煤礦旋轉(zhuǎn)機(jī)械健康指標(biāo)構(gòu)建及狀態(tài)評(píng)估

李曼，潘楠楠，段雍，曹現(xiàn)剛

（1. 西安科技大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710054；2. 陜西省礦山機(jī)電裝備智能監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054）

0 引言

隨著煤礦開采深度和難度不斷加大，煤礦設(shè)備正逐漸趨于大型化、復(fù)雜化和智能化[1-2]。礦用旋轉(zhuǎn)機(jī)械所處環(huán)境惡劣，工作載荷大且多變，易出現(xiàn)故障，且其振動(dòng)信號(hào)具有非平穩(wěn)、非線性的特點(diǎn)，使得設(shè)備狀態(tài)監(jiān)測(cè)和準(zhǔn)確評(píng)估困難。因此，對(duì)煤礦旋轉(zhuǎn)機(jī)械健康狀態(tài)進(jìn)行準(zhǔn)確評(píng)估，對(duì)于保障煤礦機(jī)械設(shè)備安全高效運(yùn)行具有重要意義。

設(shè)備健康評(píng)估方法主要有基于物理模型驅(qū)動(dòng)、基于知識(shí)驅(qū)動(dòng)和基于數(shù)據(jù)驅(qū)動(dòng)的方法[3]。煤礦旋轉(zhuǎn)機(jī)械結(jié)構(gòu)復(fù)雜，且關(guān)鍵部件的健康狀態(tài)呈現(xiàn)復(fù)雜的退化規(guī)律，基于物理模型和知識(shí)驅(qū)動(dòng)的方法難以準(zhǔn)確建立評(píng)估模型。隨著信息與傳感技術(shù)的飛速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的方法已被廣泛應(yīng)用于煤礦設(shè)備故障診斷、異物檢測(cè)和煤矸檢測(cè)等方面[4]。在設(shè)備健康評(píng)估方面，基于數(shù)據(jù)驅(qū)動(dòng)的方法主要包括有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)2種方法[5]。有監(jiān)督學(xué)習(xí)方法能夠建立樣本與標(biāo)簽之間的聯(lián)系，有效地進(jìn)行分類與回歸，但煤礦旋轉(zhuǎn)機(jī)械結(jié)構(gòu)復(fù)雜、工況多變，難以建立樣本與健康狀態(tài)之間的對(duì)應(yīng)關(guān)系，且往往需要大量專家知識(shí)與人為經(jīng)驗(yàn)。無監(jiān)督學(xué)習(xí)方法無需費(fèi)時(shí)費(fèi)力的數(shù)據(jù)標(biāo)記過程，能夠自適應(yīng)地進(jìn)行特征提取與降維，實(shí)現(xiàn)設(shè)備健康狀態(tài)評(píng)估。在眾多無監(jiān)督學(xué)習(xí)算法中，卷積自編碼器（Convolutional Autoencoder，CAE）模型集成了自編碼器（Autoencoder，AE）與卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的優(yōu)勢(shì)，能夠?qū)崿F(xiàn)任意維度的特征空間映射[6]，在避免專家經(jīng)驗(yàn)的同時(shí)增強(qiáng)模型性能。CAE雖然有出色的特征提取與降噪能力，但卷積單元僅能提取數(shù)據(jù)樣本的局部空間相關(guān)特征，未同時(shí)考慮樣本的空間與時(shí)間特性，存在特征學(xué)習(xí)不完備的問題，影響識(shí)別準(zhǔn)確性。

