基于改進殘差網絡的拉絲機減速箱故障診斷

文章編號：2096-1472（2024）03-0036-06

DOI：10.19644/j.cnki.issn2096-1472.2024.003.008

摘"要：減速箱對拉絲輥的轉速固定有重要作用，由于拉絲設備結構緊密，內部零件的運行狀態不易于觀察，因此減速箱輪齒故障導致的轉速配比異常很難被及時發現，針對拉絲機減速箱存在的故障診斷環節缺失問題，提出一種遺傳算法與優化注意力模塊改進的殘差網絡的故障診斷方法。首先，通過小波包分解與帶通濾波的混合方法清洗數據，依照生產車間實際情況提出綜合評價指標，并按照指標需求選擇小波包分解層數；其次，針對殘差網絡與注意力模塊進行改進；最后，將經過連通域分析與二值化后的特征圖送入改進后的模型進行診斷。結果表明，該方法的診斷準確率比注意力-殘差網絡模型（Squeeze-and-Excitation-ResNet， SE-ResNet）提升了7.32%，比卷積神經網絡-極限學習機模型（Convolutional Neural Network-Extreme Learning Machine， CNN-ELM）提升了8.81%，針對注意力模塊（Squeeze-and-Excitation Module， SE）的改進將模型的單次診斷時間在原來的基礎上縮短0.92 s，對塑編拉絲車間中減速箱的維護具有較大的實用價值。

關鍵詞：故障診斷；深度學習；遺傳算法；擠壓-激勵模塊；拉絲機；殘差網絡

中圖分類號：TP206.3""文獻標志碼：A

Fault Diagnosis of Wire Drawing Machine Reducer Based on

Improved Residual Network

ZOU Zhicheng¹， WAN Changjiang^1，2， RU Xin¹

（1.School of Mechanical Engineering， Zhejiang Sci-Tech University， Hangzhou 310018， China;

2.Research Institute of Zhejiang Sci-Tech University in Longgang， Wenzhou 325000， China）

Mixier1130@163.com; wanchj@zstu.edu.cn; ruxin@zstu.edu.cn

Abstract： The reducer plays an important role in fixing the speed of the wire drawing roller. Due to the compact structure of the drawing equipment and the difficulty in observing the operating status of internal parts， abnormal speed ratio caused by gearbox tooth faults is difficult to be found in time. To address the problem of missing fault diagnosis links in the reducer of the wire drawing machine， this paper proposes a fault diagnosis method based on genetic algorithm and improved residual network optimization attention module. Firstly， the data are cleaned by a hybrid method of wavelet packet decomposition and band-pass filtering. Comprehensive evaluation indicators are proposed based on the actual situation of the production workshop， and the number of wavelet packet decomposition layers is selected according to the indicator requirements. Secondly， the residual network and attention module are improved. Finally， the feature map after connected domain analysis and binarization is sent to the improved model for diagnosis. The results show that the diagnostic accuracy of the proposed method is 7.32% higher than that of traditional SE-ResNet （SE： Squeeze-and-Excitation）， and 8.81% higher than that of CNN-ELM （Convolutional Neural Network-Extreme Learning Machine）. The improvement of SE module shortens the single diagnosis time of the model by 0.92 s， which has great practical value for the maintenance of the reducer in the plastic weaving and drawing workshop.

Key words： fault diagnosis; deep learning; genetic algorithm; Squeeze-and-Excitation module; wire drawing machine; residual network

