor startup fault and its transformation image

刮板輸送機在啟動時,因變頻器電路或信號反饋問題,導致刮板輸送機多次啟動的現(xiàn)象視為重復啟動。重復啟動的時域曲線及轉換圖像如圖10所示。圖10(a)機頭機尾電流、轉速頻繁為零的特征,在圖10(b)映射出機頭機尾電流、轉速位置黑灰色帶的頻繁交替。

圖10 刮板輸送機重復啟動時域曲線及其轉換圖像Fig.10 Time domain curve of scraper conveyor repeated start and its transformation image

4.3 模型分支和主干訓練權重值的確定

為使分支進行更多的判別特征學習,使更多的樣本以較高置信度提前退出,將分支給予全部加權值(即W分支=1),主干權重加權值進行遞減以尋求最優(yōu)值。試驗預先將分支CBoF層中的字典數(shù)設為10進行變量控制,其結果如表5所示,當W主干=0.3時出現(xiàn)拐點,與主干和分支均賦予全部加權值相比,分支單獨推理精度提高了0.66%。此外,主干單獨推理精度的穩(wěn)定,反映出主干訓練損失函數(shù)值足夠小,分支損失函數(shù)值的變化對其影響甚微。

表5 權重加權值對分支和主干單獨推理精度的影響

4.4 模型分支CBoF字典數(shù)的確定

在分支與主干的權重加權值確定后,需對分支CBoF層字典數(shù)進行確定,選擇不同大小的詞典數(shù)進行試驗,分別為10～100,間隔為10,試驗結果如表6所示。字典數(shù)與分支單獨推理精度呈現(xiàn)一定的周期波動趨勢,當字典數(shù)為10時,分支單獨推理精度最高,達到了96.93%,此外,主干單獨推理精度的穩(wěn)定,也反映出分支字典數(shù)導致分支損失函數(shù)值的變化對主干影響甚微。

表6 字典數(shù)對分支和主干單獨推理精度的影響

4.5 模型分支出口閾值的確定

DDNN不同的分支出口閾值T對其識別精度的影響,如表7所示。當T=0時分支出口樣本退出率為0,樣本全部交由主干進行單獨推理,當T=0.5時,分支出口樣本退出率為100%,樣本全部交由分支進行單獨推理,二者的識別精度分別為99.0%,96.93%。而當T=0.1和T=0.2時,分支出口樣本退出率為73%和88.71%,樣本由分支和主干進行協(xié)同推理,分支識別精度都達到了100%。

表7 不同閾值對DDNN模型的影響

4.6 DDNN模型協(xié)同推理與單獨推理效果對比分析

故障診斷模型效果除了考慮識別精度外,還應考慮推理速度、通訊成本和模型參數(shù)量。DDNN模型協(xié)同推理與單獨推理效果對比,如表8所示。分支單獨推理的DDNN(T=0.5)參數(shù)量少,推理速度快,適合布置在靠近數(shù)據(jù)源的邊緣端,因此通訊成本可忽略不計,但識別精度過低,僅為96.93%;主干單獨推理的DDNN(T=0)參數(shù)量大,需要較大的計算資源,因邊緣端計算資源有限,故將其布置在云端。與DDNN(T=0)相比,分支與主干協(xié)同推理的DDNN(T=0.2)在增加DDNN(T=0.5)的539×103個參數(shù)后,識別精度提高到了99.5%,推理速度提高了22%。灰度圖像經(jīng)padding=2的數(shù)據(jù)預處理后,輸入尺寸變?yōu)?2×32,輸入通道數(shù)仍為1,由表2可知,數(shù)據(jù)預處理后的圖像經(jīng)共享塊后的輸出尺寸和通道數(shù)分別為32×32和1,其輸出尺寸計算公式為

表8 DDNN模型協(xié)同推理與單獨推理效果對比

f=?(i+2s-k)/s」+1

(13)

式中:f為輸出尺寸;i為輸入尺寸;s為步長;k為卷積核尺寸; ?>·>」為向下取整。

由表7可知,當DDNN閾值T分別為0和0.2時,分支退出率l分別為0和88.71%,根據(jù)式(10)可知,DDNN(T=0)通訊成本期望為4 096 B,而DDNN(T=0.2)通訊成本期望為462 B,僅占前者通訊成本期望的11.28%,明顯降低了推理的通信成本。分支與主干的協(xié)同推理在融合分支與主干單獨推理性能的同時,使不同難易程度的推理任務按需分配到邊緣端和云端,使邊緣端和云端計算資源有效利用率得到最大化,進一步提高了識別精度。

