基于LE-DBN故障診斷模型的滾動軸承振動信號特征提取

韓春紅, 伊洪彬, 薛 濤, 劉玉芳

(1.焦作師范高等?？茖W校 信息工程學院,河南 焦作 454000,E-mail: jzszhch123@163.com;2.開封技師學院 智能制造學院,河南 開封 475004;3.河南理工大學 資源環境學院,河南 焦作 454000)

在工業制造過程中需使用種類豐富的機械設備,此類設備實際運行狀況對系統安全性存在明顯影響,因此需要針對設備故障開展提前診斷,由此實現生產系統運行狀態的安全穩定控制,制備得到更優綜合性能的產品[1-4]。振動信號容易產生非線性變化特征,而且還會受外部噪音因素的顯著干擾,難以從設備振動頻率中提取獲得準確的故障特征,這時如果繼續選擇傳統處理模式將導致診斷精度明顯下降[5-7]。

以傳統算法對故障實施診斷時通常選擇不超過2層數量的模型結構來擬合函數表達式,屬于淺層學習形式,并未深入分析數據故障特征[8-9]。深度學習是在近些年中得到推廣應用的深層算法,現階段已取得了眾多科研成果,在故障診斷領域也發揮了重要作用[10-13]。深度信念網絡(DBN)采用深度學習算法設置網絡模型,經低層特征組合后形成高層網絡結構,能夠滿足對數據特征的精確分辨[14]。但選擇DBN網絡對高維網絡樣本分析時,多隱層網絡訓練時需要占用大量時間,對算力資源占用明顯偏高。文獻[15]設計了一種五層網絡來實現對軸承進行時域診斷的功能。文獻[16]利用雙樹復小波技術提取得到特征參數,再以DBN網絡完成分類過程,使模型算法得到明顯簡化,但以上述方法處理時也需要提供前期經驗作為參考,無法滿足DBN數據的有效挖掘。不同于傳統信號處理模式,拉普拉斯映射(LE)屬于一類流形學習的過程,有助于深入挖掘非線性高維特征,并且還可以從振動信號高維流形參數中采集低維參數[17]。

利用LE算法從高維數據中提取流形參數,實現模型結構有效簡化,避免特征數據受到人為因素的作用而產生偏差。進行半監督分析時,分別測試少量有標簽與大量無標簽樣本,為DBN設置流形學習方法。利用以上模型對滾動軸承故障和齒輪裂紋缺陷開展診斷測試,驗證了上述模型可以達到可靠性標準,同時提高了算法效率。

1 基于LE-DBN的故障診斷模型

完成模型預訓練后確定初始參數學習過程,由此確定有監督學習的先驗條件。以DBN網絡最后一層建立初期條件再對全局參數實施微調,利用少數標簽逐層遞進的模式朝低層方向小幅調節模型參數,使模型獲得更優模擬效果。

1.1 確定網絡最高隱層輸出:

(1)

將最后一層誤差組成初始條件來實現反向傳播,之后利用梯度下降的算法確定合適DBN權值。

(2)

以相同放回處理方式也可以實現參數集θ剩余樣本的調節,根據以上處理過程建立DBN網絡模型。

1.2 故障診斷模型

構建一種以LE算法和DBN網絡的數學模型來實現故障的診斷功能,建立圖1所示結構。利用流行原理進行算法處理,再以LE算法確定信號初始特征,達到高維數據的簡化效果。接著通過DBN網絡完成特征參數挖掘,再把低維流形特征參數輸入DBN網絡中完成深度學習后確定分類結果。采用以上模型優化DBN網絡挖掘特征參數性能,從而更加精確控制計算成本。不同于單一結構DBN網絡算法,以算法處理時能夠有效發揮流形學習在降維方面的靈活性。設置流程來實現故障診斷:

(1) 構建高維?？臻g。

先在系統中設置信號檢測器進行數據采集,之后利用min-max標準化方法進行歸一化處理確定時域振動信號。

(2) 設置LE算法特征采集。

選擇LE算法對高維故障開展流形學習,獲得低維流形集合,實現降維效果[18]。

(3) DBN網絡故障診斷。

通過二值化分析的方法確定流形參數后,再將結果作為DBN網絡的輸入參數來達到深度挖掘數據的功能,之后通過Soft-max分類器完成故障信號的精確診斷。

▲圖1 基于LE-DBN模型的故障信號特征提取流程

2 算法驗證

2.1 測試方案

本研究主要分析了載荷動力結構滾動軸承在運行階段形成的故障特征,平臺系統構成中包括1 490 W三相電動機、動力電機與扭矩信號探測器。在驅動端設置6205-2RSJEMSKF滾動軸承,之后把加速度傳感器固定到機殼上部。測試時設定電機負載功率范圍(0～3)hp,共設置四個轉速條件作為測試參數。以12 kHz的固定頻率采樣。根據以上條件開展測試,在不同負載條件下進行算法故障識別表征,設置以下兩種測試條件:第一種為以本文算法對故障類型進行驗證;第二組則以相同故障類型完成受損程度的分類。測試過程按照MATLABR2014a要求完成。

