劉 立 ,朱健成 ,韓光潔 ,畢遠國
1(河海大學(xué) 信息學(xué)部物聯(lián)網(wǎng)工程學(xué)院,江蘇 常州 213022)
2(東北大學(xué) 計算機科學(xué)與工程學(xué)院,遼寧 沈陽 110169)
工業(yè)物聯(lián)網(wǎng)是驅(qū)動工廠智能化改造與網(wǎng)絡(luò)協(xié)同制造縱深發(fā)展的重要技術(shù)基礎(chǔ)[1,2],由此催生的智能產(chǎn)線已逐步實現(xiàn)柔性化、定制化、自適應(yīng)的混流制造模式.然而,伴隨著不斷增長的設(shè)備規(guī)模、愈發(fā)精密的元件和更加多元的機械組合方式,產(chǎn)線設(shè)備集群協(xié)作的智能化和復(fù)雜度不斷提高,其運維強度和難度均大幅度增大.對于不同設(shè)備可能出現(xiàn)的意外行為模式以及無法用精確數(shù)學(xué)模型描述的工業(yè)流程,傳統(tǒng)的機理模型和經(jīng)驗?zāi)P蛯⑹ξ粗ぷ髂J降慕忉屇芰3].隨著泛在感知和人工智能的興起,依靠部署傳感器網(wǎng)絡(luò)捕獲關(guān)聯(lián)松散的智能產(chǎn)線信息物理要素,結(jié)合基于機器學(xué)習(xí)的數(shù)據(jù)驅(qū)動模型實現(xiàn)設(shè)備運行狀態(tài)特征提取和故障診斷,體現(xiàn)了巨大的潛力[4?6].
針對特定機械設(shè)備運行數(shù)據(jù)驅(qū)動構(gòu)建的故障診斷模型,僅對該設(shè)備的狀態(tài)具備解釋性,不具備泛化能力;而以機械設(shè)備為單位建立單獨的診斷模型成本極高[7,8].若將目光放在更小但具有代表性的機械元件上,則能大幅度削減診斷模型的建模成本.作為設(shè)備運轉(zhuǎn)的關(guān)鍵部件之一,滾動軸承幾乎存在于所有機械中,是機械設(shè)備中最易損壞、也最能反映機械健康狀態(tài)的元件.研究表明:在工業(yè)物聯(lián)網(wǎng)大型機械的故障中,軸承缺陷占比達40%;在小型機械故障中,軸承缺陷的占比達90%[9].因此,軸承的運行數(shù)據(jù)包含大量機械運行狀況的信息[10],依靠軸承運行數(shù)據(jù)構(gòu)建的故障診斷模型將具備更好的泛化能力[11].
現(xiàn)有數(shù)據(jù)驅(qū)動的軸承故障建模研究在特征信號選擇上涵蓋了振動、電流、電壓、聲信號.文獻[12]通過融合聲信號和振動信號進行軸承的故障檢測,實驗表明,振動信號比聲信號包含更豐富的狀態(tài)信息.文獻[13]使用聲發(fā)射信號進行故障分類,雖然短時傅里葉變換代替信號處理和特征提取技術(shù)減少了數(shù)據(jù)預(yù)處理的時延,但是模型精度受不規(guī)則噪音影響嚴(yán)重.文獻[14]選擇電動機本身的電流信號結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,簡稱CNN)和信息融合技術(shù)進行故障的分類,復(fù)雜的故障分類過程佐證了電流信號中相關(guān)信息的貧乏.上述文獻表明了,運用振動信號進行軸承故障檢測具有明顯優(yōu)勢.具有分類能力的機器學(xué)習(xí)模型能夠通過訓(xùn)練大量特征信號實現(xiàn)故障模式識別.與淺層學(xué)習(xí)模型相比,深層學(xué)習(xí)模型具有特征自動學(xué)習(xí)能力,診斷準(zhǔn)確度和魯棒性更加優(yōu)越[15?17].作為一種典型的深層學(xué)習(xí)架構(gòu),CNN 將特征提取、特征變換、信息融合、模式識別整合在同一深層結(jié)構(gòu)中.在故障診斷領(lǐng)域,CNN 的應(yīng)用思路主要分為兩個方向.第1 類是將信號轉(zhuǎn)換到頻域,由CNN 提取頻率特征完成分類.如:Janssen 等人[18]采用了離散傅里葉變換將振動信號變換到頻域,并訓(xùn)練帶標(biāo)記樣本的CNN 完成齒輪箱故障診斷;Guo 等人[19]將連續(xù)小波變換后的結(jié)果作為CNN 的輸入矩陣來診斷旋轉(zhuǎn)故障,并取得了良好的診斷效果.在此類研究中,CNN 僅作為分類器,優(yōu)秀的多層特征提取和抽象能力未得到充分利用.第2 類是利用時間序列信號的圖像作為CNN 的輸入,將故障診斷問題視為圖像識別問題.Wen 等人[20]將軸承振動信號圖像作為CNN 的輸入,診斷準(zhǔn)確率在95%以上.Wang 等人[21]對原始信號進行了預(yù)處理,用短時傅里葉變換得到時頻圖,通過CNN 自適應(yīng)提取時頻特征完成診斷.
