基于深度自編碼網絡的剛性罐道故障診斷

包從望，朱廣勇，江 偉，劉永志

(六盤水師范學院，貴州 六盤水 553000)

0 引 言

礦井生產中，提升機的運行性能直接影響著礦井運輸效率，剛性罐道作為提升機的導向與支撐裝置，是立井提升運輸的關鍵組成部分[1]。當剛性罐道發生故障時，可能會導致運輸軌道與提升容器之間的配合錯位而產生振動，嚴重時還會導致卡罐，甚至斷繩，造成煤礦重大安全事故。常見的剛性罐道故障診斷方式有：幾何測量、專用儀器法和振動檢測[2]。其中幾何測量法需停機檢測，將影響生產；專用儀器法檢測精度高，但屬靜態檢測，無法實時檢測剛性罐道的動態特性；振動檢測法操作簡單，且能動態檢測剛性罐道的運行狀態?；谡駝訖z測，目前國內外學者做了大量研究，蔣玉強[3]建立了提升容器的振動模型，并基于模糊推理實現剛性罐道運行狀態的健康評估；張麗娜等[4]對剛性罐道和提升容器之間做了動力學研究，并對其進行振動仿真，分析缺陷大小、提升載荷和運行速度對振動大小的影響；張淼[5]對剛性罐道實現動力學模型分析，并基于EMD分解實現剛性罐道振動信號的提取，利用SVM分類器實現剛性罐道的故障分類；丁雪松[6]建立了剛性罐道的動力學模型，并基于Simulink軟件完成故障缺陷的模擬仿真；GALLOWAY等[7]利用提升容器振動信號實現罐道動態運行中的狀態，并將診斷模型用于實際生產現場。

目前，隨著人工智能的發展，智能故障診斷已經在機械運行狀態監測中得到廣泛運用。BOSKOSKI等[8]以熵作為衡量指標，基于小波包理論完成機械故障診斷；QIU等[9]利用自組織神經網絡(SOM)提取機械故障的特征，完成軸承的故障監測；WIDODO等[10]提取監測對象的故障特征，利用相關向量機和支持向量機完成軸承的故障診斷；YANG等[11]利用EMD分解獲取故障特征，并采用人工神經網絡的方法建立了軸承故障診斷模型。

剛性罐道故障診斷的難點在于故障特征提取，全面的故障特征是正確分類的前提。傳統方法主要有兩個不足：一是信息處理過程難以保證故障特征的精準度；二是診斷模型多采用監督學習，該學習方法會因標簽數據的不足導致故障診斷誤判。因此，本文提出一種基于深度自編碼網絡的剛性罐道故障診斷模型，以一種無監督的深度學習方式提高故障診斷特征的精度。

1 剛性管道故障診斷方案

結合剛性罐道故障診斷需求，確定診斷方案如圖1所示。首先基于剛性罐道故障診斷實驗臺提取正常、接頭錯位、局部凸起、整體傾斜四種狀態下的振動信號和傾斜信號作為網絡模型的輸入；基于深度自編碼網絡對四類原始數據進行無監督訓練，采用反向傳播方式實現網絡全局微調，對權值和偏置值進行優化，由網絡訓練結果得到最優權值和偏置向量，根據最優權值和偏置向量提取相應的故障特征向量；最后，通過有監督學習的SVM分類器對特征向量進行分類。

圖1 剛性罐道故障診斷方案Fig.1 Scheme for fault diagnosis of rigid tanks

2 深度自編碼網絡的建立

所謂深度自編碼網絡(deep auto encoder，DAE)就是采用多個隱含層[12]，以逐層訓練的方式，通過非線性變換的形式層層傳遞。

2.1 自編碼器

自編碼器(auto encoder，AE)具有較好的特征提取能力，訓練過程中有壓縮編碼的作用，類似于降維。輸入高維數據，由編碼層將原始數據轉換為低維的抽象數據，并由對應的解碼層將抽象數據實現重構。其編碼層類似于普通神經網絡的隱含層，用函數h表示，編碼過程見式(1)。

h=f(W1x+b1)

(1)

式中：f()為輸入層到編碼層的激活函數，激活函數采用sigmoid函數；b1、W1為輸入層到編碼層的偏置值和權值。

其解碼過程即是抽象數據的重構過程，解碼過程見式(2)。

(2)

式中：g()為編碼層到輸出層的激活函數，激活函數采用sigmoid函數；b2、W2為編碼層到輸出層的偏置和權值。

重構誤差計算見式(3)。

(3)

根據重構誤差的計算式，自編碼網絡以反向傳播的方式對代價函數JAE實現優化，以最終的優化結果W、b實現特征提取。利用代價函數將特征提取過程轉變為優化問題，優化過程中第l層W和b的更新方式計算見式(4)和式(5)。

(4)

(5)

式中，ε為學習率。

2.2 深度自編碼

本文所用的深度自編碼網絡由多個自編碼網絡組成，以前一層的輸出作為后一層的輸入，對一個n層自編碼網絡，其第k層自編碼網絡的W1、b1、W2、b2分別表示為W(k,1)、b(k,1)、W(k,2)、b(k,2)。a(k)、Z(k)分別表示第k層的輸入和輸出，計算過程見式(6)和式(7)。

h(k)=f(W(k,1)·a(k)+b(k,1))

(6)