煤礦設(shè)備監(jiān)測(cè)參數(shù)為時(shí)間序列數(shù)據(jù)，其時(shí)序特征對(duì)健康評(píng)估的影響較大。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）能夠?qū)W習(xí)數(shù)據(jù)中的序列特征，在健康評(píng)估與壽命預(yù)測(cè)中得到了應(yīng)用。長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)是一種改進(jìn)RNN，通過引入門控結(jié)構(gòu)控制信息的傳遞，從而有效記憶時(shí)序數(shù)據(jù)特征，解決RNN因時(shí)間間隔過大出現(xiàn)的梯度消失和梯度爆炸等問題[7]。為充分挖掘煤礦設(shè)備振動(dòng)數(shù)據(jù)的時(shí)間與空間特征信息，本文采用LSTM網(wǎng)絡(luò)提取振動(dòng)數(shù)據(jù)的時(shí)間序列特征，建立了基于二維數(shù)組的長(zhǎng)短期記憶降噪卷積自編碼器（Twodimensional array Long Short-Term Memory Denoising Convolutional Autoencoder，2D-LSTMDCAE）模型，并提出了基于2D-LSTMDCAE的煤礦旋轉(zhuǎn)機(jī)械健康指標(biāo)（Health Indicator，HI）構(gòu)建及狀態(tài)評(píng)估方法。評(píng)估模型采用卷積和LSTM并行的網(wǎng)絡(luò)結(jié)構(gòu)，以二維樣本輸入，可充分提取振動(dòng)信號(hào)的時(shí)空特性。

1 基于2D-LSTMDCAE的HI構(gòu)建及狀態(tài)評(píng)估方法

1.1 模型構(gòu)建

1.1.1 LSTM網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)的循環(huán)單元結(jié)構(gòu)如圖1所示。

圖1 LSTM循環(huán)單元結(jié)構(gòu)Fig. 1 Structure of LSTM cyclic unit

LSTM引入輸入門it控制當(dāng)前時(shí)刻的候選狀態(tài)有 多少信息需要保存，引入遺忘門ft控制上一時(shí)刻的內(nèi)部狀態(tài)ct-1需 要遺忘多少信息，引入輸出門ot控制當(dāng)前時(shí)刻的內(nèi)部狀態(tài)ct有多少信息需要輸出給外部狀態(tài)ht。 在每個(gè)時(shí)間步t，隱藏層的狀態(tài)更新公式為

式中：⊙為向量元素相乘符號(hào)；tanh為雙曲正切激活函數(shù)；Wc為候選狀態(tài)的權(quán)重矩陣；xt為當(dāng)前時(shí)刻的輸入；bc為候選狀態(tài)的偏置向量。

3個(gè)門的計(jì)算公式分別為

式中：s為Sigmoid激活函數(shù)；Wi，Wf，W0分別為3個(gè)門中xt的權(quán)重矩陣；Vi，Vf，V0分別為3個(gè)門中ht-1的權(quán)重矩陣；bi，bf，b0分別為3個(gè)門的偏置向量。

1.1.2 CAE

CAE由編碼和解碼2個(gè)部分組成，如圖2所示。編碼部分實(shí)現(xiàn)特征提取與降維，解碼部分還原特征，并利用卷積、池化、反卷積和上采樣代替AE中的全連接層，以增強(qiáng)算法對(duì)數(shù)據(jù)特征的學(xué)習(xí)能力[8]。

圖2 CAE模型Fig. 2 CAE model

1.1.3 LSTMDCAE模型

考慮到實(shí)際煤礦生產(chǎn)條件下存在強(qiáng)電磁干擾、載荷多變等因素，使得所測(cè)振動(dòng)信號(hào)中包含較強(qiáng)的背景噪聲和設(shè)備運(yùn)行引起的機(jī)械沖擊，所以采用降噪CAE（DCAE）提升模型的降噪能力。LSTMDCAE模型如圖3所示。

圖3 LSTMDCAE模型Fig. 3 LSTMDCAE model

LSTMDCAE模型采用并行多層CAE結(jié)構(gòu)。在編碼階段，分別采用卷積與長(zhǎng)短時(shí)單元對(duì)原始數(shù)據(jù)集進(jìn)行特征提取，對(duì)提取到的特征進(jìn)行拼接，再由卷積單元進(jìn)行特征融合。在解碼階段，采用反卷積和上采樣單元將特征恢復(fù)為原始數(shù)據(jù)格式，在輸出層之后添加Sigmoid激活函數(shù)，將輸出特征映射到[0,1]區(qū)間，以便于模型訓(xùn)練。

