基于深度學(xué)習(xí)的采煤機(jī)截割部齒輪故障預(yù)測*

任春美

(徐州工程學(xué)院 信息工程學(xué)院,江蘇 徐州 221000)

0 引 言

目前,煤礦生產(chǎn)中常見的開采方式是以機(jī)械化開采為主的綜合開采方式。采煤機(jī)在開采過程中承擔(dān)著重要角色。由于地質(zhì)環(huán)境復(fù)雜所導(dǎo)致的開采困難問題[1],采煤機(jī)的工作效率和可靠性受到了嚴(yán)重的干擾,進(jìn)而影響出煤效率,造成企業(yè)經(jīng)濟(jì)效益受損,并給企業(yè)帶來生產(chǎn)隱患。

因此,對于采煤機(jī)的維護(hù)和故障預(yù)測就顯得十分關(guān)鍵,尤其是對經(jīng)常性損壞的采煤機(jī)截割部齒輪故障。企業(yè)需要部署檢修人員對該類重點(diǎn)部位進(jìn)行檢修,以保證采煤機(jī)的正常運(yùn)行。

對于采煤機(jī)截割部的故障分析,國內(nèi)外學(xué)者和企業(yè)都展開了相關(guān)研究。在國外,德國Eickhoff公司于2004年生產(chǎn)出的高性能采煤機(jī),具備了集中控制系統(tǒng),同時(shí)其分布式的輸入輸出功能結(jié)合電路載波信號[2],可對實(shí)時(shí)狀態(tài)信息進(jìn)行監(jiān)控。美國JOY公司生產(chǎn)的采煤機(jī)集成了長壁形顯示器,可實(shí)時(shí)分析與顯示截割部的狀態(tài)運(yùn)行參數(shù)[3],并對截割部的故障進(jìn)行分類。

國外學(xué)者也對故障預(yù)測和診斷理論進(jìn)行了創(chuàng)新。TETSURO M等人[4]針對軸承的運(yùn)行檢測,提出了基于概率邏輯神經(jīng)網(wǎng)絡(luò)的方法,該方法的檢測成效十分明顯。通過運(yùn)用小波理論,SANDHYA S等人[5]對于故障預(yù)測中的背景噪聲進(jìn)行智能濾波,有效增強(qiáng)了故障信息的采集能力。

雖然國內(nèi)對采煤機(jī)的故障預(yù)測和分類的研究起步較晚,但也取得了一些成果。賈俊明[6]采用了包絡(luò)解調(diào)分析法,結(jié)合齒輪的故障特點(diǎn),對采煤機(jī)振動(dòng)故障進(jìn)行了研究,并設(shè)計(jì)了相應(yīng)的振動(dòng)檢測儀器。謝國民等人[7]提出了一種基于小波包的故障特征提取方法,對采煤機(jī)的截割部齒輪故障進(jìn)行了分析,并設(shè)計(jì)了故障診斷系統(tǒng),對采煤機(jī)故障進(jìn)行了有效診斷。為了增強(qiáng)軸承故障特征的提取能力,鐘大偉[8]采用基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法,解決了樣本不均衡和變工況等情況下的軸承故障診斷問題,為合理安排生產(chǎn)及設(shè)備檢修提供了可靠依據(jù)。包從望等人[9]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的采煤機(jī)截割部齒輪減速器故障診斷方法,該方法對減速器的故障識別率在95%以上,解決了傳統(tǒng)方法中特征提取繁瑣等問題,為采煤機(jī)截割部齒輪減速箱的故障診斷提供了新思路。為了對滾動(dòng)軸承故障進(jìn)行快速診斷,宮文峰等人[10]提出了一種改進(jìn)CNN的新方法,該方法引入全局均值池化技術(shù),代替了傳統(tǒng)CNN的全連接層部分,解決了傳統(tǒng)CNN模型參數(shù)量多的問題。劉紅軍等人[11]提出了一種格拉姆角差場(Gram angular difference field,GADF)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型,對數(shù)據(jù)進(jìn)行了分解與重構(gòu),以剔除其中的噪聲信號,較快速、準(zhǔn)確地實(shí)現(xiàn)了故障特征提取。