以上兩類研究中,引入的CNN 是以二維矩陣為輸入的2D-CNN.然而,機器運行期間產(chǎn)生的振動、壓力等狀態(tài)信號通常是一維向量[22?24].因此,部分學(xué)者嘗試構(gòu)建1D-CNN[25]實現(xiàn)故障診斷.例如,Turker 等人[26]測試了電機的電流,并利用1D-CNN 實現(xiàn)實時狀態(tài)監(jiān)測和故障診斷;Peng 等人[27]利用1D-CNN 對輪轂軸承的振動信號進行故障診斷,取得了較好的效果.與2D-CNN 相比,1D-CNN 對于一維時間序列信號無需傅里葉變換、小波變換等時頻變化處理,而是直接輸入原始的時間序列信號,避免了因時頻變換導(dǎo)致的特征丟失或失真[28].
盡管1D-CNN 能通過數(shù)據(jù)驅(qū)動的方式良好分類軸承工況,但是作為一種深層學(xué)習(xí)模型,1D-CNN 需要大幅度降低硬件設(shè)施的存儲計算負擔(dān)、加速模型訓(xùn)練進程,以適應(yīng)時延敏感的工業(yè)故障診斷應(yīng)用.因此,本文以一維卷積神經(jīng)網(wǎng)絡(luò)為架構(gòu)對軸承振動狀態(tài)進行健康監(jiān)測和故障診斷.為縮減訓(xùn)練時延、去除故障信息重疊的冗余信號區(qū)域,所提算法對軸承不同工況下產(chǎn)生的原始振動信號進行裁剪,將裁剪獲得的信號區(qū)域作為特征學(xué)習(xí)空間,并行輸入1D-CNN 中以提取各工況下的代表性特征,并優(yōu)先針對健康狀態(tài)選擇代表性特征構(gòu)造健康狀態(tài)判別模型.對檢測為非健康狀態(tài)的原始信號,令其與各故障信號裁剪獲得的代表性特征通過自動編碼器進行耦合,學(xué)習(xí)特征間的相關(guān)性和完整性后,進入softmax 層對故障進行具體分類.
本文第1 節(jié)介紹1D-CNN 模型的理論基礎(chǔ).第2 節(jié)介紹基于1D-CNN 聯(lián)合特征提取的健康狀態(tài)監(jiān)測與故障診斷算法.第3 節(jié)設(shè)計實驗綜合驗證方案的有效性.第4 節(jié)對本文工作進行總結(jié)并提出未來研究方向.
如圖1 所示為具有l(wèi)層的1D-CNN 的網(wǎng)絡(luò)架構(gòu).輸入信號自輸入層進入卷積層后,通過卷積層中的一維卷積核對輸入信號的局部區(qū)域卷積實現(xiàn)特征提取,不同的卷積核可從在輸入中提取不同的特征信號.對于第(l?2)層卷積層,其輸出可以表示為
其中,k表示卷積核,j表示卷積核數(shù)量,M表示輸入xl?1的通道數(shù),b表示與內(nèi)核對應(yīng)的偏置,f表示激活函數(shù),*表示卷積算子.
