基于IPCA和DNN算法的軸承故障診斷方法研究

摘 要：為滿足現(xiàn)代鋼廠引風機軸承故障診斷的需求，本文提出結(jié)合了基于改進的增量主成分分析（Incremental Principal Component Analysis，IPCA）和深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）的復(fù)合振動信號處理算法模型。根據(jù)實際引風機軸承振動信號數(shù)據(jù)，利用Pycharm的Python實驗平臺對該模型進行多分類回歸試驗。試驗結(jié)果表明，使用本文模型提高了診斷精度，降低了計算復(fù)雜度。此外，本文還分析了模型在不同工況下的適用性和局限性，并對未來的研究方向提出建議。

關(guān)鍵詞：軸承故障；深度神經(jīng)網(wǎng)絡(luò)；振動信號分析；機器學習；特征模態(tài)分解

中圖分類號：TH 17" " " " 文獻標志碼：A

在現(xiàn)代鋼廠生產(chǎn)過程中，由于工藝水平要求較高，因此需要使用引風機（Induced Draft Fan，IDF）[1]，引風機電機軸承的質(zhì)量決定了引風機的質(zhì)量。在運轉(zhuǎn)過程中，軸承故障可能會使引風機出現(xiàn)故障，導致廠房內(nèi)揚塵過多，有害氣體濃度持續(xù)升高，整個生產(chǎn)線停滯，甚至引發(fā)安全事故，例如車間發(fā)生靜電爆炸等，造成重大經(jīng)濟損失和人員傷亡[2]。因此，對軸承進行實時、準確的故障診斷，對及時發(fā)現(xiàn)并排除潛在故障、保障機械設(shè)備正常運行至關(guān)重要。

軸承故障診斷技術(shù)經(jīng)過多年發(fā)展，已從最初的簡單觀察法、敲擊聽診法等傳統(tǒng)方法，進步到當前的振動信號分析、聲發(fā)射檢測以及溫度監(jiān)測等多種技術(shù)手段并用的階段[3-4]。由于軸承故障類型多樣，故障信號通常比較微弱并且混雜在強背景噪聲中，因此給故障特征提取帶來了很大挑戰(zhàn)。

為此，本文采集并分析了引風機軸承的振動信號，采用改進的（Incremental Principal Component Analysis，IPCA）算法進行特征降維，建立了深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）模型進行訓練。對訓練數(shù)據(jù)進行回歸驗證，得到了新的引風機軸承故障算法。

1 引風機軸承振動信號數(shù)據(jù)分析與預(yù)處理

1.1 信號采集與處理

軸承振動監(jiān)測是診斷電機軸承故障和進行狀態(tài)監(jiān)控的核心步驟。需要綜合考慮振動傳感器的頻率響應(yīng)范圍、靈敏度、測量精確度以及物理特性，例如耐受的溫度區(qū)間、體積和連接頭的布局。本文選用了SKF振動傳感器，該傳感器能適應(yīng)多種工業(yè)環(huán)境。在軸承振動信號采集與分析系統(tǒng)中，傳感器捕獲的數(shù)據(jù)經(jīng)過AD轉(zhuǎn)換后傳輸至PLC，根據(jù)TCP/modbus通信協(xié)議上傳至PC端。這個流程能夠保證有效收集軸承振動信號[5]。

1.2 小波包降噪

由公式（1）可知，小波包具有多重分辨率的特性。在實數(shù)域內(nèi)，本文定義了一組相互正交的尺度函數(shù)?（t）和小波函數(shù)ψ（t），其滿足特定的雙尺度關(guān)系。經(jīng)過三層小波包分解后，得到降噪后的信號。

小波包降噪信號結(jié)果如圖1所示。小波降噪信號的處理過程分為2個階段：時域分析和頻域分析。小波包降噪時域如圖1（a）所示。由圖1（a）可知，經(jīng)過降噪后的信號波形清晰，能夠觀察到信號在不同時間段的振動強度變化，振動值在0～20。降噪的主要目的是減少信號中的噪聲成分，使信號的主要特征更突出。信號經(jīng)過快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）后的頻譜如圖1（b）所示。由圖1（b）可知不同頻率信號的幅值變化，其中最大幅值接近300 000 A，說明信號在某些頻率方面出現(xiàn)了能量集中的情況，這些頻率是信號的主要成分或特征頻率。經(jīng)過以上步驟可以更好地理解信號的組成和特性，為進一步信號處理或特征提取提供依據(jù)。

