基于STL-1DDCAE的軸承故障診斷研究*

王 雷,孫習(xí)習(xí)

(1.中國民航大學(xué) 工程技術(shù)訓(xùn)練中心,天津 300300;2.中國民航大學(xué) 電子信息與自動化學(xué)院,天津 300300)

0 引 言

深度學(xué)習(xí)算法能夠用于自主獲取原始數(shù)據(jù)的有效特征信息,實(shí)現(xiàn)端到端的智能故障診斷。

相比于狀態(tài)估計法[1]、時頻分析法[2]等一些傳統(tǒng)的機(jī)器學(xué)習(xí)方法,基于深度學(xué)習(xí)的滾動軸承故障診斷算法具有更強(qiáng)的魯棒性和可行性。其中,最為常見的診斷模型包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)、自編碼器(auto-encoder,AE)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)以及深度殘差網(wǎng)絡(luò)(residual networks,ResNet)等[3,4]。

其中,基于AE的檢測模型不需要振動數(shù)據(jù)的標(biāo)簽信息,其特征提取性能完全依賴于原始數(shù)據(jù)特點(diǎn)和重構(gòu)誤差的選取。對此,學(xué)者們普遍采用自編碼器與信號處理結(jié)合的方法,并取得了更好的故障分類效果。

曹浩等人[5]采用堆棧系數(shù)自編碼器,對基于奇異值分解和時域分析方法提取的故障特征進(jìn)行了優(yōu)化,完成了對非平穩(wěn)振動信號的特征分類。MAO W等人[6]提出了一種基于極限學(xué)習(xí)機(jī)和堆疊自編碼器的軸承故障診斷模型,并從特征穩(wěn)定性、分類準(zhǔn)確度和診斷效率等多方面,證明了該方法的有效性。

針對標(biāo)簽樣本數(shù)目和學(xué)習(xí)率大小影響自編碼器分類準(zhǔn)確率的問題,唐魏等人[7]采用動態(tài)學(xué)習(xí)率訓(xùn)練SAE(Stacked Auto-Encoder)網(wǎng)絡(luò),在同一模型下,通過比較不同數(shù)量的標(biāo)簽數(shù)據(jù)集的測試效果,確定了輸入數(shù)據(jù)中標(biāo)簽數(shù)據(jù)量的最優(yōu)占比,并解決了傳統(tǒng)堆疊自編碼器診斷性能不佳的問題。

雖然AE網(wǎng)絡(luò)能夠擺脫對數(shù)據(jù)標(biāo)簽信息的依賴,但由于其模型隱層層數(shù)較少,在處理復(fù)雜軸承數(shù)據(jù)集時,難以達(dá)到預(yù)期的效果。而因其獨(dú)有的卷積池化操作和權(quán)值共享算法,CNN能夠從軸承數(shù)據(jù)中提取更加抽象的特征信息。

基于CNN的軸承故障診斷方法主要分為數(shù)據(jù)源處理和改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)兩個方面。

在數(shù)據(jù)源處理方面,WANG J等人[8]研究了將不同位置傳感器采集的時域信號融合構(gòu)造組成二維矩陣,利用CNN完成了多工況下的軸承故障分類。LI C等人[9]研究了基于時間編碼序列和CNN的故障診斷方法,發(fā)現(xiàn)平均預(yù)測精度分別達(dá)到了94.07%和96.28%。

在改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)方面,YOU W等人[10]研究了使用LReLU和PReLU作為激活函數(shù)改進(jìn)CNN模型,克服了標(biāo)準(zhǔn)ReLU梯度消失的缺點(diǎn),提高了其收斂速度和準(zhǔn)確率。蒙志強(qiáng)等人[11]采用多尺度卷積核并聯(lián)方式和全局平均池化來改進(jìn)CNN,發(fā)現(xiàn)改進(jìn)后的模型對滾動軸承不同部位、不同程度的故障,都具有更為快速、準(zhǔn)確的診斷性能。

此外,在采用深度學(xué)習(xí)進(jìn)行軸承故障診斷時,還需要人為設(shè)定閾值或者判別依據(jù)。但軸承數(shù)據(jù)是一個時序數(shù)據(jù),其變化規(guī)律是具有短期性、周期性和趨勢性的,人為設(shè)定閾值的難度很大。因此,這就需要通過時序分解來對軸承的發(fā)展趨勢進(jìn)行分析預(yù)測。