Fig.1 One-dimensional convolution neural networks圖1 一維卷積神經(jīng)網(wǎng)絡(luò)
經(jīng)卷積層提取的特征信號隨后進入池化層實現(xiàn)特征降維,簡化網(wǎng)絡(luò)計算復(fù)雜度.若最后一個池化層是第(l?1)層,其輸出作為輸入傳遞給全連接層,在全連接層產(chǎn)生的輸出結(jié)果為
其中,w表示權(quán)重,b表示偏置.最終,全連接層連接softmax 層進行分類操作.
輸出層的結(jié)果與預(yù)期結(jié)果的誤差反向回傳網(wǎng)絡(luò),依次得到全連接層、池層和卷積層的誤差.通過計算誤差梯度更新權(quán)值和閾值,直至滿足誤差允許條件完成訓(xùn)練.輸入向量a在輸出層的均方誤差所示如下:
增量誤差可采用梯度下降法更新每個神經(jīng)元的權(quán)重與偏置,增量誤差用于更新該神經(jīng)元的偏差和連接到該神經(jīng)元的上一層神經(jīng)元的所有權(quán)重,其定義如下:
隨后從全連接層到池化層的執(zhí)行反向傳播:
其中,rev(?)表示反轉(zhuǎn)數(shù)組,conv1Dz(?)表示完全卷積.
傳統(tǒng)的深度學(xué)習(xí)模型對樣本數(shù)量的要求極高,而1D-CNN 可在樣本有限的條件下完成模型訓(xùn)練;其次,對比需要經(jīng)時頻域轉(zhuǎn)換或者參量計算從而在振動信號中學(xué)習(xí)故障信息的方法,1D-CNN 無需手工特征提取、特征選擇以及快速傅里葉變換或離散小波變換等任何預(yù)定轉(zhuǎn)換即可開始模型訓(xùn)練;最后,1D-CNN 緊湊的架構(gòu)配置僅執(zhí)行1D 卷積,其經(jīng)濟高效的特性以及簡單的硬件實現(xiàn)適合于實時故障檢測和監(jiān)視.因此,本文以1D-CNN 為基礎(chǔ)架構(gòu),構(gòu)建軸承的健康狀態(tài)判別模型和故障診斷模型.
傳統(tǒng)方案在軸承故障診斷模型訓(xùn)練的過程中令健康態(tài)和各故障態(tài)組成完整的工況特征集合U={Wh,Wr,Wo,Wb},通過訓(xùn)練各工況下的故障特征,直接判斷出軸承所處的具體狀態(tài).其中,Wh,Wr,Wo,Wb分別表示健康狀態(tài)、內(nèi)圈故障、外圈故障和滾珠故障的對應(yīng)特征.
本文考慮健康狀態(tài)作為實際工廠運作時的常態(tài),不應(yīng)當(dāng)與小概率出現(xiàn)的工況(內(nèi)圈故障、外圈故障和滾珠故障)屬于同一優(yōu)先級,而應(yīng)屬于先后關(guān)系,因此優(yōu)先監(jiān)測健康狀態(tài),當(dāng)出現(xiàn)故障時再進行故障診斷.所以首先將工況集合中的元素歸納為健康態(tài)和非健康態(tài),即其中從而對軸承健康狀態(tài)優(yōu)先做出判斷,避免對故障重疊等冗余信息的處理.記軸承的旋轉(zhuǎn)速度為v,軸承旋轉(zhuǎn)一輪所需的時間為單位周期,在單位周期內(nèi)對產(chǎn)生的振動信號進行采樣,采樣頻率為fs,將單位周期內(nèi)獲得的采樣點作為樣本,樣本規(guī)模n=fs/v.如圖2 所示.