0""引言（Introduction）

拉絲機組的運行狀況與塑料絲的成型高度相關。減速箱是拉絲機傳動系統中的關鍵部件，由于塑編拉絲車間生產流程長且設備維護成本高，因此對減速箱進行故障診斷具有重要意義。

從實際問題出發，立足于生產現場的數據量龐大的現狀，考慮到殘差網絡比經典卷積神經網絡具有更加優秀的復雜特征提取與表達能力，因此本研究采用殘差網絡作為模型基礎，針對拉絲車間的實際需求對殘差網絡的診斷準確率與單次診斷速度進行改進。同時，拉絲車間的聲音復雜度較高且設備長時間在高溫環境下工作，由于對扁絲產品不同性能的需求，機筒等設備的工作溫度需要經常調整，傳統聲發射方法與熱成像方法無法用于拉絲車間減速箱的故障診斷，因此選擇使用振動分析法對數據進行研究分析^［1-4］。目前，深度學習在故障診斷領域已取得較大發展^［5-13］。熊劍等^［14］把短時傅里葉變換與殘差網絡結合建立診斷模型，其效果優于傳統卷積網絡。金列俊等^［15］省去特征提取與參數調優的步驟，直接使用一維卷積神經網絡對鉆桿進行故障診斷。然而，以上方法均存在無法自更新通道權重、超參數取值不是最優的問題，在特征提取效率與診斷準確率方面仍有不足且未考慮實際使用場景下的診斷實時性問題。

因此，本文提出一種基于振動信號的改進的殘差網絡，用于拉絲車間減速箱的故障診斷。使用優化的擠壓-激勵模塊與遺傳算法改進殘差網絡，并通過實驗驗證本文提出的診斷方法的有效性與實用性。

1""故障診斷流程（Fault diagnosis process）

本研究中需要開展的故障診斷主要包含6個階段：減速箱振動信號的采集、對振動信號進行清洗提純、將振動信號轉化為二維圖像信息、對處理后的數據進行二值化與連通域分析組成模型數據集、對殘差網絡（ResNet）的超參數進行優化以保證最佳的識別效果、運用參數尋優后的網絡進行故障診斷并展示結果。故障診斷整體流程圖如圖1所示。

2""故障診斷模型（Fault diagnosis model）

2.1""小波包分解層數確認

根據對設備振動信號的分析，對原始信號進行傅里葉變換，將信號轉換到頻域觀察數據信號，如公式（1）所示。

其中：F_k是頻域上的信號序列，x_n是時域上的信號序列，n是離散時間變量，k（k=0，1，2，…，N-1）是頻率編號，N是信號長度。

重點關注嚙合頻率及其諧波附近的信號，如公式（2）所示。

F_GMF=F_RF×N（2）

其中：F_GMF為齒輪嚙合頻率，F_RF為齒輪轉動頻率，N為齒輪的齒數。

使用帶通濾波器過濾掉低于511 Hz的信號與高于1 600 Hz的信號，但僅使用帶通濾波器不能滿足診斷準確率的要求，而小波包分解具有壓縮性與去噪性的特點，能關注并提取原始信號的深層特征，因此將兩種方法結合使用可以更好地提升診斷速度與準確率。本文選擇Sym6小波基函數對信號進行處理，小波分解信號圖如圖2所示。

使用合適的小波包分解層數可以獲得最佳的信號壓縮過濾效果。若小波包分解層數過高，會導致信號細節特征過多、噪聲的干擾增大，網絡無法準確識別設備的階段狀態特征，導致診斷準確率下降；若小波包分解層數過低，會出現特征提取不充分、信息丟失、誤差增加等現象。因此，需要通過實驗驗證小波包分解的最優分解層數，具體的計算方法如下：

根據實際應用需求，考慮到拉絲流程緊湊且關聯性強，一旦出現故障會產生大量廢絲，因此診斷反應速度與診斷準確率是診斷性能的重要指標。結合企業對診斷反應速度的更高要求，對診斷準確率與診斷反應速度給予不同權重，提出評價指標ε，用以確定最終分解層數，具體公式如下：

其中：ε是分解評價指標；α是準確率權重，取0.4；β是診斷時間權重，取0.2；γ是均方誤差權重，取0.4；θ是當前小波包分解層數下的診斷準確率值，τ是當前小波包分解層數下的單次診斷時間值，M是歸一化后的均方誤差，通過將三個指標歸一化到［0，1］上組成評價指標。

由表1可以看出，四層分解層數的綜合評價指標最高，即四層分解在能滿足拉絲生產的實際需求的前提下，得到的重構信號質量最優且對于原本信號的特征保留與信號去噪效果更好。將水平與豎直方向上的信號以時序組成對應特征點，以每1 000組數據作為一張特征圖的方式形成數據集，經過以上混合處理方法，使原本冗雜、特征不明顯的原始信號變得精簡且具有深層特征。對比信號處理前后的特征散點（圖3）可以發現，經處理后的信號更緊湊，游離散點明顯變少，狀態特征表述也更加清晰，將處理后的數據送入模型訓練后，殘差網絡在故障診斷時具有更高的準確率。