綜上所述,雖然國內(nèi)外學(xué)者對采煤機(jī)的故障診斷都進(jìn)行了研究,但缺乏采煤機(jī)截割部齒輪故障預(yù)測和分類方面的研究。

基于對上述文獻(xiàn)的分析,筆者基于深度學(xué)習(xí)的方法對采煤機(jī)的截割部齒輪故障的預(yù)測展開研究,從關(guān)鍵零部件的時(shí)域振動(dòng)數(shù)據(jù)中,自主學(xué)習(xí)數(shù)據(jù)之間更加深層次的特征,從而實(shí)現(xiàn)故障診斷。

該方法不需要人為選取特征,在模型的學(xué)習(xí)過程中對特征自動(dòng)進(jìn)行內(nèi)部選擇,提取分類特征;并針對模型的過擬合問題,提出添加dropout層的優(yōu)化方法,以期提升采煤機(jī)的故障預(yù)測技術(shù)。

1 采煤機(jī)結(jié)構(gòu)及故障分析

1.1 采煤機(jī)總體結(jié)構(gòu)

筆者選取MG1000/2500-WD型采煤機(jī)作為研究對象。該采煤機(jī)由截割部、牽引部、機(jī)身中部、破碎機(jī)構(gòu)、液壓系統(tǒng)和冷卻系統(tǒng)組成[12]。

其結(jié)構(gòu)示意圖如圖1所示。

圖1 采煤機(jī)機(jī)型結(jié)構(gòu)圖

作為采煤機(jī)的行走機(jī)構(gòu),牽引部主要由牽引電機(jī)、泵站電機(jī)、行走箱、滑靴等組成[13],以驅(qū)動(dòng)采煤機(jī)進(jìn)行運(yùn)行;

截割部主要完成截煤和裝煤的功能,是采煤機(jī)的主要工作機(jī)構(gòu);

機(jī)身中部包含采煤機(jī)的中間框架和控制箱,完成機(jī)器控制功能;

破碎機(jī)構(gòu)處于采煤機(jī)機(jī)身的一端,它的作用是利用滾筒破碎大塊煤;

而采煤機(jī)的搖臂、破碎機(jī)和護(hù)板的驅(qū)動(dòng)都由液壓系統(tǒng)實(shí)現(xiàn),液壓系統(tǒng)包含泵電機(jī)、液壓泵站等零部件[14];

冷卻系統(tǒng)則是通過噴霧、沖洗的作用實(shí)現(xiàn)冷卻和降塵,其組成包括流量閥門、壓力開關(guān)、冷卻泵站等。

1.2 常見故障機(jī)理分析

采煤機(jī)的故障種類很多,但是主要有3大類故障,即機(jī)械系統(tǒng)故障、液壓系統(tǒng)故障以及電氣系統(tǒng)故障[15]。

截割部常見的故障類型如表1所示。

表1 采煤機(jī)截割部故障分類及成因

(1)機(jī)械系統(tǒng)故障。機(jī)械系統(tǒng)故障主要體現(xiàn)為軸承故障和齒輪故障。軸承故障主要由磨損產(chǎn)生。該類磨損一般由潤滑油加注不及時(shí)或者安裝部位產(chǎn)生移位所引起的摩擦力增大導(dǎo)致。因此,對于軸承故障的分析重在軸承的質(zhì)量和維護(hù)保養(yǎng)方面。而對于齒輪而言,齒面磨損、接觸疲勞是常見的故障表現(xiàn)[16]。該類故障的主要成因也是由于長時(shí)間的摩擦力增加;

