基于雙重注意力機制的異步電機故障診斷方法

施健聰,王興龍,張 俊

(福州大學 機械工程及自動化學院,福州 350100)

異步電機作為工業生產系統中的核心驅動部件,其健康狀態與整個機電傳動系統的性能密切相關[1]。受到惡劣環境和復雜工況的影響,異步電機內部部件會不可避免地發生損傷甚至失效,造成嚴重經濟損失[2]。因此,為了確保整個機電傳動系統平穩高效地運行,對異步電機進行故障診斷是具有重要意義的[3]。

對于電機故障診斷來說,電機故障種類繁多,各故障的征兆與表現又極其相似,不同故障產生的原因也錯綜復雜,這極大的增加了電機故障診斷的難度[4]。例如,故障電機的故障頻率多與定轉子轉差率、轉子轉頻以及電源頻率相關,而當電機在穩態運行時,轉差率較小,使得故障特征頻率和基頻十分接近,且故障分量幅值很小,易被基頻及環境噪聲淹沒,使得故障難以被分辨[5]。因此采用傳統的故障診斷方法實現異步電機的故障診斷是較為困難的。

隨著人工智能的迅猛發展[6],基于深度學習的故障診斷方法為解決上述難題提供了新思路[7-8]。然而,早期基于深度學習的故障診斷大多是基于單一傳感器信號展開的。但由于單個傳感器信號包含的故障信息比較有限,因而會出現故障診斷存在不確定性大、診斷精度差等問題[9]。為了解決該問題,近來結合多源數據融合與深度學習的電機故障診斷方法受到研究學者的廣泛關注。袁媛等先利用電機基座振動信號與定子電流信號進行特征級數據融合,后使用BP(back propagation)神經網絡結合D-S(Dempster-Shafer)證據論證方法進行故障分類,從而實現電機故障診斷。趙書濤等[10]聯合聲音-振動信號,采用重疊數據擴容的方式結合一維卷積神經網絡(convolution neural network,CNN),實現大型電機的故障診斷。Yan等[11]提出一種基于振動信號和轉子軸心軌跡信號的深度置信網絡模型,用于實現異步電機轉子不平衡故障診斷。Li等[12]提出基于振動信號與電信號多分辨率特征層融合的方法,先利用一維卷積神經網絡分別提取振動信號與聲信號數據段中的特征,再實現特征層融合,從而實現異步電機的故障診斷。相比于利用單一信號源數據,使用多傳感器數據能夠獲得更加全面的故障信息,能有效降低無關成分干擾的影響,從而提高診斷的準確率[13]。

然而,基于多源數據融合結合深度學習的故障診斷方法中存在兩個不足。第一,為了增強深度學習模型學習特征表示的能力,往往需要設置較多的卷積通道數。然而,并不是所有的通道都包含相應的故障信息[14],某些通道甚至可能學習的是噪聲的特征分布[15]。此外,若整段信號中關鍵故障信息占比較少,則其他無關信息會對所構建的網絡模型產生一定的干擾,從而影響識別準確率。第二,基于多源數據融合的模型通常采用簡單的融合結構,即通過等比重的方式融合不同源數據的特征。這容易忽略多傳感器數據之間有用信息的相關性和互補性[16]。主要原因是在每一批次喂入神經網絡的多源數據中,各信號源數據中含有的有用故障信息的比重并不是一定的。因此,該融合方法也會影響所建網絡模型的故障識別準確率。

針對第一個問題,學者們給出了相應的解決方案,即通過在深度學習模型中添加通道注意力機制模塊[17]以提高有用信息的關注度。如康濤等提出一種融合注意力機制模型,通過多注意力模塊對不同通道特征進行自適應賦權的方式,提高模型的抗噪性能,實現軸承的故障診斷。Long等[18]結合電機振動信號、磁信號以及電信號的包絡譜數據作為輸入數據,實現數據層融合后,再利用注意力機制自適應分配特征權重的方式,結合BP神經網絡與改進的Adaboost算法實現電機的故障診斷。作為一種即插即用的模塊,通道注意力機制通過對每個通道上的特征施加對應的權重,以達到減少無關信息對所建網絡模型的干擾的目的。受此啟發,本文所提模型擬在特征提取模塊中添加通道注意力機制模塊,以達到提高關鍵故障信息的關注度,抑制無關分量干擾的目的。

對于第二個問題,研究學者多是通過特征工程相關方法進行解決,即通過計算如熵[19-20]、能量[21]等指標以確定不同數據特征的權重。但是這種以統計分析計算的方法需要依賴專家經驗,不利于實現非同源數據特征自適應分配權重以及端到端的特征融合網絡模型的構建。為了解決這個問題,本文提出了一種多源數據注意力機制模塊。該模塊通過對多源數據進行“特征壓縮-特征拼接-權重計算”操作,以自適應分配不同源數據特征的權重。作為一種即插即用的模塊,多源數據注意力機制同時也為解決如何有效進行特征篩選這一問題提供了新思路。