在輸入層之后，通過高斯層對(duì)輸入信號(hào)添加噪聲，后續(xù)通過網(wǎng)絡(luò)重構(gòu)無噪聲數(shù)據(jù)，以提高模型的抗干擾能力。在每次卷積后加入標(biāo)準(zhǔn)化層，使每層神經(jīng)元的輸入保持標(biāo)準(zhǔn)正態(tài)分布，以避免梯度消失問題，加快模型的訓(xùn)練速度，提高模型的泛化能力[9]。在標(biāo)準(zhǔn)化層后添加ReLU激活函數(shù)，使負(fù)值置零，以增強(qiáng)模型的非線性能力，加快收斂速度。該模型以無監(jiān)督的方式從原始數(shù)據(jù)中捕獲時(shí)空信息并降低噪聲干擾。

1.2 基于2D-LSTMDCAE的HI構(gòu)建方法

2D-LSTMDCAE模型輸入樣本及HI構(gòu)建過程如圖4所示。將一維振動(dòng)數(shù)據(jù)重構(gòu)為二維樣本，輸入由卷積和LSTM組成的并行網(wǎng)絡(luò)進(jìn)行樣本重構(gòu)，通過Bray-Curtis距離度量原始樣本與重構(gòu)樣本間的相似程度，構(gòu)建HI，最后通過Savitzky-Golay濾波器對(duì)HI曲線進(jìn)行平滑處理。

圖4 輸入樣本及HI構(gòu)建Fig. 4 Construction of input sample and HI

1.2.1 輸入樣本構(gòu)建

原始振動(dòng)信號(hào)是一維時(shí)間序列信號(hào)，通過一維卷積進(jìn)行特征學(xué)習(xí)時(shí)存在學(xué)習(xí)能力不足、訓(xùn)練參數(shù)較大等問題。將原始數(shù)據(jù)轉(zhuǎn)換為二維數(shù)組，可通過二維卷積網(wǎng)絡(luò)模型充分學(xué)習(xí)原始數(shù)據(jù)中所包含的信息，增強(qiáng)模型對(duì)數(shù)據(jù)特征的學(xué)習(xí)能力。

首先，分別將垂直和水平2路原始振動(dòng)數(shù)據(jù)歸一化到[0,1]區(qū)間，并切分為等時(shí)間長(zhǎng)度的N個(gè)時(shí)刻。其次，按照等間距采樣的方式，分別在垂直和水平方向每一時(shí)刻的振動(dòng)數(shù)據(jù)中取X個(gè)數(shù)據(jù)點(diǎn)，構(gòu)成2個(gè)一維數(shù)組，用K1[X]，H1[X]表示。然后，分別將K1[X]，H1[X]重 新排列，重構(gòu)為長(zhǎng)為E、寬為D的2個(gè)二維數(shù)組，用K2[E×D]，H2[E×D]表示。最后，將任意時(shí)刻的2路振動(dòng)信號(hào)二維數(shù)組結(jié)合為1個(gè)二通道輸入樣本St[E×D×2]，構(gòu)建N個(gè)時(shí)刻的總輸入樣本S[N×E×D×2]，作為卷積單元的輸入。

對(duì)于輸入樣本S，以T為窗口長(zhǎng)度、m為步長(zhǎng)進(jìn)行滑動(dòng)，構(gòu)建輸入樣本S′[n×T×E×D×2]（n為樣本數(shù)），作為L(zhǎng)STM網(wǎng)絡(luò)的輸入。

1.2.2 HI構(gòu)建

基于AE能夠重構(gòu)輸入樣本的特性，模型在訓(xùn)練時(shí)通過最小化重構(gòu)誤差來學(xué)習(xí)樣本數(shù)據(jù)的分布情況。將設(shè)備健康狀態(tài)下的數(shù)據(jù)構(gòu)建為訓(xùn)練樣本，輸入2D-LSTMDCAE模型中進(jìn)行訓(xùn)練。隨著訓(xùn)練損失的減小，模型能夠掌握健康數(shù)據(jù)的序列特征并學(xué)習(xí)到數(shù)據(jù)的深層特征表達(dá)。對(duì)于健康狀態(tài)下的監(jiān)測(cè)數(shù)據(jù)，模型能夠很好地對(duì)其進(jìn)行重構(gòu)，重構(gòu)樣本與原始樣本之間的相似度接近于1。當(dāng)設(shè)備開始退化時(shí)，振動(dòng)監(jiān)測(cè)數(shù)據(jù)中所蘊(yùn)含的特征信息逐漸偏離健康狀態(tài)下的特征信息，模型對(duì)數(shù)據(jù)的重構(gòu)能力逐漸減弱，重構(gòu)樣本與原始樣本之間的相似度逐漸減小，當(dāng)設(shè)備失效時(shí)，二者之間的相似度為0。重構(gòu)樣本與原始樣本之間的相似度差異可以作為健康評(píng)估的標(biāo)準(zhǔn)。Bray-Curtis距離是衡量2個(gè)物種相似度的指標(biāo)。向量A=[a1,a2,···,aQ] 與R=[r1,r2,···,rQ] 間的Bray-Curtis距離為

