基于改進卷積神經網絡的行星齒輪箱故障診斷研究

姚明鏡 唐 璇 呂 昂

(①成都理工大學工程技術學院，四川 樂山 614000；②核工業西南物理研究院，四川 成都 610225)

行星齒輪箱作為風力發電機的重要傳動部件，其運行環境復雜，如果一旦出現故障就會引發嚴重事故。因此對其進行故障診斷非常必要[1]。行星齒輪箱是多個行星輪繞太陽輪轉動的機構，其運轉過程中會產生振動，當齒輪有一些微弱故障時，振動信號就會發生變化，可以通過振動信號去判斷和識別故障類型[2-3]。近些年，很多國內外學者利用信號處理技術和人工智能技術研究了基于專家系統、人工神經網絡等齒輪箱故障診斷方法[4-5]。本文針對行星齒輪箱搭建實驗平臺，使用基于改進卷積神經網絡(CNN)的故障診斷模型方法來進行故障識別與診斷，識別準確率比較高，從而可以準確判斷故障類型，及時了解故障嚴重程度，降低檢測成本，減少事故的發生。

1 卷積神經網絡算法原理

1.1 卷積層

如圖1所示，通過改變網絡層的步長滑動卷積核使其與輸入矩陣進行自相關運算，從而提取圖像中每一塊小區域的局部特征。權值就是卷積核上的數值，利用誤差的反饋對卷積核進行更新迭代，從而實現網絡的學習。

1.2 池化層

池化層可以減少參數個數壓縮特征信息，提高泛化能力，其根據操作不同可分為兩種：(1)最大池化層即尋找輸入矩陣在池化窗口上的最大值，并將其映射到輸出矩陣上(如圖2所示)；(2)平均池化層即計算輸入矩陣的平均值作為輸出(如圖3所示)。

1.3 激活函數層

以ReLU激活函數對卷積層的輸出進行映射，如圖4所示，其表達式為：

1.4 優化算法

為了有效地應對神經網絡中由于模型選擇和參數設置引起的過擬合、收斂速度慢或不收斂等問題，引入批量歸一化(batch normalization, BN)層和丟棄(dropout)層對模型進行優化。BN層對卷積層的輸出進行如式(2)的標準化處理，將卷積層輸出的數據轉換為均值為1、方差為0的分布，提高模型中間層輸出數值的穩定性。

(2)

(3)

(4)

(5)

式中的⊙是按元素相乘[5]。

Droupout層是以一定的概率p隨機地丟棄全連接層中的某些隱藏層神經元，如圖5所示，圖5a為一個輸入為4的單隱藏層的未丟棄神經元節點的三層神經網絡示意圖，圖5b為在訓練過程中以一定概率丟棄神經元節點三層神經網絡的示意圖，通過丟棄可以降低模型的復雜度，防止過擬合現象的出現[6-8]。

2 實驗方案

2.1 模擬實驗平臺的硬件裝置

搭建行星齒輪箱信號采集系統實驗平臺如圖6所示。將加速度傳感器安裝到齒輪箱上，并連接采集箱(NI PXI-1033)，通過采集卡(PXI-4496)采集信號，可以通過調速裝置改變轉速。

2.2 齒輪箱故障工況模擬

如表1所示，先將齒輪按照不作處理、磨損、斷一齒和斷兩齒4種方式進行處理，分別對應正常、輕度故障、中度故障和嚴重故障[9]4種故障程度。

在進行模擬實驗時，先采集齒輪箱正常情況下的振動信號，然后將齒輪依次換為輕度故障、中度故障和嚴重故障的齒輪，分別采集齒輪箱的振動信號。信號采集方案如表2所示。

表1 齒輪故障程度設定

表2 信號采集方案

3 模型搭建與實驗結果分析

3.1 樣本構造

由壓電式加速度傳感器所采集到的原始振動信號為電壓的時序信號，其不同狀態齒輪的部分時域波形如圖7所示。

為了保證學習樣本的有效性，需要每一個樣本的時間長度都要大于一個周期[10]。本實驗把12 500個數據作為一個學習樣本。同時對原始數據進行標準化處理以便使神經網絡在訓練中更快地收斂。對于數據向量x，標準化的方法為：

(6)

通過這種方法共構造樣本720個，其中每一種故障情況均為180個。將所有樣本劃分為兩部分，一部分為訓練集用于訓練神經網絡；另一部分為驗證集用于驗證正確率。實驗把訓練集和驗證集按照5：1的比例進行數據劃分。

3.2 卷積神經網絡的搭建

搭建卷積神經網絡結構如圖8所示：包括4個卷積模塊和3個全連接層。本實驗使用MATLAB的深度學習框架進行編程。該模型使用Adam算法和MBGD算法，設置學習率η=10-3，小批量大小m=100，Adam算法中的兩個參數分別設置為β1=0.9，β2=0.999[11-12]。將每種故障類型數據集中的180個樣本隨機按照訓練集和驗證集5：1的比例劃分。表3所示為模型中的一些重要層的參數設置。

表3 重要層的參數選擇

如圖9所示對模型進行優化，在圖8所示模型的基礎上，進行改進：

(1)在每一個卷積層后都連接一個批量歸一化層BN層。

(2)在全連接層1和2后分別連接一個Dropout即信號丟棄層，丟棄概率p均設置為0.7[13-14]。

3.3 實驗結果分析

將3.1節中構造的720個實驗數據作為模型的輸入數據，以5：1劃分數據，其中600個作為訓練集，120個作為驗證集。先用故障類別已知的訓練集數據訓練3.2節中搭建的卷積神經網絡模型，經過訓練后卷積神經網絡模型的混淆矩陣中N、LF、MF、SF分別表示正常、輕度故障、中度故障和嚴重故障，如圖10所示。再將混合的驗證集實驗數據代入訓練好的模型中，就可以判斷齒輪箱故障類別。改進前的原始模型在訓練至60次時收斂，改進后的模型在訓練至120次時收斂。圖11為訓練過程中迭代次數與準確度之間的關系，圖12為訓練過程中損失函數(誤差)與準確度之間的關系。訓練數據集和驗證數據集的分類準確率分別達到了100%和81.67%，損失函數值Loss分別降到了0.001和0.59。從圖11a中可以看出，雖然模型能夠較快收斂，但是驗證集上的準確率較低且遠遠低于在訓練集上的準確率，這是因為訓練樣本數量過少而導致的過擬合現象[15]。從圖11b中可以看出，改進后的模型在訓練數據集和驗證數據集的準確率分別達到了100%和99.2%，沒有出現過擬合現象，分類效果較好。由以上分析得出，改進后的卷積神經網絡模型與未經優化的原始模型相比分類準確率得到了顯著的提高。

4 結語

(1)利用引入BN層和Dropout丟棄層的改進卷積神經網絡(CNN)對行星齒輪箱進行故障診斷識別是可行的且其分類準確率與改進之前相比明顯提高。

(2)基于深度學習理論的卷積神經網絡模型能夠對不同類型的故障進行精確分類且準確率高達99.2%。

(3)利用改進卷積神經網絡模型可以通過原始信號進行故障識別，無需單獨進行特征提取。