STL是一種常用的時間序列分析方法,可以用于將時序信號分解成趨勢項、周期項和不規(guī)則波動項(殘差項),具有較好的魯棒性,在信號分解領(lǐng)域中得到了廣泛應(yīng)用,如:堆石壩變形預(yù)測[12],用電負(fù)荷分析[13,14],城市軌道交通短時客流預(yù)測[15]等。

因此,為了解決實(shí)際工業(yè)場景下,原始信號數(shù)據(jù)無標(biāo)注或標(biāo)注不全的情況,筆者綜合STL的數(shù)據(jù)信息分解重構(gòu)特點(diǎn)、CNN較強(qiáng)的特征提取能力以及AE無監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn),提出一種基于時間序列分解和一維深度卷積自編碼器(STL-1DDCAE)的無監(jiān)督軸承異常信號檢測方法模型。

該方法利用健康樣本的重構(gòu)誤差確定異常檢測的閾值標(biāo)準(zhǔn),實(shí)現(xiàn)振動數(shù)據(jù)的狀態(tài)判斷,同時通過STL分解算法自適應(yīng)確定故障發(fā)生的起始點(diǎn)。

1 基于CNN改進(jìn)的1DDCAE異常檢測模型

在采用AE網(wǎng)絡(luò)進(jìn)行軸承故障檢測時,AE網(wǎng)絡(luò)中的編碼器將一維軸承振動數(shù)據(jù)映射到低維空間,編碼所得的隱層向量則由解碼器進(jìn)行重構(gòu)還原為輸入數(shù)據(jù)[16]。

AE網(wǎng)絡(luò)的編碼過程如下:

hm=Sθ(W1xn+b1)

(1)

AE網(wǎng)絡(luò)的解碼過程如下:

(2)

由于AE網(wǎng)絡(luò)模型隱層層數(shù)較少,網(wǎng)絡(luò)深度有限,并且閾值需人為設(shè)定等問題,使得其難以應(yīng)對不同的軸承復(fù)雜數(shù)據(jù)集。

而CNN具有卷積池化操作和權(quán)值共享算法[17,18],能夠充分提取輸入數(shù)據(jù)的特征信息,之后利用全連接層實(shí)現(xiàn)狀態(tài)分類,訓(xùn)練采用反向傳播算法。與單一結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)相比,CNN具有良好的泛化性能,只是其訓(xùn)練過程需要大量的帶標(biāo)簽數(shù)據(jù)來完成。

因此,依據(jù)軸承數(shù)據(jù)特點(diǎn),并結(jié)合AE和CNN在軸承故障診斷上的優(yōu)勢,筆者提出一維深度卷積自編碼器(1DDCAE)網(wǎng)絡(luò)。

DDCAE網(wǎng)絡(luò)是在AE網(wǎng)絡(luò)的基礎(chǔ)上引入一維CNN作為編碼器和解碼器的具體結(jié)構(gòu),利用編碼器網(wǎng)絡(luò)中交替的卷積池化操作,逐層提取輸入樣本的特征信息,映射到低維空間,再通過解碼器網(wǎng)絡(luò)中的反卷積核和下采樣,操作編碼器網(wǎng)絡(luò)輸出的特征向量進(jìn)行重構(gòu),得到輸出信號。1DDCAE網(wǎng)絡(luò)同時具備了AE模型無監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)和CNN模型的數(shù)據(jù)挖掘能力。

DDCAE網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。

圖1 1DDCAE網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖1中,1DDCAE模型由編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)組成,其中,編碼網(wǎng)絡(luò)由4個卷積層和3個池化層交替組成;解碼網(wǎng)絡(luò)則由3個上采樣層和3個反卷積層組成,模型的輸入為預(yù)處理后的一維時序數(shù)據(jù),輸出為重構(gòu)信號。

DDCAE網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。

表1 1DDCAE網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

由表1中可以看出,1DDCAE網(wǎng)絡(luò)的卷積層采用ReLU激活函數(shù),其池化層選擇最大值池化(max-pooling)策略。

2 基于STL-1DDCAE的軸承異常信號檢測

2.1 基于重構(gòu)誤差的閾值設(shè)定策略

DDCAE網(wǎng)絡(luò)通過梯度下降法不斷調(diào)整模型的權(quán)重矩陣和偏置向量,使得輸入信號和重構(gòu)信號之間的誤差達(dá)到最小。

