基于分支卷積神經網絡的托輥軸承故障分級診斷研究*

陳維望,李軍霞*,張 偉

(1.太原理工大學 機械與運載工程學院,山西 太原 030024;2.礦山流體控制國家地方聯合工程實驗室,山西 太原 030024)

0 引 言

當前,礦山機械中的旋轉機械設備向著大型化、高速化、智能化方向升級,由設備故障引發的非計劃停機不僅會造成巨額的經濟損失,而且還可能引發火災、爆炸等惡性次生事故[1]。

軸承作為礦山機械設備中的重要部件,其健康狀態對整套礦山機械設備的正常運行有重要影響。礦山機械的工作環境惡劣,這大大縮短了軸承的使用壽命。同時,軸承振動信號因受到工況多變、噪聲干擾等因素的影響,所以難以對其故障進行有效的診斷。因此,對軸承進行準確的故障診斷對維護設備安全、穩定運行具有重要意義。

通常,故障診斷主要有模型分析、信號處理和數據驅動3類方法。采用模型分析法時,需要將實際測量值與系統的數學模型所產生的輸出值進行比較。然而對于復雜機電系統,難以保證模型的準確性。信號處理法[2]使用時域、頻域、時頻域等信號動態描述方法[3]提取故障特征,但該方法的選擇嚴重依賴專家經驗。

數據驅動法的核心在于從大量監測數據中學習故障的表現形式,從而實現對故障模式的自主識別[4],它在針對復雜系統的故障檢測、診斷和預測具有明顯優勢。

數據驅動的故障智能診斷方法有基于機器學習、深度學習的智能診斷技術兩大類。

基于機器學習的診斷方法,首先要借助模型分析法、信號處理法提取更具區分性的故障特征向量,再運用k近鄰(k-nearest neighbor, KNN)[5]、SVM[6]等監督學習算法學習特征向量與模式間的映射關系。劉暢等人[7]使用高斯隨機投影矩陣,對軸承振動數據進行了降維投影,再提取壓縮域特征作為SVM輸入,實現了對滾動軸承的故障診斷。但是人為的特征提取依賴于先驗知識,在接受新的診斷任務時,可能需要重新提取其故障特征。

基于深度學習的方法[8]是將多層數據處理模塊組成一個深層結構,以此來實現自動化地特征提取與模式識別。典型的深度學習算法有深度置信網絡[9]、自編碼器[10]、卷積神經網絡[11]、循環神經網絡[12]等。其中,卷積神經網絡(CNN)對高維數據具有很強的特征提取和表達能力,已在故障診斷領域得到廣泛應用。PENG Dan-dan等人[13]提出了一種更深的一維CNN網絡模型,運用殘差學習思想、寬卷積核和dropout技術,提高了模型對低頻信號的特征提取能力,以原始振動信號為輸入,實現了端到端的列車輪對軸承的故障診斷;但其存在模型過于復雜、訓練成本大、對其他診斷任務不適用等問題。KHODJ A Y等人[14]將一維振動信號樣本轉化為二維頻譜圖像,將其再導入CNN中,實現了對軸承故障診斷;但采用該方法需要進行大量信號維度轉換。

在實際應用中,根據設備及部件的重要性,工業上會有不同的診斷需求;同時,采集的數據也會受到噪聲、多變工況的影響[15]。因此,有必要開發一種對不同診斷任務具有更高適應性的模型,且在噪聲干擾和工況變化下都具有良好魯棒性。

基于以上分析,筆者提出一種用于托輥軸承故障分級診斷的分支卷積神經網絡模型。首先,根據不同的診斷需求,建立機械故障的層級結構,從而根據不同層級需求設定分類標簽;然后,構建一維CNN特征提取基本塊;最后將層級結構的分支輸出網絡融入經典CNN結構中,形成B-1DCNN模型。

該方法直接以一維振動信號為輸入,通過多個分支輸出層預測故障的層級結構,同時輸出機械故障狀態、故障類型和損傷程度。

1 一維卷積神經網絡(1DCNN)

神經網絡(CNN)結構主要由輸入層、卷積層、池化層、全連接層和輸出層組成,通過正向運算和反向傳播實現學習過程。正向運算中,卷積層和池化層交替傳遞對輸入進行特征提取,全連接層對提取的特征進行分類。反向傳播算法依據輸出損失逐層向前反饋更新參數,更新的參數再正向運算,以此重復至模型收斂,實現訓練過程。