Fig.2 Health monitoring and fault diagnosis based on 1D-CNN joint feature extraction圖2 基于1D-CNN 聯(lián)合特征提取的健康監(jiān)測與故障診斷
在振動信號分區(qū)裁剪階段,將單位周期內(nèi)的振動信號進一步拆分成若干信號區(qū)間,選擇j個單位周期的采樣數(shù)據(jù),并將其矩陣化表示為
其中,i表示區(qū)間序號.矩陣的每一行是由i個區(qū)間組成的一個樣本,每一列代表一類信號區(qū)間,每個元素的組成如下所示:
1D-CNN 能夠直接學(xué)習(xí)原始信號中的相關(guān)信息,使得偽特征具備該工況對應(yīng)的部分特性.在圖2 所示的特征域篩選階段,通過1D-CNN 并行訓(xùn)練所有工況下的每類偽特征,從中篩選出能準(zhǔn)確反映特定工況(健康狀態(tài)、外圈故障、內(nèi)圈故障、滾珠故障)的偽特征組,構(gòu)建該工況下狀態(tài)檢測模型的特征域.過小的振動信號采樣數(shù)值會增加1D-CNN 學(xué)習(xí)過程中的計算難度,為了避免此類問題,將每個偽特征進行單獨歸一化處理.對于任意一個偽特征的歸一化方式如下:
其中,xi代表進行歸一化的采樣數(shù)據(jù),max 和min 表示進行歸一化的偽特征中最大和最小的值.每個偽特征歸一化后,能保證并行訓(xùn)練時具有相仿的時延;其次,相同維度的數(shù)據(jù)給予每個偽特征一樣的貢獻能力,在篩選階段提供可靠的敏感度評判結(jié)果.使用1D-CNN 篩選偽特征的過程本質(zhì)上是在單位周期內(nèi)的振動信號上進行的數(shù)據(jù)裁剪,丟棄不具代表性的偽特征,從根本上降低所需處理的數(shù)據(jù)量.
通過1D-CNN 的并行訓(xùn)練,得到每個偽特征對應(yīng)于每個狀態(tài)(健康狀態(tài)、內(nèi)圈損壞、外圈損壞、滾珠故障)的分類準(zhǔn)確度,作為能夠準(zhǔn)確反映各狀態(tài)的敏感度.
首先篩選出對于診斷健康狀態(tài)具有高分類準(zhǔn)確率的偽特征:
Ph(Ci)為第i個偽特征對于判斷軸承健康狀態(tài)的準(zhǔn)確度;Thresholdh是人為設(shè)置的用于判斷偽特征在健康判別時是否具有代表性的閾值;nh為篩選出的偽特征數(shù)量,篩選的數(shù)量應(yīng)當(dāng)不超過總數(shù)的2/3,以免過分增加在線監(jiān)測的時延和硬件負擔(dān);Fh為健康狀態(tài)的特征域.如圖3 所示,本文將篩選出的偽特征進行聯(lián)合特征的提取,即特征域中的元素拼接形成子樣本輸入1D-CNN 學(xué)習(xí),訓(xùn)練后的模型用于判斷軸承是否處于健康狀態(tài).
Fig.3 Online health monitoring based on feature domain splicing圖3 基于特征域拼接的健康狀態(tài)在線監(jiān)測
已有文獻表明:軸承健康狀態(tài)的診斷所需要的數(shù)據(jù)量極少,大多數(shù)模型針對的問題是如何實現(xiàn)對軸承4 種工作狀態(tài)的準(zhǔn)確分類.在實際工業(yè)背景下,優(yōu)先發(fā)現(xiàn)故障比花費大量時間直接分類故障更具有實際意義.
考慮到軸承故障已知且種類較少,本文采用為不同故障選取偽特征的方式降低需要處理的數(shù)據(jù)量.針對故障選出的偽特征組成的特征域涵蓋大量該故障的相關(guān)信息,不易造成故障種類混淆,能夠提高判斷的準(zhǔn)確度.使用公式(14)~公式(16)篩選出對于不同故障狀態(tài)下具有高分類準(zhǔn)確率的偽特征:
其中,Pr(Ci)是第i個偽特征對于判斷內(nèi)圈故障的準(zhǔn)確度,類似地,Po(Ci)和Pb(Ci)分別表示第i個偽特征對于判斷外圈故障和滾珠故障的準(zhǔn)確度,Thresholdf是人為設(shè)置的閾值,Fr,Fo和Fb是分別針對內(nèi)圈故障、外圈故障、滾珠故障所選擇的偽特征組成的特征域.為故障篩選偽特征是為了篩選出包含特定故障種類相關(guān)信息最多的偽特征,而非直接用于分類故障.并行式1D-CNN 篩選偽特征構(gòu)造的健康狀態(tài)判別模型具有低時延、低復(fù)雜度、強泛化能力的特點,而為故障分類篩選出的偽特征所包含的信息比全局學(xué)習(xí)得到的特征更具針對性,也意味著多個故障信息重疊易造成混淆判斷的區(qū)域會被舍棄.