為了提升網(wǎng)絡(luò)的特征表達(dá)能力,筆者采用平均絕對誤差(mean absolute error, MAE)作為重構(gòu)誤差函數(shù)即模型的目標(biāo)函數(shù),其計算公式為:

(3)

因軸承振動數(shù)據(jù)為連續(xù)的時間序列數(shù)據(jù),筆者假定健康樣本集合為X,且X的重構(gòu)誤差概率分布模型服從正態(tài)分布N(μ,σ),之后采用統(tǒng)計分析擬合X的概率分布估計閾值,最后判斷夏皮洛-威爾克(Shapiro-Wilk)檢驗(yàn)的p-value值是否大于顯著性水平α(一般為0.05),以此來檢驗(yàn)假設(shè)是否正確。

其具體步驟為:

(1)依據(jù)最大似然估計法計算重構(gòu)誤差的均值和協(xié)方差;

(2)根據(jù)(1)的結(jié)果,按照正態(tài)分布建立健康樣本的概率分布模型,定義如下:

(4)

式中:p—健康樣本的概率分布;μ—重構(gòu)誤差的均值;σ—重構(gòu)誤差的協(xié)方差;xi—樣本的第i個值。

(3)根據(jù)步驟(2)的結(jié)果,擬合概率密度曲線,并計算置信水平為95%時健康樣本的模型參數(shù),以此確定軸承異常檢測的閾值T。

通過以上步驟,就將對信號異常檢測的過程轉(zhuǎn)化為比較被測數(shù)據(jù)重構(gòu)誤差和基準(zhǔn)閾值的過程。

為了進(jìn)一步避免因外界干擾造成的檢測誤差,筆者規(guī)定故障起始點(diǎn)必須大于軸承全運(yùn)行周期的60%。

2.2 基于STL的異常信號分析策略

筆者采用STL算法計算軸承原始數(shù)據(jù)的重構(gòu)誤差趨勢分量,通過分析趨勢分量得到軸承運(yùn)行狀態(tài)的變化情況,然后結(jié)合閾值確定異常信號產(chǎn)生的具體時間戳,以此實(shí)現(xiàn)對軸承異常信號的分析。

STL分解模型一般分為加法模型和乘法模型兩類,其中,加法模型適合處理趨勢項不受周期變化影響的時間信號。

由于異常檢測方法主要分析軸承振動數(shù)據(jù)自身的變化趨勢,筆者選用基于加法模型的STL算法獲取誤差曲線的趨勢分量。

原始振動時間序列經(jīng)STL分解得趨勢項分量、周期項分量和殘差項,其公式如下:

Yt=Tt+St+Rt

(5)

式中:Yt—原始時間序列;Tt—趨勢項分量,表明了振動數(shù)據(jù)重構(gòu)誤差的變化趨勢,是時間序列的主要特征;St—周期項分量,表現(xiàn)出振動數(shù)據(jù)重構(gòu)誤差的周期性特征,即在固定的時間間隔內(nèi)重復(fù)出現(xiàn)的規(guī)律,為輔助特征;Rt—?dú)埐铐?其表現(xiàn)出原始振動數(shù)據(jù)內(nèi)部潛在的波動與其他不可預(yù)測的因素,一般被認(rèn)為是干擾項。

STL的異常信號分解過程可分為兩步,即內(nèi)循環(huán)和外循環(huán)。在內(nèi)循環(huán)迭代時,主要是利用平滑器更新St和Tt,去除各分量的異常擾動;外循環(huán)迭代時,主要是用于計算Rt(余項)。

第i+1次迭代的過程如下:

(1)對原始序列進(jìn)行去趨勢項處理:

(6)

(2)子序列平滑。對每個子序列進(jìn)行局部加權(quán)回歸(locally weighted scatterplot smoothing, LOWESS)平滑處理,前后各延展1個時間點(diǎn),組合得到新的子序列;

(3)采用低通濾波計算新時間序列的趨勢項分量,去除周期性差異,然后由時間序列的可加性計算新時間序列的季節(jié)性分量,即:

(7)

(4)去除子序列中的季節(jié)成分,得到原始序列的季節(jié)分量和趨勢分量,即:

(8)

(5)判斷是否收斂,若不收斂,則重復(fù)步驟(1)～(4)的過程;若收斂,則跳出內(nèi)循環(huán),得到時間序列的余項分量,即:

(9)

2.3 軸承異常信號檢測流程

結(jié)合STL算法與1DDCAE網(wǎng)絡(luò),筆者提出了一種軸承異常信號檢測的方法。

該方法的流程,即基于STL-1DDCAE的軸承異常檢測流程圖,如圖2所示。

圖2 基于STL-1DDCAE的軸承異常檢測流程圖

圖2中,該檢測流程總共可分為4部分,即數(shù)據(jù)預(yù)處理、模型訓(xùn)練、異常檢測和異常信號分析。其具體的檢測步驟如下:

(1)數(shù)據(jù)預(yù)處理。傳感器采集的原始振動信號的預(yù)處理步驟包括:降采樣、滑窗分割和歸一化,構(gòu)造短信號基準(zhǔn)樣本集;

(2)模型訓(xùn)練。該過程首先搭建1DDCAE網(wǎng)絡(luò)模型,然后選取部分健康樣本訓(xùn)練模型,優(yōu)化網(wǎng)絡(luò)參數(shù),保證模型對健康樣本具備良好的重構(gòu)效果,并計算健康樣本的重構(gòu)誤差;

(3)異常信號檢測。該過程利用統(tǒng)計分析的方法,對步驟(2)中的重構(gòu)誤差進(jìn)行概率分布擬合,計算正態(tài)分布模型參數(shù),確定異常檢測的閾值,并將其與基準(zhǔn)樣本集中數(shù)據(jù)的重構(gòu)誤差進(jìn)行比較,以判斷軸承的運(yùn)行狀態(tài)。當(dāng)重構(gòu)誤差大于閾值時,則說明該數(shù)據(jù)存在異常;反之,當(dāng)重構(gòu)誤差小于閾值時,則判定其為健康數(shù)據(jù);

(4)異常信號分析。該過程利用STL對軸承重構(gòu)誤差信號進(jìn)行分解,以得到信號的趨勢分量。尋找原始信號重構(gòu)誤差趨勢項高于閾值的時間戳,且當(dāng)異常點(diǎn)的時間戳比例足夠大時,判定該時刻為故障的起始點(diǎn),分別給健康數(shù)據(jù)和故障數(shù)據(jù)進(jìn)行標(biāo)簽化處理。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集描述

為了驗(yàn)證上述方法的可行性,筆者采用美國辛辛那提大學(xué)IMS(Intelligent Maintenance Systems)Center提供的航空軸承運(yùn)行數(shù)據(jù),即IMS數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證。

IMS實(shí)驗(yàn)裝置臺如圖3所示。

圖3 IMS實(shí)驗(yàn)裝置臺

圖3中,4個同規(guī)格的實(shí)驗(yàn)軸承被依次安裝在主軸上,并由電機(jī)驅(qū)動旋轉(zhuǎn),且其在運(yùn)行過程中始終保持轉(zhuǎn)速不變。

考慮到對后續(xù)軸承異常信號的分析,實(shí)驗(yàn)中軸承的具體型號和相應(yīng)的故障特征頻率如表2所示。

表2 軸承各部位的故障特征頻率(Hz)

該試驗(yàn)在保持軸承連續(xù)運(yùn)轉(zhuǎn)工況下,采集到滾動軸承從健康到失效的全運(yùn)行周期數(shù)據(jù);在此期間,每隔10 min記錄一次(所有故障均在軸承既定的使用壽命后產(chǎn)生)。

筆者選取的IMS數(shù)據(jù)集描述,如表3所示。

表3 IMS數(shù)據(jù)集描述

表3中,筆者選取數(shù)據(jù)集1的軸承3、4和數(shù)據(jù)集2的軸承1作為實(shí)驗(yàn)數(shù)據(jù)集。因?yàn)槠渚哂械漠惓顟B(tài)已經(jīng)覆蓋了軸承所有部位的故障情況,便于對軸承的異常狀態(tài)進(jìn)行監(jiān)測,以及對其進(jìn)行后續(xù)的故障診斷。

