基于人工智能的故障診斷方法應(yīng)用研究

尤建祥 魏孔鵬

（盤錦職業(yè)技術(shù)學(xué)院，遼寧 盤錦 124000）

近年來，科學(xué)技術(shù)的蓬勃發(fā)展使工業(yè)逐漸向著現(xiàn)代化、智能化、精密化、自動(dòng)化的方向轉(zhuǎn)變[1]。工業(yè)互聯(lián)網(wǎng)已成為當(dāng)前高新技術(shù)與傳統(tǒng)制造業(yè)相結(jié)合的重點(diǎn)發(fā)展領(lǐng)域[2]。《中國制造2025》報(bào)告中指出，針對(duì)發(fā)電、先進(jìn)軌道交通和航空發(fā)動(dòng)機(jī)等裝備，需要開發(fā)出具有故障診斷和預(yù)測(cè)等先進(jìn)的管理系統(tǒng)[3]。軸承在各種機(jī)械設(shè)備的運(yùn)行過程中具有重要作用。當(dāng)軸承的運(yùn)行狀態(tài)出現(xiàn)異常時(shí)，會(huì)導(dǎo)致其驅(qū)動(dòng)的設(shè)備發(fā)生故障。因此，如何快速識(shí)別和診斷軸承故障，采取有效措施進(jìn)行維護(hù)檢修，已經(jīng)成為當(dāng)前工業(yè)發(fā)展中的一個(gè)重要問題[4-5]。文章以軸承為研究對(duì)象，提出了一個(gè)基于CNN[6]和BiGRU[7]的雙通道模型。CNN提取振動(dòng)信號(hào)的信息特征、BiGRU提取信號(hào)的時(shí)序特征，通過改進(jìn)的壓縮激勵(lì)網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行加權(quán)融合，Softmax分類器[8]對(duì)融合后的特征進(jìn)行故障分類。結(jié)果表明，該模型在機(jī)械故障診斷方面具有高精確性和魯棒性。

1 故障診斷模型

1.1 CNN和BiGRU融合模型

提出的雙通道特征融合模型包含特征提取層、特征融合層和故障分類層。特征提取層由上通道CNN和下通道BiGRU組成，CNN可以提取樣本數(shù)據(jù)中的信息特征，BiGRU可以在時(shí)間維度上充分提取正向和反向兩個(gè)方向的時(shí)序特征。特征融合層改進(jìn)了SENet模塊，將兩個(gè)通道提取出的特征進(jìn)行加權(quán)融合。故障分類層采用Softmax分類器對(duì)融合后的特征向量進(jìn)行故障分類。

1.1.1 特征提取層

在故障診斷模型中，特征提取層是一個(gè)重要的組成部分，主要是對(duì)輸入的振動(dòng)信號(hào)進(jìn)行預(yù)處理，使其更容易被上、下通道利用。在特征提取層中，上通道采用了CNN來提取出信號(hào)中蘊(yùn)含的信息特征，下通道使用了BiGRU從時(shí)序角度充分挖掘信號(hào)的時(shí)序特征。兩個(gè)通道提取的特征均被輸入特征融合層，通過加權(quán)融合的方式進(jìn)行整合，以便進(jìn)一步進(jìn)行故障分類。

CNN可以自動(dòng)地從原始數(shù)據(jù)中學(xué)習(xí)到特征，廣泛應(yīng)用在分類、檢測(cè)、識(shí)別等方面。CNN的核心是卷積層和池化層，卷積層采用卷積操作對(duì)輸入數(shù)據(jù)進(jìn)行特征提取；池化層用于下采樣和特征壓縮，增強(qiáng)模型對(duì)位置變換的不變性。

卷積層的數(shù)學(xué)表達(dá)式為：

式中：hi——卷積層輸出的第i個(gè)元素；f——激活函數(shù)；ωj——卷積核中的權(quán)重；xi-j+1——輸入數(shù)據(jù)中的第（i-j+1）個(gè)元素；b——偏置。

池化層的數(shù)學(xué)表達(dá)式為：

式中：x——輸入數(shù)據(jù)；y——池化層輸出的結(jié)果；p、q——池化操作的大小。

通過卷積和池化操作，CNN可以將輸入數(shù)據(jù)轉(zhuǎn)換為高級(jí)的特征表示，實(shí)現(xiàn)對(duì)圖像、語音等信號(hào)數(shù)據(jù)的分類、識(shí)別等。

