一種基于大數據診斷模型的機械齒輪箱復合識別方法

呂文淵

（太原學院，太原 030012）

0 引言

現代工業快速發展，機械設備正朝向系統化、大型化發展，多種設備之間存在著緊密的聯系，一旦其中個別設備出現故障將會引起相應的連鎖反應，影響工業制造系統的使用效果[1]。齒輪箱作為機械制造系統的重要組成部分，已應用在工業、運輸業以及農業等多個領域，其承載著機器轉動中力量傳遞的重要作用。如此設備在運行過程中出現異常，將造成大量的經濟損失，同時威脅工作人員的人身安全。因此，齒輪箱的狀態識別成為機械設備維護過程中不可忽視的部分。

齒輪箱狀態識別技術起源上世紀80年代的西方國家，伴隨著我國經濟的發展，我國也加速了齒輪箱狀態識別技術的研究，盡一切可能避免事故的發生。進入21世紀以來，齒輪箱狀態識別技術的有效性與準確性得到了很大的提升，但對于復合型異常識別能力相對較差，不足以支撐機械制造業的發展[2]。隨著人工智能技術在各個領域中的普及，大數據技術逐漸成為機械制造業中的重點研究問題。針對當前機械齒輪箱復合識別方法對于齒輪運行數據分析能力較差的問題，構建大數據診斷模型對機械齒輪箱復合識別方法展開優化，為齒輪箱的精確識別提供有效的基礎。

1 基于大數據診斷模型的機械齒輪箱復合識別方法設計

1.1 機械齒輪箱運行數據采集及處理

在大數據時代，采集到的齒輪箱運行數據是確定齒輪箱運行狀態的重要依據。獲取大量的齒輪運行數據，并對數據特征進行解釋，成為機械齒輪箱運行狀態診斷的重要組成部分。由于機械齒輪箱在日常工作環境中噪聲相對較大，采集到的數據常伴有重復或缺失等問題，需要進行初次分析后，方可使用其完成后續的運算。

對部分文獻進行分析后可以發現，機械齒輪箱運行異常狀態大致可分為齒面膠合、軸體磨損斷裂、軸體不平衡以及軸承故障等多種模式。大部分的異常運行狀態會兩種或是兩種以上同時出現，部分異常運行狀態可通過數據直接識別。但軸承故障相對較為復雜，識別精度極易受到影響。為了不對后續的識別診斷過程造成影響，使用采集到的數據計算齒輪箱軸承的振動頻率，以此得到齒輪箱的運動參數。在計算前對齒輪箱的運動狀態進行設定，提升計算結果可靠性：

1）齒輪大輪與齒輪小輪之間的運行模式為滾動模式；

2）齒輪箱中無形變器件

3）齒輪箱滾動軌道旋轉為固定幅度

根據上述內容，對齒輪箱零件的運動特征頻率進行計算。大輪在外圈的通過頻率可表示為：

其中，a表示齒輪旋轉角；d表示小輪直徑；D表示大輪直徑；ai表示大輪旋轉頻率；a0表示小輪旋轉頻率。由此公式可得到齒輪在內圈的通過頻率：

此時，保持架相對于內圈的旋轉頻率可表示為：

根據此公式，可得到保持架相對于外圈的旋轉頻率可表示為：

使用上述公式，對齒輪箱的運動參數進行推導，并將此部分數據結合工況環境，為后續的齒輪箱運行狀態診斷提供數據基礎。

1.2 機械齒輪箱運行狀態特征提取

在齒輪箱運行數據初次處理結果的基礎上，使用主成分分析法提取機械齒輪箱運行狀態特征。將原始信號數據矢量映射為高維空間數據，實現信號類型的可劃分性。在原有齒輪箱運行狀態分析的過程中，多使用原始信號進行處理，導致大量的信號出現重復，影響運行狀態分類效果。為避免此類問題出現在本次研究中，對數據進行預處理，剔除冗余數據，并對空位進行補位，組成新的運行數據集，并使用其完成后續的計算。在完成數據處理后，首先對處理后的信號進行歸一化處理，則有：

完成歸一化處理后，構建信號樣本矩陣，則有：

在信號矩陣中，構建變量E1，此變量約束條件設定如下：

與此同時，使用變量E1對歸一化處理后的信號矩陣進行處理。對式(7)進行求解時，需要將E1的方差取值結果設定為最大值。根據大數據分析相應的理論，此變量取值結果越大，則所包含的信息量越多。則E1的方差計算公式可設定為：

對式(6)～式(8)進行整合，構建信號信息分類拉格朗日函數[3]，則有：

其中，U表示齒輪箱特征值；ε1表示固定計算系數。對式(9)中的偏導數進行求解，并將其設定為0，則有：

其中，p1表示U中的一個標準化特征向量，ε1表示對應的齒輪箱運行狀態特征值，此時：

通過此公式可知，p1表示矩陣U的最大特征值，ε1表示對應的標準化齒輪箱運行狀態特征向量。根據此公式，對采集到的數據進行循環計算，得到各數據的主要成分，對齒輪箱運行信息進行分類，計算過程如下所示：

根據上述公式，對齒輪箱信號進行分類。并提取每個運行狀態的特征，將其作為機械齒輪箱大數據復合識別的主要判定條件。

1.3 構建機械齒輪箱大數據復合診斷模型

完成機械齒輪箱運行狀態特征提取后，使用Softmax分類器[4，5]結合大數據分析技術，構建機械齒輪箱大數據復合診斷模型，實現機械齒輪箱的復合識別。

根據logistics回歸模型相關原理，將Softmax分類器插入到診斷模型中。假設此模型中輸入量為H=[h1，h2，…，hn]，經過Softmax分類器將H映射為H輸出第i種運行狀態的概率，則Softmax分類器輸出結果可表示為：