3.2 數(shù)據(jù)集預(yù)處理

由表3可以看出,由于單個樣本序列過長,且數(shù)目過大,實(shí)驗(yàn)所選取的數(shù)據(jù)集易導(dǎo)致模型的訓(xùn)練時間過長,網(wǎng)絡(luò)無法收斂等結(jié)果。因此,必須首先對所選取的數(shù)據(jù)集進(jìn)行預(yù)處理,以提高模型的訓(xùn)練效率。

在實(shí)際工業(yè)采集系統(tǒng)中,一般采用間隔采樣的方式來降低其采樣率。因此,筆者將原始振動數(shù)據(jù)集采樣頻率降至工業(yè)中常用的5 kHz;其次,為了提升其網(wǎng)絡(luò)性能,采用移動長度為1 000的無重疊滑動窗口平移方式來切割樣本,以獲得一系列短序列樣本,從而擴(kuò)充樣本的數(shù)量,并以此作為模型訓(xùn)練的最小單位。

在振動信號的采集過程中,每個傳感器所獲得的樣本量不一致。因此,為了降低由傳感器量綱和變化范圍不一致所引起的采集信號幅值的差異,最后,筆者對振動信號數(shù)據(jù)進(jìn)行min-max歸一化處理,剔除異常的數(shù)據(jù)點(diǎn)。

其具體的計算方法為:

(10)

式中:xi—該列數(shù)據(jù)中第i個數(shù)據(jù)的值;Norm(xi)—xi歸一化之后的數(shù)值;xmin,xmax—該項數(shù)據(jù)中的最小值和最大值。

根據(jù)軸承故障的發(fā)生機(jī)理,筆者分別取軸承1、軸承3及軸承4的前350組數(shù)據(jù)作為健康狀態(tài)樣本,對樣本進(jìn)行預(yù)處理后,再從標(biāo)準(zhǔn)樣本庫中隨機(jī)抽取400組,以構(gòu)成訓(xùn)練樣本集,用于計算重構(gòu)誤差;而測試集則是將原始數(shù)據(jù)進(jìn)行預(yù)處理后得到的全部樣本。

3.3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證上述方法的有效性和泛化性,筆者擬通過實(shí)驗(yàn)的方式,對3個全運(yùn)行周期的軸承振動數(shù)據(jù)集進(jìn)行軸承異常狀態(tài)檢測與分析。

實(shí)驗(yàn)中,1DDCAE的網(wǎng)絡(luò)參數(shù)設(shè)置如下:初始學(xué)習(xí)率lr為0.001,epcoh為100,batch_size為32;采用Adam算法優(yōu)化網(wǎng)絡(luò)參數(shù)。

筆者通過數(shù)據(jù)預(yù)處理后,將選定的3個軸承訓(xùn)練集樣本分別輸入1DDCAE模型中,得到3個軸承樣本的重構(gòu)信號。

按照2.1節(jié)中的步驟,筆者通過計算得到了3個軸承重構(gòu)信號的參數(shù),如表4所示。

表4 重構(gòu)信號參數(shù)值

由表4可以看出,依據(jù)2.1節(jié)中計算得到的3個軸承的Shapiro-Wilk檢驗(yàn)的p-value值均大于顯著性水平α(α=0.05)。該結(jié)果與假設(shè)結(jié)果相一致,且符合正態(tài)分布。

根據(jù)表4的結(jié)果,筆者分別擬合出了3個軸承健康樣本的正態(tài)分布概率直方圖,如圖4所示。

圖4 軸承健康樣本概率分布直方圖

觀察圖4可知,3個軸承健康樣本的概率分布擬合曲線基本符合正態(tài)分布。該結(jié)果也進(jìn)一步驗(yàn)證了其符合2.1節(jié)中的假設(shè)。

接下來,筆者進(jìn)一步對3個軸承樣本進(jìn)行異常信號的檢測分析。

3.3.1 軸承1異常檢測

軸承1的故障類型主要為外圈故障,外圈故障一般發(fā)生在軸承運(yùn)轉(zhuǎn)工作的后期。為了更加直觀地展示模型的重構(gòu)性能,筆者分別繪制出軸承1在1個采樣周期的健康樣本重構(gòu)信號,以及原始含外圈故障樣本的重構(gòu)信號。