在機器學習領域中,混淆矩陣是一種用特定的矩陣來呈現(xiàn)算法性能的可視化效果,特別用于監(jiān)督學習,其每一行代表預測類別,每一列代表實際類別,可以非常容易地表明多個類別是否有混淆。DDNN協(xié)同推理與單獨推理混淆矩陣,如圖11所示。在分支單獨推理的DDNN(T=0.5)混淆矩陣中,標簽0、標簽5、標簽6的識別精度均為100%,標簽4識別精度僅為84%,最易被誤識別,被誤識別為標簽3和標簽5的個數(shù)分別為18和14。與DDNN(T=0.5)相比,在主干單獨推理的DDNN(T=0)混淆矩陣中,除標簽5的識別精度降低以外,其他標簽的識別精度均有所提高,說明在邊緣端未被識別出的復雜樣本,在計算資源強大的云端得到了很好的識別,但也從側面反映出云端為了識別少量復雜樣本需要承擔大量簡單樣本的計算任務,造成了云端計算資源的浪費;標簽5中有7個簡單樣本在邊緣端能夠被識別,而在云端卻未被識別,說明某些簡單樣本在云端復雜化,識別效果適得其反;在分支與主干協(xié)同推理的DDNN(T=0.2)分支混淆矩陣中,數(shù)據(jù)集88.71%的簡單樣本全部被識別出,其中,數(shù)據(jù)集標簽0和標簽2全部被識別出,DDNN(T=0.2)主干的混淆矩陣中,數(shù)據(jù)集剩余的11.29%復雜樣本僅7個標簽4被誤識別為標簽3,其余樣本全部被識別出。由此可見,DDNN(T=0.2)將不同難易程度的樣本在邊緣端和云端進行了有效的分配。

圖11 DDNN模型協(xié)同推理與單獨推理混淆矩陣Fig.11 DDNN confusion matrix for cooperative inference and independent inference

t-分布鄰域分布(t-distributed stochastic neighbor embedding,t-SNE)[22]是一種非線性降維算法,其將高維空間數(shù)據(jù)點之間的歐式距離轉換為條件概率來表達點與點之間的相似度,使高維數(shù)據(jù)點映射到低維也具有同樣的相似度,非常適用于將高維數(shù)據(jù)降維到二維或者三維進行可視化。DDNN協(xié)同推理與單獨推理t-SNE可視化結果,如圖12所示。

圖12 DDNN模型協(xié)同推理與單獨推理t-SNE可視化結果Fig.12 DDNN t-SNE visualization results for cooperative inference and independent inference

由圖12可知,分支單獨推理的DDNN(T=0.5)和主干單獨推理的DDNN(T=0) t-SNE可視化結果中,存在某些標簽決策邊界不明顯的問題,而分支與主干協(xié)同推理的DDNN(T=0.2)分支和主干t-SNE可視化結果中,均不存在標簽間決策邊界不明顯的問題?？梢?DDNN(T=0.2)分支和主干均能對分配樣本的高維特征完成較好的分離和匯聚。

4.7 DDNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡模型對比分析

為了驗證分布式深度神經(jīng)網(wǎng)絡在故障診斷當中相對于傳統(tǒng)模型的優(yōu)勢,采用AlexNet、LeNet-5、InceptionV3傳統(tǒng)模型在識別精度、參數(shù)量、推理速度和通訊成本4個方面進行對比試驗,對比結果如表9所示。相比于傳統(tǒng)神經(jīng)網(wǎng)絡模型,DDNN(T=0.2)識別精度最高,達到了99.50%;模型參數(shù)量僅次于參數(shù)量最少的InceptionV3,約超出后者參數(shù)量的1/4,但二者的推理速度基本持平;傳統(tǒng)神經(jīng)網(wǎng)絡模型云端推理過程前,需將圖像全部發(fā)送至云端,因傳感器傳輸?shù)臄?shù)據(jù)類型為32位浮點數(shù),且一個32位浮點數(shù)占據(jù)4 B,故發(fā)送一張28×28的浮點灰度圖像至云端所需的通訊成本等于模型自身的通訊成本期望,均為3 136 B,而DDNN(T=0.2)因其邊緣端提前退出機制,通訊成本期望僅占上述傳統(tǒng)模型的14.7%;推理速度雖稍遜于AlexNet、LeNet-5,但其他方面均占較大優(yōu)勢。綜上分析,DDNN(T=0.2)模型表現(xiàn)最優(yōu)。