綜上所述,為了提高異步電機的故障診斷準確率,本文提出一種基于雙重注意力機制的異步電機故障診斷方法。由于聲信號具有受電源頻率變化影響小[22]、對異步電機故障較為敏感[23]等優點;振動信號穩定性強,受干擾影響較小等優點,故所提方法以聲音-振動信號作為神經網絡的輸入。首先,利用一維卷積神經網絡從原始輸入信號提取高維特征。其次,為了抑制同源數據中無關分量的影響,采用通道注意力機制自適應調整不同卷積通道特征的權重。然后,在多源數據融合階段,為了提高不同數據源有用信息的關注度,利用本文所提出的一種多源數據注意力機制對不同信號源數據特征自適應地分配權重。最后,采用Softmax分類器[24]進行分類,從而實現異步電機的故障診斷。

1 相關理論

1.1 一維卷積神經網絡

典型的CNN網絡通常包含有卷積層、池化層和全連接層[25-27]。但在本文中所用到的1D CNN僅用于特征提取,故只包含卷積層與池化層。在卷積層中,卷積核對輸入的數據進行卷積運算,并利用非線性激活函數構造輸出特征。每層卷積輸出的結果可由式(1)表示

(1)

經過卷積運算后,激活函數將對每次卷積的輸出進行非線性變換,目的是增強輸出特征的線性可分性。本文采用ReLU函數作為激活函數,其數學表達式如式(2)所示

(2)

為了減少計算量,防止網絡過擬合,本文在特征提取階段采用最大池化操作,并以感知域內的最大值作為輸出。最大池化層的數學表達式可由式(3)得

(3)

全連接層將最后一個池化層的輸出擴展為一維向量,該向量也作為全連接層的輸入,然后在輸入和輸出之間進行全連接。全連通層可以合并卷積層或池化層的差分局部信息,其數學表達式可由式(4)表示

(4)

1.2 通道注意力機制

為了更加高效地利用不同通道特征的有效信息,抑制無關分量的影響,本文采用康濤等研究中的通道注意力機制對不同通道的特征進行自適應加權操作。為了有效地計算通道注意力,該機制先利用最大池化和平均池化分別對輸入特征進行壓縮,再由一個參數共享的多層感知機(multi-layer perceptron,MLP)對壓縮后的特征進行非線性變換,最后將輸出特征進行相加,從而完成自適應賦權操作。該模塊的框架可由圖1表示。

圖1 通道注意力模塊框架

不同權重的求值過程可由式(5)表示

(5)

(6)

1.3 多源數據注意力機制

考慮到非同源信號特征對最終識別效果貢獻程度不一致,為了避免多源數據特征等比重融合而造成神經網絡識別準確率較低的問題,本文提出了一種多源數據注意力機制模塊。該模塊可在任意以多源數據輸入的神經網絡中即插即用。以聲-振信號輸入為例,該模塊的框架可由圖2表示。

圖2 多源數據注意力機制模塊框架

圖2中特征壓縮操作主要由多個MLP完成,其中MLP的個數應當與輸入信號源的個數相等。首先,每個MLP將輸入特征壓縮為1×1的輸出。然后,對壓縮后的特征進行拼接。再利用歸一化指數函數(即Softmax函數)對拼接后的特征進行計算,將每個數據源特征對應的權重映射至區間[0,1],并使兩個權重之和等于1。最后將權重與對應的特征相乘,便可得到不同信號的加權特征。該過程的數學原理如式(7)所示

(7)

(8)

式中,PML1(·)和PML2(·)分別為壓縮聲音和振動特征的多層感知機;a1和a2分別為全體聲音特征集合和振動特征集合;s(·)分別為Softmax函數的運算符。

1.4 特征融合

在得到加權的聲音信號特征和振動信號特征后,為了提供更加充分的信息,需要對兩種加權特征進行特征融合操作。令F1和F2分別為全體加權聲音信號特征集合的一維展開序列和加權振動信號特征集合的一維展開序列;g為融合后用于分類的特征。該過程如圖3所示。

圖3 特征拼接與融合映射過程

上述所示過程可由式(9)表達

g=map[stitch(F1,F2)]

(9)

(10)

