齒輪箱振動傳感器信號加權動態網絡優化及故障診斷

張 莉, 趙江招, 孟琨泰, 高 健, 李 峰

(1.河北機電職業技術學院 信息工程系,河北 邢臺 054002,E-mail: xiaozhangbing2022@163.com;2.河北科技大學 信息科學與工程學院,石家莊 050018; 3.河北機電職業技術學院智能傳感網應用技術研發中心,河北 邢臺 054002; 4.河北機電職業技術學院 云技術智能產品創新應用與研發中心,河北 邢臺 054002;5.河北機電職業技術學院 電氣工程系,河北 邢臺 054002)

齒輪箱是一類可以實現高傳動比以及實現動力高效傳輸的機械部件,目前已在航空設備、風電器材、船舶、高鐵、汽車等眾多領域都得到了應用推廣,為保證系統運行安全可靠性,如果對其進行故障診斷也獲得了越來越多學者的關注[1-2]。齒輪箱組成結構較為復雜,當不同齒輪之間發生嚙合的時候將會引起相互混疊的激勵信號,同時還會受到軸承振動的作用,導致齒輪箱故障信號被噪聲所淹沒,只能檢測到強度較弱的故障特征,難以實現故障的精確診斷[3-4]?，F階段,已有學者根據信號故障診斷或根據傳統機器學習方法進行故障診斷,但尚未有效克服變轉速狀態下難以進行齒輪箱故障的準確診斷缺陷[5-6]。近些年來,采用深度學習方法對齒輪箱進行故障診斷方面的研究文獻也逐漸增加,但此類深度學習算法通常都需要設置大量層數,而且參數規模也很大,難以實現網絡模型的高效訓練[7-9]。

由于密集連接網絡是通過跨層連接方式對特征圖信息進行重復利用,能夠消除網絡層數深以及參數規模大所引起的模型訓練難度大缺陷,非常適合對齒輪箱進行故障準確診斷分析[10]。但改變齒輪箱轉速后將會引起同種故障樣本產生明顯偏差,不同類型的故障樣本則出現差異下降的結果,由此減弱了密集連接網絡反饋特定轉速工況的效果,降低了密集連接網絡對故障特征進行識別的準確率[11]。根據以上研究結果,本文采用加權動態網絡構建了一種診斷齒輪箱故障的高效方法,通過加權動態處理方式來實現跨層連接特征圖小波包系數矩陣的權重調節,從而完成各類頻帶信息的自適應加權計算,使密集連接網絡具備更強的變轉速工況表征性能,實現故障識別率的顯著提升。

1 密集連接網絡

從連接結構層面分析,密集連接網絡是以普通卷積網絡為基礎設計得到的一種新連接模式。通過跨層前后卷積層實現信息流在輸入與輸出層間的快速流動[12]?？梢岳妹芗B接網絡對同種特征維度卷積層實現連接的過程,使網絡各層都以其前續層輸出特征構成輸入。為重復利用特征圖,進行跨層連接時將特征圖設置為并聯粘接的模式,此時各層網絡輸入都來自前面各層輸出結果。圖1給出了密集連接結構的密集塊。

網絡層跟后續層進行直接相連時,應確保前續層和后續層之間具備同樣尺寸的特征圖。而網絡層特征圖尺寸無法一直處于恒定的狀態,否則將會造成網絡模型發生運算量的顯著提升。這就要求隨網絡往后端進行傳輸的過程中,需持續縮小特征圖尺寸。由不同尺寸特征圖構成的密集塊以過渡層相連,由此構成密集連接網絡的主體結構。密集塊包含了不同數量的卷積層,在這些卷積層中則包含了多種卷積組成的結構。

卷積層和池化層共同組成過渡層,降低特征圖的維數和尺寸,由此完成跨通道之間的信息組合,同時形成了更多的非線性特征。對密集塊粘接再輸出的特征圖實施1×1卷積處理,由此減小特征圖維數,使網絡層運算量大幅減少[13]。再以2×2與步長為2的池化方法完成池化過程,由此實現特征圖尺寸減半的效果。

▲圖1 密集連接網絡結構

當圖1各卷積層輸出的特征圖都為k個時,則密集塊第n個卷積層共包含了k0+k×(n-1)個并聯粘接輸出,k0為初始輸入層包含的通道個數。超參數k表示卷積層f×f中的卷積核個數,由此構成密集連接網絡增長率。密集連接網絡呈現更深與更窄的特點,密集連接網絡也可以獲得理想的處理結果。

密集連接網絡相對常規卷積神經網絡的差異性是密集塊中包含的卷積層輸出特征圖都可直接與后跨層進行并聯粘接,再以此構成后卷積層輸入。根據網絡內部特征圖尺寸差異性進行分類得到相應的密集塊,再以過渡層完成不同密集塊的連接,對特征圖維數和尺寸進行轉換后,再以全局池化和全連接層建立密集連接網絡。

