機(jī)電設(shè)備中智能故障檢測診斷技術(shù)的運(yùn)用

高 寒

(合肥工大共達(dá)工程檢測試驗(yàn)有限公司,合肥 230051)

水利工程飛速發(fā)展,開展機(jī)電設(shè)備自動(dòng)化運(yùn)維勢在必行?；谒こ虣C(jī)電設(shè)備系統(tǒng)的特點(diǎn),傳統(tǒng)的故障檢測診斷技術(shù)受到限制,整體應(yīng)用效果較差,不能滿足發(fā)展需求?；贒BN模型結(jié)構(gòu)智能故障診斷技術(shù),以人工智能技術(shù)為基礎(chǔ)構(gòu)建KPCA-DBN模型,開展自動(dòng)化故障分類、診斷分析,提升故障診斷精度,為提升水利工程機(jī)電設(shè)備故障運(yùn)維質(zhì)量奠定基礎(chǔ)。

1 基于DBN結(jié)構(gòu)的智能故障檢測診斷技術(shù)

DBN是由眾多玻爾茲曼機(jī)(Restricted Boltzmann Machine)組成的神經(jīng)網(wǎng)絡(luò),故DBN訓(xùn)練在一定意義上也是玻爾茲曼機(jī)訓(xùn)練。多玻爾茲曼機(jī)的隱層及可視層均是神經(jīng)網(wǎng)絡(luò),兩者功能不同,其中可視層主要負(fù)責(zé)接收輸入,隱層用于提取數(shù)據(jù)特征,兩者在神經(jīng)網(wǎng)絡(luò)系統(tǒng)內(nèi)部沒有直接接觸,但通過神經(jīng)網(wǎng)絡(luò)wji可實(shí)現(xiàn)可視層與隱層的連接。多玻爾茲曼機(jī)訓(xùn)練是實(shí)現(xiàn)最小化能量函數(shù),通過調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)實(shí)現(xiàn)優(yōu)化神經(jīng)網(wǎng)絡(luò)系統(tǒng)的作用,增加重構(gòu)的可視層與真實(shí)值相同概率[1]。

通過堆積多個(gè)多玻爾茲曼機(jī)組成DBN神經(jīng)網(wǎng)絡(luò),在進(jìn)行無監(jiān)督訓(xùn)練期間,最下層的多玻爾茲曼機(jī)接收原始數(shù)據(jù),逐漸向上訓(xùn)練,每層輸出的數(shù)據(jù)直接進(jìn)入下一層,直達(dá)計(jì)算至最高層,最低層原始數(shù)據(jù)信息轉(zhuǎn)化為具有高層特點(diǎn)的數(shù)據(jù)。在這一訓(xùn)練模式下,DBN模型的最高層添加特征數(shù)據(jù),通過傳統(tǒng)的誤差反向傳播算法實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的有效監(jiān)督,優(yōu)化網(wǎng)絡(luò)調(diào)試訓(xùn)練,通過權(quán)重及偏置調(diào)整擬合特征數(shù)據(jù)的屬性,提升DBN診斷模型分類的準(zhǔn)確性[2]。

2 基于KPCA—DBN的水利機(jī)電設(shè)備滾動(dòng)軸承故障診斷

采用實(shí)驗(yàn)驗(yàn)證方式對(duì)水利機(jī)電設(shè)備滾動(dòng)軸承故障進(jìn)行KPCA—DBN智能故障檢測診斷,進(jìn)一步驗(yàn)證DBN模型應(yīng)用的有效性。以KPCA為載體獲取數(shù)據(jù)源非線性特征,基于水利機(jī)電設(shè)備滾動(dòng)軸承與振動(dòng)信號(hào)樣本進(jìn)行矩陣極端,基于數(shù)據(jù)信息提出KPCA—DBN智能故障檢測診斷。研究KPCA—DBN模型中的σ、貢獻(xiàn)率、dropout等元素對(duì)診斷性能的影響,并將正確的故障數(shù)據(jù)與KPCA—DBN模型檢測數(shù)據(jù)進(jìn)行對(duì)比,驗(yàn)證KPCA—DBN模型智能故障檢測診斷的可行性[3]。

2.1 基于KPCA—DBN的機(jī)電設(shè)備滾動(dòng)軸承故障診斷

KPCA特征提取模塊。原始振動(dòng)信號(hào)數(shù)據(jù)空間映射到特征空間,以KPCA進(jìn)行水利機(jī)電設(shè)備特征提取,分析滾動(dòng)軸承振動(dòng)信號(hào)中的運(yùn)行特征,通過KPCA非線性特征保留及降維特點(diǎn),將滾動(dòng)軸承與振動(dòng)信號(hào)m劃分為樣本X:

非線性映射函數(shù)將水利滾動(dòng)軸承設(shè)備故障特征轉(zhuǎn)化到特征空間中,通過核函數(shù)映射提取特征空間的平均值0,進(jìn)而得出矩陣K:

核矩陣的簡化計(jì)算。KPCA—DBN模型以高斯核函數(shù)K為基礎(chǔ),將數(shù)據(jù)代入公式中,開展核矩陣計(jì)算:

其中,σ2代表高斯核函數(shù)參數(shù),‖x-xi‖2表示距離,兩者直接影響KPCA—DBN模型特征提取。需結(jié)合實(shí)際情況,保證數(shù)據(jù)參數(shù)選擇的合理性[4]。

為了降低KPCA矩陣計(jì)算開銷,利用MATLAB提升矩陣計(jì)算速度,將K值代入矩陣公式中,對(duì)水利滾動(dòng)軸承時(shí)域振動(dòng)樣本兩相進(jìn)行計(jì)算,如下:

‖xi-xj‖2=(xi1-xj1)2+(xi2-xj2)2

+…+(xin-xjn)2

因此使用高斯核函數(shù)時(shí),對(duì)振動(dòng)信號(hào)矩陣X產(chǎn)生的影響如下:

k(X,X)=2XXT-S-ST

S=[S1…S1]∈Rm×m

利用高斯核函數(shù)對(duì)水利繼電滾動(dòng)軸承原始特征空間進(jìn)行映射,并在特征空間中完成數(shù)據(jù)處理[5]。數(shù)據(jù)處理期間及時(shí)調(diào)整矩陣結(jié)構(gòu),計(jì)算得出Kμj:

Kμj→K-ImK-KIm-ImKIm

2.2 整體算法

水利繼電設(shè)備滾動(dòng)軸承智能故障檢測診斷嚴(yán)格按照?qǐng)D1流程開展。

圖1 KPCA—DBN模型的滾動(dòng)軸承故障診斷流程Fig.1 Fault diagnosis flow of rolling bearing based on KPCA—DBN model

2.3 實(shí)驗(yàn)數(shù)據(jù)集處理

為了保證智能故障檢測診斷質(zhì)量,提升實(shí)驗(yàn)數(shù)據(jù)處理重視程度,數(shù)據(jù)主要為軸承數(shù)據(jù)中心振動(dòng)軸承信號(hào)數(shù)據(jù),如表1所示。樣本數(shù)據(jù)在不同轉(zhuǎn)速獲取,數(shù)據(jù)集E、F分被代表12 000、12 120數(shù)目。

表1 數(shù)據(jù)集E和數(shù)據(jù)集F的描述

通過KPCA—DBN模型對(duì)數(shù)據(jù)集E、F進(jìn)行故障檢測診斷分析。以7∶3的比例劃分?jǐn)?shù)據(jù)集E,得到8400×s訓(xùn)練集及3600×s訓(xùn)練集,3∶1比例下得到數(shù)據(jù)集F,得到9090×s訓(xùn)練集及3030×s測試集。將其輸入DBN模型中,獲得完整的KPCA—DBN模型[6]。

2.4 實(shí)驗(yàn)及結(jié)果分析

在水利機(jī)電設(shè)備滾動(dòng)軸承KPCA—DBN模型故障診斷中,DBN模型包含兩個(gè)RBM,節(jié)點(diǎn)為s。實(shí)驗(yàn)硬件設(shè)備包括發(fā)動(dòng)機(jī)、扭矩傳感器、動(dòng)力發(fā)電機(jī)等,超參數(shù)設(shè)置如表2所示。選取高斯函數(shù)40、貢獻(xiàn)率89%等,將KPCA—DBN模型代入數(shù)據(jù)集E中進(jìn)行故障診斷,將數(shù)據(jù)集E進(jìn)行KPCA數(shù)據(jù)處理后得出數(shù)據(jù)分散點(diǎn)圖,利用點(diǎn)圖區(qū)分?jǐn)?shù)據(jù)集E故障數(shù)據(jù)信息。

表2 KPCA—DBN超參數(shù)設(shè)置

數(shù)據(jù)處理完成后,將數(shù)據(jù)劃分到不同的數(shù)據(jù)集中,再將數(shù)據(jù)信息輸入到DBN模型中進(jìn)行統(tǒng)一訓(xùn)練,最終完成KPCA—DBN模型故障診斷。數(shù)據(jù)集E數(shù)據(jù)診斷結(jié)果如表3。

表3 不同方法分類正確率

2.5 σ對(duì)KPCA—DBN模型故障診斷的影響

實(shí)驗(yàn)發(fā)現(xiàn),高斯核函數(shù)對(duì)KPCA—DBN模型故障診斷有一定的影響,當(dāng)累積貢獻(xiàn)值達(dá)到89%、dropout等于0.1且其他條件相同時(shí),僅改變高斯核函數(shù),KPCA—DBN模型故障診斷數(shù)據(jù)如表4所示。在KPCA數(shù)據(jù)處理期間,數(shù)據(jù)集的緯度與高斯核函數(shù)關(guān)系密切,高斯核函數(shù)值變大,數(shù)據(jù)集緯度減小,當(dāng)高斯函數(shù)上漲5%時(shí),數(shù)據(jù)集緯度由158萎縮至129,故障檢測診斷精準(zhǔn)度也會(huì)受到影響。

表4 不同高斯核函數(shù)下KPCA—DBN故障診斷正確率

當(dāng)高斯核函數(shù)取36時(shí),數(shù)據(jù)集緯度為151,KPCA—DBN模型故障診斷數(shù)據(jù)精度降至最低59.02%。當(dāng)高斯核函數(shù)取39時(shí),KPCA—DBN模型故障診斷數(shù)據(jù)精度為70.29%。而當(dāng)高斯核函數(shù)取35時(shí),KPCA—DBN模型故障診斷數(shù)據(jù)精度高達(dá)99.42%,診斷數(shù)據(jù)精度較高,更加貼近水利機(jī)電設(shè)備滾動(dòng)軸承實(shí)際故障問題。

3 結(jié)束語

隨著智能化技術(shù)的發(fā)展,水利工程機(jī)電設(shè)備故障運(yùn)維區(qū)域?qū)崿F(xiàn)了智能化發(fā)展,利用人工智能代替?zhèn)鹘y(tǒng)人工處理,提升了機(jī)電設(shè)備故障處理效果。以KPCA—DBN模型為水利工程機(jī)電設(shè)備智能故障檢測載體,按照矩形計(jì)算,可減少水利機(jī)電設(shè)備滾動(dòng)軸承故障數(shù)據(jù)誤差,推動(dòng)水利工程機(jī)電設(shè)備故障智能檢測診斷的發(fā)展。