2.2""網絡模型建立

殘差網絡的堆疊殘差塊會引入不必要的冗余特征，這部分冗余特征增加了診斷的時間，并降低了診斷準確率；殘差網絡本身無法自適應地調節每個通道的重要性，所以僅依靠殘差網絡進行診斷的準確率較低。為了解決以上問題，使用擠壓-激勵模塊對網絡進行改進。擠壓-激勵模塊能夠學習到每個通道的重要性權重，并且能根據這些權重自適應地調節特征圖中的每個通道，重要性較高的通道將得到更大的權重，從而更強烈地影響最終的特征表示，而重要性較低的通道會得到較小的權重，同時抑制冗余信息的表述，從而減弱其對最終特征表示的影響，增強了殘差網絡的表達能力和特征選擇能力。優化前后的模型結構對比如圖4所示。

雖然擠壓-激勵模塊優化了冗余特征的干擾，提升了計算效率，但是在實際應用時必須讓診斷的時間盡可能短，因此針對模型的計算效率進行改進。針對SE模塊進行改進能提升模型的遷移性與通用性，具體改進方法是選擇將計算效率更高的ReLU激活函數替換原本的激活函數。該改進方法可以降低計算復雜度，并且Sigmoid函數在輸入遠離零時飽和，限制了非線性表示能力的發揮，而ReLU函數則沒有以上問題。

SE模塊的輸出必須符合注意力權重的定義，即注意力權重是一種概率分布，其值通常在［0，1］之間且所有權重的和為1，而ReLU的輸出為Max（0，w^Tx+b），不符合注意力權重的定義，因此需要再加入歸一化操作，將輸出限制在［0，1］之間，使之符合注意力權重的定義。改進的擠壓-激勵模塊結構如圖5所示。

首先，輸入的特征圖與傳統SE模塊的特征圖處理方式相同，進行卷積與壓縮得到具有全局感受野的特征輸出z_c，其公式如下：

其中：z_c是輸出的特征值，c是通道數，u_c是輸入特征圖，H、W是特征圖的高與寬，i、j是特征數據行與列。

其次，進行激勵操作，將特征輸出進行特征降維并使用ReLU激活，再進行一次全連接層升維回到原來的維度，該操作可以極大地減少參數量與計算量，并且更好地擬合通道間的相關性。之后，不再使用Sigmoid激活函數獲取權重，而是通過ReLU激活函數與歸一化操作獲得特征權重，其公式如下：

其中：F_ex為激勵操作，s為特征權重，P為Softmax歸一化，δ為ReLU激活函數，W₁、W₂為兩個全連接層的權值矩陣。

把特征權重與原始特征數據相乘，得到通道注意力加權輸出特征圖，其公式如下：

其中：F_scale為標定操作，u_c為特征圖中的第c個通道，s_c為權重矩陣的第c個通道。

經過多次實驗，優化前后的模型診斷準確率的差距在1%以內，但單次診斷時間相差0.92 s。可見，針對SE模塊的改進，在遺傳算法-注意力-殘差網絡（GA-SE-ResNet）提速效果較好的前提下，準確率沒有出現大幅度波動。優化前后模型性能對比如表2所示。

2.3""基于遺傳算法的超參數優化

模型的性能與超參數的選擇也有較大的關系，傳統診斷模型的超參數通常依靠人工經驗指定，這種方式的不確定性高且無法保證模型性能最優，因此引入遺傳算法（GA算法）確定模型最優超參數的取值，尋優流程如圖6所示。由于網絡準確率是由超參數的組合決定的，因此將GA算法的適應度函數設置為網絡準確率的反比例函數，尋優過程也是對最優的網絡性能的尋找，將兩種算法結合，可以解決ResNet網絡的超參數無法保證最優的問題。

首先，確定遺傳算法的適應度函數，用于衡量個體在解決問題中的優劣程度。引入遺傳算法的目的是使用最優的超參數使殘差網絡的準確率最高，因此適應度函數設置為網絡準確率的反比例函數，最小的適應度值對應的基因組就是模型所需的最優超參數組合，計算公式如下：

