基于EMD降噪和LSTM網(wǎng)絡(luò)的地鐵風(fēng)機(jī)軸承壽命預(yù)測

張傳凱

（1.北京市地鐵運營有限公司；2.北京地鐵工程管理有限公司）

0 引言

近年來，隨著軌道交通的快速發(fā)展，地鐵成為了人們重要的出行方式。地鐵大部分時間處在地下密閉空間，穩(wěn)定的送風(fēng)、排煙等功能直接關(guān)系到乘客的生命安全。因此，地鐵風(fēng)機(jī)的安全運行是保證地鐵正常運行的前提和基礎(chǔ)。軸承是風(fēng)機(jī)中最重要的部件之一，也是風(fēng)機(jī)中最容易出現(xiàn)故障的部件。地鐵風(fēng)機(jī)軸承在長時間運行和極端環(huán)境等因素復(fù)合作用下，不可避免的產(chǎn)生因磨損而帶來的性能退化，若不能及時監(jiān)測其退化過程，一旦軸承完全失效將產(chǎn)生嚴(yán)重的安全事故[1-3]。因此，研究地鐵風(fēng)機(jī)軸承的剩余使用壽命預(yù)測具有非常重要的意義。

目前，國內(nèi)外學(xué)者對于風(fēng)機(jī)軸承的研究多集中于使用振動信號進(jìn)行故障分析。如：文獻(xiàn)[4]通過對時域特征和頻域特征的分析實現(xiàn)地鐵風(fēng)機(jī)軸承故障診斷。文獻(xiàn)[5]結(jié)合加速度、速度和位移信號實現(xiàn)地鐵風(fēng)機(jī)的故障診斷。文獻(xiàn)[6]提出了一種調(diào)制強(qiáng)度指標(biāo)，結(jié)合循環(huán)平穩(wěn)解調(diào)算法獲得風(fēng)機(jī)的故障類型及故障程度。文獻(xiàn)[7]提出了一種基于對稱點圖分析和圖像匹配的故障診斷方法檢測風(fēng)機(jī)機(jī)械故障。然而，這些方法只能判斷風(fēng)機(jī)軸承已發(fā)生故障的類別，沒有對退化過程的預(yù)測能力。

隨著傳感器技術(shù)和計算機(jī)技術(shù)的快速發(fā)展，使得海量的機(jī)械運行數(shù)據(jù)得以采集和處理。通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)建立特征參數(shù)與剩余壽命的映射，從而實現(xiàn)機(jī)械設(shè)備的剩余壽命預(yù)測[8]。文獻(xiàn)[9]以棧式自動編碼器為基本結(jié)構(gòu)，建立了風(fēng)機(jī)軸承故障預(yù)警方法。文獻(xiàn)[10]采用馬爾科夫鏈原理建立了風(fēng)機(jī)齒輪箱軸承磨損狀態(tài)的Gamma分布模型，利用歷史檢查維護(hù)數(shù)據(jù)進(jìn)行軸承狀態(tài)評估和剩余壽命預(yù)測。文獻(xiàn)[11]提出一種基于溫度特征量的風(fēng)電軸承性能退化模型及其實時剩余壽命預(yù)測方法。文獻(xiàn)[12]結(jié)合t分布隨機(jī)近鄰嵌入和LSTM網(wǎng)絡(luò)實現(xiàn)旋轉(zhuǎn)機(jī)械壽命預(yù)測。然而，真實的地鐵風(fēng)機(jī)軸承振動信號往往存在各種環(huán)境噪聲，這些噪聲嚴(yán)重影響上述方法的預(yù)測準(zhǔn)確性。與此同時，上述方法都是針對解決某一具體問題，一旦設(shè)備的工作狀態(tài)發(fā)生改變，其方法并不適用。因此，為解決上述問題，本文提出了濾波處理的EMD降噪與LSTM網(wǎng)絡(luò)相結(jié)合的預(yù)測方法。該方法有效的去除地鐵風(fēng)機(jī)軸承振動信號中存在的噪聲，并準(zhǔn)確的預(yù)測軸承的剩余使用壽命。

