基于卷積神經網絡的地鐵牽引電機軸承剩余壽命預測

趙朋飛，徐彥偉,2，頡潭成,2*，李 琛

（1.河南科技大學 機電工程學院，洛陽 471003；2.智能數控裝備河南省工程實驗室，洛陽 471003）

0 引言

隨著服役時間的不斷增加，機械設備性能逐漸衰退，剩余壽命逐步縮短，設備中任何一個關鍵部件失效，均易造成惡性事故，導致經濟損失，甚至人員傷亡[1]。軸承作為機械設備零部件的一種，研究其壽命退化趨勢并對軸承剩余使用壽命（Remaining useful life，RUL）做精準預測，能為機械設備的預測性維護提供指導[2]。

近年來，軸承的剩余壽命預測已成為國內外學者研究的熱點[3]，張成龍、劉小勇、武千惠[4～6]等在軸承壽命預測方向獲得了不錯的成果，但他們將單一特征值輸入到模型中進行訓練，提取到的軸承壽命信息有限，沒考慮采用多特征值進行信息融合，使用多特征值信息融合技術可以提高預測的精度。隨著信息融合技術的發(fā)展，越來越多學者加入其中進行研究，楊彥宇、王付廣、蒙志強[7～9]等使用信息融合技術在軸承剩余壽命預測方向的研究得到不錯的成果，并在信息融合技術上提供有益的借鑒，但他們采用了單一類傳感器，采集到的信息不能全面反映軸承壽命信息，會影響對軸承壽命的預測。

基于此，本文提出了一種基于多信息融合與卷積神經網絡的軸承剩余壽命預測的方法。首先，使用振動傳感器與聲發(fā)射傳感器在軸承疲勞試驗臺上采集軸承壽命信號；其次，使用小波包分解[10]對采集到的原始信號進行降噪并提取多特征值，在此基礎上對多特征值進行歸一化處理并分析軸承退化趨勢；最后，將處理好的多特征值進行融合，并輸入到卷積神經網絡中進行訓練來預測軸承的剩余使用壽命。

1 信號預處理與退化指標選取

1.1 信號采集和預處理

本文確定研究軸承的型號為NU216，它作為地鐵牽引電機軸承，對地鐵安全運行起著至關重要的作用，所以預測該軸承的剩余使用壽命顯得尤其重要。為了減少試驗周期，模擬軸承實際運行中產生的早期缺陷，采用大族YLP-MDF-152型三維激光儀在滾動體上進行缺陷預制，缺陷預制過程當中使用30%的激光能量，預制點蝕直徑為20μm，裂紋寬度為15μm的早期故障缺陷，在此基礎上探究其剩余壽命，進行剩余壽命試驗，所選用的試驗臺為T40～120，位于智能數控裝備河南省工程實驗室，該試驗臺由液壓系統(tǒng)（提供加載、冷卻和潤滑）、溫度測量系統(tǒng)、壓力測量系統(tǒng)和數據采集系統(tǒng)等組成。在數據采集系統(tǒng)中傳感器有聲發(fā)射傳感器（型號為R50S-TC，測量范圍50KHZ-700KHZ，最高采樣頻率為10M/S）和振動傳感器（型號為LC0151T，量程為33g、靈敏度為150mv/g）。該試驗臺如圖1所示。

圖1 軸承疲勞壽命試驗臺

試驗按照GB/T24607-2009國家試驗標準進行，在徑向當量動載荷為40kN，轉速為2400r/min的工況下對軸承進行120小時的疲勞壽命強化試驗。每10min采集一次軸承狀態(tài)數據，試驗完成后共采集到720組軸承性能衰退試驗數據。在采集到的原始信號中包含著大量的噪音，為了對原始信號進行濾波降噪處理，本文對原始信號進行小波包分解。小波包分解是一種更為細致的時頻域分析方法，對原始信號的高頻和低頻同時進行多層分解，保證了信號在不同頻段都有較高的分辨率，極大提高了信號分析能力[11]。

使用小波包分解對信號進行n次分解，每一次分解都會對上一次分解得到的信號進行高頻與低頻信號的分解，分解之后的信號在不失真的同時也保留軸承壽命信息。假設從單個傳感器提取得到的特征向量為Zi(i=1，2，…，k)，故多傳感器綜合得到的特征向量為W×Zi，其中Zi的展開式如式(1)所示：

