基于深度自編碼網(wǎng)絡(luò)的剛性罐道故障診斷

包從望，朱廣勇，江 偉，劉永志

(六盤水師范學(xué)院，貴州 六盤水 553000)

0 引 言

礦井生產(chǎn)中，提升機(jī)的運(yùn)行性能直接影響著礦井運(yùn)輸效率，剛性罐道作為提升機(jī)的導(dǎo)向與支撐裝置，是立井提升運(yùn)輸?shù)年P(guān)鍵組成部分[1]。當(dāng)剛性罐道發(fā)生故障時(shí)，可能會(huì)導(dǎo)致運(yùn)輸軌道與提升容器之間的配合錯(cuò)位而產(chǎn)生振動(dòng)，嚴(yán)重時(shí)還會(huì)導(dǎo)致卡罐，甚至斷繩，造成煤礦重大安全事故。常見的剛性罐道故障診斷方式有：幾何測(cè)量、專用儀器法和振動(dòng)檢測(cè)[2]。其中幾何測(cè)量法需停機(jī)檢測(cè)，將影響生產(chǎn)；專用儀器法檢測(cè)精度高，但屬靜態(tài)檢測(cè)，無(wú)法實(shí)時(shí)檢測(cè)剛性罐道的動(dòng)態(tài)特性；振動(dòng)檢測(cè)法操作簡(jiǎn)單，且能動(dòng)態(tài)檢測(cè)剛性罐道的運(yùn)行狀態(tài)?；谡駝?dòng)檢測(cè)，目前國(guó)內(nèi)外學(xué)者做了大量研究，蔣玉強(qiáng)[3]建立了提升容器的振動(dòng)模型，并基于模糊推理實(shí)現(xiàn)剛性罐道運(yùn)行狀態(tài)的健康評(píng)估；張麗娜等[4]對(duì)剛性罐道和提升容器之間做了動(dòng)力學(xué)研究，并對(duì)其進(jìn)行振動(dòng)仿真，分析缺陷大小、提升載荷和運(yùn)行速度對(duì)振動(dòng)大小的影響；張淼[5]對(duì)剛性罐道實(shí)現(xiàn)動(dòng)力學(xué)模型分析，并基于EMD分解實(shí)現(xiàn)剛性罐道振動(dòng)信號(hào)的提取，利用SVM分類器實(shí)現(xiàn)剛性罐道的故障分類；丁雪松[6]建立了剛性罐道的動(dòng)力學(xué)模型，并基于Simulink軟件完成故障缺陷的模擬仿真；GALLOWAY等[7]利用提升容器振動(dòng)信號(hào)實(shí)現(xiàn)罐道動(dòng)態(tài)運(yùn)行中的狀態(tài)，并將診斷模型用于實(shí)際生產(chǎn)現(xiàn)場(chǎng)。

目前，隨著人工智能的發(fā)展，智能故障診斷已經(jīng)在機(jī)械運(yùn)行狀態(tài)監(jiān)測(cè)中得到廣泛運(yùn)用。BOSKOSKI等[8]以熵作為衡量指標(biāo)，基于小波包理論完成機(jī)械故障診斷；QIU等[9]利用自組織神經(jīng)網(wǎng)絡(luò)(SOM)提取機(jī)械故障的特征，完成軸承的故障監(jiān)測(cè)；WIDODO等[10]提取監(jiān)測(cè)對(duì)象的故障特征，利用相關(guān)向量機(jī)和支持向量機(jī)完成軸承的故障診斷；YANG等[11]利用EMD分解獲取故障特征，并采用人工神經(jīng)網(wǎng)絡(luò)的方法建立了軸承故障診斷模型。

剛性罐道故障診斷的難點(diǎn)在于故障特征提取，全面的故障特征是正確分類的前提。傳統(tǒng)方法主要有兩個(gè)不足：一是信息處理過(guò)程難以保證故障特征的精準(zhǔn)度；二是診斷模型多采用監(jiān)督學(xué)習(xí)，該學(xué)習(xí)方法會(huì)因標(biāo)簽數(shù)據(jù)的不足導(dǎo)致故障診斷誤判。因此，本文提出一種基于深度自編碼網(wǎng)絡(luò)的剛性罐道故障診斷模型，以一種無(wú)監(jiān)督的深度學(xué)習(xí)方式提高故障診斷特征的精度。