表9 DDNN模型與傳統(tǒng)模型對比結果

4.8 模型泛用性驗證

采用公開的西儲大學軸承數(shù)據(jù)集[23]對DDNN模型的泛用性進行驗證,因軸承在實際工作場景中負載和噪聲不斷變化,故選取各類負載(0,0.75 kW,1.50 kW,2.25 kW)條件下的振動信號,并在其基礎上添加信噪比分別為-3 dB,0,3 dB,6 dB,9 dB的高斯白噪聲,且各信噪比噪聲的樣本數(shù)量與未添加噪聲的樣本數(shù)量相同,數(shù)據(jù)集處理方式與刮板輸送機啟停工況時域信號的處理方式相同,其樣本具體組成信息如表10所示。

表10 樣本具體組成信息Tab.10 Sample specific composition information

4.8.1 模型抗噪及泛化能力分析

DDNN模型在負載及噪聲混合場景中的測試結果,如表11所示。與無噪聲混合負載場景中DDNN測試結果相比,雖然在負載和噪聲混合噪聲場景中,噪聲的干擾使一部分樣本復雜化,導致分支樣本退出率減少,通訊成本增加了50%,模型推理時間略微增加,但主干模型依然能夠達到98.60%的識別精度,模型整體精度更是達到99.27%,表現(xiàn)出一定的抗噪能力。由3.6節(jié)可知,與集中式云計算神經(jīng)網(wǎng)絡相比,DDNN模型在保持高精度的同時,依然可以降低32%的通訊成本。

表11 DDNN模型在負載和噪聲混合場景中的測試結果

DDNN模型在單一噪聲混合負載場景中的測試結果,如表12所示?？梢钥闯鲂旁氡却笮∨c其對振動信號的干擾強度大致成正比關系,雖然各信噪比場景中模型分支退出樣本的數(shù)量有所差異,但均達到了100%的識別精度,其中,當信噪比為-3 dB時的噪聲對振動信號的干擾最大,但主干模型依然能夠達到94.67%的識別精度,模型的整體識別精度則達到了96%以上,當信噪比分別為3 dB,6 dB,9 dB時,模型的整體精度均在99.5%以上,表現(xiàn)出一定的泛化能力。由3.6節(jié)可知,相比于集中式云計算的神經(jīng)網(wǎng)絡模型,DDNN模型在各信噪比下的通訊成本均少于前者。

表12 DDNN模型在單一噪聲混合負載場景中的測試結果Tab.12 Results of DDNN in a single noise mixed load scenario

4.8.2 模型泛用能力分析

在負載和噪聲混合噪聲場景的軸承數(shù)據(jù)集中,DDNN協(xié)同推理與單獨推理效果對比,如表13所示。根據(jù)對比結果,分支單獨推理的DDNN(T=0.7)在參數(shù)量、推理速度、通訊成本依然存在優(yōu)勢,但識別精度過低,僅為97.13%;與主干單獨推理的DDNN(T=0)相比,分支與主干協(xié)同推理的DDNN(T=0.2)在增加DDNN(T=0.7)的560 k個參數(shù)后,識別精度提高到了99.27%,推理速度提高了20%,通訊成本降低了48%?？梢奃DNN不僅可以在刮板輸送機電流轉速信號數(shù)據(jù)集中實現(xiàn)邊緣端和云端計算資源的有效利用、通訊成本的降低和識別精度的提高,而且在軸承振動信號數(shù)據(jù)集中也同樣適用,試驗論證了DDNN模型具有一定的泛用性。

表13 DDNN模型協(xié)同推理與單獨推理效果對比

5 結 論

(1) 基于分布式深度神經(jīng)網(wǎng)絡的刮板輸送機啟停工況故障診斷方法,通過邊緣端與云端模型的協(xié)同推理,實現(xiàn)了刮板輸送機高精度、低通訊、低時延的啟停工況故障診斷,提高了設備監(jiān)測維護的智能化水平。

(2) DDNN模型將簡單和復雜計算任務按需分配到邊緣端和云端,使邊緣端和云端計算資源利用率得到最大化,與傳統(tǒng)的故障診斷模型相比,DDNN在識別精度、模型參數(shù)量、推理速度和通訊成本4個方面表現(xiàn)出了顯著的優(yōu)勢。

(3) 所提方法具有一定的泛用性能,在不同對象、不同類型的數(shù)據(jù)集中仍然有較好的表現(xiàn),為其他礦山設備關鍵零部件的故障診斷提供了借鑒和參考。