基于多源信息融合和ADCNN的離心鼓風機故障診斷

張 友，李聰波，林利紅，王 睿

(重慶大學 a.機械傳動國家重點實驗室；b.機械與運載工程學院，重慶 400044)

離心鼓風機作為旋轉機械中的一種，在現代工業中承擔著重要的角色。離心鼓風機結構復雜，系統零部件眾多，在高溫高壓、高負荷、強沖擊等惡劣工況下，極易出現各種故障[1]，如果不及時采取恰當的維修策略，將很可能導致整個系統停機，甚至造成巨大的經濟損失乃至危害人身安全。因此，開展離心鼓風機的故障診斷研究，提高設備的安全性和穩定性具有深遠的意義。

隨著大數據和機器學習的發展，基于數據驅動的故障診斷研究已得到了廣泛應用。常用的診斷方法有支持向量機(SVM, support vector machine)[2]，小波變換[3]，K最近鄰算法[4]等。這些方法都屬于淺層學習模型，其診斷精度依賴于人工提取特征的好壞，且在高維大數據情況下，其診斷能力和泛化性能明顯不足[5]。不同于淺層機器學習模型，深度學習因其強大的特征提取能力，在圖像識別[6]、自然語言處理[7]等領域已經取得了巨大的成就，在故障診斷領域也成為一些學者研究的熱點。如Wen等[8]利用卷積神經網絡(CNN, convolutional neural network)自動提取振動信號的特征，實現了滾動軸承的故障診斷；胡蔦慶等[9]利用經驗模態分解(EMD, empirical mode decomposition)對振動信號做預處理，結合深度CNN實現了齒輪箱的故障診斷；Jiang等[10]提出了一種多尺度CNN，有效提取了振動信號的故障特征，提高了風力發電機齒輪箱診斷的準確性。離心鼓風機監測信號種類多且復雜，研究一種能從復雜高維數據中自適應學習故障特征的深度CNN，對于離心鼓風機的故障診斷具有重要意義。

以上學者均是基于單一信號開展的故障診斷研究，而單一信號容錯能力不佳，且含有的故障信息有限，多傳感器信息融合能夠為診斷提供更為豐富的信息，增強診斷系統的魯棒性與可靠性[11]。如任海鋒等[12]將兩個測點上的振動信號進行融合，結合SVM實現了某高射機槍自動機裂紋的故障診斷；朱丹宸等[13]提出了一種基于多振動信號與CNN的滾動軸承故障診斷方法，相比于單一振動信號，診斷精確性有了明顯提升；Jing等[14]將振動信號、聲發射信號、電流信號與瞬時角速度信號進行融合后共同輸入構建的深度CNN，實現了滾動軸承的故障診斷，且取得了較好的診斷性能。上述文獻都僅是基于多源同類或異類信息融合的故障診斷研究，且融合方式均是將多個信號串行疊加為一個信號，這種融合方式并不能充分地利用各多源信息間的相關性與互補性，且存在一定的數據缺失[15]。經此方式融合后提取的特征關聯度差，并不能全面反映出所包含的故障信息，診斷精確性也會因此降低。

離心鼓風機監測信息種類多、數據維度高，既有同類信息，也有異類信息。傳統的融合方式忽略了同類信息間的時序相關性，也未考慮異類信息間的空間關聯特性，存在一定的信息丟失，影響診斷性能。傳統的CNN在處理復雜的多源高維數據時自適應特征提取能力較差，且融合后的特征含有的故障信息不全，會導致較差的分類性能。盲目地增大網絡深度又會導致較高的計算成本甚至出現過擬合情況。如何有效地融合這些信息是解決離心鼓風機故障診斷問題的關鍵。為此，筆者提出了一種基于多源信息融合和自適應深度卷積神經網絡(ADCNN, adaptive deep convolutional neural network)的離心鼓風機故障診斷方法。基于相關性方差貢獻率法實現了多源同類信息的數據層融合，將多個同類信號融合為一個信號，有效利用了各信號間的相關性與互補性。提出的ADCNN可以根據實際的網絡性能優化網絡層次結構，以網絡收斂速度為評價指標，對網絡進行自適應擴展，顯著提升了網絡的特征學習能力。通過ADCNN自適應地提取各異類信息的故障特征并完成特征融合，實現離心鼓風機的精確故障診斷。

1 離心鼓風機多源信息融合處理

1.1 離心鼓風機多源信息組成

表1 離心鼓風機多源信息組成

1.2 基于相關性方差貢獻率的多源同類信息數據層融合

數據層融合直接融合同類信息的原始數據，能夠提供很多細微信息[15]。相關性方差貢獻率法有效利用了傳感器各信號間的相關性及互補性。此方法以方差貢獻率為依據，根據信息間的相關重要程度去分配融合系數，將多個同類信號融合為一個信號，實現了同類信息間的動態融合，從而避免了有效信息的漏頻及丟失。