2.2 算法診斷試驗

在LE算法中加入50低維嵌入維數,輸入層的神經元數量為50,隱含層節點為50。保持學習率σ=0.1,動量常數0.9,最大迭代次數200。

對算法模型開展訓練得到圖2中各迭代次數對應的均方誤差,將其表示為EMS。根據前后比較可以發現,模型在初始階段能夠實現誤差參數的快速消除,到達后期尋優過程時則存在明顯停滯的情況。經過更多次數迭代計算后并對模型進行優化處理時可以有效控制均方誤差。持續迭代140次使訓練誤差達到較小值,繼續迭代到150次使收斂誤差降低至0.01范圍內。通過以上算法模型進行處理時可以實現理想訓練效果,迭代到合適次數時,模型能夠達到理想收斂性能,促進訓練效率明顯提高。

▲圖2 算法迭代變化

采用本文算法跟LE+KNN、KPCA+KNN、DBN進行比較,測試得到的準確率見表1,結果顯示以本文LE-DBN模型分析時相對其它模型的性能獲得了顯著提升。以DBN網絡單獨處理時耗時86 s,與LE-DBN模型相比可以實現算法時間的大幅縮短,以上結果表明以LE算法進行處理時能夠實現LE-DBN組合模型處理時間的有效控制。

表1 試驗方法對比

3 齒輪故障試驗驗證

3.1 實驗方案

圖3顯示了以齒輪狀態監控系統測試平臺。

▲圖3 齒輪箱試驗平臺

表2為減速箱齒輪參數,通過線切割方法獲得四種裂紋缺陷,包括正常狀態以及1/4、1/2、3/4裂紋。

表2 齒輪參數

采用上述算法對每種工況進行齒輪裂紋診斷,按照不同程度的裂紋缺陷共分成10種工況,得到表3輸入軸轉速和兩種負載。以NIPXI-1042數據卡完成參數采集,保持采樣頻率等于5 000 Hz,各高維樣本都是由900個采樣點組成。各工況中都存在50個故障樣本,各齒輪故障中存在500個樣本。

表3 多工況下試驗參數設置

3.2 模型訓練結果分析

為探討不同樣本數條件下故障分類精度,選項KS算法對不同有標簽數樣本開展測試。樣本數對識別準確率影響結果見圖4所示。從圖4中可以看到,采用訓練集識別時準確率都在99.8%附近,說明本文模型可以對訓練數據發揮理想擬合性能。隨著標記樣本數量的逐漸增加,模型識別準確率也隨之提高,當樣本數增加到60時,模型準確率可以超過90%;進一步增加標記樣本數到180以上,準去了可以達到99.8%。因此實際應用時需綜合分析算法耗時與準確性,使訓練樣本數達到最優。

▲圖4 樣本數對識別準確率影響

3.3 算法對比驗證

為判斷模型分類精度跟降維算法以及嵌入維度之間的關系。分別對PCA、KPCA、LE三種算法實施降維,在各嵌入維度下進行信號特征提取,再把結果輸入DBN網絡中作為診斷參數。按照之前方法設置算法參數,選擇KS算法設置的有標簽與無標簽樣本個數分別為200和1 200,之后測定剩余樣本。每組樣本經過10次計算后再取均值作為測試結果。圖5是對準確率與DBN訓練100次并計算獲得的均值?？梢悦黠@看到,LE算法比PCA、KPCA算法都達到了更優特征提取效果,選擇合理參數的情況下可以使準確率達到99.8%。綜合考慮分類精度與識別速率,將嵌入維度設定在24～30是最優的。

▲圖5 不同算法運行效率對比

根據上述測試結果可知,KPCA與PCA相比可以實現更優性能?？梢跃C合運用KPCA與LE算法從單個傳感器中提取獲得故障特征。圖6顯示,實線LE算法表現出了高準確率,在提取傳感器信號特征方面相對KPCA算法具備更優性能。因此采用LE-DBN模型可以對各類傳感器信號實現理想診斷效果。此外還可以從圖6中發現,采用多傳感器實施特征融合時相對單個傳感器的診斷性能更優。

▲圖6 對單個傳感器信號特征提取

卷積神經網絡(CNN)是現階段得到大規模應用的深度學習網絡,對LE-DBN模型開展特征提取與故障診斷測試。從流形學習傳感器各軸振動參數中提取得到30維故障特征。網絡參數設置見表4所示。

表4 網絡參數設置

對樣本集進行測試后得到的結果與圖6基本一致,對訓練集進行分類得到有標簽、無標簽樣本。通過隨機模式確定有標簽樣本后再以不同條件測定DBN、CNN算法的分類效果。經過10次測試形成表5所示的結果,δ代表算法準確率偏差。

表5 不同樣本數下算法準確率

通過分析準確率差值可知,有標簽樣本個數在60～120之間時,采用DBN網絡可以獲得比CNN更理想分類結果。這是由于DBN網絡自身能利用無標簽數據開展訓練,獲得比少量標簽條件下進行訓練的CNN網絡精度更高。

綜合分析上述測試發現,LE-DBN模型同時滿足滾動軸承故障和齒輪裂紋的高精度診斷需求。特別是以本文模型進行訓練時不需要加入大量有標簽樣本,避免受到樣本標簽數量過少的影響。

4 結論

(1) 采用訓練集識別時準確率在99.8%附近,表明本文模型可以對訓練數據發揮理想擬合性能。

(2) LE算法比PCA、KPCA算法都達到了更優特征提取效果,選擇合理參數可以使準確率達到99.8%。

(3) 采用多傳感器實施特征融合時相對單個傳感器的診斷性能更優。有標簽樣本個數在60～120之間時,采用DBN網絡可以獲得比CNN網絡更理想的分類結果。