對實時收集的振動信號優(yōu)先采集健康狀態(tài)特征域,并在訓(xùn)練完成的健康狀態(tài)判別模型中對其進行判別,確定軸承的健康狀態(tài),對表現(xiàn)出非健康狀態(tài)的數(shù)據(jù)重新采樣,使用耦合自動編碼器的softmax 層對其進行分類,得出確切的故障類型.
由于當(dāng)前篩選出的針對3 種故障的3 個特征域本質(zhì)上是軸承旋轉(zhuǎn)一周所得采樣點中富含特定工況信息的段落集合,雖然包含大量特定工況的信息,但是缺少關(guān)聯(lián)性和完整性.如果效仿健康狀態(tài)判別模型將特征域內(nèi)的元素連接成一維數(shù)組形成新的子樣本并通過1D-CNN 學(xué)習(xí),則無法達到良好的故障分類效果.綜合考慮裁剪周期后數(shù)據(jù)不完整、缺少相關(guān)性的特點,將篩選出來的偽特征組與原始信號通過自動編碼器做聯(lián)合特征處理后對具體故障進行識別.
首先對原始信號采樣數(shù)據(jù)的矩陣進行全局歸一化,數(shù)學(xué)表達式如下:
p是以周期為行、以樣本數(shù)為列的原始信號數(shù)據(jù)集,表示矩陣中第i行、第j列的數(shù)據(jù)點表示第j列的二范數(shù).上述公式表示每一列的每一個數(shù)據(jù)點除以該列的二范數(shù).
隨后歸一化每個樣本的特征:
耦合自動編碼器期望得到一種稀疏且特征間依然具有相關(guān)性的原始信號數(shù)據(jù)集,用來彌補被挑選出來的偽特征間缺失的相關(guān)性和裁剪掉的信息所包含的相關(guān)信息.因此,本文采用兩個自動編碼器進行兩組數(shù)據(jù)間的特征耦合,即:將兩個數(shù)據(jù)集通過編碼器和解碼器進行重構(gòu),通過重構(gòu)誤差和相關(guān)性度量組成的損失函數(shù)實現(xiàn)高準(zhǔn)確度的故障分類.自動編碼器的編碼解碼如下:
其中,fs為特征提取函數(shù),即編碼器;hi是Ci編碼的表示;gs函數(shù)映射回輸入空間;s是編碼器與解碼器的權(quán)重和偏置的集合{W,b,W′,d}.
自動編碼器在訓(xùn)練過程中減小重構(gòu)誤差:
L(?)表示重構(gòu)函數(shù).
通常情況下,使用平方誤差表示重構(gòu)誤差,訓(xùn)練則使用反向傳播,通過梯度下降實現(xiàn)最小化.
Fr,Fo和Fb分別與p進行重構(gòu)耦合,以外圈故障為例,為重構(gòu)誤差增加相關(guān)性度量項,相關(guān)性度量定義如下:
由于兩數(shù)據(jù)集同源,兩個自動編碼器的耦合能夠很快捕獲兩者間的相似性,彌補缺失信息.fa與fo分別是數(shù)據(jù)集p和Fo的映射函數(shù),Ca和Co是輸入的數(shù)據(jù),Sa和So是權(quán)重和偏置的集合,所以更新?lián)p失函數(shù)為
其中,μi是控制重構(gòu)誤差和相似性度量的參數(shù)且訓(xùn)練過程依舊由反向傳播和梯度下降進行,在模型最后加入softmax 層進行分類.本文針對兩個同源數(shù)據(jù)集開展特征耦合:一類數(shù)據(jù)剔除了采樣周期內(nèi)受噪聲影響,包含故障重疊信息的部分,保留特定工況信息最豐富的區(qū)域;一類具有強相關(guān)性、稀疏性,通過自動編碼器耦合之后能夠發(fā)揮出兩類數(shù)據(jù)的優(yōu)勢,故障分類的準(zhǔn)確度優(yōu)于其中的任何一類數(shù)據(jù).本文所提基于1D-CNN 聯(lián)合特征提取的軸承健康監(jiān)測與故障診斷算法偽代碼如下.