(2)液壓系統(tǒng)故障。液壓系統(tǒng)故障的發(fā)生率一般較高,且情況較復(fù)雜,通常包含制動(dòng)系統(tǒng)故障和調(diào)高系統(tǒng)故障。具體成因很多,例如:電磁閥損壞、油壓過低、墊片裝配不良、安全閥或換向閥失效等;

(3)電氣系統(tǒng)故障。電氣系統(tǒng)故障主要包含,諸如泵電機(jī)、搖臂、電控箱、變頻器、截割電機(jī)等部件的故障。

采煤機(jī)的截割部是故障的多發(fā)部位,是筆者的重點(diǎn)研究對象;同時(shí),截割部故障成因又相對復(fù)雜,其齒輪和滾動(dòng)軸承的故障率在整個(gè)傳動(dòng)故障中所占比例為90%左右甚至更高,故障出現(xiàn)的頻率極高[17]。齒輪是截割部中的重要零件,截割部齒輪高速運(yùn)轉(zhuǎn)時(shí)傳遞全部的截割能量。

齒輪常見的故障形式包括:齒輪折斷,齒輪面點(diǎn)蝕、剝落,齒面產(chǎn)生膠合,齒面磨損以及齒面塑性變形。齒輪發(fā)生的上述故障,常見的成因是齒輪遇到超負(fù)荷運(yùn)轉(zhuǎn),容易發(fā)生疲勞折斷。采煤機(jī)重載頻繁開?；蝈e(cuò)誤操作(例如割頂、割地),截割部齒輪易產(chǎn)生振動(dòng)沖擊,使得齒輪過載發(fā)生折斷現(xiàn)象。

其余故障機(jī)理還有齒輪存在潤滑不良或雜質(zhì)過多狀態(tài),截割部落入磨料性物質(zhì),造成磨粒性的磨損、點(diǎn)蝕、剝落的不良狀態(tài)。隨著使用時(shí)間增加,潤滑逐漸失效,齒輪嚙合區(qū)溫度升高,局部過熱導(dǎo)致齒面膠合;另外,還有齒輪精度等級不夠或材質(zhì)強(qiáng)度不高,造成齒輪塑性變形,使齒形變得尖銳;或者軸承損壞或嚙合間隙調(diào)整不當(dāng)。

因此,筆者以采煤機(jī)的截割部齒輪作為主要故障研究對象,對其故障預(yù)測和分類。

2 基于深度學(xué)習(xí)的故障預(yù)測模型

2.1 卷積神經(jīng)網(wǎng)絡(luò)

對于采煤機(jī)截割部齒輪的故障預(yù)測模型,主要依據(jù)特征提取和選擇展開。卷積神經(jīng)網(wǎng)絡(luò)可以將故障特征的提取和特征的選擇進(jìn)行合理融合與分析,并對故障進(jìn)行預(yù)測和分類。

卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、激活層、池化層、全連接層等部分組成[18],其基本結(jié)構(gòu)如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成

圖2中,輸入層的功能就是將原始信號或圖像作為卷積網(wǎng)絡(luò)的起點(diǎn),進(jìn)行數(shù)據(jù)輸入,以便后續(xù)的卷積層和池化層對數(shù)據(jù)進(jìn)行特征提取。卷積層作為卷積神經(jīng)網(wǎng)絡(luò)的核心,擔(dān)任著重要的角色。該層對預(yù)處理后的數(shù)據(jù)進(jìn)行卷積計(jì)算,產(chǎn)生信號特征參數(shù)。卷積層通過采用卷積核的滑動(dòng)方式減少網(wǎng)絡(luò)權(quán)值參數(shù)的個(gè)數(shù),以達(dá)到模型訓(xùn)練參數(shù)個(gè)數(shù)最小的目的,保障模型較低的復(fù)雜度,進(jìn)行有效的模型學(xué)習(xí)。