1 剛性管道故障診斷方案

結(jié)合剛性罐道故障診斷需求，確定診斷方案如圖1所示。首先基于剛性罐道故障診斷實(shí)驗(yàn)臺(tái)提取正常、接頭錯(cuò)位、局部凸起、整體傾斜四種狀態(tài)下的振動(dòng)信號(hào)和傾斜信號(hào)作為網(wǎng)絡(luò)模型的輸入；基于深度自編碼網(wǎng)絡(luò)對(duì)四類原始數(shù)據(jù)進(jìn)行無(wú)監(jiān)督訓(xùn)練，采用反向傳播方式實(shí)現(xiàn)網(wǎng)絡(luò)全局微調(diào)，對(duì)權(quán)值和偏置值進(jìn)行優(yōu)化，由網(wǎng)絡(luò)訓(xùn)練結(jié)果得到最優(yōu)權(quán)值和偏置向量，根據(jù)最優(yōu)權(quán)值和偏置向量提取相應(yīng)的故障特征向量；最后，通過(guò)有監(jiān)督學(xué)習(xí)的SVM分類器對(duì)特征向量進(jìn)行分類。

圖1 剛性罐道故障診斷方案Fig.1 Scheme for fault diagnosis of rigid tanks

2 深度自編碼網(wǎng)絡(luò)的建立

所謂深度自編碼網(wǎng)絡(luò)(deep auto encoder，DAE)就是采用多個(gè)隱含層[12]，以逐層訓(xùn)練的方式，通過(guò)非線性變換的形式層層傳遞。

2.1 自編碼器

自編碼器(auto encoder，AE)具有較好的特征提取能力，訓(xùn)練過(guò)程中有壓縮編碼的作用，類似于降維。輸入高維數(shù)據(jù)，由編碼層將原始數(shù)據(jù)轉(zhuǎn)換為低維的抽象數(shù)據(jù)，并由對(duì)應(yīng)的解碼層將抽象數(shù)據(jù)實(shí)現(xiàn)重構(gòu)。其編碼層類似于普通神經(jīng)網(wǎng)絡(luò)的隱含層，用函數(shù)h表示，編碼過(guò)程見式(1)。

h=f(W1x+b1)

(1)

式中：f()為輸入層到編碼層的激活函數(shù)，激活函數(shù)采用sigmoid函數(shù)；b1、W1為輸入層到編碼層的偏置值和權(quán)值。

其解碼過(guò)程即是抽象數(shù)據(jù)的重構(gòu)過(guò)程，解碼過(guò)程見式(2)。

(2)

式中：g()為編碼層到輸出層的激活函數(shù)，激活函數(shù)采用sigmoid函數(shù)；b2、W2為編碼層到輸出層的偏置和權(quán)值。

重構(gòu)誤差計(jì)算見式(3)。

(3)

根據(jù)重構(gòu)誤差的計(jì)算式，自編碼網(wǎng)絡(luò)以反向傳播的方式對(duì)代價(jià)函數(shù)JAE實(shí)現(xiàn)優(yōu)化，以最終的優(yōu)化結(jié)果W、b實(shí)現(xiàn)特征提取。利用代價(jià)函數(shù)將特征提取過(guò)程轉(zhuǎn)變?yōu)閮?yōu)化問(wèn)題，優(yōu)化過(guò)程中第l層W和b的更新方式計(jì)算見式(4)和式(5)。

(4)

(5)

式中，ε為學(xué)習(xí)率。

2.2 深度自編碼

本文所用的深度自編碼網(wǎng)絡(luò)由多個(gè)自編碼網(wǎng)絡(luò)組成，以前一層的輸出作為后一層的輸入，對(duì)一個(gè)n層自編碼網(wǎng)絡(luò)，其第k層自編碼網(wǎng)絡(luò)的W1、b1、W2、b2分別表示為W(k,1)、b(k,1)、W(k,2)、b(k,2)。a(k)、Z(k)分別表示第k層的輸入和輸出，計(jì)算過(guò)程見式(6)和式(7)。

h(k)=f(W(k,1)·a(k)+b(k,1))