實驗采用凱斯西儲大學(xué)(Case Western Reserve University)軸承數(shù)據(jù)中心提供的軸承數(shù)據(jù)進行實驗,數(shù)據(jù)以12 000 個采樣點每秒從機械的加速度計上收集,采樣點/圈數(shù)=采樣頻率×60/旋轉(zhuǎn)速度=12000×60/1797=400,因此固定單位周期的振動信號長度為400 個采樣點,即每個樣本由400 個采樣點組成.軸承健康狀態(tài)及不同故障狀態(tài)各選取1 000 個樣本,訓(xùn)練與測試所用數(shù)據(jù)比例為9:1.實驗所用1D-CNN 的激活函數(shù)為Relu,而網(wǎng)絡(luò)層數(shù)包括5 層卷積、5 層池化以及2 層完全連接層,卷積核大小為10,數(shù)量分別是27,27,27,36,36.
如圖4(a)~圖4(d)所示為軸承正常運轉(zhuǎn)、內(nèi)圈故障、外圈故障、滾珠故障下產(chǎn)生的一個樣本長度的振動信號時域波形圖.
Fig.4 Vibration signal under four working conditions per cycle圖4 4 種工況下單位周期長度的振動信號
4 種工況單位周期長度的振動信號圖表明,不同信號區(qū)間包含不同的相關(guān)信息.依據(jù)本文提出的方案對每個樣本進行裁剪,將每個樣本平均裁剪成10 個信號區(qū)間,每個信號區(qū)間中的采樣點集合作為一個偽特征,可獲得數(shù)據(jù)矩陣:
將數(shù)據(jù)矩陣中每一列分別作為一個樣本集,并行地進入1D-CNN 中訓(xùn)練,圖5 為分別使用10 個偽特征(分別記為PF1,PF2,..,PF10)診斷健康狀態(tài)、滾珠故障、內(nèi)圈故障、外圈故障的準(zhǔn)確度.
Fig.5 Diagnosis accuracy of different bearing states using 10 pseudo-features圖5 使用10 個偽特征診斷不同軸承狀態(tài)的準(zhǔn)確度
如圖所示,使用不同偽特征判斷4 種工況的準(zhǔn)確度是具有差異性的,即單位周期長度的樣本內(nèi)每個信號區(qū)間所包含的相關(guān)信息差異很大,主要原因在于:(1) 部分信號區(qū)間包含大量的混淆信息,往往是造成傳統(tǒng)方法中錯誤分類故障的原因;(2) 一些區(qū)域?qū)τ诠r信息不敏感,特定工況的相關(guān)信息少.而診斷健康狀態(tài)的準(zhǔn)確度比診斷其他故障的準(zhǔn)確度明顯要高,因為健康狀態(tài)的信號在某些區(qū)域與故障的信號有明顯差異,便于分辨出數(shù)據(jù)是否健康.因此,可以將針對健康狀態(tài)的閾值設(shè)置在較高水平,Thresholdh=0.95,隨后針對故障的分類結(jié)果設(shè)置閾值.圖5 中結(jié)果表明:僅靠一小部分區(qū)域來分類故障很難達到令人滿意的結(jié)果,但是分類的準(zhǔn)確度可以提供每個區(qū)域?qū)τ谂袛嗵囟ür的敏感性.因此,設(shè)置故障準(zhǔn)確度閾值時不必太高,本文設(shè)置Thresholdf=0.85.
在實驗過程中,存在不同偽特征判斷的準(zhǔn)確度普遍不高或準(zhǔn)確度區(qū)分性不明顯的情況.可通過適當(dāng)減少每個樣本切割出的偽特征數(shù)量,增加切割出的偽特征即信號區(qū)間長度,或切割時不從信號初始點位開始切割,使每個偽特征包含最多且最具針對性的軸承工況的相關(guān)信息.
基于特征域拼接的健康狀態(tài)檢測有效性的實驗結(jié)果如圖6 所示,根據(jù)閾值篩選出針對健康狀態(tài)的偽特征組成特征域Fh=[Ch,1,Ch,3,Ch,5],將選擇出的特征域中元素拼接成子樣本進入1D-CNN 訓(xùn)練健康狀態(tài)判別模型.本實驗將3 個偽特征分別診斷健康狀態(tài)的準(zhǔn)確度與使用特征域拼接構(gòu)建子樣本進行診斷健康狀態(tài)的準(zhǔn)確度以及傳統(tǒng)一維卷積診斷健康狀態(tài)的準(zhǔn)確度進行了比較,結(jié)果如圖6 所示.3 個元素連接形成的子樣本因為包含最多的健康狀態(tài)相關(guān)信息,比3 個偽特征單獨分類的結(jié)果具有更高的準(zhǔn)確度,證明了偽特征連接成子樣本的有效性.
