基于LabVIEW的減速箱智能故障診斷系統設計

劉浩濤， 杜青年， 歐婷婷， 唐娜娜， 秦 勇

（陸軍勤務學院訓練基地，武漢430000）

0 引 言

作為機械傳動系統的重要組成部分，減速器在機械運轉中起著調節轉速和傳遞轉矩的作用，是影響機械設備運行的一個重要因素［1-2］。其故障診斷是當前故障診斷領域研究的重點和難點，尤其是齒輪、軸承的故障判別。目前，國內外對齒輪傳動機械設備的狀態監測和故障診斷方法主要有基于油液（潤滑油）檢測的分析法［3-4］、基于聲發射的診斷方法［5］以及基于振動信號的故障診斷方法［6］。由于振動便于測量，故障反應直接等獨特優勢［7］，基于振動信號的故障診斷技術是目前研究和應用最為普遍的。

齒輪振動信號往往呈非線性、非平穩等特點［8］，如何從齒輪的振動信號中提取故障特征是減速器齒輪故障診斷的關鍵［9］。鑒于此，本文利用深度學習理論強大的非線性特征自提取和高效的信號表征能力［10］，提出了一種基于深度置信網絡和LabVIEW平臺的減速箱齒輪故障診斷系統。利用數據采集硬件完成減速器齒輪振動信號的采集，通過大量的故障信號樣本構建訓練集完成深度置信網絡的無監督預訓練，實時采集隨機的齒輪振動信號構建測試集，利用測試集對診斷系統的可靠性進行驗證。

1 系統總體功能

由于系統是以減速箱作為故障診斷的研究對象，所以整個系統的設計是以減速箱試驗平臺為基礎，分為硬件和軟件兩部分，如圖1所示。硬件部分包括減速箱試驗平臺、傳感器，數據采集儀及其配套的硬件設施，主要負責系統的數據采集。軟件部分在計算機上通過LabVIEW軟件編程完成，負責測試數據的顯示、存儲、處理分析及診斷結果顯示，其中數據處理分析包括數據歸一化、傅里葉變換，訓練集和隨機測試集的生成，DBNs神經網絡的訓練以及齒輪故障的自動判別。

圖1 總體設計框圖

2 基于DBNs的故障診斷原理

2.1 DBNs的特征提取過程

DBNs網絡由多層限制玻爾茲曼機（Restricted Boltzmann Machine，RBM）堆疊而成［11］，如圖2所示，一個由3層限制波爾茲曼機堆疊而成的DBNs，由于網絡分類輸出層不在RBM網絡之內，故將該DBNs網絡視為4層DBNs網絡。

圖2 DBNs網絡結構圖

在RBM中，任意隱層和顯層神經元之間有一個權值w表示其連接強度，每個顯層神經元自身有一個偏置系數b、每個隱層神經元有一個偏置系數c來表示其自身權重。這樣就可以用以下函數表示一個RBM的能量［12］：

式中：v為顯層數據；h為隱層數據；Wij為權值矩陣W的元素；n為可見層單元數；m為隱層單元數。

在RBM網絡的訓練過程中，用到對數似然函數

在RBM中，樣本真實的分布和RBM網絡表示的邊緣分布的KL距離即為兩者之間的差異性，具體為：

式中：Ω為樣本空間；q為輸入樣本的分布；q（x）為訓練樣本的概率；p為RBM網絡表示的Gibbs分布的v的邊緣分布；p（x）為其邊緣分布的概率。

要使KL最小，就要求lnp（x）取最大值，即輸入樣本的最大似然估計：

綜合上述公式，分別對w、b、c求導，最終求得：

自從2006年，Hinton等［13］、Yu等［14］第1次提出深度置信網絡時，就證實了其具有強大的特征提取能力，并在近10年的發展應用中得到了進一步的證實。深度置信網絡作為一種自主學習的特征提取算法，在網絡訓練過程中不需要大量標簽數據的參與，被廣泛應用于許多領域。如圖3所示為一個4層DBNs的特征提取過程。