設x(n)和y(n)是2個能量有限的確定性信號，則信號x(n)與y(n)的相關系數為

(1)

假設m個同類傳感器信號x1(n),x2(n), …，xm(n)，則任意2個信號的互相關性可表示為

(2)

式中：n為每個信號數據點的個數；t=0, 1, …，n-1表示信號時間序列。第i個傳感器與所有同類傳感器信號總的相關能量可表示為

(3)

(4)

式中：xi為第i個傳感器在時間T內以一定的采樣頻率采集到的數據信號序列，其能量歸一化信號yi的離散的n個數據值為yi(1),yi(2), …，yi(n)，定義其方差貢獻率為

(5)

由某一時刻m個同類傳感器采集到的同類信號的方差貢獻率，得到任一傳感器信號xi第l個數據點xi(l)的分配系數為

(6)

基于所得的分配系數，m個同類傳感器信號被融合為一個信號。融合后所得信號x第l個數據點的值為

(7)

1.3 離心鼓風機多源信息融合框架

傳統的多源信息融合模式是將多個信號串行疊加為一個信號，這種融合模式并不能充分地利用各信號間的相關性與互補性。離心鼓風機監測信號多，既有多源同類信息又有異類信息，綜合有效地利用這些信息對于提升離心鼓風機的診斷精確性具有重要意義。基于此，筆者提出了一種數據層與特征層相結合的多源信息融合模式。基于相關性方差貢獻率法實現離心鼓風機多源同類信息的數據層融合，將多個同類信號融合成一個信號，利用ADCNN自適應地提取各異類信息的特征并完成特征融合。這種融合模式考慮了同類信號間的相關性及互補性，避免了關鍵故障信息的丟失。其融合框架如圖1所示。

圖1 離心鼓風機多源信息融合框架Fig. 1 Multi-source information fusion framework of the centrifugal blower

離心鼓風機多源信息融合框架可分為3個部分：

1)多源信息采集與數據預處理：利用振動傳感器、溫度傳感器、電流傳感器以及壓力傳感器采集離心鼓風機的多源傳感器信息，并將每個信號分割為多個片段。

3)異類信息特征提取與融合：將6種異類信息融合為一個6通道的信號輸入到構建的ADCNN中，利用ADCNN自動提取各異類信息的故障特征并實現特征融合。

2 基于ADCNN的離心鼓風機故障診斷方法

2.1 ADCNN模型構建

傳統的CNN在處理多源高維數據時，特征自適應提取能力較差，其性能隨著神經元數目增加或網絡的加深而相應提高[16]。而卷積運算復雜度較高，盲目增大網絡規模，將會耗費大量訓練時間，且有時識別精度提升并不明顯，因此使用固定的網絡深度并不合適。ADCNN可以根據實際網絡性能，優化網絡層次結構，以收斂速度為評價指標，對網絡進行自適應擴展，提取各多源信息的代表性故障特征。筆者利用ADCNN處理融合后的離心鼓風機多源信息并得到診斷結果，其網絡結構如圖2所示。

圖2 ADCNN結構Fig. 2 The structure of ADCNN

卷積層是ADCNN的核心部分，由多個特征圖組成，每個特征圖通過卷積核與上一層特征圖的局部區域相連，通過對各輸入特征圖的卷積濾波，提取數據特征。卷積層的數學模型可表示為

(8)

池化層通過對上一層特征圖的縮放映射以降低數據維度，同時還能提高網絡的魯棒性。其中，最大池化函數是最常用的池化函數，其數學表達式為

(9)

式中：Pj表示池化層的第j個輸出；S為池化窗口大小。

如圖2所示，ADCNN共有r條支路，包含初始支路與擴展支路。初始化網絡只包含一條初始支路，并以網絡收斂速度為評價指標判斷是否需要進行自適應擴展。若收斂速度未達到期望閾值則需進行自適應擴展，自適應擴展即在初始網絡基礎上擴展一條與初始支路相同結構與參數的新支路，當收斂速度滿足要求或者r達到預設支路條數的最大值rmax時，自適應擴展則將停止。rmax設為5，收斂速度vcs的定義及應滿足的要求如下：

vcs=Epre-Ecur≥Ch，

(10)

式中：Epre為前一次網絡訓練平均誤差；Ecur為當前網絡訓練平均誤差；Ch為收斂速度的期望閾值，設定為0.1。網絡訓練平均誤差的計算公式為

(11)

當進行自適應擴展時，在擴展結構中，需用一個新的全連接層將初始支路和擴展支路的輸出結果進行融合，并獲得新的輸出結果。輸出層激勵函數融合輸出結果為

(12)

