基于隨機森林算法拖拉機齒輪箱故障診斷研究

姚鵬飛,涂亞楠,王瑞紅

(黃河交通學院,河南 武陟 454950)

0 引言

農業機械故障會導致生產延遲、經濟損失,嚴重時還會對人員安全造成一定的隱患。大多數機械故障會改變機器通常的振動、噪音、溫度、功耗及機油特性等,與手動檢測相比,已經開發了幾種自動故障檢測技術,可以提供快速可靠的故障決策,是機械使用過程中故障診斷和各種設備維修調度的重要依據與理論參考。

Yang等人提出了一種基于人工蜂群算法的SVM參數優化的故障診斷方法,研究結果表明,蜂群算法比粒子群優化(PSO)和遺傳算法(GA)具有更高的準確性,錯齒齒輪、切齒和正常齒輪的故障診斷預測準確率為94.33%。Ziani等人研究了美國海軍CH-46E直升機齒輪箱的故障,并從振動信號中提取了時間、頻譜和時間尺度領域的統計特征,基于特征選擇算法和SVMs分類器對故障進行完全分類,提高了故障診斷的準確率。Zheng等人在信號預處理的基礎上,通過局部平均分解(LMD)的融合方法將信號分解為若干個乘積函數(PF),檢測出齒輪的缺齒和斷齒故障。

隨著人工神經網絡及智能算法的逐漸發展,ANN開始逐步應用于典型齒輪箱系統的齒輪和軸承故障的識別,并取得了很高的精度。深度學習(DL)是一種專業的分類方法,在農業工程的各種領域中得到了極大的應用,如模式識別、圖像處理和自然語言處理等。Gan和Wang使用深度學習方法開發了一個滾動軸承的自動診斷系統,該模型在檢測故障位置方面具有較高的精度。Patel和Giri研究表明,隨機森林(RF)分類器在檢測軸承故障方面比ANNs有更好的預測精度。Quiroz等人通過使用隨機森林和電流信號處理檢測同步電機的轉子桿斷裂,故障預測準確率為98.8%。

本研究選取拖拉機輔助齒輪箱為研究目標進行故障診斷:首先,收集健康和故障齒輪的振動信號,使用離散小波變換(DWT)作為信號處理,提取有用的統計特征,基于相關性的特征選擇(CFS)方法被用來尋找最佳統計特征;最后,使用隨機森林(RF)和多層感知器(MLP) 神經網絡對數據進行分類與故障預測。

1 材料與方法

1.1 試驗材料

本研究使用拖拉機變速箱,對行星齒輪箱進行故障檢測。試驗臺主要包括主齒輪箱后的輔助齒輪箱,三相電動機用作電源(德國西門子公司),皮帶傳動用于連接電動機和齒輪箱輸入軸,電動機固定在底盤底部,并連接緩沖器,以便在高轉速下實現更好的平衡和穩定振動,如圖1所示。對輔助齒輪箱行星齒輪上手動產生的3種常見故障,即缺齒齒輪(MT)、切屑齒輪(CT)和磨損齒輪(WT)進行自動監測,如圖2所示。

圖1 齒輪箱測試裝置示意圖Fig.1 Schematic diagram of the gearbox testing device

圖2 齒輪不同故障Fig.2 Different gear failures

1.2 數據采集

自動狀態監測(CM)系統分別由數據采集、信號處理、特征提取及故障檢測組成,如圖3所示。主要工作流程:使用壓電傳感器(VMI-102)測量基于加速度測定的振動信號;由便攜式數據采集系統進行數據采集,采樣時間為5s;對600r/min(空載狀態下的電機)、1350r/min(最大扭矩狀態下的電機)和2000r/min(最大功率狀態下的電機)多個電機轉速下的數據進行采集。

1.3 信號處理與特征提取

原始信號通過一系列高通和低通(頻率)濾波器被分解為兩個高頻帶(細節)和低頻帶(近似),離散小波變換(DWT)可以在時頻分析中提供有用的多分辨率數據,定義為

(1)

其中,j為尺度參數;k為移位參數;φ*為母小波(φ(x))的復共軛值。在本研究中,Db4(Daubechies)為小波。

圖3 故障識別程序工作流程圖Fig.3 Fault identification program workflow diagram

數據處理采用MatLab對每個原始信號應用三級函數,建立模型,為近似信號和細節信號計算了14個重要的統計特征,如表1所示。

表1 DWT信號處理中特征提取及其公式Table 1 Feature extraction and its formula in DWT signal processing