BiGRU是一種適用于序列數(shù)據(jù)的深度學(xué)習(xí)模型，主要特點(diǎn)是在時(shí)間維度上采用雙向結(jié)構(gòu)提取時(shí)序特征。BiGRU模型具有循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，可以自適應(yīng)地學(xué)習(xí)序列數(shù)據(jù)中長期的時(shí)序特征，還可以通過雙向結(jié)構(gòu)充分利用過去和未來的信息。在雙向結(jié)構(gòu)下，一個(gè)BiGRU模型由兩個(gè)獨(dú)立的GRU單元組成，分別處理正向和反向的輸入序列，且每個(gè)時(shí)刻的狀態(tài)由兩個(gè)方向的GRU單元共同決定，以便準(zhǔn)確地預(yù)測(cè)下一個(gè)時(shí)刻的狀態(tài)。

BiGRU模型可以表示為：

式中：xt——輸入序列在時(shí)刻t的特征向量；ht——隱藏狀態(tài)向量；zt、rt——更新門、重置門；～ht——新的候選隱藏狀態(tài)向量；Wz、Uz、bz、Wr、Ur、br、W、U、b——可 學(xué)習(xí) 參數(shù)；tanh(Wxt+U(rt⊙ht-1)+b)——雙曲正切函數(shù)；σ——sigmoid函數(shù)⊙表示向量的逐元素乘積。

1.1.2 特征融合層

SENet模塊結(jié)構(gòu)如圖1所示。

圖1 SENet模塊結(jié)構(gòu)

特征融合層將從雙通道故障檢測(cè)中提取的特征向量合并，以提高故障分類準(zhǔn)確性。采用了SENet模塊進(jìn)行特征融合，該模塊能夠自適應(yīng)地學(xué)習(xí)特征向量，強(qiáng)化關(guān)鍵特征并減弱無用特征，刪除冗余特征，從而提高分類效果。SENet模塊最初是為圖像分類任務(wù)而設(shè)計(jì)的，因此需要進(jìn)行修改以適應(yīng)本模型的一維特征向量輸出。文章將二維全局平均池化替換為一維全局平均池化，對(duì)其進(jìn)行了改進(jìn)。

1.1.3 故障分類層

使用Softmax對(duì)故障做分類能夠?qū)⑤斎胂蛄坑成涞礁怕史植肌Ｔ跈C(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域，Softmax通常用于對(duì)模型輸出的向量進(jìn)行歸一化處理，以便將其解釋為類別概率。Softmax函數(shù)的輸入是一個(gè)向量z，并對(duì)向量z中的每個(gè)元素進(jìn)行指數(shù)化，除以所有元素的指數(shù)和，從而將向量轉(zhuǎn)換成一個(gè)概率分布p。Softmax函數(shù)表示為：

式中：σ(z)j——輸出向量中第j個(gè)元素的概率；zj——輸入向量中第j個(gè)元素的值；K——向量的維度。Softmax函數(shù)的輸出是一個(gè)概率分布，其中每個(gè)元素的值均介于0和1之間，且所有元素的和等于1。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)配置

計(jì)算機(jī)配置操作系統(tǒng)為64位Windows11，處理器為11th Gen Intel （R） Core （TM） i7-11700@2.50 GHz，顯卡NVIDIA GeForce RTX 3060Ti 8 GB，內(nèi)存容量為64 GB。編程語言采用Python3.7，深度學(xué)習(xí)框架選用TensorFlow。

2.2 數(shù)據(jù)集

文章使用的實(shí)驗(yàn)數(shù)據(jù)來自美國凱斯西儲(chǔ)大學(xué)數(shù)據(jù)中心的滾動(dòng)軸承故障數(shù)據(jù)集。該數(shù)據(jù)集是研究軸承故障研究的標(biāo)準(zhǔn)數(shù)據(jù)集，使用此數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)具有權(quán)威性[9-10]。該數(shù)據(jù)集包含了4種不同的滾動(dòng)軸承故障，包括外圈故障、內(nèi)圈故障、滾珠故障和鐵皮隔離器故障以及正常工作狀態(tài)的數(shù)據(jù)。數(shù)據(jù)集采集了從加速度傳感器和接收器中采集的振動(dòng)信號(hào)，其中外圈故障、內(nèi)圈故障和正常狀態(tài)的振動(dòng)信號(hào)數(shù)據(jù)由12個(gè)不同工況的試驗(yàn)采集而成，滾珠故障和鐵皮隔離器故障的振動(dòng)信號(hào)數(shù)據(jù)由3個(gè)不同工況的試驗(yàn)采集而成。