圖3 DBNs逐層特征提取過程

2.2 DBNs故障診斷流程

利用DBNs對振動信號數據集進行特征提取的過程，實際上就是利用DBNs網絡對數據集進行無監督預訓練，得到高層特征的過程。預訓練過程中所用的數據集為不帶任何故障標簽的訓練集。在RBM逐層訓練完成后，利用BP分類器，結合交叉熵共軛梯度下降算法對整個DBNs進行微調，確定各層之間的權值和偏置量，完成網絡的監督微調過程，最后輸入隨機測試集樣本實現故障分類［15］。基于DBNs算法的故障診斷步驟如下：

步驟1對故障數據集樣本進行歸一化處理，將其賦值給DBNs網絡的v1層，即第1層顯層；

步驟2在預訓練之前，初始化DBNs網絡參數，包括學習率ε、網絡層數L及各層神經元數目h l、偏置向量b l和權值矩陣W l；

步驟3利用v1層數據，計算隱層中每個神經元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機抽取一個樣本得到第1層RBM的隱層h1；

步驟4利用h1層數據反推顯層v1，計算v1層中每個神經元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機抽取一個樣本以重構該層RBM的顯層v1；

步驟5利用v1層數據反推隱層h1，計算h1層中每個神經元被激活的概率，從被激活的概率分布中采用吉布斯采樣定理隨機抽取一個樣本以重構RBM的隱層h1；

步驟6通過上述步驟，第1層RBM已經訓練完成，將第1層RBM的隱層h1作為第2層RBM的顯層v2，即v2＝h1，然后重復步驟3、4、5逐層對RBM網絡進行預訓練；

步驟7待RBM網絡預訓練完成后，將測試集的標簽單元作為分類輸出層與最后一層RBM的隱層對接，利用BP算法進行反向微調，完成整個DBNs網絡的訓練；

步驟8在整個DBNs網絡的訓練完成之后，輸入待診斷故障樣本，根據網絡分類器得出最終診斷結果。

圖4 基于DBNs的故障診斷流程

3 診斷系統硬件及軟件設計

3.1 硬件模塊

出于故障診斷的需求，系統的硬件分試驗平臺系統和測試系統兩部分。試驗平臺主要包括驅動電動機、齒輪減速箱、加載系統和直流調速控制系統，如圖5所示。

圖5 減速箱試驗平臺示意圖

測試系統主要由傳感器，數據采集儀，信號傳輸線和中央控制計算機組成。

試驗平臺系統是一種3軸式2級變速器，輸入軸與輸出軸上的齒輪均為正常齒輪，中間軸上的齒輪為3聯齒輪（小直齒輪，齒數為40，模數為2 mm）和2聯齒輪（大直齒輪，齒數為64，模數為2 mm）。齒輪的故障共分為偏心、點蝕、剝落、磨損、斷齒和裂紋，分布情況見圖6，6種故障齒輪加上正常齒輪，共能輸出7種模式的振動信號，故障類型的切換可通過減速箱前后換擋手柄調節。

圖6 減速箱故障齒輪分布情況

測試系統功能模塊如圖7所示，包括轉速監測模塊和振動監測模塊，主要實現對輸入軸轉速和減速箱振動情況的測量。數據采集儀采集的信號最后經過USB接口直接接入計算機以便后續處理。

圖7 硬件功能設計圖

監測齒輪箱輸入軸轉速，以便于齒輪箱各旋轉件轉速的計算，了解各旋轉件的運行工況。該模塊所用傳感器采用轉速傳感器。振動監測模塊負責監測齒輪箱各旋轉件的振動情況和振動數據的采集，包括齒輪箱齒輪、軸承、軸和底座等，所用傳感器為加速度傳感器（由于NI數據采集卡集信號濾波、放大等信號調理功能于一體，可以大大精簡數據采集所需硬件設備）。