式中：y1與yk是初始支路與擴展支路k的輸出結果；ωk為擴展支路k的輸出權值；初始支路輸出權值設為1。

ADCNN訓練過程中，初始支路的網絡結構與相關參數保持不變，先保留其輸出結果y1，待擴展支路訓練完后再與其輸出結果y1進行融合，通過BP算法更新擴展支路的相應權值，當所有擴展支路擴展完畢時，即完成自適應擴展學習。待擴展支路完成后，通過網絡輸出層得到診斷結果。

2.2 基于ADCNN的離心鼓風機故障診斷流程

離心鼓風機監測信息多，故障類型復雜，多傳感器信號融合能夠提供更為豐富的故障信息。提出的ADCNN能夠自適應地提取各異類信息的特征完成特征融合，并根據網絡性能優化網絡層次結構，有利于提高診斷的精確性。基于ADCNN的離心鼓風機故障診斷流程如圖3所示。

圖3 基于ADCNN的離心鼓風機故障診斷流程Fig. 3 Flow chart of centrifugal blower fault diagnosis based on ADCNN

診斷具體步驟如下：

1)利用振動傳感器、溫度傳感器、電流傳感器和壓力傳感器采集離心鼓風機的多種傳感器監測信息，并劃分為多源同類信息和多源異類信息。

3)將經數據層融合后的多源異類信息按比例設置訓練集與測試集，將訓練集輸入初始的ADCNN并進行參數初始化，r的初始值設為1。

4)訓練網絡并根據收斂速度及支路條數判斷網絡是否需要進行自適應擴展。判斷條件vcs≥Ch或r≥rmax是否滿足，若條件滿足，保存網絡模型參數并輸出診斷結果。否則r=r+1，對網絡進行自適應擴展直至條件成立。

5)將測試集輸入構建的ADCNN，并利用該方法實現離心鼓風機的故障診斷，驗證所提故障診斷方法的有效性。

2.3 模型評價指標

準確率(Acc)，精確率(Precision)，召回率(Recall)和F1-score是診斷問題中常用的4個評價指標。為了量化所提方法在離心鼓風機上的診斷表現，使用準確率與F1-score來評估所提故障診斷方法的性能。準確率表示正確分類的樣本數與樣本總數之比，F1-score是精確率和召回率的加權調和平均，綜合反映了兩者的結果。2個指標的計算公式為

(13)

(14)

式中：TP為某一類別樣本yc被正確分類的數目；TN為其他類別樣本被正確識別的數目；FP為其他類別樣本被錯誤識別為yc的數目；FN為類別yc的樣本被識別錯誤的數目。

3 案例分析

3.1 實驗條件

本實驗中采用的BCD系列單級離心式鼓風機故障模擬試驗臺如圖4所示，離心鼓風機故障模擬試驗臺由轉子組件、齒輪箱、電機、潤滑裝置、數據采集系統及其他輔助零部件等組成。在轉子表面的水平與垂直方向上均裝有加速度傳感器用于采集不同方向上的振動信號；轉子的前軸承、后軸承、主推力軸承軸瓦處均裝有接觸式溫度傳感器用于獲取轉子溫度信號；電機的A相繞組、B相繞組與C相繞組上也均布置有接觸式溫度傳感器用于獲取電機三相繞組溫度；電氣柜裝有電流傳感器用于獲取電機電流；潤油裝置上裝有壓力傳感器用于獲取潤油壓力。

轉子是離心鼓風機的核心部件，工作轉速一般為10～30 kr/min，長期工作在此高速環境下極易發生故障。因此，筆者在試驗臺上分別模擬了轉子正常、轉子不平衡、轉子不對中、徑向碰磨和油膜渦動5種單一工況健康狀態。為了使得離心鼓風機故障試驗臺模擬的工況更加符合工程應用實際，在實驗中，正常與故障情況下共設置了5種變速工況：轉速分別為10, 15, 20, 25, 30 kr/min。離心鼓風機故障模擬試驗臺的運行參數如表2所示。振動信號含有最為敏感的故障信息，圖5展示了轉子水平方向振動信號在每種健康狀態下的時域波形。

表2 試驗運行參數

圖5 5種健康狀態下轉子水平振動信號時域圖Fig. 5 Time domain diagram of the rotor’s horizontal vibration signal under five health states

3.2 數據集描述與模型參數

通過上述離心鼓風機故障試驗臺，在每種轉速工況下，分別模擬5種不同的健康狀態，采集不同工況不同健康狀態下的傳感器數據。每種工況下信號連續采樣時間為16 s，樣本個數均為200。加速度傳感器、溫度傳感器、電流傳感器與壓力傳感器的采樣頻率均為12.8 kHz，因此，每個樣本信號包含1 024個數據點。經數據層融合后的多源異類信息共含有6種信號，將此6種信號按順序堆疊成一個6通道樣本，每個樣本數據的維度為1×1 024×6。共設置有5種轉速工況，則每種健康狀態采集樣本數為1 000，共有5種健康狀態，因此采集樣本總數為5 000。從每類健康狀態中隨機選擇80%的樣本作為訓練集，其余樣本作為測試集，最終得到的數據集如表3所示。

