基于譜圖和聲學特征的旋轉(zhuǎn)機械故障檢測方法

2021-07-16 14:05:38梁小康

電子器件 2021年3期

梁小康

(陜西能源馮家塔礦業(yè)運營有限責任公司，陜西西安 710021)

轉(zhuǎn)子與靜子之間的碰摩是機械中常見的故障，該類故障一旦發(fā)生，輕則影響機器正常運行，嚴重的話有可能會發(fā)生生產(chǎn)事故，造成無法挽回的損失。開展針對機械故障檢測的研究具有較強的實踐意義。聲發(fā)射檢測是一種基于聲發(fā)射信號來評定材料性能的無損檢測技術(shù)，采用基于聲發(fā)射信號的故障檢測，可以實現(xiàn)不影響機組運行前提下，完成設備檢測。當前，有許多學者從不同領(lǐng)域?qū)诼暟l(fā)射檢測技術(shù)進行了深入的研究，考慮到特征對識別的重要影響，如何提取有效的特征，受到了學者的諸多關(guān)注。例如，2010 年，鄧艾東等人[1]提出了一種基于時延神經(jīng)網(wǎng)絡(Time-Delay Neural Network，TDNN) 和高斯混合模型(Gaussian Mixed Model，GMM)的聲發(fā)射信號分類方法，取得良好的效果。近些年，隨著機器學習技術(shù)的發(fā)展，深度學習受到了廣泛的關(guān)注。

卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)是一類包含卷積計算的前饋神經(jīng)網(wǎng)絡，20 世紀80 年代至90 年代，LeCun Yann 等人[2]就提出了LeNet－5 網(wǎng)絡，在手寫字識別上取得了顯著的結(jié)果。隨著計算機性能的快速提升，卷積神經(jīng)網(wǎng)絡得以迅速發(fā)展，2012 年Hinton 和Alex Krizhevsky 所設計的AlexNet[3]卷積神經(jīng)網(wǎng)絡，以壓倒性的優(yōu)勢獲得了ImageNet 分類比賽的冠軍，展現(xiàn)出了卷積神經(jīng)網(wǎng)絡的優(yōu)勢及所蘊含的巨大潛力，目前CNN 已經(jīng)在圖像分割[4]、手寫字識別[5－6]、圖像分類等場景中有諸多應用。當前，已有部分學者開展了基于CNN 故障檢測相關(guān)技術(shù)的探索，并取得了部分成果，推動了故障診斷水平的提升。

長短時記憶網(wǎng)絡(Long Short-Term Memory，LSTM)[7]作為是一種時間循環(huán)網(wǎng)絡，廣泛應用于時序數(shù)據(jù)的建模中；由前向LSTM 和后向LSTM 組成的BiLSTM 網(wǎng)絡，可以編碼從后向前的信息，受到了廣泛的關(guān)注。

本文提出一種基于譜圖和聲學特征的旋轉(zhuǎn)機械聲發(fā)射識別方法。CNN 網(wǎng)絡中輸入聲發(fā)射信號譜圖，得到聲發(fā)射信號的全局特征；短時能量、過零率、峭度等信息輸入BiLSTM 網(wǎng)絡中，提取發(fā)射信號的聲學特征，最后將CNN 網(wǎng)絡和BiLSTM 網(wǎng)絡提取到的特征融合起來，采用Softmax 實現(xiàn)信號識別，通過實驗驗證了此模型的有效性。

1 相關(guān)原理

1.1 CNN 網(wǎng)絡輸入數(shù)據(jù)

(1)幅度譜

旋轉(zhuǎn)機械轉(zhuǎn)子聲發(fā)射(Acoustic Emission，AE)信號具有與自然語言相似的聲學特性，因此，借鑒語音識別的方法對AE 信號進行分析和識別。假設碰摩AE 信號是短時平穩(wěn)信號，對于任意時刻n，可以對n時刻附近的小范圍信號進行頻譜分析，從而得到AE 信號的二維幅度頻譜圖像。

鑒于CNN 具有強大學習能力，且AE 信號具有良好的動態(tài)特性，除了原始的二維幅度頻譜圖像外，同時提取幅度譜沿時間軸的一階差分譜、幅度譜沿頻率軸的一階差分譜，3 個圖組成3D 譜圖輸入CNN網(wǎng)絡中。

(2)群時延相位譜

群延時[8]包含了豐富的動態(tài)信息，它是信號在某個頻率相位信息相對于頻率的變化率；本文選用修正群延時相位譜作為譜圖的另一種生成方式，其中修正群延時函數(shù)可以定義為:

提取AE 信號的群延時相位譜，并提取譜沿時間軸的一階差分譜、譜沿頻率軸的一階差分譜，共同組成3D 譜圖。

最后，將兩種譜圖組合在一起，構(gòu)成幅度－相位譜圖。

1.2 CNN 網(wǎng)絡結(jié)構(gòu)

如圖1 所示，展示了本文所采用的CNN 的網(wǎng)絡結(jié)構(gòu)圖。網(wǎng)絡的輸入數(shù)據(jù)是幀重疊率為50%的碰摩AE 信號幅度－相位譜圖。

圖1 CNN 網(wǎng)絡結(jié)構(gòu)

首先卷積核尺寸為1×1 的卷積層被用來對輸入數(shù)據(jù)進行非線性變換，然后采用池化操作將前一層輸入的矩形圖進行規(guī)整。卷積操作如式(2)所示:

引入Inception 結(jié)構(gòu)提取網(wǎng)絡各層級的特征。

最后采用平均池化代替?zhèn)鹘y(tǒng)卷積神經(jīng)網(wǎng)絡中的全連接層，以減輕網(wǎng)絡發(fā)生過擬合。

1.3 BiLSTM

經(jīng)典的RNN 網(wǎng)絡在t時刻的狀態(tài)只能從過去時刻的輸入序列以及當前時刻的輸入x(t)中求取。BiRNN (Bi-directional Recurrent Nerual Network，BiRNN)是Schuster 等人在1997 年提出的一種雙向網(wǎng)絡，有效地解決了傳統(tǒng)RNN 當前時刻狀態(tài)只能由當前時刻輸入和過去時刻輸入決定的問題。BiRNN包含了兩個方向的RNN 網(wǎng)絡，一個是從序列起點開始移動的RNN，另一個是從序列終點開始移動的RNN，兩個RNN 組合在一起可以有效獲取上下文信息，當采用LSTM 替代RNN 時，就構(gòu)成了BiLSTM(Bi-directional Long Short-Term Memory，BiLSTM)。

表1 CNN 網(wǎng)絡結(jié)構(gòu)

1.4 BiLSTM 輸入數(shù)據(jù)

提取AE 信號每一幀的幀級特征作為BiLSTM網(wǎng)絡的輸入，提取到的特征包括短時能量、過零率、峭度、頻譜通量等。

表2 所用統(tǒng)計特征

2 算法架構(gòu)

本節(jié)構(gòu)建了一個BiLSTM 與卷積神經(jīng)網(wǎng)絡CNN進行特征融合的轉(zhuǎn)子AE 信號識別模型。算法的整體架構(gòu)思路如圖2 所示。

圖2 BiLSTM-CNN 原理架構(gòu)圖

將所提取的聲學特征輸入BiLSTM 網(wǎng)絡中，將AE 信號轉(zhuǎn)化為幅度－相位譜圖輸入到CNN 網(wǎng)絡中，最終經(jīng)過2 個網(wǎng)絡訓練后得到的特征融合在一起，采用SOFTMAX 分類器進行分類識別。

3 實驗

3.1 實驗參數(shù)設置

本文使用轉(zhuǎn)速為600 rad/s 的轉(zhuǎn)子AE 信號進行實驗。采用漢寧窗對離散AE 信號進行加窗分幀。CNN 網(wǎng)絡采用ReLU 激活函數(shù)，本實驗使用Adam 優(yōu)化算法來進行訓練。

3.2 實驗仿真

3.2.1 識別性能分析

表3 展示了本文所提算法對600 rad/s 的碰摩聲發(fā)射信號分類的混淆矩陣。從混淆矩陣可以看出，所提識別方法對正常、軸承裂紋、主軸碰摩三種類型的AE 信號均具有85%以上的識別率，分類效果優(yōu)良。

表3 600 rad/s 轉(zhuǎn)速條件下所提算法識別性能混淆矩陣單位:%

3.2.2 與其他算法對比試驗

為了進一步探究本文提出模型的有效性，現(xiàn)將其與其他聲發(fā)射信號識別方法進行對比實驗，表4展示了不同分類器在碰摩AE 信號分類上的性能。

表4 600 rad/s 轉(zhuǎn)速下不同分類器識別性能比較單位:%

從表4 中可以看出，在3 種不同的的條件下，所提識別方法的識別準確率均是最高，分別為85.87%、92.13%、86.54%，且平均識別率比SVM 高出了17.95%，比DNN 高了19.31%，比KNN 高了32.21%。

與同樣作為神經(jīng)網(wǎng)絡的DNN 相比，由于網(wǎng)絡分別采用CNN 和BiLSTM 從譜圖和聲學特征中提取到更多有效的特征，因此，取得了更高的識別結(jié)果。