上述兩個監測模塊的數據采集擬采用NI數據采集卡完成。通過與數據采集卡連接的計算機控制整個系統，實現狀態監測、故障預警、數據采集、存儲及故障模式識別等功能。

3.2 軟件模塊設計

基于LabVIEW軟件平臺開發的減速箱智能故障診斷系統如圖8所示，分為監測界面、信號采集、離線分析與故障診斷3個工作面板。

圖8 智能診斷系統工作界面

監測界面主要是實時顯示輸入軸轉速和各個測點的振動情況，包括時域波形和統計指標。當輸入的振動信號統計指標超出其閾值時，減速箱振動可能出現異常，此時報警指示燈會閃爍，需要進入“信號采集”面板。“信號采集”對輸入信號進行簡單的降噪濾波處理。還可對濾波后信號進行簡單頻譜分析，為判別振動信號是否異常提供依據。對于復雜的齒輪故障信號，需要對故障信號進行采樣存儲，以便后續的離線分析和故障診斷，在面板上可以對采樣參數進行設置。“離線分析與故障診斷”面板會顯示調取信號的相關信息，以便調取信號。當調取故障信號后，按下“齒輪診斷”鍵就可以智能識別出信號的故障類型，對應的故障指示燈會由綠變紅。為減少編程工作量和系統運算時間，智能診斷算法是通過LabVIEW與Matlab軟件混合編程完成的，即運用“Matlab script”函數節點調用Matlab運算引擎。

4 實驗測試

4.1 數據采集

振動信號和轉速信號的數據采集選用NI9234動態信號采集模塊。該設備每通道采樣速率高達51.2 kS/s，±5 V輸入范圍，分辨率高達24 bit，102 dB動態范圍，接口形式為常用的BNC接頭，搭配IEPE傳感器可進行高精度的振動測量。而且該設備內部集成有抗混疊濾波器，避免高頻噪聲的干擾。這里采樣頻率fs＝10 kHz，采樣點數2 048。圖9為實驗平臺實物圖。

圖9 減速箱試驗臺

4.2 數據處理分析與故障模式識別

為降低DBNs網絡自適應提取故障特征的難度，需要將時域信號進行快速傅里葉變換（Fast Fourier Transform，FFT），得到1 024點的頻譜，歸一化后合理構建頻譜數據集，其構建流程如圖10所示。

圖10 數據集構建流程

為豐富信號樣本，擴大數據集，分別在3種輸入軸轉速下進行信號采樣。數據集包含剝落、點蝕、斷齒、磨損、裂紋、偏心和正常7種模式頻譜。

構建好數據集后，經過網絡優化處理，選擇框架為1 024-100-100（即網絡層數為3，各層神經元數目依次為1 024、100和100）、學習率為ε＝0.2的DBNs網絡并對該網絡進行無監督預訓練，迭代次數為100，以完成自適應特征提取過程。利用主成分分析法（Principal Component Analysis，PCA）對提取的信號特征進行降維處理，前二維可視化結果如圖11所示。

圖11 7種振動信號特征可視化圖

由圖可見，7種信號的特征被明顯區分開來。DBNs網絡預訓練完成后，通過測試集對診斷系統的可靠性進行測試，測試結果表明，該系統對齒輪故障信號判別的正確率高達97%，并且每次從按下故障診斷鍵到自動識別出故障類型用時不超過2 min。由此可見，該系統高效、可靠，完全滿足減速箱齒輪故障診斷的需要。

5 結 語

針對減速箱齒輪振動信號復雜而傳統信號處理方法難以對其進行故障識別的問題，基于LabVIEW與Matlab混合編程技術，通過與深度置信網絡的智能算法結合，進行減速箱實地故障診斷實驗。實驗結果表明，該系統打破了傳統時、頻域特征提取的束縛，直接將原始時域振動信號或其頻譜作為DBNs網絡的顯層輸入，避免了傳統神經網絡故障診斷方法煩瑣的外部特征提取過程，降低了故障診斷難度，實現了齒輪故障類型的智能、快速識別。