續表1

1.4 隨機森林

Leo Breiman在2001年提出的隨機森林(RF)算法,是一種用于分類的集成學習方法。RF由決策樹(DTs)演化而來,是一種流行的基于樹的集成機器學習工具,具有高度的數據適應性,可以應用于分類和回歸任務的大小問題,它實際上由許多DTs組成。為了對新實例進行分類,每個DT都為輸入數據提供分類;然后,RF收集分類并選擇投票最多的預測作為結果,在變量數量遠大于樣本數量的情況下,RF具有優異的性能。

本研究中,選取10、50、100、200、500棵樹測試了RF模型的預測性能。采用基于相關性的特征選擇(CFS)方法提取最佳特征,通過輸入所有特征和選定特征作為模型輸入,研究了RF模型預測性能,并采用交叉驗證法對行星齒輪箱常見故障進行檢測和分類,將RF模型與傳統的多層感知器(MLP)神經網絡進行模型對比與分析。

2 模型評估

為了評估模型的性能,采用了混淆矩陣,從C.M.中提取的重要參數包括精密度、回憶度(AVC)、F1得分、ROC曲線下面積(AUC)和總體準確度?；煜仃?C.M.)定義為式(2),即

(2)

(3)

(4)

(5)

其中,TP、FP、TN和FN分別是真陽性、假陽性、真陰性和假陰性的數量。選取均方根誤差(RMSE)、平均絕對誤差(MAE)、相對絕對誤差(RAE)對RF模型進行誤差評估。

3 結果與分析

圖4顯示了振動信號的原始樣本,DWT提供了一個近似的信號和3個細節信號,從每個信號中提取了14個特征,最終得到了56個特征。通過應用CFS方法去除弱的特征,選擇了6個重要的特征,降低90%特征維度及處理時間和模型的復雜性。

(a)正常

(b) MT故障

(c) CT故障

(d) WT故障圖4 電機轉速為600r/min時齒輪箱不同狀態下的振動信號Fig.4 Vibration signals of the gearbox in different states at motor speed of 600r/min

選取不同的特征集和森林中不同數量的樹訓練RF模型,不同數量的樹對RF模型精度的影響如圖5所示。使用所有56個特征和100棵樹來訓練RF模型,總體準確率、RMSE、MAE和RAE分別為86.2%、0.24、0.15和41.2%;然后,使用最佳的6個特征訓練RF,分類性能分別達到92.5%、0.21、0.10和27.06%,選取不同特征時RF模型預測結果分析如表2所示。

圖5 在電機轉速為600r/min時,使用不同樹數和特征選擇對 拖拉機輔助齒輪箱進行故障檢測的RF模型精度結果Fig.5 RF model accuracy results for fault detection of tractor auxiliary gearbox using different number of trees and feature selection at motor speed of 600r/min

表2 不同特征選取下RF模型故障診斷的性能Table 2 Performance of RF model fault diagnosis under different feature selections

將RF模型與MLP神經網絡模型進行預測對比,通過5倍交叉驗證和所有特征和CFS選擇的重要特征作為輸入(見表3),無特征選擇的MLP的總準確度、RMSE、MAE和RAE分別為82.5%、0.27、0.12和32.89%。通過使用CFS方法,這些數值分別為86.25%、0.24、0.10和28.49%,研究結果表明,通過CFS優化的MLP模型可以很好地識別正常的齒輪樣本,但對有缺陷的齒輪樣本的識別精度略低(見表4),RF模型預測的準確性高于MLP神經網絡模型。

表3 MLP模型故障診斷性能Table 3 MLP model fault diagnosis performance

續表3

表4 RF模型和MLP模型性能對比Table 4 RF model and MLP model performance comparison

4 結論

在不同的電機條件下(600、1350 、2000r/min)下,基于離散小波變換(DWT)進行信號處理,通過相關性特征選擇(CFS)方法進行特征選取,采用隨機森林(RF)和多層感知器(MLP)神經網絡對數據進行分類。研究結果表明:在電機轉速為600r/min時,通過特征選擇的RF模型達到了92.5%的準確率,誤差RMSE僅為0.21,MLP模型預測準確率僅為86.25%,誤差RMSE達到0.24,證明RF模型在故障診斷方面優于MLP模型。