軸承1的重構(gòu)信號如圖5所示。

圖5 軸承1重構(gòu)信號圖

對比圖5中的訓(xùn)練樣本重構(gòu)信號和測試樣本重構(gòu)信號圖可知:軸承1健康狀態(tài)樣本的重構(gòu)信號更接近輸入信號,而外圈故障重構(gòu)信號振幅與原始信號相比存在明顯差異。該結(jié)果表明,利用1DDCAE模型的重構(gòu)誤差能夠有效地區(qū)分軸承的異常信號。

為了比較重構(gòu)誤差對于判斷異常起始點(diǎn)的有效性,筆者利用STL算法分別對原始信號和經(jīng)1DDCAE得到的重構(gòu)誤差信號進(jìn)行分解,得到軸承1的重構(gòu)誤差趨勢,如圖6所示。

圖6 軸承1重構(gòu)誤差趨勢圖

圖6(a)中,通過比較重構(gòu)誤差趨勢曲線與閾值的關(guān)系,確定軸承1的時間戳為760處發(fā)生故障;這表明軸承1在2004-02-17的17:02:39～17:12:39時間段內(nèi)開始出現(xiàn)異常;

而在圖6(b)中,分析原始樣本的變化趨勢可知,雖然其整體變化趨勢基本一致,但其自身擾動較為嚴(yán)重,難以通過其趨勢判斷出故障具體的發(fā)生時間。

3.3.2 軸承3異常檢測

軸承3的故障類型為內(nèi)圈故障。軸承內(nèi)圈故障一旦產(chǎn)生,軸承會很快失效。由于內(nèi)圈位置與傳感器的距離最遠(yuǎn),其所采集到的故障信號一般會包含一定量的外部噪聲。

因此,在模型訓(xùn)練結(jié)束后,筆者將軸承3的原始樣本輸入到1DDCAE網(wǎng)絡(luò)模型中,得到軸承3的重構(gòu)信號,如圖7所示。

圖7 軸承3重構(gòu)信號圖

由圖7可知,模型對輸入信號的重構(gòu)能力受樣本異常值的影響較大。

在圖7(a)中,由于健康樣本包含的狀態(tài)信息相對穩(wěn)定,其輸出信號更為接近輸入信號;

而在圖7(b)中,含故障樣本的重構(gòu)信號存在明顯的沖擊擾動。這也表明,1DDCAE模型能夠較好地提取出軸承的故障特征。

為了進(jìn)一步地確定軸承3故障發(fā)生的時間點(diǎn),筆者將軸承3的原始信號樣本與重構(gòu)誤差采用STL進(jìn)行分解,得到了軸承3重構(gòu)誤差趨勢圖,如圖8所示。

圖8 軸承3重構(gòu)誤差趨勢圖

對比圖8中的重構(gòu)誤差趨勢分量以及原始樣本趨勢分量可以看出,圖8(a)中的重構(gòu)信號在降低外部干擾的同時,重點(diǎn)突出了重構(gòu)誤差隨運(yùn)行時間的變化趨勢;

觀察圖8還可知,重構(gòu)誤差趨勢分量以及原始樣本趨勢分量圖均存在不同程度的干擾,符合軸承內(nèi)圈故障的采集特點(diǎn)。

為了避免因安裝誤差造成的故障誤判,筆者根據(jù)2.1節(jié)中的規(guī)定(即故障起始點(diǎn)必須大于軸承全運(yùn)行周期的60%),確定軸承3外圈故障的真正時間戳為第1 780點(diǎn),即軸承3在2003-11-22的07:26:56～07:36:56時間段內(nèi)出現(xiàn)內(nèi)圈異常狀態(tài)。

3.3.3 軸承4異常檢測

軸承4的故障類型為滾動故障,受軸承的結(jié)構(gòu)影響,滾動體故障一般發(fā)生在外圈故障和內(nèi)圈故障之間。筆者繪制了1DDCAE模型輸出的健康重構(gòu)信號及含滾動體故障重構(gòu)信號波形圖,如圖9所示。

圖9 軸承4重構(gòu)信號圖

圖9(b)中,故障信號樣本的重構(gòu)信號僅放大了由1DDCAE模型提取的滾動體故障沖擊特征,忽略了樣本的局部振幅變化,而圖9(a)健康樣本的重構(gòu)信號由于沒有異常值的干擾,重構(gòu)效果整體上仍優(yōu)于含故障樣本的重構(gòu)效果,可以作為異常信號檢測的依據(jù)。