其中，W為傳感器個數，k表示提取的特征值個數，m表示樣本的個數。本文選用db4小波基函數，并對原始信號進行八次小波包分解，對得到的各個頻率段進行多特征值的提取。

1.2 軸承剩余壽命退化指標選取

提取性能衰退敏感的特征對準確預測軸承剩余壽命尤為重要[12]，對原始信號進行小波包分解之后，需要對得到的高低頻信號進行特征值提取。本文采用傅里葉變換對原始信號進行頻域分析，用小波包分解對原始信號進行處理，以此來提取時域信號的特征值。時域特征分為有量綱和無量綱，其中有量綱的時域特征有標準差（SD）、均方根值（Root mean square，RMS）等，無量綱的時域特征有峭度（Kr）、裕度（C）等。它們的公式如下：

根據上面的公式計算得到標準差、均方根值、峭度和裕度，部分計算結果如表1、表2所示。

表1 振動傳感器采集軸承壽命的特征值

表2 聲發(fā)射傳感器采集軸承壽命的特征值

從上述表1、表2中可以看出同一傳感器在不同特征值之間由于數值的量級不同不能直接進行融合；同時同一特征值在不同傳感器之間數值單位也不一樣，也不能直接進行融合，因此需要我們進行歸一化處理把它們映射到同一區(qū)間，在同一區(qū)間內進行融合。

2 信息融合與模型搭建

2.1 特征值的融合

在工程實踐中，滾動軸承往往通過振動信號來反映其壽命衰退過程，從而進行壽命狀態(tài)識別和壽命評估[13]，但為了應對單一類傳感器帶來的不足，本次試驗采用振動和聲發(fā)射傳感器對軸承壽命信息進行采集，對采集到的信號進行預處理、特征值提取之后不能直接進行融合，因為不同傳感器采集到的數據的物理意義不一樣，需要進行歸一化處理。

歸一化是指從一個區(qū)間映射到另外一個區(qū)間，假設我們提取的原特征值區(qū)間為(X1，X2)，歸一化之后的區(qū)間為(Y1，Y2)，設歸一化之前數據為G，歸一化之后的數據為H，那么G與H之間存在的映射關系為：

這個映射關系為線性關系，經推導可得：

信息融合技術是以歸一化為前提，具有多傳感器測量結果互補的特點，信息融合可對其參數重要程度進行評估和決策[14]，信息融合按照融合的方式分為數據層融合、特征層融合和決策層融合三種，數據層融合屬于最原始的融合[15]，丟失的信息最少，但是由于聲發(fā)射傳感器和振動傳感器存在探測技術的差別，因此不采用數據層融合，特征層融合屬于把提取到的特征值進行融合，雖然丟失了部分信息但是可以通過歸一化處理，來消除傳感器之間的差別進行融合，而決策層融合會丟失大量的信息，所以本次實驗采用特征層融合。

將采集得到軸承壽命信息進行特征值提取，從表2可知提取得到的特征值不能直接進行融合，需要進行歸一化處理，然后進行特征值融合。將融合好的720組數據，抽取其中120組作為測試組，剩余的600組作為訓練組，并把測試組與訓練組劃分5個階段，將劃分好的測試組與訓練組進行打標處理，并輸入到搭建好的神經網絡中進行訓練。

2.2 基于多信息融合與CNN的軸承剩余壽命預測模型

卷積神經網絡是由多層網絡構成的前饋神經網絡，借鑒于LeNet-5結構，對卷積神經網絡進行改進，初步確定卷積核大小為3×3，隨后選擇激活函數，卷積神經網絡的激活函數有Sigmoid、tanh和relu等，激活函數初步選擇relu，在卷積層進行特征信息提取然后傳遞給池化層之后，池化層進行特征選擇和信息過濾，初步確定池化矩陣為2×2，需要全連接層對提取的特征進行非線性組合以得到輸出，輸出層選擇Softmax分類函數進行分類。其卷積神經網絡結構如圖2所示。

在歸一化之后，需要訓練卷積神經網絡，將歸一化處理過的數據輸入到神經網絡，并對卷積神經網絡模型中的卷積層與池化層的層數進行調整，最終確定為兩個卷積層-池化層，全連接層為2層，其中卷積核大小為3×3，其滑動步長設置為1，池化矩陣為2×2，池化層的池化矩陣的移動步長為2，第一層激活函數為relu，第二層激活函數為tanh，使模型達到最佳狀態(tài)訓練次數（Epochs）為100。流程圖如圖3所示：