Fitness=Net_acc{R（lr_i，bs_i，Mm_i，Wd_i）}10）

其中：R為殘差網絡模型，lr_i為學習率，bs_i為批處理數，Mm_i為動量，Wd_i為權重衰減。

其次，設置各個參數的尋優區間，作為遺傳算法的基因庫，如表3所示。

選擇合理的算子與編碼方式可以提升算法的性能。為了增強算法的局部搜索能力與計算效率，選擇使用格雷碼編碼，選擇算子使用輪盤賭值，交叉算子采用單點交叉，單點交叉能保證基因組的完整性，加強算法的局部搜索能力與計算效率。設置種群數量為100個、最大迭代次數50次，當GA算法收斂時，將在表3的區間與數組內尋找到最優的個體基因組。

3""實驗結果（Experimental result）

將生產現場使用的EUGENE工業斜減速箱作為待測對象，使用CYT9350加速度傳感器與USB-1252A數據采集卡作為采集設備，減速箱嚙合頻率為511 Hz，設置采樣頻率為5 120 Hz。實驗振動數據由采集模塊獲取，所有狀態振動數據總數為600 000條，單個方向的單狀態數據為100 000條，以每1 000個數據對作為一組，共分為100組，經過二維特征化形成單狀態數據量，共100張；再通過對圖片隨機添加噪點、平移等操作擴充數據，擴充后單狀態數據量為347張，總數據量為1 043張，按照8∶1∶1的比重分為訓練集、驗證集、測試集。

GA算法輸出的最優超參數組合如表4所示，網絡在進行訓練時使用對應最優參數，保證達到模型最佳的診斷效果，并與傳統網絡的準確率進行對比。

如表5、圖7所示，從準確率方面來看，改進后的GA-SE-ResNet比傳統的SE-ResNet平均診斷準確率提升7.32%、迭代次數減少11次，并且SE-ResNet的超參數是隨機指定的，導致準確率波動大，其最高診斷準確率與最低診斷準確率相差5.25%；相比CNN-ELM，平均診斷準確率提升8.81%、迭代次數減少8次，同樣由于無法保證參數最優，導致準確率存在較大波動；相比遺傳算法-支持向量機（GA-SVM），平均診斷準確率提升0.7%，迭代次數減少6次，其整體準確率波動不大。從單次診斷時間來看，得益于改進SE模塊的速度優化，改進后的GA-SE-ResNet模型較改進前的平均診斷時間縮短了0.92 s；由于傳統ResNet網絡引入殘差連接增加了計算量，導致單次診斷時長比傳統卷積神經網絡（CNN）網絡更長，通過改進擠壓-注意力模塊將單次診斷時間縮短至與CNN相近的水平。

如圖8所示，針對特定車間的運行數據，GA-SVM在所有模型中損失值較小，在前4次迭代，它的收斂速度比優化后的GA-SE-ResNet更快，在4次迭代后其收斂速度漸慢于改進后的殘差模型；得益于極限學習機的高效計算效率與訓練速度，CNN-ELM模型的收斂速度是所有模型中最快的，但缺點是損失值較大，診斷準確率不高；普通SE-ResNet模型損失值相較于CNN雖然更小，但是收斂輪次是所有模型中最多的，并且準確率不穩定，一方面是因為殘差模型的計算量較大，另一方面是因為模型的參數不是最優，導致收斂速度慢。得益于遺傳算法得到的最優參數與改進SE模塊的更高的計算效率，改進后的殘差模型無論在收斂輪次還是損失值大小方面，在以上模型中都是最優的，優化后單次診斷時間也獲得較大的提升，由混淆矩陣可以看出，該模型對拉絲車間減速箱健康與磨損狀態下的診斷效果較好。