筆者采用STL分別對重構(gòu)誤差信號和原始樣本進(jìn)行分解,并保留各自的趨勢項分量,以此判斷軸承異常狀態(tài)的起始點(diǎn)。

分解得到軸承4的重構(gòu)誤差趨勢分量如圖10所示。

圖10 軸承4重構(gòu)誤差趨勢圖

圖10中,雖然STL分解去除了軸承樣本中存在干擾較多的余項分量,但圖10(b)中的原始樣本趨勢曲線仍存在較多的擾動點(diǎn),嚴(yán)重影響了信號的趨勢走向,導(dǎo)致故障起始點(diǎn)的判斷出現(xiàn)偏差。

因此,筆者采用圖10(a)重構(gòu)誤差趨勢曲線進(jìn)行分析,從圖10(a)中根據(jù)閾值判斷滾動體異常狀態(tài)的開始時間戳為第1 700點(diǎn),表明軸承4從運(yùn)行時間為2003-01-21的18:16:56～18:26:56的采樣時間段后全部為滾動體故障運(yùn)行狀態(tài)。

3.4 故障標(biāo)簽標(biāo)注

上述3個軸承異常狀態(tài)的分析結(jié)果表明,與單純使用STL分解相比,采用STL-1DDCAE方法能夠充分提取軸承的故障特征,實(shí)現(xiàn)對不同軸承數(shù)據(jù)集的異常狀態(tài)檢測。

定義樣本標(biāo)簽為:

(11)

式中:Y—樣本標(biāo)簽;0—軸承健康狀態(tài);1—軸承內(nèi)圈故障;2—軸承外圈故障;3—軸承滾動體故障。

筆者根據(jù)3個軸承數(shù)據(jù)集的異常檢測時間點(diǎn)分別給軸承數(shù)據(jù)添加對應(yīng)的標(biāo)簽信息。

為直觀顯示,4種軸承標(biāo)簽信號對應(yīng)的頻域圖如圖11所示(僅顯示了軸承3的健康樣本數(shù)據(jù))。

由圖11可知:(1)軸承信號均存在不同程度的噪聲,圖11(a)選取的健康樣本來自軸承3的前期數(shù)據(jù),由于傳感器安裝位置等因素導(dǎo)致軸承信號幅值波動較大;(2)圖11(b)的內(nèi)圈故障樣本由于內(nèi)圈與傳感器的距離較遠(yuǎn),導(dǎo)致頻域波形中故障頻率存在嚴(yán)重偏差;(3)因故障位置與傳感器距離較近,圖11(c)的外圈故障信號和圖11(d)的滾動體故障信號頻率相對明顯,尤其是軸承外圈故障,其沖擊特征較為突出。

圖11 軸承4種狀態(tài)時域和頻域圖

4 結(jié)束語

由于軸承原始振動數(shù)據(jù)標(biāo)簽信息不足,難以對其進(jìn)行建模分析,為此筆者以美國辛辛那提大學(xué)IMS數(shù)據(jù)集為研究對象,提出了一種基于時序分解與一維深度卷積自編碼網(wǎng)絡(luò)(STL-1DDCAE)的無監(jiān)督故障診斷方法,即首先采用基于多層卷積池化的1DDCAE模型,提取健康數(shù)據(jù)的重構(gòu)誤差,引入正態(tài)分布,擬合重構(gòu)誤差的概率密度分布,最后結(jié)合STL分析了軸承的重構(gòu)誤差曲線。

研究結(jié)果表明:

(1)1D-DCAE模型能夠充分提取健康數(shù)據(jù)的重構(gòu)誤差;

(2)利用正態(tài)分布擬合重構(gòu)誤差的概率密度分布,能夠根據(jù)不同類型的軸承數(shù)據(jù)提取對應(yīng)的閾值;

(3)經(jīng)STL分解得到的趨勢項分量和閾值比較,實(shí)現(xiàn)了對軸承的異常狀態(tài)分離,實(shí)現(xiàn)了無故障標(biāo)簽的軸承異常狀態(tài)檢測。

在之后的研究工作中,筆者將進(jìn)一步地借助深度學(xué)習(xí)模型來挖掘軸承故障的特征信息,以降低故障信號中噪聲的影響,使得其標(biāo)定結(jié)果更加準(zhǔn)確。