基于EEMD-DCNN方法的電機軸承故障狀態診斷研究

張楊钖

(泰州技師學院智能制造教研組,江蘇泰州225300)

0 引言

對于電機裝備而言,軸承具有改變其轉矩與轉速的功能,從而實現負載及動力源的高度匹配[1～3]。針對電機軸承的故障診斷手段進行分析,有利于維持裝備的良好技術狀態,從而增加其使用壽命[4、5]。

深度學習是在人工神經網絡基礎上形成的,其通過對人腦機制的模擬來描述多源異類數據[6～8],在語音識別和計算機視覺等方面已獲得顯著成效。作為DNN的代表性模型之一,卷積神經網絡(CNN)實際上是建立若干濾波器逐層池化和卷積所有的數據,且逐層完成對數據特征的提取[9]。CNN特殊的網絡架構有利于降低訓練頻率,并且還可確保某種程度的縮放、平移以及旋轉;所以,CNN可以從大量數據中提取出相應的特征信息。GUO等[10]利用兩個CNN建立起分層深度卷積神經網絡,針對軸承健康情況實施監測,用來對故障大小進行評價。

本文將DCNN和EEMD融合使用,通過EEMD對振動信號進行預處理,利用DCNN自適應融合IMF信息且完成對特征的提取,智能辨別電機軸承當前的狀態。

1 故障診斷方法流程

在利用DCNN與EEMD針對電機軸承的故障實施診斷的過程中,具體流程見圖1。

圖1 電機軸承故障診斷流程

(1)收集和區分信號：利用加速度傳感器完成對振動信號的獲取,以長度相同的窗口實施區分,得到對應的樣本信號。

(2)利用EEMD對樣本信號進行分解：首先,將非平穩信號x(t)劃分成若干特征尺度各異的平穩信號1, 2, , nccc";其次,對IMF分量的峭度進行全面分析,選取特征顯著的6個IMF。

(3)建立數據集：根據確定的次序,將以上的6個IMF疊成多通道的樣本;對于各樣本信號重復以上操作,建立起對應的數據集,同時將其分成測試集和訓練集兩種[11]。

(4)DCNN的設計和訓練：根據前文確定的原則,設計出可行性較強的DCNN,同時通過訓練集對其實施訓練[12];此外,還需對超參數進行調節,以得到性能更強的DCNN。

(5)定性診斷：利用測試集對所提方法的有效性進行驗證。

2 試驗

2.1 試驗說明

電機軸承的基本原理和實驗設備見圖2,主要包括斜電機軸承、驅動電動機、扭矩傳感器、潤滑系統以及兩級電機軸承等等。

圖2 電機軸承試驗裝置圖

實驗過程中加裝的加速度傳感器總共有4個,用以對振動數據進行同步收集,各行星輪安裝2個,依次對豎直與水平方向的加速度進行測量。安裝示意圖見圖2。

針對每個樣本信號重復實施以上操作,建立起相應的數據集,同時將其分成測試集和訓練集兩種。

2.2 數據說明

所有樣本信號都包括2048個數據點;獲得測試和訓練樣本信號分別為25個、660個。某電機軸承故障的樣本信號見圖3。對其實施EEMD分解后,選擇最前面的5個IMF分量(見圖4),各IMF分量涵蓋時間尺度是完全不同的,可確保所有信號特征在各式各樣的分辨率情況下完全展現出來。

圖3 電機軸承故障振動加速度信號

圖4 電機軸承故障振動信號IMF分量

2.3 DCNN模型參數

基于上述設計原則對DCNN進行設計,同時在重復多次實驗的前提下對有關參數進行調整,最后獲得的模型參數見表1。其中,CH是卷積核高度;CW是卷積核寬度;CN是卷積核深度;CC是輸入特征圖深度;Strides是移動步長;S是池化帶的寬度;Dropout是以概率p針對網絡內的神經元置零處理。每個卷積層均實施邊緣處理,防止尺寸發生改變;并且,池化層和卷積層間均有著激活層與批歸一化層。

表1 DCNN模型主參數

2.4 結果及分析

如表2所示,概括了以相同數據集為基礎,采取傳統BPNN和SVM方法、本文所提診斷方式、以及WDCNN結果。其中,WDCNN模型輸入是初始數據,BPNN激活函數是ReLU、結構是2048-200-100-50-5,SVM核函數是高斯徑向基函數(RBF)。本文所提診斷方式與BPNN、SVM相比,有著比較顯著的優勢。與此同時,相較于現階段比較領先的診斷方式WDCNN,本文所提方式不但能夠完全辨別所有的指標,明顯超過WDCNN,同時最后的診斷效果較為平穩,且數次實驗獲得的指標標準差是0。其主要是由于通過EEMD方法處理以后,信號的信噪比有較大幅度的提高;與此同時,將較大峭度的有效IMF分量建構成DCNN的多通道輸入,利用DCNN整合各類信息,自適應獲得每個IMF分量所對應的權重。

表2 故障診斷結果比較(%)

DCNN的全連接層,針對所有特征實施融合及處理,使得相同狀態下的特征距離不斷減小,各種狀態下的特征距離逐漸擴大,不斷加強特征的可分性能。在實驗過程中,DCNN極強的非線性映射性能得到驗證。

3 結語

本文開展基于EEMD和DCNN的融合方法的電機軸承故障狀態診斷研究,取得如下有益結果：(1)本文方式與BPNN、SVM、WDCNN相比,有著比較顯著的優勢,診斷效果較為平穩,且數次實驗獲得的指標標準差是0。(2)各種狀態下的特征距離逐漸擴大,不斷加強特征的可分性能。

該研究有助于提高電機的運行穩定性,但在溫度偏高或工況復雜等異常情況下存在計算時間較長的問題,期待后續引入深度學習算法進行適當的加強。