(6)

Z(k)=g(W(k,2)·a(k)+b(k,2))

(7)

DAE通過(guò)逐層訓(xùn)練每個(gè)自編碼網(wǎng)絡(luò)，對(duì)每層進(jìn)行微調(diào)，從而改善全局神經(jīng)網(wǎng)絡(luò)，提高網(wǎng)絡(luò)性能。

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)描述

剛性罐道的組成，由電機(jī)帶動(dòng)減速器，并驅(qū)動(dòng)滾筒，實(shí)現(xiàn)提升容器的運(yùn)行，提升容器的運(yùn)行速度由直流調(diào)速器控制。實(shí)驗(yàn)臺(tái)可模擬正常狀態(tài)、接頭錯(cuò)位、局部凸起、整體傾斜四種工況，原始數(shù)據(jù)由CA-DR-3005型振動(dòng)傳感器和CXTA-02傾角傳感器獲取，經(jīng)數(shù)據(jù)采集卡采集至電腦。數(shù)據(jù)采樣頻率為2 kHz，每種工況的樣本個(gè)數(shù)為1 200個(gè)，其中訓(xùn)練樣本為900個(gè)，測(cè)試樣本為300個(gè)。

設(shè)定提升容器的運(yùn)行速度為0.2 m/s，舉例無(wú)提升載荷時(shí)局部凸起故障上行過(guò)程的振動(dòng)原始信號(hào)如圖2所示。統(tǒng)計(jì)各類故障的振動(dòng)幅值見表1，單從統(tǒng)計(jì)表中的幅值信息并未得故障類型，因此，需對(duì)振動(dòng)信息作進(jìn)一步分類處理。

圖2 局部凸起故障振動(dòng)原始信號(hào)Fig.2 Vibration original signal of local bulge fault

表1 振動(dòng)信號(hào)幅值表
Table 1 Amplitude table of vibration signal

運(yùn)行方向振動(dòng)方向正常狀態(tài)/(m/s2)接頭錯(cuò)位/(m/s2)局部凸起/(m/s2)罐道傾斜/(m/s2)容器上行X0.6333.4525.6800.804Y1.7864.0016.2161.877Z1.6885.1996.9401.806容器下行X0.4993.7604.4880.714Y1.7792.4764.6531.775Z1.6075.2805.8601.743

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，首先對(duì)原始數(shù)據(jù)做歸一化處理，采用兩層自編碼網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)率ε設(shè)定為0.01，在保證網(wǎng)絡(luò)有較好學(xué)習(xí)效果的前提下提升學(xué)習(xí)效率。為驗(yàn)證所構(gòu)建網(wǎng)絡(luò)提取特征的能力，利用PCA分別對(duì)原始數(shù)據(jù)和經(jīng)網(wǎng)絡(luò)訓(xùn)練提取的特征數(shù)據(jù)實(shí)現(xiàn)降維，并提取PCA前三主元做數(shù)據(jù)的可視化處理，即將特征數(shù)據(jù)由多維空間映射到三維空間，見圖3～5。

圖3 原始數(shù)據(jù)可視化Fig.3 Visualization of raw data

圖4 第一層特征數(shù)據(jù)可視化Fig.4 Visualization of the first layer of feature data

圖5 第二層特征數(shù)據(jù)可視化Fig.5 Visualization of the second layer of feature data

圖3為原始數(shù)據(jù)降維后映射到三維空間的結(jié)果。從圖3中可看出，罐道錯(cuò)位與其余三種狀態(tài)相比有一定的可識(shí)別性，但也有部分?jǐn)?shù)據(jù)與其余三種數(shù)據(jù)相互堆疊，因此識(shí)別率并不高。而其余三種狀態(tài)數(shù)據(jù)在空間內(nèi)相互交錯(cuò)，無(wú)法直接根據(jù)原始數(shù)據(jù)識(shí)別出故障類型。

