基于油液-振動多維特征與PSO-LSTM的齒輪箱磨損狀態監測*

郭向陽 王建國 范 斌 張 超 于 航

(1.內蒙古科技大學機械工程學院 內蒙古包頭 014010；2.內蒙古農業大學機電工程學院 內蒙古呼和浩特 010018)

齒輪箱是機械傳動系統的關鍵部件，其健康狀態直接影響整個機械系統的性能。其中，齒輪箱中的齒輪極易發生磨損，齒輪的健康狀態直接影響齒輪箱的運行情況[1]。所以，在齒輪箱工作過程中對齒輪進行磨損狀態監測具有重要意義。目前齒輪箱磨損狀態監測技術有振動監測、油液監測和超聲監測等，其中振動監測和油液監測是目前齒輪箱磨損狀態監測的主要技術手段[2]。振動監測技術是通過在齒輪箱上安裝振動傳感器采集原始振動信號，目前比較常用的方法有時域分析法、頻域分析法。近年來，許多學者通過時域頻域特征融合[3]、提取原始振動信號的圖譜特征[4]以及多傳感器數據融合[5]等方法大大提高了齒輪箱磨損狀態監測能力。油液監測技術是對機器的潤滑劑的理化特性和攜帶的磨粒進行分析，獲得機器的潤滑與磨損狀態信息，從而對機器進行故障預測，確定故障類型[6]。機器磨損會產生磨粒，磨粒帶有大量表征機器狀態的信息。經過多年發展，目前基于電磁、超聲、光學等技術研發的磨粒監測傳感器在監測磨粒濃度、個數以及具體形貌等方面已經取得了良好的效果，在很多領域已經實現了應用[7]。

近年來，隨著人工智能技術的發展，深度學習技術應用在鐵譜圖像識別上可以很好地對磨粒進行定性和定量分析[8]。振動監測在齒輪裂紋識別方面效果較好，但是無法有效監測到齒面的微點蝕。而通過監測潤滑油液中的磨粒濃度、磨粒個數等特征信息可以有效地反映齒輪箱摩擦副的磨損程度，但是無法及時地識別到齒輪裂紋。可見單一的監測技術很難準確、全面地反映設備狀態，而將振動監測和油液監測相結合有利于更加全面地反映齒輪箱的運行狀態[9]。

齒輪箱在運行過程中各個部件間存在關聯耦合現象，所以產生的振動和油液數據具有非線性的特點，同時振動和油液數據是時間序列數據，其當前時刻的數據與歷史時刻的數據具有時間關聯性[10]。WANG等[11]使用深度神經網絡(DNN)對齒輪箱狀態進行了預測，但是該模型不能很好地挖掘數據間的時間關聯性。張龍等人[12]使用循環神經網絡(RNN)對齒輪箱狀態進行了預測，一定程度上提高了齒輪箱故障診斷精度，但是RNN存在梯度消失和爆炸問題。長短期記憶神經網絡(LSTM)是一種基于時間序列的神經網絡，并且擁有非線性層，能夠充分挖掘時序數據的深層信息以提高狀態監測的性能，同時也解決了RNN的梯度消失和爆炸問題[13]。何群等人[14]使用油溫監測LSTM模型對齒輪箱進行故障預測，表現出很好的預測性，但是模型的參數取值多靠研究人員的經驗。粒子群優化算法(PSO)是一種從隨機解出發，通過迭代不斷地尋找當前最優值來求得全局最優解，該算法具有速度快、精度高的優點，適用于神經網絡模型的參數尋優[15]。

為此，本文作者提出了基于油液-振動多維特征與粒子群優化算法-長短時記憶神經網絡(PSO-LSTM)的齒輪箱磨損狀態監測算法；對鐵譜圖像進行預處理，提取磨粒濃度特征、磨粒個數特征，對振動信號進行小波閾值去噪，并提取時域特征，得到油液振動十四維特征作為LSTM模型的輸入；采用粒子群優化算法對LSTM模型進行參數尋優，利用采集的齒輪箱全壽命實驗數據進行實驗和對比。