2 基于雙重注意力機制的異步電機故障診斷模型

為了提高不同通道和不同數據源關鍵故障信息的關注度,提高異步電機故障識別的準確率,本文創新性地提出了一種基于雙重注意力機制的神經網絡模型。

該模型包含兩個框架相同的特征提取器和一個特征分類器。每個特征提取器由CNN和通道注意力模塊組成;特征分類器由一個多源數據注意力模塊、特征融合層和一個Softmax分類器組成。在特征提取器中,先利用CNN對輸入的原始數據進行特征提取。然后采用通道注意力機制自適應分配不同通道特征的權重,以此降低同源信號內干擾成分的影響。對于提取的多源數據特征,利用提出的多源數據注意力機制模塊自適應調整不同源數據特征的權重,以提高關鍵故障信息的利用率。該模型的框架如圖4所示。在完成構建該模型后,采用交叉熵損失函數為所建模型被優化目標函數,該模型的優化目標函數如下式所示

圖4 本文所提模型的網絡框架

lg[1-q(x)]

(11)

式中：p(x)為目標值;q(x)為Softmax輸出的預測值。

3 試驗驗證

3.1 數據集描述

由于異步電機最常見的故障發生在定子、轉子和內置軸承[28]等位置上,因此本節開展了包括健康、定子繞組故障、轉子斷條和內置軸承故障共4種不同健康狀態的故障診斷試驗。本次試驗的數據均采集于動力傳動診斷綜合試驗臺(drivetrain diagnostic simulator,DDS),如圖5所示。圖6展示4臺不同故障的電機,其中故障電機圖6(b)中轉子斷條數為3;故障電機圖6(c)故障類型為定子匝間繞組短路故障,短路的量占一匝繞組的10%;故障電機圖6(d)內置軸承的型號為SKF6205,故障位置出現于軸承外圈,其相關幾何參數如表1所示。

表1 SKF6205軸承幾何參數

圖5 DDS試驗臺

(a) 健康

如圖7所示,加速度傳感器安裝在電機的垂直方向上,用于采集振動信號。同時,麥克風放置在電機附近,用于采集聲音信號。轉速控制器用于調節轉速。磁粉制動器通過改變輸入電流來調節負載。在輸入轉速設置為15 Hz,負載電流調節為0.4 A的工況條件下,分別采集健康、轉子斷條、定子繞組故障和內置軸承故障共4種不同健康狀態的異步電機的振動信號及聲信號。為了滿足奈奎斯特采樣定理,本次試驗將采樣頻率設置為12 800 Hz。同時,為了保證所提模型能夠對所采集的數據進行充分學習,并滿足模型訓練和測試對數據長度的要求,本次試驗將采樣時間設置為24 s。所采集信號的時域波形圖,如圖8所示。

圖7 傳感器布置示意圖

(a) 健康

在數據分割的過程中,將上述一維原始信號以非重疊采樣的形式進行切割。其中,每一類電機故障數據包含2×300個樣本,每個樣本的數據長度為1 024。其中隨機選擇2×270個樣本進行訓練,剩余樣本則用于測試。試驗數據集由表2所示。

表2 試驗數據集信息

3.2 模型設計

所建模型中,每個CNN均由3個卷積層-最大池化層組成。其中加入批歸一化層將每一批次數據進行標準化處理,以加快網絡訓練速度,同時防止網絡過擬合。每個通道注意力模塊由一個最大池化層,一個平均池化層和兩個全連接層組成。每個多源數據注意力模塊由兩層全連接層組成。具體參數設置如表3所示。此外,喂入神經網絡的數據批次大小設置為128,迭代次數設置為150次,并且隨機初始化該模型的初始參數。所建網絡采用Adam優化器優化目標函數,模型學習率設置為0.001。

表3 所建網絡具體參數設置

3.3 試驗結果分析

為了驗證所提方法的有效性,采用3.2節所提到的試驗信號進行驗證。本文所提方法在配置為英特爾i7-7700HQ CPU、英偉達GTX 1050顯卡 和8 GB運行內存的計算機上運行。模型每一輪次訓練的運行時間為0.17 s;模型解析測試數據的時間為3.09×10-6s。為減小隨機誤差,將所提模型在3.2節所述的訓練集與測試集上運行10次,取平均測試準確率為最終的診斷準確率。經過10次運行后,最終的診斷準確率為99.74%。為了更加直觀地感受訓練與測試的結果,取模型第6次運行結果進行可視化分析。結果如圖9所示。

圖9 訓練與測試準確率曲線

如圖9所示,模型收斂速度較快,而且收斂效果較好,訓練樣本和測試樣本的準確率均到達100%。此結果證明了本文所提網絡能有效地從不同傳感器數據中提取到有用的信息,從而獲得較為精確的診斷效果。為進一步展示本文所提方法的診斷效果,采用t-SNE(t-distributed stochastic neighbor embedding)算法對模型最后一層輸出特征進行降維可視化。其效果如圖10所示。由圖9可以直觀地看到,不同異步電機的故障特征均能實現有效的聚類,這同時也佐證了本文所提方法的有效性。