式中：aj，rj為 向量A，R中 的元素；Q為 向量A，R中元素的個(gè)數(shù)。

相比于歐氏距離，Bray-Curtis距離能夠克服因物種豐度引起的誤差[10]，衡量特征之間是否存在差異及差異大小[11]。Bray-Curtis距離具有將差異程度歸一化的特點(diǎn)，能夠消除量綱對(duì)度量的影響。采用Bray-Curtis距離衡量重構(gòu)向量與原始向量之間的相似性，構(gòu)建反映設(shè)備退化情況的HI，可實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械健康評(píng)估。

使用Savitzky-Golay濾波器對(duì)得到的Bray-Curtis距離曲線進(jìn)行平滑，以減小毛刺引起的誤報(bào)。將平滑后的曲線歸一化到[0,1]區(qū)間，并將歸一化后的值作為HI。HI越趨近于0，表示重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)的偏差越小，設(shè)備越健康；HI越趨近于1，表示偏差越大，設(shè)備越趨近于失效。

2 模型驗(yàn)證

2.1 數(shù)據(jù)集選取與樣本構(gòu)建

使用XJTU-SY軸承數(shù)據(jù)集[12]來驗(yàn)證2DLSTMDCAE模型的特征學(xué)習(xí)能力。該數(shù)據(jù)集記錄了軸承在3種工況下的全壽命周期數(shù)據(jù)。實(shí)驗(yàn)分別在軸承的水平和垂直2個(gè)方向安裝加速度傳感器，用來采集其振動(dòng)數(shù)據(jù)，采樣頻率為25.6 kHz，每次采樣32 768個(gè)數(shù)據(jù)點(diǎn)，采樣周期為1 min。各工況下軸承參數(shù)見表1。

表1 各工況下軸承參數(shù)Table 1 Bearing parameters under various working conditions

對(duì)XJTU-SY軸承數(shù)據(jù)集進(jìn)行處理，對(duì)每個(gè)時(shí)刻下的數(shù)據(jù)按照等間距采樣的方式取16 384個(gè)點(diǎn)，構(gòu)建為1 28×128×2的二通道二維數(shù)組格式。采用窗口長(zhǎng)度T=10 、 步長(zhǎng)m=1 的滑動(dòng)窗口構(gòu)建LSTM單元的輸入樣本。

為測(cè)試2D-LSTMDCAE模型的泛化能力，采用同一工況數(shù)據(jù)訓(xùn)練的模型對(duì)不同工況下的軸承進(jìn)行測(cè)試。XJTU-SY軸承數(shù)據(jù)集中工況3下軸承的退化時(shí)間較長(zhǎng)，前4個(gè)軸承的故障類型包括軸承所有的故障類型，易于找出軸承健康狀態(tài)下的數(shù)據(jù)。根據(jù)數(shù)據(jù)集描述可知[13]，實(shí)驗(yàn)軸承由開始的健康狀態(tài)經(jīng)加速退化實(shí)驗(yàn)發(fā)展到嚴(yán)重故障狀態(tài)，工況3下前4個(gè)軸承的特征曲線在開始時(shí)比較平緩，表明系統(tǒng)運(yùn)行初期軸承的健康狀態(tài)良好，可選用工況3下前4個(gè)軸承前10%的數(shù)據(jù)作為訓(xùn)練集[14-15]。使用工況1和工況2下前3個(gè)軸承、工況3下第5個(gè)軸承（共7個(gè)軸承）的全壽命周期數(shù)據(jù)作為測(cè)試集。

2.2 軸承HI曲線構(gòu)建與分析

采用Adma作為優(yōu)化器優(yōu)化網(wǎng)絡(luò)模型，學(xué)習(xí)率和batchsize分別設(shè)置為0.01和16，訓(xùn)練輪次設(shè)置為500。選用Huber損失函數(shù)。