圖3 模型搭建流程圖

在上述工作完成之后，將各個傳感器得到的歸一化的特征值輸入到調試好的神經網絡中得到的識別率如表3所示。

表3 各歸一化的特征值識別率

從表3來看，不同特征值識別率不盡相同。其中均方根值的識別率最好，說明均方根提取到軸承壽命信息最多，標準差、峭度、裕度依次降低，說明它們提取到軸承壽命信息依次減少。通過表3可以看出將處理好的特征值進行融合，就單一傳感器來說，不同特征值之間融合能提高預測剩余壽命的準確率，表明不同特征值提取到軸承壽命信息有共性也有差異。通過不同傳感器之間的融合，可以看出預測軸承剩余壽命的準確率也得到了提高，說明不同傳感器之間可以通過互補來提高軸承剩余壽命預測的準確率。

3 數據的分析

通過對歸一化后的特征值進行分析，得到軸承壽命趨勢如圖4、圖5所示：

圖4 振動傳感器采集的軸承壽命曲線圖

圖5 聲發(fā)射傳感器采集的軸承壽命曲線圖

從圖4中可以看出除了峭度指標的趨勢向下，其他指標的趨勢都是向上，這表明峭度指標提取到軸承壽命信息最少，而均方根與標準差這兩個指標提取到的軸承壽命信息比裕度多。圖5為聲發(fā)射傳感器采集到的軸承壽命趨勢圖，從圖5中可以驗證上述的結論。

從圖4、圖5中可以直觀看出，隨著軸承運行時間的增加，軸承的壽命指標越來越大。通過分析可以得到無量綱的峭度、裕度作為軸承壽命指標不如有量綱的均方根與標準差。綜合兩種傳感器來看，振動傳感器在均方根與標準差方面比聲發(fā)射傳感器好，聲發(fā)射傳感器在裕度和峭度方面比振動傳感器好。

從圖4、圖5中可以看到都是同一軸承壽命指標，上下波動量不同。為探究上下波動量對準確率的影響，以均方根為例，將從兩種傳感器得到的均方根輸入到卷積神經網絡中得到各個階段的準確率的色階圖，如圖6所示：

圖6 均方根值識別率的色階圖

上述圖中A、B、C、D、E代表軸承壽命的五個階段，A代表第一階段、B代表第二階段、C代表第三階段、D代表第四階段、E代表第五階段。本實驗是在發(fā)現軸承出現早期缺陷之后進行的試驗，第一階段為軸承早期缺陷，第五階段為軸承壽命采集最后的階段?？偣膊杉?20組數據，把采集到的數據分為測試集與訓練集，其中測試樣本為120組，訓練樣本為600組。在訓練過程中對每一組的測試樣本，神經網絡都會輸出這五個階段的概率值，120組的測試樣本輸出120×5個概率值，將120組每兩組求一個平均值作為新的概率值，將得到新的概率值制作成圖6色階圖，在該色階圖中顏色越深代表著概率越高。

從圖6中我們可以看到振動傳感器在第一階段、第二階段表現得不如聲發(fā)射傳感器，但在其他階段比聲發(fā)射傳感器好，這表明將這兩種傳感器得到信息進行融合有利于提高軸承剩余壽命預測的準確率。同時在圖6中我們可以看出兩個相鄰階段的準確率比階段中間部分要低。

以均方根值為例，從圖4、圖5與圖6中可以得到，在第一階段聲發(fā)射傳感器采集到的壽命曲線的波動量比振動傳感器的小，此時我們看到聲發(fā)射傳感器在第一階段準確率高。對比其他階段可以發(fā)現軸承的壽命曲線的波動量越小，軸承壽命所處階段的準確率越高。整體來看振動傳感器采集到的軸承壽命曲線波動量比聲發(fā)射傳感器的小，因此振動傳感器在軸承壽命預測方面比聲發(fā)射傳感器更好。

4 結語

本文研究了深度學習與信息融合技術在地鐵牽引電機軸承剩余壽命方面的預測，試驗結果表明：

1）針對采集軸承壽命信號進行小波包分解并提取特征值進行歸一化，發(fā)現振動傳感器在有量綱方面表現的比聲發(fā)射傳感器好，而聲發(fā)射傳感器在無量綱方面表現要比振動傳感器好。

2）經過對比可以得出，振動傳感器在軸承壽命曲線上波動比聲發(fā)射傳感器小，同時采用兩種類型傳感器要比采用單一類型傳感器識別率高。

3）通過使用特征層融合實現了不同類型傳感器信息融合并且結合卷積神經網絡能有效預測軸承剩余壽命。