經典CNN模型結構如圖1所示。

圖1 經典CNN模型結構

(1)輸入層。一維卷積神經網絡能對一維時序數據進行特征提取,且不損失時序特征,非常適用于分析振動信號;

(2)卷積層。卷積層的作用是從輸入數據提取特征,其核心是卷積核,卷積核的每個元素對應一個權值和偏差。

定義Wl(i,j)代表第l層中第i個卷積核的第j個權重;bl(i)代表第l層的第i個卷積核的偏差;yl(i,j)和yl+1(i,j)分別代表第l層的輸入和輸出。則卷積層的運算公式為:

yl+1(i,j)=[yl?Wl](i,j)+bl(i)

(1)

通常在每個卷積層后都會應用一個非線性激活函數,以增加網絡的非線性表達能力。常用的激活函數有ReLU、Sigmoid和Tanh函數。因為ReLU與其他兩者相比具有防止梯度消失,加快網絡訓練等優點,所以此處筆者選用ReLU激活函數;

(3)批標準化層。批量標準化(bath normalization, BN)操作能夠緩解網絡梯度彌散問題,大幅提高訓練速度,改善正則化策略。其計算公式為:

(2)

式中:yi—批標準化輸出;xi—第i個輸入;γ,β—調節參數。

(4)池化層。池化層無待更新參數,池化核以一定步長遍歷特征,在提取主要特征的同時減少網絡參數,其作用是實現數據降維,擴大感受野[16]。池化方法主要分為最大池化和平均池化,應用最廣的最大池化方法計算公式為:

(3)

(5)全連接層。全連接層(fully-connected layer, FC)的作用是分類,通常使用Softmax激活函數,輸出分類標簽。

2 分支卷積神經網絡

CNN的淺層通常抓取低層次特征,而深層可以提取高層次特征,因此,CNN的每一層都包含了網絡特征的層次結構[17]。文獻[18]第一次使用了類別的層級結構評估CIFAR-10和ImageNet數據集。而設備不同的診斷需求(健康狀態、故障類型或損傷程度)可有效結合上述CNN提取特征的特點[19],在淺層輸出簡單的診斷結果,在深層輸出更精確的結果,由此構建分支CNN,實現故障的分級輸出。

2.1 B-1DCNN結構

此處筆者提出一種B-1DCNN模型,其結構如圖2所示。

圖2 B-1DCNN模型結構

該模型共包含4個特征提取塊,每個特征提取塊由卷積層、批標準化層、激活層和池化層組成。

模型中,將一維信號直接作為輸入,在每個卷積層和池化層之間加BN層,加快模型訓練速度,在特征提取塊2、3和4的最大池化層后增加分支輸出網絡;每個分支輸出模塊由一個全連接層和Softmax輸出層組成,其中Softmax層的神經元數量取決于每個層級的類別數量。

與經典CNN模型結構相比,該B-1DCNN模型可采用多分支輸出層,實現對設備故障的從粗略到精確的預測。其模塊化設計允許根據診斷需求劃分數據集的層級結構,也可自由選擇CNN模型作為構建塊。

2.2 損失函數定義

該B-1DCNN模型的損失函數是各分支損失值的加權和。其中,第i個樣本的總損失計算公式為:

(4)

損失權重的分布定義了層級網絡的特定層級對總損失函數的貢獻,它表示每個層級的重要性,依據實際診斷任務進行設定。

3 診斷框架

筆者提出了一種基于B-1DCNN模型的軸承故障診斷診斷流程,如圖3所示。

圖3 所提診斷方法框架

其具體步驟如下:

(1)數據采集。采集軸承或設備不同健康狀態下的一維振動信號;

(2)樣本集制作。在不進行任何信號預處理和特征提取的情況下,直接將原始信號通過重疊采樣(數據增強)的方式制作樣本集,并劃分訓練集和測試集;

(3)模型訓練。將訓練樣本輸入B-1DCNN模型中,訓練診斷模型;

(4)模型測試。利用測試樣本設計大量實驗來驗證所提方法的有效性;