式中：L為損失值；v為 模型輸入；u為模型輸出；d為常量，d=0.5。

Huber損失函數(shù)集成了均方誤差和平均絕對(duì)誤差損失函數(shù)的優(yōu)點(diǎn)，當(dāng)誤差小于0.5時(shí)采用平方誤差，當(dāng)誤差大于0.5時(shí)采用線性誤差，能夠減小模型對(duì)離群點(diǎn)的敏感程度。采用訓(xùn)練集對(duì)2D-LSTMDCAE模型進(jìn)行離線訓(xùn)練，損失曲線如圖5所示。可看出損失曲線收斂速度較快，在500次迭代后的損失為4.992 2×10-5，表明模型能夠很好地還原健康狀態(tài)下的樣本。

圖5 損失曲線Fig. 5 Loss curve

7個(gè)測(cè)試軸承的Bray-Curtis距離曲線和濾波后得到的HI曲線如圖6所示。可看出HI在初始階段均接近于0，表明各軸承運(yùn)行狀況良好，然后開始緩慢上升，最后均逐漸趨近于1，表明軸承都出現(xiàn)嚴(yán)重故障，與軸承加速壽命試驗(yàn)結(jié)果一致。

圖6 測(cè)試軸承Bray-Curtis距離與HI曲線Fig. 6 Bray-Curtis distance and HI curves of test bearing

2.3 HI評(píng)價(jià)

為了評(píng)估模型能否更早地發(fā)現(xiàn)早期故障，采用3σ準(zhǔn)則獨(dú)立計(jì)算每個(gè)軸承的退化起始閾值，并采用相關(guān)性和單調(diào)性2個(gè)指標(biāo)評(píng)價(jià)HI。相關(guān)性量化了HI與時(shí)間的相關(guān)關(guān)系，單調(diào)性反映了HI的趨勢(shì)，2個(gè)指標(biāo)的值越大，表明基于HI的狀態(tài)評(píng)估方法性能越好。相關(guān)性C和單調(diào)性M計(jì)算公式分別為

式中：F(Y,I)為Y和I之間的協(xié)方差，Y為HI的值，I為構(gòu)建HI時(shí)所對(duì)應(yīng)的時(shí)間點(diǎn)；σHI和σl分 別為Y和I的標(biāo)準(zhǔn)差；Nd1，Nd2分 別為Y的微分大于0和小于0的個(gè)數(shù)；T′為 軸承全壽命周期中HI的長(zhǎng)度。

為驗(yàn)證2D-LSTMDCAE模型的有效性和基于HI的狀態(tài)評(píng)估方法的性能，選擇經(jīng)典評(píng)價(jià)指標(biāo)均方根與所提HI進(jìn)行對(duì)比實(shí)驗(yàn)。為了降低噪聲及采用單路數(shù)據(jù)進(jìn)行評(píng)估對(duì)驗(yàn)證結(jié)果的影響，計(jì)算均方根前對(duì)原始數(shù)據(jù)進(jìn)行小波降噪（小波函數(shù)為sym8，分解層數(shù)為5），并對(duì)2路信號(hào)的均方根取平均值。為評(píng)估本文所提樣本構(gòu)建方法的有效性，與無樣本重構(gòu)的LSTMDCAE模型進(jìn)行比較。為驗(yàn)證LSTM模塊的有效性，與DCAE進(jìn)行比較。構(gòu)建2D-LSTMDCAE，LSTMDCAE和DCAE共3種AE模型。各模型結(jié)構(gòu)相同，使用相同的訓(xùn)練集和測(cè)試集進(jìn)行驗(yàn)證，且都能夠從原始數(shù)據(jù)中學(xué)習(xí)特征并重構(gòu)數(shù)據(jù)，從而構(gòu)建HI。3種AE模型構(gòu)建的HI、均方根指標(biāo)及通過3σ準(zhǔn)則求出的異常狀態(tài)閾值如圖7所示。可看出在軸承1_1上，2D-LSTMDCAE模型所構(gòu)建的HI在第72 min時(shí)超過閾值，LSTMDCAE模型構(gòu)建的HI、DCAE模型構(gòu)建的HI和均方根分別在第76，77，78 min時(shí)超出閾值，平均比本文所提方法晚5 min。2D-LSTMDCAE在其他6個(gè)測(cè)試軸承上的表現(xiàn)類似，較其他3種模型指標(biāo)都能更早找出軸承初始劣化點(diǎn)，在各軸承上分別平均提前了8，11，2，6，14，2 min，平均提前了約7 min。測(cè)試結(jié)果表明本文所提出的樣本構(gòu)建方法及學(xué)習(xí)數(shù)據(jù)時(shí)序特征的HI構(gòu)建方法對(duì)軸承的性能退化更敏感，能夠更好地描述設(shè)備的退化過程。