1 算法研究

1.1 提出方法的流程

為了去除地鐵風(fēng)機(jī)軸承振動信號中存在的噪聲并準(zhǔn)確預(yù)測風(fēng)機(jī)軸承的剩余使用壽命，本文提出了基于濾波處理的EMD降噪與LSTM網(wǎng)絡(luò)相結(jié)合的預(yù)測方法。其過程為：首先，使用EMD將信號從高頻至低頻分解為若干階IMF分量，根據(jù)互相關(guān)系準(zhǔn)則和峭度準(zhǔn)則，選擇有效IMF分量重構(gòu)信號。然后提取降噪信號的時頻特征，根據(jù)單調(diào)性和相關(guān)性準(zhǔn)則選擇合適的特征向量，構(gòu)成退化特征參數(shù)集。最后通過退化特征參數(shù)訓(xùn)練LSTM網(wǎng)絡(luò)，得到軸承壽命的預(yù)測輸出。提出算法的具體流程如圖1所示。

1.2 濾波處理的EMD降噪

在實際工業(yè)場景獲取的軸承振動信號不可避免地含有噪聲，特別是當(dāng)軸承故障剛開始發(fā)生時，其微小的故障沖擊往往會被噪聲所掩蓋。因此，為有效的提取軸承故障特征信息，開展振動信號的降噪工作是至關(guān)重要的。傳統(tǒng)的EMD降噪是將信號分解為IMF分量后的高頻分量作為噪聲直接去除，但是去除分量的多少直接影響降噪結(jié)果，如果去除的分量較少則起不到降噪的目標(biāo)，去除的分量多則有可能影響信號的有效成分。為此，本文提出了基于濾波處理的EMD降噪方法。通過該方法得到降噪信號不僅可以去除噪聲，同時對信號的沖擊成分保存的很好。降噪的主要步驟為選用兩條降噪準(zhǔn)則對EMD分解的IMF分量進(jìn)行篩選，對篩選的IMF分量進(jìn)行重構(gòu)，得到降噪后的合成信號。

1）EMD分解

EMD是一種處理非線性、非平穩(wěn)信號的自適應(yīng)時頻處理方法[13]。任何信號可以通過EMD分解為n個IMF分量與一個余項的和，即：

式中，x（t）為原始信號；imfi（t）為IMF分量；rn（t）為余項。

2）互相關(guān)系數(shù)準(zhǔn)則

互相關(guān)系數(shù)可以衡量各IMF分量和原始信號的線性相關(guān)程度的量，可以通過互相關(guān)系數(shù)來判定IMF的真?zhèn)巍８鱾€IMF分量與原始信號的互相關(guān)系數(shù)可表示為[14]：

式中，Rx,imfi（t）表示互相關(guān)；Rx（t）表示自相關(guān)。

3）峭度準(zhǔn)則

峭度是反映信號波形尖峰度的一個統(tǒng)計量，通過峭度值可以反映軸承故障振動信號中的沖擊成分。IMF分量的峭度值越大，說明其中保留的沖擊成分較多，通過對保留較多沖擊成分的IMF分量重構(gòu)得到的信號可以很好的保留軸承故障的沖擊成分。峭度值可表示為：

式中，N為采樣長度；σt為標(biāo)準(zhǔn)差。

1.3 LSTM網(wǎng)絡(luò)

基于數(shù)據(jù)驅(qū)動的壽命預(yù)測模型多為深度信念網(wǎng)絡(luò)（DBN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），但是這兩種網(wǎng)絡(luò)都沒有記憶能力。為了更準(zhǔn)確的預(yù)測地鐵風(fēng)機(jī)軸承的剩余使用壽命，本文提出一種基于LSTM的軸承剩余壽命預(yù)測方法。LSTM網(wǎng)絡(luò)能夠記住前面出現(xiàn)的特征，并根據(jù)前面記憶的特征進(jìn)行預(yù)測，這對壽命預(yù)測任務(wù)是非常有益的。LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖2，特征xi和前一步的記憶特征ht-1同時作為輸入，得到預(yù)測輸出ht。LSTM的計算過程為：

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The network structure of LSTM