1.3 信號特征提取

1.3.1 時域特征信號提取

1.3.2 頻域特征信號

2 IPCA-DNN算法模型原理

2.1 IPCA算法

2.2 DNN算法

3 基于引風機運維數(shù)據(jù)的模型試驗

經(jīng)過特征降維后，原特征矩陣采用特征篩選算法得到振動信號的5個最佳特征向量，見表1。

搭建Pycharm實驗平臺，導入軸承振動信號，得到分割后的驗證集和數(shù)據(jù)集，采用DNN算法進行深度訓練后，每一層循環(huán)都經(jīng)過損失函數(shù)優(yōu)化，得到更好的接受者操作特性（Receiver Operating Characteristic，ROC）回歸參數(shù)。

完成模型訓練后，導入驗證集數(shù)據(jù)測試預(yù)測模型的準確率，繪制ROC曲線，結(jié)果如圖3所示。由圖3可知，多分類問題的ROC曲線體現(xiàn)了模型在不同類別方面的分類性能。ROC曲線通過繪制真正率（True Positive Rate， TPR）與假正率（False Positive Rate， FPR）來評價分類模型性能。真正率是正確預(yù)測為正類的樣本數(shù)占所有實際為正類樣本數(shù)的比例，假正率是錯誤預(yù)測為正類的樣本數(shù)占所有實際為負類樣本數(shù)的比例。

第零類：ROC曲線下的面積（Area Under the Curve，AUC）值為0.98，表示模型在第零類的分類性能很高，接近完美分類，說明本文方法的準確率最高。如果驗證集數(shù)據(jù)中各類別樣本分布均衡，那么模型的整體準確率可能會受到第零類高準確率的影響而較高。如果各類別樣本分布不均衡，那么其他類別準確率低可能會導致模型的整體準確率降低。與時域提取方法相比，其他頻譜特征提取方法效果更好。對實際數(shù)據(jù)進行運維測驗，采用頻譜質(zhì)心法未出現(xiàn)過擬合情況，說明模型在引風機軸承故障預(yù)測和診斷中應(yīng)用效果較好。

4 結(jié)語

本文引入IPCA-DNN算法，對引風機軸承故障進行高效診斷。本文研究不僅提高了故障預(yù)測的準確性，還降低了維護成本，對工業(yè)安全生產(chǎn)具有重要意義。盡管模型在數(shù)據(jù)集方面表現(xiàn)良好，但是對特定工況適應(yīng)性存在限制。未來將研究算法在更廣泛環(huán)境中的適應(yīng)性，并進一步優(yōu)化模型以處理更復(fù)雜的故障問題。

參考文獻

[1]王紅，王澤宇，何勇. 參數(shù)自適應(yīng)FMD在軸承早期故障診斷中的應(yīng)用[J].振動工程學報，2024，10（14）：1-11.

[2]李可，陳方健，顧杰斐，等.基于自適應(yīng)CYCBD和DARTS的滾動軸承故障診斷方法[J].噪聲與振動控制，2024，44（4）：188-193，235.

[3]王廣庭，張爽，羅凱，等.某330MW汽輪機低壓轉(zhuǎn)子葉片斷裂振動故障診斷研究[J].湖北電力，2020，44（4）：76-81.

[4]付嘉樂.基于振動信號的電機軸承故障診斷方法的相關(guān)探索[J].南方農(nóng)機，2018，49（21）：106.

[5]曾江卓，黃橋生，章亞林，等.風機關(guān)鍵金屬部件故障分析與防止措施[J].湖北電力，2021，45（4）：79-85.

[6]李志勇，禹建鋒，陳有根，等.基于特征電流的直驅(qū)型風機故障診斷技術(shù)研究[J].控制與信息技術(shù)，2018（1）：76-80.

[7]張杰，陳玉林，黃濤，等.基于自適應(yīng)遞推濾波的高壓輸電線路行波故障定位方法[J].湖北電力，2023，47（1）：52-59.

[8]楊瑞，程立，朱何榮，等.基于奇異值分解法的電能質(zhì)量暫態(tài)擾動在線監(jiān)測裝置研究[J].湖北電力，2023，47（3）：62-67.