圖7 各模型構(gòu)建的HI對(duì)比Fig. 7 Comparison of HI constructed by each model

HI的評(píng)價(jià)指標(biāo)見表2。可見，本文構(gòu)建的HI的相關(guān)性比LSTMDCAE，DCAE模型構(gòu)建的HI和均方根分別高出了0.015，0.031和0.047，單調(diào)性分別高出了0.072，0.084和0.272。

表2 HI的評(píng)價(jià)指標(biāo)Table 2 The evaluation index of HI

4種HI的評(píng)價(jià)指標(biāo)分析如圖8所示。可看出2D-LSTMDCAE模型構(gòu)建的HI僅在軸承2_1上的單調(diào)性比均方根略低一些，在其他軸承上的2種評(píng)價(jià)指標(biāo)均高于均方根。與LSTMDCAE相比，2D-LSTMDCAE模型構(gòu)建的HI在軸承1_3上的2種評(píng)價(jià)指標(biāo)、在軸承2_1上的相關(guān)性和在軸承2_3上的單調(diào)性較低。與DCAE相比，2D-LSTMDCAE模型構(gòu)建的HI在各軸承上的評(píng)價(jià)指標(biāo)均較高。分析結(jié)果表明，2D-LSTMDCAE模型構(gòu)建的HI能更好地反映軸承的退化情況。

圖8 HI的評(píng)價(jià)指標(biāo)分析Fig. 8 Analysis of HI evaluation index

2.4 模型對(duì)比

為評(píng)估模型性能，分別與基于注意力機(jī)制的一維深度可分離卷積模型[16]和深度殘差模型[17]進(jìn)行對(duì)比實(shí)驗(yàn)。考慮到數(shù)據(jù)樣本的無標(biāo)簽特性，對(duì)2種模型結(jié)構(gòu)進(jìn)行適當(dāng)調(diào)整，分別構(gòu)建基于注意力機(jī)制的一維深度可分離卷積自編碼器（1D-Attention Depthwise Separable Convolution Autoencoder，1D-ADSCAE）模型和深度殘差自編碼器（Deep Residual Autoencoder，DRAE）模型。各模型采用相同的數(shù)據(jù)集進(jìn)行驗(yàn)證，都能在一定程度上對(duì)輸入樣本進(jìn)行還原，能夠基于AE的重構(gòu)誤差原理構(gòu)建HI。3種模型構(gòu)建的HI的評(píng)價(jià)指標(biāo)見表3。

表3 3種深度學(xué)習(xí)模型構(gòu)建的HI的評(píng)價(jià)指標(biāo)Table 3 Evaluation index of HI constructed by three deep learning models

由表3可看出，2D-LSTMDCAE模型構(gòu)建的HI具有更好的相關(guān)性和單調(diào)性，驗(yàn)證了采用卷積與長(zhǎng)短期單元并行提取特征并采用卷積進(jìn)行深層特征學(xué)習(xí)的2D-LSTMDCAE模型性能更優(yōu)。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)臺(tái)搭建與數(shù)據(jù)采集

在實(shí)驗(yàn)室搭建減速器平臺(tái)，并以煤礦實(shí)際工況運(yùn)行數(shù)據(jù)為依據(jù)模擬采煤機(jī)截割傳動(dòng)系統(tǒng)運(yùn)行狀況。實(shí)驗(yàn)平臺(tái)包括齒輪減速器、驅(qū)動(dòng)電動(dòng)機(jī)、磁粉制動(dòng)器等，如圖9所示。在減速器垂直和水平方向分別布置加速度傳感器，采集運(yùn)行過程中的振動(dòng)信號(hào)。