圖3 XJTU-SY試驗臺Fig.3 The test rig of XJTU-SY

圖4 軸承全壽命振動信號Fig.4 The full-life vibration signal of bearing

退化特征參數(shù)集的準(zhǔn)確構(gòu)建也對預(yù)測結(jié)果產(chǎn)生一定的影響，合適的特征參數(shù)的選擇能更好的描述軸承退化狀態(tài)，從而得到準(zhǔn)確的預(yù)測結(jié)果。通過對衡量退化特征指標(biāo)研究，最終選用單調(diào)性和相關(guān)性兩個指標(biāo)選擇軸承退化特征參數(shù)。

2 軸承壽命預(yù)測實驗

2.1 軸承加速壽命試驗臺

本實驗采用XJTU-SY軸承數(shù)據(jù)，具體實驗裝置如圖3所示[15]。XJTU-SY試驗臺的目的是提供不同工況下自然退化軸承的整個使用壽命振動信號。不同的徑向力由液壓加載系統(tǒng)產(chǎn)生并施加于被測軸承座上，轉(zhuǎn)速由交流感應(yīng)電機(jī)的轉(zhuǎn)速控制器設(shè)定。試驗共設(shè)計了3類工況，在轉(zhuǎn)速2 100r/min，徑向力12kN下采集的第1，2和5號軸承作為本研究的對象。跟蹤軸承退化過程，垂直振動信號通常比水平振動信號提供的有用信息少，因此本研究僅采用水平測量的振動信號。第1，2和5號軸承的全壽命信號如圖4。

2.2 采樣點設(shè)置

試驗中的采樣頻率為25.6kHz，每次采樣時長為1.28s，原始信號每個采樣點32 768長。為增加采樣點數(shù)，本研究將每個采樣點設(shè)置為4 096，所以采樣點總數(shù)擴(kuò)充為原來的8倍。軸承全壽命信號的采樣點數(shù)和退化起始點如表1。

表1 軸承的采樣點數(shù)和退化起始點Tab.1 Number of sampling points and degradation starting point of bearing

3 結(jié)果分析

3.1 軸承振動信號降噪結(jié)果

為了驗證降噪效果，選取軸承1部分故障信號為研究對象。圖5為某時刻振動信號的時域圖和頻譜圖。由圖可以看出，原始信號有周期性沖擊信號，但是頻譜圖中頻率分布存在一定的噪聲。

圖5 原始信號的時域圖及頻譜圖Fig.5 Time-domain waveform and spectrum of the raw signal

接下來，對故障信號進(jìn)行基于濾波處理的EMD降噪。首先，對原始信號進(jìn)行EMD分解，得到6個IMF分量，如圖6所示。從圖中可以看出，IMF1～I(xiàn)MF4可以看出故障沖擊成分，但是IMF1的噪聲較多。IMF5和IMF6丟失信息過多，所以IMF6之后的分量不在進(jìn)行研究。

圖6 EMD分解得到的IMF分量Fig.6 IMF component obtained by EMD decomposition

采用互相關(guān)系數(shù)準(zhǔn)則和峭度準(zhǔn)則對IMF分量進(jìn)行篩選，根據(jù)式（2）和（3）求出各分量與原始信號的互相關(guān)系數(shù)和各分量的峭度值，結(jié)果如表2。前5個分量與原始信號相關(guān)性較大，但是第5個IMF分量的峭度值較小。同時，由圖6可以看出，IMF1的噪聲較多。因此，最終IMF2，IMF3和IMF4被選為重構(gòu)信號分量，重構(gòu)降噪信號的時域圖和頻譜圖如圖7所示，從圖中可以看出，信號中的沖擊成分更明顯，同時部分高頻和低頻中的噪聲被去除。

表2 互相關(guān)系數(shù)和峭度值Tab.2 The cross-correlation coefficients and kurtosis

圖7 重構(gòu)信號的時域圖及頻譜圖Fig.7 Time-domain waveform and spectrum of the reconstruction signal

