基于RF-ELM的軸承故障診斷

崔立業(yè) 陳楠

摘要：在工業(yè)迅猛發(fā)展、生產(chǎn)力大大提高的時代背景下，人工智能方法在解決機(jī)械設(shè)備的安全問題上有著巨大潛力。一般的，機(jī)械設(shè)備的故障是目前主要的研究方向，其中齒輪箱、軸承故障是研究熱點(diǎn)。通過對簡單且容易獲得的振動信號進(jìn)行分析，達(dá)到對機(jī)械故障的識別與預(yù)警。本研究提出了一種基于獨(dú)熱編碼及隨機(jī)森林特征選擇的極限學(xué)習(xí)機(jī)軸承故障識別算法，實(shí)驗(yàn)表明，經(jīng)過特征提取與獨(dú)熱編碼處理類別標(biāo)簽，能有效地提高識別準(zhǔn)確率，降低故障識別時間，能有效地解決軸承故障問題，減少生產(chǎn)危險事件的發(fā)生。

關(guān)鍵詞：故障診斷;獨(dú)熱編碼;隨機(jī)森林;極限學(xué)習(xí)機(jī)

1 引言

目前，滾動軸承故障診斷的方法主要包括振動診斷、鐵譜診斷、溫度診斷、聲學(xué)診斷、油膜電阻診斷及光纖監(jiān)測診斷等方法。其中，應(yīng)用最為廣泛的是振動、鐵鋪、溫度診斷技術(shù)。在工業(yè)生產(chǎn)過程中，軸承元件的工作表面可能會出現(xiàn)疲勞剝落、壓痕及局部腐蝕，這使軸承在運(yùn)行中會產(chǎn)生周期性的脈沖信號[1]。由安裝在軸承座上的傳感器采集這些信號，為振動診斷技術(shù)提供數(shù)據(jù)基礎(chǔ)。隨著神經(jīng)網(wǎng)絡(luò)等人工智能方法的普及，利用神經(jīng)網(wǎng)絡(luò)與振動信號來監(jiān)測旋轉(zhuǎn)機(jī)械中軸承的故障變得更為有效[2]。一般的，利用振動信號進(jìn)行故障診斷的方法會使用經(jīng)驗(yàn)?zāi)B(tài)分解、變分模態(tài)分解、小波分解等信號處理方法，在時域、頻域上對信號進(jìn)行分析，提取有用特征，從而匹配相應(yīng)的故障。胡愛軍等[3]提出一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解與峭度準(zhǔn)則的包絡(luò)解調(diào)方法，解決了經(jīng)驗(yàn)?zāi)B(tài)分解模態(tài)混疊問題，從而有效地提取滾動軸承故障特征信息，能夠?qū)崿F(xiàn)滾動軸承故障的精確診斷。劉長良等[4]提出了以變分模態(tài)分解為信號處理方法的模糊C均值聚類滾動軸承故障診斷方法，實(shí)現(xiàn)滾動軸承故障的精確診斷。除了利用信號處理方法對信號進(jìn)行特征提取，Joshuva A等[5]通過計(jì)算相同長度信號的描述性統(tǒng)計(jì)參數(shù)作為信號特征，使用特征選擇方法J48決策樹選擇有效信號特征，構(gòu)建決策樹實(shí)現(xiàn)了對風(fēng)力機(jī)葉片的故障診斷。

可見，對于振動信號的處理對于特征提取至關(guān)重要，本研究提出了一種基于獨(dú)熱編碼作為故障類別標(biāo)簽，通過計(jì)算固定長度滾動軸承振動信號的描述性統(tǒng)計(jì)參數(shù)作為特征提取方法，使用隨機(jī)森林進(jìn)行特征選擇，建立極限學(xué)習(xí)機(jī)（Extreme Learning Machines， ELM）故障診斷模型，對凱斯西儲大學(xué)（CWRU）軸承數(shù)據(jù)中心的數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，提出的特征提取與特征選擇方法有效的提高了模型的故障診斷精度，并且使用ELM作為模型則更加快速。

2 振動信號處理

從CWRU獲取的軸承數(shù)據(jù)是由安裝在基座上的加速度計(jì)采集的包含采樣頻率為12K、48K驅(qū)動端、12K風(fēng)扇端軸承故障數(shù)據(jù)及對應(yīng)頻率及轉(zhuǎn)速下正常的基座數(shù)據(jù)。本研究提取了0馬力（電機(jī)轉(zhuǎn)速為1797轉(zhuǎn)/分）下12KHZ采樣頻率的驅(qū)動端軸承與對應(yīng)正常的基座數(shù)據(jù)。CERU的數(shù)據(jù)其中包含10種故障類別，分別為正常數(shù)據(jù)以及人工放電加工植入0.007、0.014、0.021英寸深度下產(chǎn)生的內(nèi)圈故障、滾動體故障、外圈故障。使用由張偉[6]提出的數(shù)據(jù)預(yù)處理方法，處理為10000組，信號長度為864（2個周期）的數(shù)據(jù)集。

2.1振動信號特征提取

由于軸承故障信號為時域信號，無法直接作為特征輸入到模型中進(jìn)行故障診斷。因此，對這10000組數(shù)據(jù)分別計(jì)算其描述性統(tǒng)計(jì)參數(shù)，這些參數(shù)包括信號點(diǎn)之和、均值、中位數(shù)、最大值、最小值、極差、偏度、峰度、標(biāo)準(zhǔn)差、樣本方差。