2 故障診斷流程

共同利用小波包轉換與加權動態網絡是被齒輪箱故障。如圖2所示,是以加權動態網絡對齒輪箱變轉速運行狀態下進行故障診斷的具體流程。

▲圖2 基于加權動態網絡的故障診斷流程

本研究首先設計得到加權動態層,再將其加入密集塊內獲得加權動態密集塊,由此構建加權動態網絡,之后再對齒輪箱故障進行診斷[14]。先對振動信號實施小波包轉換獲得小波包系數矩陣,以此構成加權動態網絡輸入,接著通過全連接層進行分類識別確定齒輪箱各類故障。

3 實例驗證

圖3給出了齒輪箱進行故障診斷的測試平臺,可以看到該平臺包含了電動機、二級齒輪箱、扭矩調節器、二級平行齒輪箱、磁粉制動器。

▲圖3 齒輪箱故障診斷綜合試驗臺

利用安裝于齒輪箱上的二個振動傳感器進行振動數據采集,得到表1所示的故障參數。

表1 齒輪箱健康狀態描述

本實驗對9種類型的齒輪箱故障都進行48 s數據采集,控制轉速從20 Hz以線性方式增大至36 Hz。采集卡再通過25.6 kHz頻率進行振動數據采集,各狀態下的信號依次進行4次采集。數據采集結束后,還需對其實施簡單預處理。先把48 s內采集獲得的振動樣本分為300段,各段都由4 096個振動樣本組成。各類狀態分別包含了1 200個振動樣本參數。再將各狀態樣本隨機分成訓練和測試樣本集,從中隨機選擇1 000個樣本組成訓練集,再對剩余200個樣本開展測試。完成數據小波包轉換后得到小波包系數矩陣,此時各終端節點中包含了4 096/2d=4 096/26=64個小波包系數,d表示根據小波包分解方法確定的層數。將得到的64×64小波包系數矩陣構成加權動態網絡輸入。

3.1 超參數設置

結合網絡層數與樣本數設定網絡模型超參數。當卷積神經網絡達到過大學習率時,較易超出最優值,當設定值太小時將會造成訓練速率偏低的情況,因此將其設定在0.01的合適值。批量是在網絡中同時輸入的樣本數,通?？砂凑站W絡參數個數和內存將其設定在100。動量表示權重更新系數[15],通過前期迭代計算更新本次迭代系數,由此獲得更快訓練速度并防止產生局部最優的問題,將其設定成0.5。根據權重進行隨機初始化,將其初始值設定成0。增長率k屬于密集塊包含的卷積核數,隨著k的增大,說明特征圖維度也更大,需要達到更高的網絡運算性能。當k太小時,將會造成輸出特征圖維度偏小的情況,從而引起傳遞信息遺漏的問題。綜合考慮計算機性能、輸入特征圖大小、網絡深度將k設定在12。

表2給出了測試時的各項加權動態網絡參數。

表2 加權動態網絡尺寸表

從表2中可以看到組成加權動態網絡的密集塊與過渡層結構。各過渡層都包含了二層組成部分,其中一層可以實現卷積降維的效果,另一層則可以實現池化的效果。各密集塊都包含了6個卷積模塊、初始輸入端卷積層和輸出池化層以及全連接層。

為了對本文設計的連接網絡進行有效性驗證,分別以網絡層數一致的卷積神經網絡與未經過加權動態處理的密集連接網絡開展比較分析。將常規卷積神經網絡設定成與加權密集連接網絡同樣的網絡層數和參數,但未設置跨層連接結構。

3.2 試驗結果分析

以經過處理的樣本集合測試設定的網絡模型,對各網絡模型依次進行10次測試。本次測試各算法得到的訓練準確率都達到96%以上。但在測試期間發現,密集連接網絡與常規卷積神經網絡進行測試得到的準確率表現出了比訓練準確率更大的差異性,進入后期訓練階段時,密集連接網絡和卷積神經網絡都發生了準確率的大幅波動。圖4給出了以3種卷積神經網絡進行測試得到的準確率數據。

圖5給出了以各類卷積網絡進行測試所得的結果。通過對比發現,加權動態網絡達到了最優性能,進行小波包系數加權動態計算時獲得了最快收斂速率,并形成了穩定的最高值。以常規卷積神經網絡進行訓練時會造成后期損失函數的明顯波動,進入后期訓練階段將達到飽和的性能。以密集連接網絡進行測試時表現出了比加權動態網絡更低的精度,同時發生了測試損失數值的明顯波動,造成精度的大幅變化,見圖6。通過測試分析可知,采用本文加權動態網絡可以對齒輪箱實現故障信號的準確診斷。

▲圖4 網絡訓練后測試準確率分布

4 結論

(1) 組成加權動態網絡的密集塊與過渡層結構。各其中一層可以實現卷積降維的效果,另一層則可以實現池化的效果。各密集塊都包含了6個卷積模塊、初始輸入端卷積層和輸出池化層以及全連接層。

(2) 加權動態網絡達到了最優性能,進行小波包系數加權動態計算時獲得了最快收斂速率,并形成了穩定的最高值。

▲圖6 網絡訓練與測試損失

采用本文加權動態網絡可以對齒輪箱實現故障信號的準確診斷。