其中，δ表示診斷模型計算參數；f(H，δ)表示模型最后一組輸入向量第i個位置的數值；g`i表示信號數據屬于第i種運行狀態的置信度。

將部分異常機械齒輪箱運行狀態的歷史數據輸入代入式(5)～式(12)中，提取此各類運行狀態的特征值，將此特征值代入此模型中，給機械齒輪箱的識別過程提供參考依據。考慮到原有的機械齒輪箱識別方法僅能對單一的運行狀態進行分析，在本次研究中適應交叉熵技術，提升文中診斷模型的運行類型分類能力與識別能力，則此部分計算過程可表示為：

將此公式導入診斷模型中，結合已獲取到的機械齒輪箱運行狀態特征對信號數據進行訓練，對齒輪箱運行狀態進行診斷，并輸出相應的結果。對上文中的設計內容進行整理，保證運算過程的有序性與可控性。至此，一種基于大數據診斷模型的機械齒輪箱復合識別方法設計完成。

2 實驗論證分析

在本次研究中提出了一種基于大數據診斷模型的機械齒輪箱復合識別方法，為證實此方法具有應用效果，構建仿真實驗環節對其使用效果進行分析。

2.1 實驗平臺以及設備準備

本次實驗中選擇動力傳動故障診斷綜合實驗臺模擬動力傳動系統。在此實驗臺中裝有一個可調節轉速的電機為整個實驗臺提供動力。與此同時，此實驗臺中設有一個齒輪箱，此齒輪箱中含有多個軸承與齒輪。實驗臺中設置了一個可編程制動裝置，用以模擬實驗中相關參數對實驗過程的影響。綜合以上內容，實驗臺基本結構如圖1所示。

圖1 齒輪箱故障診斷綜合實驗臺

使用上述實驗臺，可對常見的齒面磨損、齒面膠合、軸體磨損斷裂、軸體不平衡以及軸承故障進行模擬。在實驗操作過程中，此實驗臺不僅可進行單一運行狀態得到模擬，也可以同時對多個零件數據進行處理，模擬齒輪箱的復合運行異常狀態，研究復合狀態下的齒輪箱耦合效應。通過參數模擬的方式，為實驗提供齒輪箱運行數據。針對實驗數據采集工作，在本次研究中選用工業加速度傳感器實現數據采集，傳感器相應參數設定如下：

1）傳感器靈敏度：120mV/g

2）傳感器頻率信號采集范圍：50～300000cpm

3）測量范圍：±500m/s

4）安裝方式：螺栓連接

根據上述內容在實驗臺中安裝傳感器，并將此傳感器的采樣頻率設定為50kHz，采用實驗設定為0.5min。當實驗臺運行平穩后，通過敲打實驗臺的方式，模擬齒輪真實運行環境，人工噪聲信號量占信號采集結果的5%。總結上述內容，并按照以上要求，完成實驗臺的搭建以及信號采集過程。

2.2 實驗數據處理

為了對采集到的信號數據進行更加細致的分析，對齒輪箱運行狀態劃分，具體如表1所示。

表1 齒輪箱運行狀態數據統計

根據此表格，對采集到的6000條信號數據進行劃分，在分類前剔除信號組中的冗余數據，得到5000條有效信號數據。在完成信號劃分后，將兩種或兩種以上的信號數據組成一個數據組，并將此數據組作為實驗中的實驗樣本，具體組別劃分情況如表2所示。

表2 實驗樣本組成結構

上表中內容為本次實驗中使用的樣本數據，在本次實驗中將其作為對本文方法進行評價的基礎，設定實驗操作過程，分析本文方法的使用效果。

2.3 實驗操作過程及結果分析

考慮到真實齒輪箱識別環境的惡劣性，將實驗信號的信噪比設定為－2db、-6db以及－10db三種環境，對本文方法的復合識別能力進行分析。為了獲取更加全面的實驗結果，選擇LSTM識別方法以及深度學習識別方法與本文方法進行對比。在本次實驗過程中，為避免計算精度對實驗結果造成影響，對三種方法識別結果的平均準確率進行分析。根據以上設定，所得實驗結果如圖2所示。

圖2 識別方法仿真實驗結果

對上述圖像進行分析后可以看出，在不同的信噪比下，3種識別方法的使用效果具有較為明顯的差異。當實驗環境信噪比為－2db時，三種方法的識別率相對一致，但本文方法識別率相對較高。當實驗環境信噪比下降到－6db時，本文方法的識別率未發生較大的變化，但其他兩種方法的識別率逐漸下降。當實驗環境的信噪比下降到－10db時，三種方法的識別精度具有較大的差異度。本文方法的識別精度固定在95.00%左右，其他兩種方法的識別精度在92.00%左右。通過橫向對比可以看出，本文方法相對識別精度較高。對上述三種方法進行縱向對比可以看出，本文方法的識別精度較為穩定。對上述分析結果進行整合可知，本文方法可在多種實驗環境中有效控制識別精度的同時，控制方法運行的穩定性。

3 結語

在本次研究中，對大數據診斷技術與齒輪箱識別方法進行了有效的融合，并對其融合效果進行了評定。在多次實驗中顯示，將兩種技術融合使用可有效提升齒輪箱復合識別結果的有效性。本次研究雖然在一定程度上對原有的識別方法進行了優化，但在部分領域中還存在相應的問題，在日后的研究中還需要進行不斷的完善，力求為機械齒輪箱的推廣應用提供動力。