權(quán)值共享的示意圖如圖3所示。

圖3 權(quán)值共享示意圖

從圖3中可以看出：卷積核根據(jù)固定的步長對所有的輸入進(jìn)行一次性遍歷計(jì)算，并且第m層和第m-1層的權(quán)值個(gè)數(shù)只要求3個(gè)參數(shù)，就能保證功能的實(shí)現(xiàn)，進(jìn)而減少權(quán)值的數(shù)量，也減小了對數(shù)據(jù)的內(nèi)存需求。

卷積層的計(jì)算公式如下：

(1)

其卷積示例計(jì)算過程如圖4所示。

圖4 卷積運(yùn)算示意圖

對一個(gè)3×3的二維矩陣與一個(gè)2×2的卷積核進(jìn)行卷積運(yùn)算，二維矩陣首先選取第一個(gè)2×2被卷積的局部區(qū)域進(jìn)行神經(jīng)元乘法運(yùn)算，得出結(jié)果數(shù)據(jù)值y1，接著根據(jù)步長為1的要求移動(dòng)卷積核，對第二個(gè)區(qū)域進(jìn)行卷積，得出結(jié)果y2；然后，依次按照上述方法對所有局部區(qū)域進(jìn)行遍歷乘法運(yùn)算，直至得到一個(gè)2×2的輸出矩陣。

其中，卷積層的激活函數(shù)可以提升輸出結(jié)果的非線性能力[19]，經(jīng)過激活函數(shù)處理后的數(shù)據(jù)有利于增強(qiáng)線性可分性。

一般常用的激活函數(shù)為Sigmoid、Tanh和ReLU函數(shù)。其計(jì)算公式如下：

(2)

(3)

ReLU(x)=max(0,x)

(4)

式中：e—自然底數(shù)；x—函數(shù)變量。

Sigmoid函數(shù)是通過將函數(shù)投影到0～1區(qū)間之內(nèi),以增加其非線性的。其導(dǎo)數(shù)也相對簡單,計(jì)算效率高。而為了彌補(bǔ)Sigmoid函數(shù)的部分缺陷,Tanh函數(shù)將函數(shù)投影到-1～1區(qū)間內(nèi),且計(jì)算收斂速度更快。當(dāng)然,為了提高網(wǎng)絡(luò)的泛化能力和收斂速度,ReLU函數(shù)的函數(shù)形式為輸入數(shù)據(jù)負(fù)時(shí),輸出為0;輸入數(shù)據(jù)為正時(shí),等于自身,且其導(dǎo)數(shù)值恒大于0。因此,筆者采用ReLU函數(shù)作為激活函數(shù)。

在進(jìn)行完卷積運(yùn)算后,為了進(jìn)一步提高神經(jīng)元的計(jì)算速度,減少權(quán)值數(shù)量,降低計(jì)算的復(fù)雜度,會(huì)對輸入數(shù)據(jù)進(jìn)行池化。池化層的作用就是利用滑動(dòng)窗口的方式對數(shù)據(jù)降采樣。池化方法分為最大池化和平均池化,這是根據(jù)選擇池化窗口的最大值以及平均值實(shí)現(xiàn)來選擇的。

最大池化的計(jì)算公式為：

(5)

在進(jìn)行池化操作后，神經(jīng)網(wǎng)絡(luò)會(huì)不斷進(jìn)行卷積層和池化層的迭代，得到更深層次的抽象特征信息，對故障的分類進(jìn)行保證。在之后的操作中，需要全連接層對數(shù)據(jù)矩陣進(jìn)行展開，映射為列向量，并通過SoftMax分類器把預(yù)測結(jié)果轉(zhuǎn)換成概率值，以利于對故障的分類。

全連接層的原理圖如圖5所示。

圖5 全連接層示意圖

其計(jì)算公式如下：

(6)

最后，通過Softmax分類器將全連接層后的數(shù)值進(jìn)行歸一化轉(zhuǎn)換，其概率計(jì)算數(shù)值如下：

(7)

