LSTM網絡在采煤機搖臂齒輪箱壽命預測中的應用*

劉文廣，楊蘭柱，秦 波

（1.內蒙古科技大學機械工程學院，內蒙古包頭 014010；2.內蒙古科技大學工程訓練中心，內蒙古包頭 014010）

0 引言

滾筒式采煤機大多應用在礦山和煤礦等地區，由于搖臂齒輪箱的工作環境十分復雜和惡劣，再加上人為操作的失誤，采煤機搖臂齒輪箱在工作過程中經常出現設備故障等問題，導致煤礦開采時，采煤機的故障損壞十分嚴重，這直接引起中國采礦成本的直線上升。因此，研究如何有效地預測搖臂齒輪箱剩余使用壽命（Remaining Useful Life，RUL），對降低采礦成本、維護社會穩定有著至關重要的作用[1-3]。

目前，在采煤機搖臂齒輪箱剩余使用壽命預測領域中主要有兩大類方法。第一種是通過研究故障機理，根據故障機理建立數學模型。這種方法是屬于基于模型的預測方法，通過模型來完成設備剩余使用壽命的預測。如Zhao等[4]通過模擬齒輪裂紋擴展過程對齒輪剩余使用壽命進行了預測，從而預測出齒輪的剩余使用壽命。由于采煤機搖臂齒輪箱的故障機理復雜多樣，需要簡化假設該預測方法，限制其預測精度。數據驅動的方法是指通過數理統計和機器學習等方法，分析設備狀態監測數據和剩余使用壽命的內在關系，以此來預測其剩余使用壽命。該類方法被廣泛應用于設備剩余使用壽命預測領域。如Babu 等[5]將深度學習中的卷積神經網絡運用于設備剩余使用壽命預測中，使用卷積層及池化層來提取深層次特征，結果表明，與傳統基于機器學習的壽命預測方法相比，該方法精度更高。

目前相較于大多數深度學習的網絡模型，LSTM網絡十分適合用來處理較長的時序信號，如今在機器翻譯、語音識別和自然語言處理等諸多領域被廣泛應用。在機械剩余使用壽命預測中所使用的傳感器所采集的信號可視為具有時間特征的時序信號，但在一般壽命預測方法中，很多學者忽略了其自身時間特性。與其他深度學習方法相比，LSTM網絡具有提取時序特征的優勢，因此，很多學者將LSTM用于處理時序信號。如Zhang 等[6]就是在鋰電池的RUL 預測中應用了LSTM 網絡。但是在采煤機搖臂齒輪箱的壽命預測領域，LSTM網絡還沒有發揮出獨特的網絡優勢，基于此，本文以采煤機搖臂齒輪箱壽命預測為研究方向，利用深度學習中的LSTM網絡來進行壽命預測。實驗所用數據集采集于內蒙古西部某礦，該數據集記錄了從齒輪箱完好到齒輪出現點蝕的全周期數據。結果表明，LSTM在搖臂齒輪箱壽命預測中具有一定作用。

1 方法介紹

1.1 LSTM網絡

本文使用LSTM網絡來提取采煤機搖臂齒輪箱振動信號中的時序特征及其他深層次特征。LSTM是循環神經網絡變體之一，有效解決了循環神經網絡存在的兩個問題：梯度消失問題與梯度爆炸問題。可以有效提取并利用信號中的歷史信息進行壽命預測[7]。LSTM單元計算如下：

式中：ct為LSTM 模塊狀態；W、U 和b分別為參數矩陣和向量； ft、it、ot分別為遺忘門向量、輸入門向量、輸出門向量；ct-1為時刻t 前一時刻cell 狀態、ct為t時刻單元狀態；σg為sigmoid 函數，σc和σh為雙曲切線；運算符°為哈達瑪（Hadamard）乘積；為當前單元的輸出，為前一時刻單元的輸出。

1.2 LSTM應用流程圖

模型建立流程圖如圖1 所示，將所采集到的采煤機搖臂齒輪箱主齒振動信號按功能分為訓練集與測試集2個數據集。其中訓練集用于模型的訓練，使用訓練集來確定網絡超參數及網絡參數。將訓練集訓練好的網絡保存，測試集作為輸入輸入到訓練好的模型中，得出來的壽命預估曲線即為壽命預測結果。首先，對訓練集及測試集數據進行歸一化處理，是數據值域縮小至[0,1]。歸一化公式如下式所示：

式中：xi,j為原始數據中第j個特征的第i個數據點；和分別為第j 個特征的最大值與最小值；為xi,j歸一化后的數值。

采用雙層LSTM網絡來對齒輪振動信號進行深層次特征提取。與傳統的卷積神經網絡相比，LSTM網絡所提取的特征更具有全面性。卷積神經網絡由于網絡特點所提取的特征都是局部特征，對于時序性信號中的時序特征難以提取，這就導致傳統的卷積神經網絡所提取的特征中丟失了時間這一重要特性。LSTM相比于傳統卷積神經網絡而言，可以提取信號的全局特征，這種對時間特征的極大保留，大大增加了方法的可行性及提高了結果準確性。

圖1 模型建立流程圖

2 搖臂齒輪箱振動信號數據庫建立

數據采集于內蒙古西部某礦場采煤機搖臂齒輪箱。搖臂系統結構圖如圖2所示；現場傳感器安裝位置如圖3所示；拆裝所得齒輪圖如圖4所示。數據集包含搖臂齒輪箱主齒由完全健康狀態到齒面出現較大磨損的全周期數據。數據采用分段式采集方案，每10天為一周期采集。將采集的數據分為訓練集與測試集，具體如表1所示。

圖2 采煤機截剖系統傳動原理圖

圖3 采煤機搖臂齒輪箱

圖4 磨損齒輪

表1 數據集參數

3 實驗結果分析

本文模型建立在基于Python的Keras深度學習庫中，設備處理器為i5-6300HQ，內存為8G，顯卡為GTX960。每批次迭代耗時2.3 s，選取實驗結果如圖5 所示。從圖中可以看出，LSTM 網絡在采煤機搖臂齒輪箱壽命預測領域有一定的效果，在初始及末期階段，預測結果與實際結果較為吻合，但在磨損發生劇變階段，預測與實際相差較大，其原因為數據樣本過為單一造成，給實際運維造成一定的安全隱患。

表2 不同預測方法實驗結果對比

圖5 實驗預測結果

使用均方根誤差值RESE 來對模型性能進行定量評估[8]。其計算公式如下式所示：

式中：m 為測試集樣本個數；yi為第i 個樣本對應的實際RUL值；為對應模型給出的RUL預測值。將實驗結果與當前主流神經網絡—卷積神經網絡結果做對比，卷積神經網絡采用2個卷積層、2個池化層和1個全連接層堆疊而成。不同方法實驗結果對比如表2 所示。實驗結果表明，與卷積神經網絡相比，LSTM在采煤機搖臂齒輪箱壽命預測領域效果更好。

4 結束語

使用LSTM網絡來對采煤機搖臂齒輪箱進行壽命預測，可以避開人工提取特征過程，減少預測成本。又由于是在海量數據中尋找特征，所以具有更高的泛化性。實驗表明，使用深度學習對實際工況下的采煤機搖臂齒輪箱進行壽命預測具有一定的效果，但由于數據采集條件較為單一，所以訓練所得的模型不具有很好的泛化性，該缺點在后續研究中還有待解決。