(5)實際設備測試。借助測試后的模型框架,用以完成實際設備的診斷模型的訓練和測試,根據現場環境不斷調整優化,得到滿意模型,用以完成后續的診斷和決策過程。

4 實驗與結果分析

4.1 CWRU軸承數據分析

4.1.1 數據集描述

美國凱斯西儲大學(CWRU)軸承故障模擬實驗臺[20]由電機、扭矩傳感器、加載電機等設備組成,如圖4所示。

圖4 CWRU軸承實驗臺

以SKF 6205-2RS型深溝球軸承為例,筆者選用1 hp～3 hp負載工況下的驅動端軸承數據進行驗證,使用電火花加工技術在滾動軸承的內圈(IF)、外圈(OF)和滾動體(RF)上制造單點故障,故障直徑為0.18 mm、0.36 mm、0.53 mm 3種故障損傷程度;所有故障深度均為0.28 mm,包含正常狀態(N),共10種軸承狀態類型;使用加速度傳感器采集軸承振動信號,采樣頻率為12 kHz。

筆者根據軸承狀態、故障位置、損傷程度,將軸承故障分為3個層級,并依次分為兩類、四類和十類。

類別描述如表1所示。

表1 CWRU軸承故障分級描述

筆者通過數據集增強,以2 048為下采樣信號長度,1 024為步長,截取原始振動信號作為樣本。

樣本構造如表2所示。

表2 CWRU軸承樣本構造

4.1.2 B-1DCNN模型參數

基于構建的訓練集,筆者建立了用于軸承故障分級診斷的B-1DCNN模型,其詳細參數如表3所示。

表3 B-1DCNN模型參數

由于輸入樣本長度較大,為2 048,筆者將第一層卷積選用寬卷積核(128*1),以消除高頻信號對特征提取的影響[21];其他卷積層內核大小分別為16*1、16*1、

3*1,步幅都為1,激活函數都為ReLU;池化類型為最大池化層,寬度都為4*1,步幅分別為4、4、1、1;3個輸出層利用Softmax函數進行預測,Softmax層的神經元數分別為2、4、10,相當于3個層次上的故障類別數。

在設置權重分布時,為在3個層次上都取得良好的診斷結果(而層次越高模型診斷越困難),筆者通過多次試驗設定權重分布為[0.2,0.2,0.6],以保證第3層次得到更好的訓練結果。

在訓練過程中,筆者采用Adam優化器,迭代次數設為120,批量大小(Batch Size)設為128;為避免測試結果的偶然性,每次測試結果均為10次測試結果的平均值。

4.1.3 同工況下模型識別結果

CWRU數據集A 3個層級模型訓練與測試準確率和誤差損失,如圖5所示。

圖5 數據集A上模型診斷曲線圖

在訓練過程中,B-1DCNN模型在大約25輪迭代后3個層次的準確率和誤差損失收斂,3個水平的準確率均為100%。

3個層級測試集識別結果的混淆矩陣如圖6所示。

圖6 CWRU數據集A分類混淆矩陣

4.1.4 噪聲環境下模型性能分析

為檢驗模型在噪聲環境下的性能,筆者基于CWRU數據集A,用原訓練樣本對模型進行訓練,測試樣本則加入0～8 dB高斯白噪聲。

樣本測試結果如表4所示。

表4 數據集A不同噪聲下模型識別準確率(%)

表4中,當信噪比為8 dB時,3個層級故障診斷準確率均達到100%,B-1DCNN在高信噪比噪聲干擾條件下具有良好的魯棒性。相比之下,當信噪比為0 dB時,第2級和第3級的精度出現明顯下降。

4.1.5 工況改變時模型性能分析

為驗證模型對不同工況數據的自適應性,筆者用一種負載下數據訓練模型,用另一種負載下數據測試模型。

變工況下模型的識別結果如表5所示。

表5 CWRU數據集變工況下識別準確率(%)

表5中,從簡單到精確3個層級的平均準確率分別為100%、99.15%、93.29%。該結果表明,B-1DCNN模型在變工況條件下表現出良好的自適應性。

4.2 帶式輸送機托輥數據分析

在真實運行環境中,礦山機械設備受到變工況運行、潤滑條件改變、溫度變化、粉塵污染等因素的影響,以及電磁干擾對數據采集器的影響。為此,筆者搭建了帶式輸送機托輥故障模擬平臺,以進一步驗證該模型對真實設備的診斷效果。