Z(k)=g(W(k,2)·a(k)+b(k,2))

(7)

DAE通過逐層訓練每個自編碼網絡，對每層進行微調，從而改善全局神經網絡，提高網絡性能。

3 實驗結果分析

3.1 實驗描述

剛性罐道的組成，由電機帶動減速器，并驅動滾筒，實現提升容器的運行，提升容器的運行速度由直流調速器控制。實驗臺可模擬正常狀態、接頭錯位、局部凸起、整體傾斜四種工況，原始數據由CA-DR-3005型振動傳感器和CXTA-02傾角傳感器獲取，經數據采集卡采集至電腦。數據采樣頻率為2 kHz，每種工況的樣本個數為1 200個，其中訓練樣本為900個，測試樣本為300個。

設定提升容器的運行速度為0.2 m/s，舉例無提升載荷時局部凸起故障上行過程的振動原始信號如圖2所示。統計各類故障的振動幅值見表1，單從統計表中的幅值信息并未得故障類型，因此，需對振動信息作進一步分類處理。

圖2 局部凸起故障振動原始信號Fig.2 Vibration original signal of local bulge fault

表1 振動信號幅值表
Table 1 Amplitude table of vibration signal

運行方向振動方向正常狀態/(m/s2)接頭錯位/(m/s2)局部凸起/(m/s2)罐道傾斜/(m/s2)容器上行X0.6333.4525.6800.804Y1.7864.0016.2161.877Z1.6885.1996.9401.806容器下行X0.4993.7604.4880.714Y1.7792.4764.6531.775Z1.6075.2805.8601.743

3.2 實驗結果

實驗中，首先對原始數據做歸一化處理，采用兩層自編碼網絡對數據進行訓練，學習率ε設定為0.01，在保證網絡有較好學習效果的前提下提升學習效率。為驗證所構建網絡提取特征的能力，利用PCA分別對原始數據和經網絡訓練提取的特征數據實現降維，并提取PCA前三主元做數據的可視化處理，即將特征數據由多維空間映射到三維空間，見圖3～5。

圖3 原始數據可視化Fig.3 Visualization of raw data

圖4 第一層特征數據可視化Fig.4 Visualization of the first layer of feature data

圖5 第二層特征數據可視化Fig.5 Visualization of the second layer of feature data

圖3為原始數據降維后映射到三維空間的結果。從圖3中可看出，罐道錯位與其余三種狀態相比有一定的可識別性，但也有部分數據與其余三種數據相互堆疊，因此識別率并不高。而其余三種狀態數據在空間內相互交錯，無法直接根據原始數據識別出故障類型。

圖4為原始數據經DAE訓練后，由第一層自編碼網絡提取的特征數據可視化，圖4中顯示了剛性罐道有分開的趨勢，基本能將四種故障狀態進行分類，由于邊界部分依然存在堆疊，因此在故障識別的過程中會存在誤判，導致識別率不夠理想。

圖5為第二層自編碼網絡提取的故障特征，與第一層特征數據相比，其識別性更高，能完全區分出罐道凸起和罐道錯位兩種故障，正常狀態和罐道傾斜兩種故障稍有堆疊，但該堆疊邊界處可通過對SVM分類器的訓練找到較理想的分界平面。

通過對比圖3～5可以看出，原始數據經DAE網絡訓練后有較好的特征提取能力，為后續的故障分類奠定基礎，突出體現了深度自編碼網絡的特征提取能力。為進一步說明深度自編碼網絡的特征提取能力，對剛性罐道故障識別作以下幾種方法對比：①原始數據作為故障特征直接識別；②基于四種狀態的振動信號和傾角傳感器的幅值特征進行故障識別；③基于EMD分解獲取故障特征進行識別；④深度自編碼網絡提取故障特征。

利用以上四種方法提取特征后，均以SVM分類器對故障特征進行識別，對識別結果進行統計，見表2。

表2 剛性罐道故障診斷對比Table 2 Comparison of fault diagnosis of rigid tank road

對比四種方法的識別率可知，方法1的識別率最低，顯然不適用于剛性罐道的故障診斷；方法2中平均識別率可達60%，但該方法僅依據振動信號的幅值作為故障特征，信息獲取不全面，因此識別率依然不理想；方法3對振動信號作經驗模態分解，分解后提取內蘊模態函數的能量、峰值、偏度、標準差、最大奇異值和邊際譜作為故障特征向量，由于該方法提取了較多信息，因此識別率可達90%以上，但該方法處理過程較麻煩，影響故障診斷的實時性；方法4為基于深度自編碼網絡的剛性罐道故障診斷，對接頭錯位和局部凸起兩種故障的識別率可達100%，其余兩種也均在98%以上，其識別率高于前三種。

4 結 語

本文提出了基于深度自編碼網絡的剛性罐道故障診斷方法，將深度自編碼網絡的特征提取能力運用于剛性罐道故障診斷，解決了剛性罐道故障診斷識別率較低和實時性差的問題。利用搭建的兩層自編碼網絡將剛性罐道故障振動信號和傾角信號作為網絡輸入進行訓練，并在兩層訓練過程中利用反向傳播的方法，以重構誤差函數為評價準則，對權值和偏置進行微調。最終將提取的故障特征利用SVM分類器對進行故障識別，實驗結果表明該方法具有較好的特征提取能力。