3.2 LSTM壽命預(yù)測

進(jìn)行壽命預(yù)測前首先要提取能反映軸承信號退化趨勢的特征參數(shù)。過多的特征參數(shù)會導(dǎo)致計算量增大，增加計算時間。過少的特征參數(shù)則不能完全反映軸承退化趨勢，導(dǎo)致預(yù)測結(jié)果較差。為此，本研究通過單調(diào)性和相關(guān)性準(zhǔn)則從降噪后的軸承全壽命信號中提取多個時域和頻域特征參數(shù)。具體過程為：具有單調(diào)性的特征有更好的時序性，因此首先去除不具有單調(diào)性或者單調(diào)性變化不明顯的特征參數(shù)。然后，根據(jù)相關(guān)性準(zhǔn)則，去除相關(guān)性大的特征參數(shù)。最終，共篩選6個特征參數(shù)組成特征參數(shù)集，分別是時域均方根，時域方差，頻域標(biāo)準(zhǔn)差，中心頻率，平均頻率和頻域均方根。軸承1的全壽命信號的特征參數(shù)如圖8，從圖中可以看出篩選的各特征參數(shù)都能反映軸承的退化過程。

圖8 特征參數(shù)集Fig.8 Feature parameter

根據(jù)軸承的退化起始時刻建立軸承特征參數(shù)集的標(biāo)簽，退化起始時刻之前的樣本點標(biāo)簽設(shè)置為0，從退化起始點開始逐漸增加直到完全退化狀態(tài)的標(biāo)簽設(shè)置為1。本研究選用3個軸承的全壽命信號的數(shù)據(jù)進(jìn)行實驗，其中第3和第5軸承作為訓(xùn)練數(shù)據(jù)，第1軸承作為測試模型性能數(shù)據(jù)。與此同時，采用現(xiàn)有DBN網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)進(jìn)行對比實驗，訓(xùn)練集和測試集均按照本文提出的方法設(shè)定。表3給出了三種方法的網(wǎng)絡(luò)參數(shù)。

表3 三種方法網(wǎng)絡(luò)參數(shù)Tab.3 Network parameters of the three methods

圖9為三種方法的預(yù)測結(jié)果，基于LSTM網(wǎng)絡(luò)的壽命預(yù)測曲線與真實壽命的一致性最好。在軸承故障發(fā)生后一段時間內(nèi)存在波動較大情況，這是由于軸承在發(fā)生故障后存在恢復(fù)階段。恢復(fù)階段存在的原因是在軸承剛發(fā)生故障時，其振幅較大，但是在旋轉(zhuǎn)過程中被磨平而導(dǎo)致振幅變小。當(dāng)過恢復(fù)階段后，預(yù)測的準(zhǔn)確性相對較平穩(wěn)。表4給出了三種預(yù)測方法的均方根誤差值（RMSE），LSTM的RMSE最小，這進(jìn)一步證明了LSTM方法預(yù)測性能優(yōu)于其他兩種方法。所以通過本次實驗可以證明提出方法可以準(zhǔn)確的預(yù)測軸承剩余使用壽命，為地鐵風(fēng)機(jī)的有效運行提供保障。

圖9 預(yù)測結(jié)果Fig.9 The prediction result

4 結(jié)論

針對地鐵風(fēng)機(jī)軸承的剩余使用壽命預(yù)測問題，提出了基于EMD降噪和LSTM網(wǎng)絡(luò)的壽命預(yù)測方法。通過本文提出的方法，可以準(zhǔn)確的預(yù)測地鐵風(fēng)機(jī)軸承的剩余使用壽命，對實際工程具有重要的意義。本文主要有如下結(jié)論：

1）提出的基于濾波處理的EMD降噪方法對全壽命軸承信號降噪非常有效，通過信號的分解和重構(gòu)得到降噪信號，在去除噪聲的同時可以很好的保留軸承故障信號的沖擊成分。

2）利用從降噪信號中提取的6個時域和頻域特征構(gòu)建軸承的退化特征參數(shù)，這些特征參數(shù)可以明顯的體現(xiàn)軸承的退化趨勢，便于進(jìn)行軸承剩余使用壽命預(yù)測。

3）提出基于LSTM網(wǎng)絡(luò)的軸承壽命預(yù)測方法，通過實驗驗證提出的方法可以準(zhǔn)確的預(yù)測軸承剩余壽命，其性能優(yōu)于常用的DBN網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)。