圖9 模擬采煤機(jī)截割傳動(dòng)系統(tǒng)的減速器平臺(tái)Fig. 9 Reducer platform simulating shearer cutting transmission system

選取實(shí)際工況下采煤機(jī)運(yùn)行1個(gè)工作周期的負(fù)載變化數(shù)據(jù)作為激勵(lì)信號(hào)，等比輸入磁粉制動(dòng)器，模擬采煤機(jī)截割變負(fù)載工況，對(duì)減速器進(jìn)行加速退化實(shí)驗(yàn)。實(shí)驗(yàn)中振動(dòng)信號(hào)采樣頻率為5 kHz，監(jiān)測(cè)并記錄減速器垂直和水平方向的振動(dòng)數(shù)據(jù)。實(shí)驗(yàn)結(jié)束時(shí)，振動(dòng)信號(hào)具有明顯幅值波動(dòng)，波動(dòng)范圍為正常運(yùn)行時(shí)的3～6倍，并且現(xiàn)場(chǎng)出現(xiàn)明顯噪聲，因此判定減速器完全故障。減速器振動(dòng)原始信號(hào)如圖10所示，實(shí)驗(yàn)中每分鐘采集1組狀態(tài)值，濾除現(xiàn)場(chǎng)干擾，共采集1 430組退化實(shí)驗(yàn)數(shù)據(jù)。

圖10 減速器垂直和水平方向原始振動(dòng)信號(hào)Fig. 10 Vertical and horizontal original vibration signals of the reducer

3.2 減速器HI構(gòu)建與分析

采用減速器加速退化實(shí)驗(yàn)數(shù)據(jù)進(jìn)行健康評(píng)估實(shí)驗(yàn)，通過本文所提出的樣本構(gòu)建方法構(gòu)建訓(xùn)練和測(cè)試樣本，采用訓(xùn)練樣本訓(xùn)練2D-LSTMDCAE模型，將測(cè)試樣本輸入模型中進(jìn)行評(píng)估實(shí)驗(yàn)。計(jì)算減速器退化數(shù)據(jù)的均方根指標(biāo)，與2D-LSTMDCAE模型構(gòu)建的HI進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖11所示。2種HI的評(píng)價(jià)指標(biāo)見表4。

圖11 減速器HI對(duì)比Fig. 11 HI Comparison of the reducer

表4 減速器HI的評(píng)價(jià)指標(biāo)Table 4 HI evaluation index of the reducer

從圖11可看出，均方根指標(biāo)在減速器的健康階段波動(dòng)較大，容易造成誤報(bào)，且在第938 min開始出現(xiàn)上升趨勢(shì)。2D-LSTMDCAE模型構(gòu)建的HI在減速器的健康階段比較平穩(wěn)，在第930 min開始出現(xiàn)逐漸上升趨勢(shì)，相比于均方根指標(biāo)提前了8 min。從表4可看出，2D-LSTMDCAE模型構(gòu)建的HI更優(yōu)，表明本文所提方法能夠更好地反映減速器的退化情況。

4 結(jié)論

（1） 2D-LSTMDCAE模型能夠更早地檢測(cè)到設(shè)備的早期故障，在測(cè)試軸承上相比于LSTMDCAE和DCAE模型構(gòu)建的HI及均方根平均提前了約7 min。

（2） 2D-LSTMDCAE模型構(gòu)建的HI相關(guān)性較均方根提升了0.047，單調(diào)性提高了0.272，與LSTMDCAE和DCAE構(gòu)建的HI相比，相關(guān)性分別提升了0.015和0.031，單調(diào)性分別提升了0.072和0.084。與其他深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建的HI對(duì)比，2D-LSTMDCAE模型仍具有較大的性能優(yōu)勢(shì)。

（3） 在測(cè)試減速器上，相比于均方根指標(biāo)，通過2D-LSTMDCAE模型構(gòu)建的HI能夠提前8 min發(fā)現(xiàn)早期故障，且HI相關(guān)性提高了0.007，單調(diào)性提高了0.211。2組實(shí)驗(yàn)表明2D-LSTMDCAE模型具有良好的泛化性，是一種良好的HI構(gòu)建模型。