圖4為原始數(shù)據(jù)經(jīng)DAE訓(xùn)練后，由第一層自編碼網(wǎng)絡(luò)提取的特征數(shù)據(jù)可視化，圖4中顯示了剛性罐道有分開的趨勢(shì)，基本能將四種故障狀態(tài)進(jìn)行分類，由于邊界部分依然存在堆疊，因此在故障識(shí)別的過(guò)程中會(huì)存在誤判，導(dǎo)致識(shí)別率不夠理想。

圖5為第二層自編碼網(wǎng)絡(luò)提取的故障特征，與第一層特征數(shù)據(jù)相比，其識(shí)別性更高，能完全區(qū)分出罐道凸起和罐道錯(cuò)位兩種故障，正常狀態(tài)和罐道傾斜兩種故障稍有堆疊，但該堆疊邊界處可通過(guò)對(duì)SVM分類器的訓(xùn)練找到較理想的分界平面。

通過(guò)對(duì)比圖3～5可以看出，原始數(shù)據(jù)經(jīng)DAE網(wǎng)絡(luò)訓(xùn)練后有較好的特征提取能力，為后續(xù)的故障分類奠定基礎(chǔ)，突出體現(xiàn)了深度自編碼網(wǎng)絡(luò)的特征提取能力。為進(jìn)一步說(shuō)明深度自編碼網(wǎng)絡(luò)的特征提取能力，對(duì)剛性罐道故障識(shí)別作以下幾種方法對(duì)比：①原始數(shù)據(jù)作為故障特征直接識(shí)別；②基于四種狀態(tài)的振動(dòng)信號(hào)和傾角傳感器的幅值特征進(jìn)行故障識(shí)別；③基于EMD分解獲取故障特征進(jìn)行識(shí)別；④深度自編碼網(wǎng)絡(luò)提取故障特征。

利用以上四種方法提取特征后，均以SVM分類器對(duì)故障特征進(jìn)行識(shí)別，對(duì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)，見表2。

表2 剛性罐道故障診斷對(duì)比Table 2 Comparison of fault diagnosis of rigid tank road

對(duì)比四種方法的識(shí)別率可知，方法1的識(shí)別率最低，顯然不適用于剛性罐道的故障診斷；方法2中平均識(shí)別率可達(dá)60%，但該方法僅依據(jù)振動(dòng)信號(hào)的幅值作為故障特征，信息獲取不全面，因此識(shí)別率依然不理想；方法3對(duì)振動(dòng)信號(hào)作經(jīng)驗(yàn)?zāi)B(tài)分解，分解后提取內(nèi)蘊(yùn)模態(tài)函數(shù)的能量、峰值、偏度、標(biāo)準(zhǔn)差、最大奇異值和邊際譜作為故障特征向量，由于該方法提取了較多信息，因此識(shí)別率可達(dá)90%以上，但該方法處理過(guò)程較麻煩，影響故障診斷的實(shí)時(shí)性；方法4為基于深度自編碼網(wǎng)絡(luò)的剛性罐道故障診斷，對(duì)接頭錯(cuò)位和局部凸起兩種故障的識(shí)別率可達(dá)100%，其余兩種也均在98%以上，其識(shí)別率高于前三種。

4 結(jié) 語(yǔ)

本文提出了基于深度自編碼網(wǎng)絡(luò)的剛性罐道故障診斷方法，將深度自編碼網(wǎng)絡(luò)的特征提取能力運(yùn)用于剛性罐道故障診斷，解決了剛性罐道故障診斷識(shí)別率較低和實(shí)時(shí)性差的問(wèn)題。利用搭建的兩層自編碼網(wǎng)絡(luò)將剛性罐道故障振動(dòng)信號(hào)和傾角信號(hào)作為網(wǎng)絡(luò)輸入進(jìn)行訓(xùn)練，并在兩層訓(xùn)練過(guò)程中利用反向傳播的方法，以重構(gòu)誤差函數(shù)為評(píng)價(jià)準(zhǔn)則，對(duì)權(quán)值和偏置進(jìn)行微調(diào)。最終將提取的故障特征利用SVM分類器對(duì)進(jìn)行故障識(shí)別，實(shí)驗(yàn)結(jié)果表明該方法具有較好的特征提取能力。