Fig.6 Experimental analysis of the validity of health status detection based on feature domain splicing圖6 基于特征域拼接的健康狀態(tài)檢測有效性實驗分析
圖7 所示分別是:1) TR1D-CNN:傳統(tǒng)一維卷積健康狀態(tài)判別模型;2) CFC1D-CNN:健康狀態(tài)的特征域中元素連接成子樣本通過1D-CNN 構(gòu)建健康狀態(tài)判別模型分別診斷相同數(shù)量的信號所需的時延.如圖所示,隨著樣本數(shù)量的增加,本文的健康狀態(tài)判別模型因為只對每個樣本特征域所在區(qū)域進行處理,所以實際處理的數(shù)據(jù)量遠小于傳統(tǒng)的1D-CNN.傳統(tǒng)的1D-CNN 模型本身因為能夠直接學(xué)習(xí)原始信號而具有低時延特點,本文在此基礎(chǔ)上進一步降低了訓(xùn)練時延,兼顧了工業(yè)場景下對診斷精度與診斷時延的服務(wù)質(zhì)量要求.
圖8 所示分別是:1) TR1D-CNN:基于傳統(tǒng)一維卷積的軸承故障診斷模型;2) CFC1D-CNN:故障的特征域中元素連接成子樣本通過1D-CNN 構(gòu)建的故障診斷模型;3) CFJ1D-CNN:故障特征域中每個偽特征的故障分類結(jié)果以投票方式進行決策級融合構(gòu)建的故障診斷模型;4) CFCAE:本文所提的特征域與原始信號做聯(lián)合特征,最后在softmax 中進行分類構(gòu)建的故障診斷模型.TR1D-CNN 因為數(shù)據(jù)包含冗余和故障信息重疊的部分,在準(zhǔn)確度上并不突出.而CFC1D-CNN 和CFJ1D-CNN 雖然都比各自特征域中任意一個偽特征故障分類的準(zhǔn)確度高,但是提升的準(zhǔn)確度很有限,而由于處理的數(shù)據(jù)量最少,在時延方面占優(yōu).最后,CFCAE 因只聯(lián)合同源數(shù)據(jù),不會顯著提升時延,其次,耦合的過程對于數(shù)據(jù)完整性和相關(guān)性的彌補大大提高了故障分類的準(zhǔn)確度.
Fig.7 Time delay comparison of different health discrimination models圖7 不同健康狀態(tài)判別模型的時延對比
Fig.8 Comparison of diagnosis accuracy of different fault diagnosis models圖8 不同故障診斷模型的診斷精度對比
基于價值驅(qū)動的工業(yè)故障診斷應(yīng)當(dāng)是時延與準(zhǔn)確度拉鋸平衡下的技術(shù),及時發(fā)現(xiàn)故障避免災(zāi)難性損失,再進行精準(zhǔn)的故障模式識別,能對當(dāng)前工業(yè)生產(chǎn)產(chǎn)生實際價值.本文提出了一種基于1D-CNN 聯(lián)合特征提取的軸承健康監(jiān)測與故障診斷算法,該算法優(yōu)先通過健康狀態(tài)特征域組成的子樣本訓(xùn)練1D-CNN 模型,高效、準(zhǔn)確地發(fā)現(xiàn)故障,隨后使用故障的特征域和原始信號耦合模型進行故障的模式識別.實驗結(jié)果表明:本文在追求分類故障準(zhǔn)確度的同時,降低了分類延遲,且模型的存儲和計算復(fù)雜度弱化了對基礎(chǔ)硬件設(shè)施的承載能力要求.在未來的工作中,我們將在本文提出的算法基礎(chǔ)上對軸承復(fù)合故障診斷進行研究,分析并發(fā)故障對軸承運轉(zhuǎn)數(shù)據(jù)變化規(guī)律的影響,消除由單故障和復(fù)合故障共存引起的診斷歧義.