其中偏度、峰度公式如下：

（2-1）

（2-2）

其中， 為均值， 為標(biāo)準(zhǔn)差。

2.2振動信號的特征選擇

良好的特征選擇有利于提高模型精度并減少分類時間，隨機(jī)森林是一個包含多個決策樹的分類器，本研究采用隨機(jī)森林（Random Forests， RF）方法，通過對第二節(jié)得到的10個描述性統(tǒng)計(jì)參數(shù)與對應(yīng)的獨(dú)熱編碼進(jìn)行預(yù)分類實(shí)驗(yàn)，得到所選特征的重要性排序。

根據(jù)圖2-1可知，描述性統(tǒng)計(jì)參數(shù)中的中位數(shù)與偏度的重要性比前八個參數(shù)要低很多，因此，特征選擇前八個參數(shù)作為模型的輸入。

2.2 歸一化

由于使用ELM神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，而對于神經(jīng)網(wǎng)絡(luò)需要消除輸入特征之間不同量綱的影響，所以需要對網(wǎng)絡(luò)的輸入，即8個描述性統(tǒng)計(jì)參數(shù)進(jìn)行歸一化處理。公式如下：

（2-3）

其中， 為歸一化后數(shù)據(jù)， 、 分別為該特征最小值和最大值。

3 建立極限學(xué)習(xí)機(jī)故障診斷模型

如圖3-1所示，極限學(xué)習(xí)機(jī)是一種是前饋神經(jīng)網(wǎng)絡(luò)，它具有一個輸入層，一個單層隱藏層和一個輸出層，相比于其他神經(jīng)網(wǎng)絡(luò)，它不依靠基于梯度的反向傳播來調(diào)整權(quán)重，而是通過穆爾-彭羅斯廣義逆（Moore-Penrose generalized inverse）來設(shè)置權(quán)值a和b，因此其訓(xùn)練時間非常短，具有良好的泛化性能以及極快的學(xué)習(xí)能力[7]。

4實(shí)驗(yàn)

4.1評價指標(biāo)

軸承故障診斷是多類分類問題，所以為了驗(yàn)證模型的有效性，使用準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）、F1-Measure作為分類性能的評價指標(biāo)。

（4-1）

（4-2）

（4-3）

（4-4）

其中，F(xiàn)N：False Negative，被判定為負(fù)樣本，但事實(shí)上是正樣本。FP：False Positive，被判定為正樣本，但事實(shí)上是負(fù)樣本。TN：True Negative，被判定為負(fù)樣本，事實(shí)上也是負(fù)樣本。TP：True Positive，被判定為正樣本，事實(shí)上也是正樣本。

4.2實(shí)驗(yàn)

4.2.1特征選擇有效性實(shí)驗(yàn)

為了顯示特征選擇的重要性，分別做了特征選擇前后的分類實(shí)驗(yàn)。結(jié)果如表4-1所示，可以看出，通過特征選擇后的建模算法在計(jì)算時間與各評價指標(biāo)上均有所改善，證明特征選擇方法對于建模具有減少時間和提高精度的作用。

4.2.2不同模型之間的對比實(shí)驗(yàn)

為了顯示本研究所提算法的有效性，分別與深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Net， DNN）、支持向量機(jī)（Support Vector Machine， SVM）建模方法進(jìn)行對比。結(jié)果如表4-2所示，對于大樣本數(shù)據(jù)來說，RF-ELM與RF-SVM在計(jì)算時間上相比于RF-DNN有更大優(yōu)勢。然而，RF-ELM相比剩余兩種方法具有更高的準(zhǔn)確率、精確率以及F1-Measure。綜合比較3種方法，可以得知，本研究提出的RF-ELM具有更好的分類性能。

5參考文獻(xiàn)

[1] 鄭懷亮， 王日新， 楊遠(yuǎn)濤， 等. 數(shù)據(jù)驅(qū)動故障診斷方法泛化性能的經(jīng)驗(yàn)性分析[J]. 機(jī)械工程學(xué)報(bào)， 2020， 56（09）： 102-117.

[2] 朱丹宸，趙磊，張永祥. 復(fù)雜裝備滾動軸承的故障診斷與預(yù)測方法研究綜述[J]. 中國測試， 2020， 46（03）： 17-25.

[3] 胡愛軍， 馬萬里， 唐貴基. 基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動軸承故障特征提取方法[J]. 中國電機(jī)工程學(xué)報(bào)， 2012， 32（11）： 106-111+153.

[4] 劉長良， 武英杰， 甄成剛. 基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J]. 中國電機(jī)工程學(xué)報(bào)， 2015， 35（13）： 3358-3365.

[5] Joshuva A， Sugumaran V. A data driven approach for condition monitoring of wind turbine blade using vibration signals through best-first tree algorithm and functional trees algorithm： A comparative study[J]. ISA Transactions， 2017， 67： 160-172.

[6] 張偉. 基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D]. 哈爾濱工業(yè)大學(xué)， 2017.

[7] Li Y， Zeng Y， Qing Y， et al. Learning local discriminative representations via extreme learning machine for machine fault diagnosis[J]. Neurocomputing， 2020， 409： 275-285.