2.3 模型訓(xùn)練過程

將原始軸承振動(dòng)信號(hào)進(jìn)行預(yù)處理和滑動(dòng)窗口切割，將數(shù)據(jù)集按照8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

初始化模型參數(shù)，將訓(xùn)練集數(shù)據(jù)分別輸入到CNN和BiGRU中進(jìn)行特征提取，利用SENet模塊將提取的特征進(jìn)行融合，計(jì)算輸出向量與期望值之間的損失函數(shù)，利用Adam進(jìn)行調(diào)優(yōu)。

根據(jù)損失函數(shù)判斷模型是否滿足要求，若滿足則保存模型的訓(xùn)練參數(shù)，否則需要重新訓(xùn)練模型。

模型訓(xùn)練結(jié)束后，利用測(cè)試集進(jìn)行測(cè)試，將提取的特征向量輸入到Softmax層進(jìn)行故障分類，最后輸出診斷結(jié)果。

2.4 實(shí)驗(yàn)結(jié)果分析

研究軸承在實(shí)際工作中可能出現(xiàn)的9種故障類型以及1種正常工作類型。

選擇每種故障類型的2 000個(gè)樣本進(jìn)行研究，對(duì)每個(gè)樣本進(jìn)行了2 048個(gè)數(shù)據(jù)采樣點(diǎn)的采集。使用onehot編碼標(biāo)記每個(gè)樣本的標(biāo)簽。在樣本預(yù)處理過程中，將樣本輸入形式設(shè)置為2×1 024，其中2是GRU單元個(gè)數(shù)，1 024是每個(gè)單元的輸入長度。該設(shè)置可以有效避免樣本序列過長無法直接處理，提高計(jì)算效率。

迭代中準(zhǔn)確率變化曲線如圖2所示。

圖2 迭代中準(zhǔn)確率變化曲線

由圖2可知，在前5次迭代中，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率快速提升。在第10次迭代時(shí)，兩者的準(zhǔn)確率均穩(wěn)定在90%以上。當(dāng)?shù)_(dá)到20次左右時(shí)，模型的訓(xùn)練趨于平穩(wěn)，且準(zhǔn)確率值接近100%，損失函數(shù)值接近0.01。對(duì)比訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率，發(fā)現(xiàn)訓(xùn)練集比驗(yàn)證集更快地收斂，且初始值更高。結(jié)果表明，數(shù)據(jù)量對(duì)模型的收斂有影響。由圖中曲線變化可知，除了驗(yàn)證集前幾次迭代出現(xiàn)折線外，整體曲線基本平滑，表明模型的穩(wěn)定性良好。

為了排除實(shí)驗(yàn)結(jié)果偶然性，進(jìn)行了10次試驗(yàn)并計(jì)算平均值。結(jié)果顯示，10次試驗(yàn)中有7次故障分類準(zhǔn)確率達(dá)到100%，只有3次出現(xiàn)誤判，說明模型具有良好的魯棒性。模型的平均準(zhǔn)確率為99.83%，平均誤判樣本數(shù)為0.9個(gè)。準(zhǔn)確率最低為99.4%，對(duì)應(yīng)的誤判樣本數(shù)為0.9個(gè)，即平均每次試驗(yàn)可能會(huì)有0.9個(gè)樣本出現(xiàn)誤判，表明模型具有較好的故障分類性能。

3 結(jié)語

文章提出了一種用于軸承故障診斷的模型，該模型由三層組成。特征提取層將輸入的樣本數(shù)據(jù)分別傳遞給上下通道CNN和BiGRU進(jìn)行特征提取。在特征融合層中對(duì)SENet網(wǎng)絡(luò)進(jìn)行了改進(jìn)，將全局平均池化從二維替換為一維，并將兩個(gè)特征向量進(jìn)行加權(quán)融合。在故障分類層中使用Softmax分類器對(duì)融合后的特征進(jìn)行故障分類。結(jié)果表明，提出的故障診斷方法在性能和魯棒性方面表現(xiàn)良好。