實驗結果說明，在塑編拉絲車間減速箱的故障診斷上，相較于CNN-ELM、SE-ResNet、GA-SVM等模型，改進后的GA-SE-ResNet模型效果更優。

4""結論（Conclusion）

為了提升塑編拉絲車間的智能化改造水平，實現對拉絲關鍵部件的故障診斷，構建了針對拉絲車間的基于殘差網絡改進模型的故障診斷方法。根據拉絲車間的特點，通過信號雙方向采集融合、信號二維化、數據點連通域分析等方法對信號進行預先處理，由于拉絲工藝對診斷的響應時間有較高要求，因此針對GA-SE-ResNet模型的單次診斷時間較長的問題，進一步改進擠壓-激勵模塊的結構。實驗結果表明，改進后的模型的單次診斷時間縮短了0.92 s，實際診斷時間相較于改進前大幅度減少，在診斷準確率保持穩定的前提下，提升了診斷實時性，更符合實際診斷場景下的實時性需求。此外，使用遺傳算法選擇最優的殘差網絡超參數組合，解決了殘差網絡無法自適應調節參數的問題，同時避免人工設置超參數導致模型可靠性不足的問題。實驗結果表明，該模型針對拉絲車間的診斷性能優秀。該模型為拉絲機關鍵部件的故障檢測提供了一種新的方案，對車間智能化水平的提升具有積極意義。

參考文獻（References）

［1］ 周玉蓉，張巧靈，于廣增，等. 基于聲信號的工業設備故障診斷研究綜述［J］. 計算機工程與應用，2023，59（7）：51-63.

［2］ NING D Y，SUN C L，GONG Y J，et al. Extraction of fault component from abnormal sound in diesel engines using acoustic signals［J］. Mechanical systems and signal processing，2016，75：544-555.

［3］ KARABACAK Y E，GRSEL ZMEN N，GM瘙 塁EL L. Worm gear condition monitoring and fault detection from thermal images via deep learning method［J］. Eksploatacja i niezawodnos[DD（-1*2][HT]＇[DD）]c[DD（-1*2][HT]＇[DD）]-maintenance and reliability，2020，22（3）：544-556.

［4］ 司偉偉，岑健，伍銀波，等. 小樣本軸承故障診斷研究綜述［J］. 計算機工程與應用，2023，59（6）：45-56.

［5］ 翟嘉琪，楊希祥，程玉強，等. 機器學習在故障檢測與診斷領域應用綜述［J］. 計算機測量與控制，2021，29（3）：1-9.

［6］ 賀政，曹宏斌，趙富強. 基于混合遺傳算法的10 kV避雷器劣化狀態識別仿真［J］. 微型電腦應用，2023，39（11）：69-72.

［7］ 余萍，曹潔. 深度學習在故障診斷與預測中的應用［J］. 計算機工程與應用，2020，56（3）：1-18.

［8］ 侯林濤，閻俏，張桂青，等. 基于K-means算法的光伏路燈蓄電池故障識別研究［J］. 計算機時代，2023（6）：114-118.

［9］ 趙師兵，張志明. 基于時域信號特征和卷積神經網絡的模擬電路故障診斷算法［J］. 計算機應用，2022，42（增刊2）：320-326.

［10］ 雷澤臨，蘇儉，郭偉. 基于機器學習的蜂窩網絡故障管理框架及方法綜述［J］.計算機應用研究，2022，39（12）：3521-3533.

［11］ 趙曉平，彭澎，張永宏，等. 改進孿生網絡在小樣本軸承故障診斷中的應用［J］.計算機工程與應用，2023，59（19）：294-304.

［12］ 張弛，王廣民，許會博，等. 基于PCA和優化參數SVM的智能變電站故障診斷方法［J］. 計算機應用與軟件，2022，39（7）：80-88.

［13］ 郭秀才，劉冰冰，王力立. 基于小波包和CS-BP神經網絡的礦用電力電纜故障診斷［J］. 計算機應用與軟件，2021，38（9）：105-110.

［14］ 熊劍，鄧松，時大方. 基于改進殘差網絡的滾動軸承故障診斷［J］. 軸承，2020（11）：50-55.

［15］ 金列俊，詹建明，陳俊華，等. 基于一維卷積神經網絡的鉆桿故障診斷［J］. 浙江大學學報（工學版），2020，54（3）：467-474.

作者簡介：[HJ]

鄒知成（1997-），男，碩士生。研究領域：智能制造。

萬昌江（1972-），男，博士，講師。研究領域：精益生產及信息系統開發。本文通信作者。

汝"欣（1989-），女，博士，講師。 研究領域：機械工程，現代紡織裝備技術，計算機輔助設計。

收稿日期：2023-06-08

基金項目：浙江省科技計劃項目（2022C01065）；浙江省基礎公益研究計劃項目（LGG21E050024）