1 算法設計

算法流程如圖1所示。具體步驟為：(1)將鐵譜圖像進行預處理操作，并提取磨粒濃度特征以及磨粒個數特征；(2)將振動數據進行小波閾值去噪，并提取時域特征；(3)將上述特征組成油液振動十四維特征，并進行歸一化處理；(4)將LSTM模型的隱藏神經元個數和學習率設置為尋優參數，初始化粒子群，當達到最大迭代次數時停止迭代更新，確定學習率和隱藏神經元個數；(5)使用最優參數的LSTM模型完成齒輪箱的磨損狀態預測。

圖1 算法流程

2 算法實現

2.1 油液特征提取

2.1.1 鐵譜圖像預處理

首先，需要對鐵譜圖像進行預處理。如圖2(a)所示，對鐵譜圖像進行灰度化，并采用中心為5的8領域拉普拉斯算子進行磨粒圖像增強，使磨粒圖像更加清晰，增大磨粒與氣泡的灰度反差，同時突出微小磨粒的細節信息。如圖2(b)所示，使用最大類間方差算法(Otsu算法)進行磨粒分割，得到鐵譜二值化圖像，以便進行特征提取[16]。

圖2 鐵譜圖像預處理

2.1.2 磨粒濃度特征提取

計算磨粒濃度指標即磨粒覆蓋面積指數(IPCA)，計算二值化鐵譜圖像中灰度值為0的像素點個數，記為W，與二值化鐵譜圖像中的總像素點個數X×Y作比，如公式(1)所示，即為磨粒濃度。該指標可以反映齒輪箱的磨損狀態[17]。

(1)

式中：W為灰度值為0的像素點的個數；X為二值化鐵譜圖片的高度，單位為像素；Y為二值化鐵譜圖片的寬度，單位為像素。

2.1.3 磨粒個數特征提取

使用opencv中的cv2.findContours函數進行磨粒邊緣檢測提取磨粒輪廓，然后使用cv2.contour-Area函數進行磨粒輪廓面積計算，文中將面積大于45小于100的磨粒定義為小型磨粒，將面積大于100小于200的磨粒定義為中型磨粒，將面積大于200的磨粒定義為大型磨粒，統計每張鐵譜圖像三類磨粒個數，如圖3所示。

圖3 磨粒個數標注

2.2 振動特征提取

2.2.1 小波閾值去噪

由于外部環境以及人為原因，振動加速度傳感器采集的原始信號存在許多噪聲，這樣很難提取到有效的特征，所以在進行特征提取前需要進行去噪處理。小波閾值去噪克服了短時傅里葉變換窗口大小不隨時間變化，滑動平均濾波算法丟失較多信息等缺點，可以有效減少齒輪箱振動加速度信號中的噪聲[18]。小波閾值去噪分為3個步驟：(1)選定一個小波基函數對振動加速度信號進行N層分解計算，分解后得到多個小波系數；(2)將多個小波系數中的高頻系數視為噪聲，并對其進行閾值收縮處理；(3)將低頻系數和經過閾值收縮處理的高頻系數進行小波重構。Db小波基函數對齒輪箱振動信號去噪具有較好的效果[19]，文中采用Db14小波基，分解層數為3層，采用自適應閾值，閾值公式如公式(2)所示。

(2)

式中：cD1為第一層分解的高頻系數；A為振動信號長度；N為分解層數。

閾值函數的選取直接影響去噪信號的連續性以及與原始信號的相似度，是去噪的關鍵所在[20]。閾值函數常用的有軟閾值函數、硬閾值函數、軟硬閾值折衷函數。如公式(3)所示。

(3)

式中：ω為小波系數；λ為閾值，n=0時為硬閾值函數，n=1時為軟閾值函數，0

為了比較不同閾值函數的去噪效果，使用實驗數據進行去噪測試，使用信噪比(SNR)和均方根誤差(RMSE)進行去噪效果評價，如公式(4)和公式(5)所示。

(4)

(5)

式中：X2(i)表示去噪后的信號；Y2(i)表示原始振動加速度信號；Nr表示采樣點數。

結果如表1所示。

表1 去噪效果評價

SNR的值與去噪效果成正比，RMSE的值與去噪效果成反比。可以得出，去噪效果最好的是硬閾值函數，其去噪效果如圖4所示。

圖4 振動信號去噪前后對比

2.2.2 時域特征提取

對濾波后的振動加速度時間序列提取10種常用的時域特征，定義時域特征向量

T1=[ρ1ρ2ρ3…ρ10]