圖10 t-SNE可視化效果

3.4 對比結果分析

為了驗證所提方法的優越性,分別采用聲-振傳感器數據融合網絡(1D-CNN-based vibro-acoustic sensor data fusion algorithm,VAF)[29]、BPNN(back propagation neural network)、深度自編碼網絡(deep auto-encoder network,DAEN)、隨機森林(random forest,RF)和通道注意力機制的特征融合網絡(channel-attention fusion network,CAFN)與本文所提方法進行比較。其中,VAF是一種以聲-振信號輸入的深度特征融合網絡,其由兩個5層卷積-池化組成的特征提取器和兩層全連接層組成。BPNN神經網絡由兩個特征提取器和一個二層全連接層組成的特征融合-分類器構成。其中,特征提取器中隱藏層的大小分別為[512,256,64],特征融合-分類器中的全連接層的核個數分別為[16,4]。CAFN由兩個特征提取器和一個特征融合-分類器組成,其中每個特征提取器的構成與本文所提網絡一致,特征融合-分類器由兩層全連接層組成,核個數設置為[16,4]。

同樣地,為了減小偶然誤差的影響,上述對比網絡均在3.1節所述的訓練樣本和測試樣本上運行10次,并取平均測試準確率作為最終的診斷準確率。10次運行的試驗結果如圖11所示。

圖11 不同方法10次運行的診斷準確率

不同方法運行10次的平均診斷準確率,如表4所示。為了驗證不同方法的穩定性,同時給出了不同方法運行10次所得準確率的標準差。由表3可知,本文所提方法的平均準確率最高,為99.74%。而VAF,BPNN,DEAN,RF和CAFN取得的平均準確率分別為84.68%,81.91%,89.94%,47.80%和91.83%。此對比結果有效地證明了所提方法的優越性。由表3中的標準差結果以及圖10可以看出,相比于所提方法,其余對比方法的10次運行的診斷準確率存在一定范圍的波動。因此,本文所提方法的穩定性優于其他方法。再者,與不添加任何注意力機制的網絡相比,有注意力機制的網絡的平均診斷準確率最大可高出51.94%,這表明了注意力機制能有效抑制信號中無關分量的影響。相比于僅采用通道注意力機制的CAFN網絡,本文所提方法的平均診斷準確率提高了7.91%,這證明了本文所提的多源數據注意力機制能較好地提取多源異構數據中有利于故障診斷的關鍵故障信息。

表4 不同方法的平均診斷準確率

為了進一步展現所提網絡以及其他對比網絡的診斷效果,選擇第9次試驗的測試結果制作混淆矩陣,結果如圖12所示。圖12中,橫軸和縱軸分別是預測標簽和真實標簽。從圖12可以看出,本文所提方法能準確無誤地識別出4類電機故障。而其他對比方法則存在部分故障特征被誤分類的情況。因此,在本輪試驗中,所提方法的有效性被進一步驗證。

(a) 所提方法

3.5 抗噪性能驗證

為驗證本文所提方法的抗噪性能,試驗對比了VAF,BPNN,DAEN和CAFN在不同噪聲環境下的故障診斷準確率。在原始信號上通過添加具有不同信噪比的高斯白噪聲以模擬不同強度背景噪聲。其中,添加噪聲的信噪比范圍在-4～4 dB。幾種網絡的其余參數設置均保持一致。試驗結果如圖13所示。

圖13 不同方法在不同信號噪聲強度下的診斷準確率

如圖13所示,本文所提方法在不同背景噪聲強度下都能保持較高的診斷準確率,表現得也更加穩定。而其余4種對比方法的診斷效果受到噪聲的影響較大,診斷準確率都出現不同程度的下滑。在這4種對比方法中,相比于CAFN,其他無注意力機制模型的診斷效果在不同噪聲強度背景下的穩定性更差。此外,當所添加噪聲的信噪比為-4 dB時,本文所提方法的診斷準確率為99.84%,而CFAN為84.84%,VAF為71.41%,DEAN為53.44%,BPNN為43.59%。由此可知,本文所提方法的診斷準確率相比其他對比方法最高提升56.25%,最低提升15%。因此,本文所提方法在本輪試驗中體現出來較好的抗噪性能。

4 結 論

本文提出一種基于雙重注意力機制模型的異步電機故障診斷方法,所提方法在異步電機故障診斷中表現良好,主要結論如下。

(1) 本文所提的基于雙重注意力機制結合深度特征融合的模型診斷效果優于僅含通道注意力機制的模型以及無注意力機制模型。

(2) 多源數據注意力機制模塊能夠更好地處理多傳感數據,進而提升模型整體的診斷性能。該模塊的提出能在一定程度上彌補現有方法研究的不足

(3) 本文所提方法具備良好的抗噪性及穩定性,在不同背景噪聲的強度下均能取得較高的診斷準確率。