4.2.1 數據集描述

帶式輸送機托輥故障模擬實驗臺由帶式輸送機、各狀態類型托輥、數據采集系統等組成。

其實驗臺結構如圖7所示。

圖7 帶式輸送機托輥故障數據采集實驗臺

帶式輸送機托輥及其安裝如圖8所示。

圖8 帶式輸送機托輥

圖8中,托輥直徑為89 mm,筒長190 mm,托輥軸長220 mm,內部軸承型號為6204 RS。

在模擬托輥常見的4種故障類型中,托輥軸承內圈和外圈采用線切割技術加工出故障;用異物(碎石、粉塵等)侵入軸承使托輥旋轉卡頓;托輥主軸偏心使托輥旋轉卡死。

帶式輸送機皮帶運轉速度為1.0 m/s,相當于正常托輥轉速為3.58 r/s。筆者使用加速度傳感器采集各狀態托輥的振動信號,采樣頻率為5 120 Hz,每組托輥采樣時間為22 s。

在實際使用托輥過程中,巡檢人員只需確認托輥運轉出現故障便會更換托輥,因此1級標簽需診斷托輥是否正常。2級標簽診斷托輥故障類型,可用于托輥組件的制造工藝的改良參考。

因此,此處筆者將托輥分為兩層級故障診斷。托輥的故障分級標簽如表6所示。

表6 托輥故障分級描述

根據托輥轉速和采樣頻率,可以推斷每轉約采集1 432個采樣點。為了獲得完整準確的托輥運轉周期信息,筆者選取2 048個采樣點為樣本長度,按7 ∶3隨機劃分訓練集和測試集。

托輥的樣本構造如表7所示。

表7 托輥樣本構造

筆者在實驗中采集了5種狀態類型托輥的時域波形,如圖9所示。

圖9 托輥5種狀態的振動時域波形

由圖9可以看出,真實采集的振動信號存在大量噪聲,周期性沖擊被淹沒。

4.2.2 實驗結果分析

因層級數量改變,筆者對上述B-1DCNN模型進行修改,刪除特征提取塊4和分支輸出網絡3,將分支輸出網絡2的Softmax層神經元個數改為5,損失權重設為[0.4,0.6],其他模型參數不變;并將樣本導入神經網絡進行訓練和測試。

測試集識別結果的混淆矩陣如圖10所示。

圖10 托輥故障識別混淆矩陣

由圖10可知,在托輥的兩級故障診斷中,采用B-1DCNN獲得的診斷準確率均達到了100%,證明了該模型有良好的自適應性,具有一定的工程價值。

4.3 不同算法對比驗證

為驗證所提模型診斷效果的優越性,筆者使用CWRU數據集A和托輥數據集,將軸承10分類和托輥5分類診斷結果,分別與SVM、BPNN的診斷結果進行對比。

SVM采用遺傳算法(genetic algorithm, GA)優化參數,并提取樣本集的11個時域[7]、4個頻域特征(重心頻率、均方頻率、頻率方差、均方根頻率)和5個EMD(empirical mode decomposition)熵特征(前5個內涵模態分量的能量熵)作為輸入。這些特征可以從多角度表征托輥狀態信息。

BPNN模型參數設置與所提B-1DCNN模型的分支輸出網絡3相同,并使用與SVM相同的輸入,訓練迭代500輪。

筆者按7 ∶3劃分訓練集和測試集,其診斷結果如表8所示。

表8 不同算法對托輥故障診斷結果

從表8可以看出:在兩種數據集上,B-1DCNN模型測試準確率都高于SVM、BPNN,達到了100%;SVM和BPNN具有相近的測試準確率,這是由于基于機器學習的分類方法的識別效果很大程度上依賴于特征的人為選取。

可見,該模型能自動進行特征的提取和分類,在應用流程和診斷性能上優于SVM和BPNN模型。

5 結束語

針對機械裝備中軸承診斷需求不同,診斷效果易受噪聲和工況變化干擾等問題,筆者提出了一種基于B-1DCNN模型的故障診斷方法,并且在兩種診斷任務下,采用上述故障診斷方法對軸承故障進行了分級診斷。

研究結論如下:

(1)該故障分級診斷方法將分支輸出與經典CNN模型融合,根據劃分的故障層級,實現了對軸承故障從簡單到精確的預測;

(2)用CWRU軸承數據和帶式輸送機托輥故障數據進行了驗證,實驗結果表明,該分級診斷方法具有良好的抗噪性與變工況適應性;

(3)與SVM和BPNN模型相比,基于B-1DCNN模型的故障診斷方法具有更高的故障識別準確率。

在后續的研究工作中,筆者將采集真實礦井下運轉的托輥故障振動信號,對模型的適用性做進一步的驗證,并且對模型進行優化。