表3 轉子故障數據集描述

融合后的樣本數據集為一維樣本，故采用一維ADCNN，通過反復試驗調整相關參數，最終得到的初始支路網絡模型結構包含3個卷積層、3個池化層和2個全連接層。卷積層參數如表4所示，所有的卷積層都進行了全零填充處理，避免尺寸的變化，在每層卷積操作后進行Dropout處理，以0.5的概率將網絡中的神經元置零，提高ADCNN的泛化性能。池化層采用最大池化，池化大小為2，2個全連接層節點數分別為400與100。第1層卷積層采用較大的卷積核(64×1)可以增大模型輸入的感受野。第2層與第3層卷積層采用較小的卷積核(3×1)以及較深的網絡結構可以充分挖掘信號中隱含的故障特征。實驗結果表明ADCNN的最佳網絡支路條數r為3，且每條支路與初始支路具有相同的結構與參數。

表4 ADCNN卷積層參數

3.3 診斷結果及對比分析

為了驗證所提多源信息融合模式對離心鼓風機故障診斷的有效性，分別將按所提方法融合的多源信息、按傳統方法融合的多源信息、轉子振動信號輸入構建的故障診斷模型，其中，傳統的多源信息融合方法是將多個信號串行疊加為一個信號。共有10種信號信息，每個樣本包含1 024個數據點，因此，按照傳統的多源信息融合方法其數據輸入維度為10 240。為了進一步說明ADCNN的優越性，對比了CNN、BPNN和SVM在不同融合模式下的故障識別能力。其中CNN與ADCNN初始支路結構、參數相同，BPNN對應3種融合模式的結構分別為2 048-600-200-5, 10 240-600-200-5, 6 144-600-200-5，SVM使用高斯徑向基函數作為核函數。為了消除偶然誤差的影響，每種方法各進行了10次試驗。表5總結了不同方法在測試集上10次試驗結果的平均值。

表5 不同故障診斷方法的試驗結果

從表5可以看出，多源信息融合相比單一的振動信號有著更為優越的診斷效果，另外，所提出的多源信息融合方法在診斷表現上也明顯優于傳統的融合模式。以ADCNN為例，3種融合模式的診斷平均準確率分別為81.46%, 89.33%, 99.12%。可見多傳感器信號融合可以提供更為豐富的故障診斷信息，且所提融合方法標準差更低，診斷結果更穩定。與CNN及其他的機器學習方法相比，ADCNN實現了99.12%的平均準確率，F1-score為99.11%，其診斷性能普遍優于傳統的CNN及其他淺層學習網絡，說明基于ADCNN的故障診斷方法可以有效地從多源信息中自適應提取代表性的故障特征并完成故障分類。

t-SNE是一種非線性降維算法，能夠可視化網絡學習的特征分布[17]。不同診斷方法提取后的特征經降維后的二維散點圖如圖6所示。散點圖的兩坐標軸均無實際意義，只是表征不同特征間的分布距離。可以發現同一故障狀況下的特征被聚集在一起，不同故障狀態下的特征彼此分開。與使用單一振動信號和傳統的多源信息融合模式相比，所提出的多源信息融合模式展現出更為優越的特征可分性，且僅有較少的故障狀態特征被誤分類為正常狀態。與CNN、BPNN相比，ADCNN也展現出更好的特征學習能力，通過多層卷積運算離心鼓風機各多源信號間的隱含特征被自適應提取。全連接層對特征進行整合處理，增大了不同健康狀態下特征分布的距離，使得特征區分更明顯，結果表明所提出的方法展現出最佳的診斷性能。

圖6 不同診斷方法下的t-SNE特征可視化圖Fig. 6 Visualization of t-SNE features with different diagnosis methods

4 結 論

1)筆者分析了離心鼓風機的多源信息組成，提出了一種數據層與特征層相結合的多源信息融合框架，基于相關性方差貢獻率法實現了多源同類信息的數據層融合，利用ADCNN自適應地提取各異類信息的特征完成特征融合，有效利用了各信息間的相關互補性。

2)建立了基于多源信息融合和ADCNN的離心鼓風機故障診斷模型，并在離心鼓風機故障模擬試驗臺上進行了試驗驗證，結果表明，ADCNN有著更為優越的自適應特征提取能力，融合了多源信息后的轉子故障診斷準確性與穩定性均優于其他方法。

3)筆者在進行離心鼓風機的故障診斷時只是對所有多源信息做了融合處理，而離心鼓風機各多源信息對故障的敏感程度不同。因此，綜合考慮各信息間的關聯度對診斷的影響是下一步研究的重點。