(6)

式中：ρ1…ρ10分別為有量綱特征，包括均值、峰值、均方根值、方根幅值、峭度、偏斜度，無量綱特征包括波形指標、峰值指標、脈沖指標、裕度指標[21]。

2.2.3 特征歸一化

將時域特征、磨粒濃度特征、磨粒個數特征組合得到14維特征向量T=[ρ1ρ2ρ3…ρ14]，同時進行歸一化處理，如公式(7)所示

(7)

式中：x表示特征向量中的任意特征；xmax是特征向量中的最大值；xmin是特征向量中的最小值。

2.3 長短時記憶神經網絡

LSTM的單元結構如圖5所示。LSTM主要包括了3個門結構，遺忘門ft作用于細胞狀態，將細胞狀態中的信息選擇性遺忘。輸入門it作用于細胞狀態，將新信息選擇性地記錄到細胞狀態中。輸出門ot作用于隱層狀態ht，決定輸出什么信息[13]。LSTM神經單元內的數據傳遞計算方式如公式(8)所示。

圖5 LSTM單元結構

(8)

式中：W表示權重；b表示偏置量。

2.4 粒子群優化算法

(9)

式中：w表示慣性權重；c1、c2為慣性因子；r1和r2的取值范圍為[0，1]。

3 實驗分析與討論

3.1 數據集準備

使用圖6所示的齒輪加速磨損試驗臺進行齒輪箱全壽命周期加速故障實驗。實驗總共進行200 h，期間通過工業內窺鏡觀察齒輪磨損情況，將0～70 h定義為正常磨損階段，70～110 h定義為輕微磨損階段，110～160 h定義為異常磨損階段，160～200 h定義為嚴重磨損階段。將采集的原始振動加速度數據和鐵譜圖像進行特征提取，并根據監測時間組成油液振動十四維特征數據，按照磨損階段劃分打上四類標簽，隨后進行歸一化處理，制作了2 146組數據。將數據集按照5∶1的比例分為訓練集和測試集。

3.2 PSO-LSTM模型參數設置

PSO-LSTM模型的初始化參數設置如表2所示，文中所使用的LSTM由1個輸入層、1個LSTM層、1個全連接層、1個Dropout層、1個softmax層和1個分類層組成。待優化的學習率的范圍為[0.01，0.09]，隱藏神經元個數的范圍為[20，100]。

表2 PSO-LSTM參數設置

3.3 對比分析

將油液振動十四維特征數據分別輸入自定義學習率為0.07、隱藏神經元個數為15的LSTM模型和學習率、隱藏神經元個數自適應優化的PSO-LSTM模型中進行訓練以及預測，得出最優學習率為0.05、最優隱藏神經元個數為25。對比LSTM模型和PSO-LSTM模型的識別準確率如表3所示。

表3 優化前后模型準確率對比

通過對比可以看出，PSO-LSTM模型對于油液振動十四維特征數據的識別準確率全面優于未經優化的LSTM模型。與未優化前的LSTM模型相比，PSO-LSTM模型總體識別率提高4%。

為了對比不同特征維度下PSO-LSTM模型的識別準確率，使用時域特征組成的振動十維特征數據，磨粒濃度特征、磨粒個數特征組成的油液四維特征數據，時域特征、磨粒濃度特征和磨粒個數特征組成的油液振動十四維特征數據分別輸入PSO-LSTM模型進行訓練以及預測，其準確率如表4所示，并輸出最優參數。

表4 不同特征下PSO-LSTM模型準確率對比

通過對比可以看出，使用油液振動十四維特征相比于振動十維特征和油液四維特征在正常磨損階段、輕微磨損階段、異常磨損階段，嚴重磨損階段的準確率都有提升，并且總體準確率分別提升了27.8%和22.2%。

4 結論

提出了基于油液-振動多維特征與PSO-LSTM的齒輪箱磨損狀態監測算法。以齒輪箱全壽命實驗的數據進行實驗分析，結果表明：使用油液振動十四維特征的PSO-LSTM模型的總體準確率要優于單獨使用振動和油液特征的PSO-LSTM模型；同時，PSO-LSTM模型對于油液振動十四維特征數據的識別準確率全面優于未經優化的LSTM模型。