式中：zj—第j個(gè)輸出神經(jīng)元對數(shù)；N—最后一層的神經(jīng)元個(gè)數(shù)；q—?dú)w一化概率。

同時(shí)，為了評價(jià)數(shù)據(jù)模型的一致性程度，筆者采用目標(biāo)函數(shù)對計(jì)算結(jié)果的擬合情況進(jìn)行評價(jià)。

該評判函數(shù)常采用平方差函數(shù)或者交叉熵?fù)p失函數(shù)，其計(jì)算公式分別如下：

(8)

(9)

式中：m—輸入小批量值的大??；p—實(shí)際值；q—Softmax輸出的概率值。

此處筆者采用交叉熵?fù)p失函數(shù)。

2.2 故障預(yù)測模型構(gòu)建與算法流程

對采煤機(jī)截割部的齒輪故障進(jìn)行上述分析后可知,在數(shù)據(jù)輸入形式上機(jī)器故障都是一維序列的,幾乎沒有二維結(jié)構(gòu)。因此,一維故障序列的原始數(shù)據(jù)可由一維的卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn),尤其是針對采煤機(jī)中的滾動(dòng)軸承和齒輪等部件的故障分類。

一維卷積神經(jīng)網(wǎng)絡(luò)的示意圖如圖6所示。

圖6 一維卷積神經(jīng)網(wǎng)絡(luò)

筆者依據(jù)采煤機(jī)截割部齒輪的故障特點(diǎn),選用Python軟件的Keras深度學(xué)習(xí)框架,構(gòu)建D-CNN故障預(yù)測模型。該神經(jīng)網(wǎng)絡(luò)模型的組成包括輸入層、一維卷積層3個(gè)、一維池化層3個(gè)、全連接層和輸出層。其中,輸入層采用滑動(dòng)重疊采樣方式,對原始信號進(jìn)行分割擴(kuò)展,得到大量的關(guān)聯(lián)性信號樣本,提升模型訓(xùn)練的準(zhǔn)確率。

對于一維原始信號的最大樣本分割數(shù)量如下:

(10)

一維卷積層為了達(dá)到特征向量降維的目的,采用多個(gè)卷積核對原始數(shù)據(jù)信號進(jìn)行特征提取的,其卷積運(yùn)算的示意圖如圖7所示。

如前所述,池化層的作用就是對卷積層的輸出結(jié)果進(jìn)行降采樣動(dòng)作,采取步長為3、大小為3×1的池化層進(jìn)行運(yùn)算。

最大池化運(yùn)算示意圖如圖8所示。

圖8 最大池化運(yùn)算示意圖

除了上述的必要步驟，為模型進(jìn)行數(shù)據(jù)擬合效果的優(yōu)化，筆者采用dropout優(yōu)化策略，以概率p對部分神經(jīng)元進(jìn)行丟棄，另一部分神經(jīng)元留存的概率為q=1-p。

Dropout策略利用伯努利隨機(jī)變量Xi的概率分布進(jìn)行分析，應(yīng)用于第i個(gè)神經(jīng)元，模型訓(xùn)練后的dropout層神經(jīng)元輸出結(jié)果Oi如下：

(11)

式中：a(d)—dropout的應(yīng)用函數(shù)；Xi—隨機(jī)變量；d—隨機(jī)變量Xi的維度；b—偏置。

該dropout優(yōu)化函數(shù)可以加注在池化層之后,用以避免過擬合現(xiàn)象的發(fā)生,該dropout數(shù)值筆者設(shè)定為0.5。

該故障預(yù)測的算法流程圖如圖9所示。

圖9 D-CNN算法流程圖

筆者首先對模型進(jìn)行數(shù)據(jù)訓(xùn)練,具體分為兩個(gè)步驟:

(1)將80%的數(shù)據(jù)用于訓(xùn)練權(quán)重參數(shù),逐組進(jìn)行模型前向傳播運(yùn)算,不斷更新迭代權(quán)重參數(shù)。輸入的訓(xùn)練數(shù)據(jù)集按照批處理的方式進(jìn)行注入,防止一次性注入,造成局部最優(yōu)解的錯(cuò)誤;

(2)對于剩余20%數(shù)據(jù)集模型,進(jìn)行超參數(shù)訓(xùn)練,利用該訓(xùn)練數(shù)據(jù)對模型進(jìn)行評估,經(jīng)過多次重復(fù)訓(xùn)練后,判斷收斂誤差是否達(dá)到先決條件。如果滿足則完成模型的構(gòu)建;如不滿足,則需要重新調(diào)整超參數(shù),直至輸出最終訓(xùn)練模型。

最終,筆者將訓(xùn)練模型的參數(shù)代入到驗(yàn)證模型中,實(shí)現(xiàn)對故障的預(yù)測和分類。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)選取與模型訓(xùn)練

模型訓(xùn)練的數(shù)據(jù)來源于Case Western Reserve University的齒輪數(shù)據(jù)庫。設(shè)計(jì)數(shù)據(jù)的采樣頻率為12 kHz,樣本負(fù)載分別選取1 hp、2 hp、3 hp,損傷直徑分別選取7 mm、14 mm、21 mm。

實(shí)驗(yàn)數(shù)據(jù)的樣本總量為1 000,樣本長度為1 000,利用上述樣本數(shù)據(jù)擴(kuò)充技術(shù)分割為1 999個(gè)樣本。訓(xùn)練模型包含1 478個(gè)訓(xùn)練集和521個(gè)測試集合。驗(yàn)證集的數(shù)量為400個(gè)。

樣本的具體信息如表2所示。

表2 樣本的組成信息

以上10種不同的滾動(dòng)軸承上的齒輪狀態(tài)對應(yīng)其時(shí)域振動(dòng)信號。

滾動(dòng)軸承振動(dòng)信號圖如圖10所示。

圖10 滾動(dòng)軸承振動(dòng)信號圖

圖10中,不同狀態(tài)的時(shí)域波形圖所對應(yīng)的加速度數(shù)值也差別很大;由前4種的波形圖可以看出,其加速度數(shù)值范圍由于負(fù)載和類型的不同,可以進(jìn)行識別和區(qū)分判斷。

基于Windows安裝環(huán)境下,筆者利用Python3.8軟件中的Keras框架,構(gòu)建基于深度學(xué)習(xí)的故障預(yù)測模型。該模型采用前述的設(shè)計(jì)方法實(shí)現(xiàn),并基于選定的訓(xùn)練集設(shè)定訓(xùn)練100次,完成訓(xùn)練結(jié)果。

訓(xùn)練結(jié)果中的準(zhǔn)確率曲線如圖11所示。

圖11 準(zhǔn)確率曲線

損失值曲線如圖12所示。

圖12 損失值曲線

對比模型訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率與損失值可知:在逐漸趨近100輪附近時(shí),2個(gè)數(shù)值幾乎保持一致,并且波動(dòng)也緩慢減小,損失值幾乎達(dá)到0;反觀其準(zhǔn)確率也逼近1附近。

由此可見,采用D-CNN預(yù)測模型,可以對采煤機(jī)中截割部搖臂中的齒輪故障狀態(tài)進(jìn)行有效的預(yù)測。

3.2 故障分類性能評價(jià)

筆者對某采煤機(jī)截割部搖臂傳動(dòng)系統(tǒng)中的高速區(qū)齒輪的正常狀態(tài)與故障狀態(tài)進(jìn)行振動(dòng)信號的采集,將加速度傳感器安裝在齒輪附近的殼體上,并且與采集儀器相連;利用振動(dòng)采集儀設(shè)置采集頻率為12 kHz,每秒鐘采集12 000個(gè)數(shù)據(jù)點(diǎn)。

給搖臂電機(jī)通電后,筆者調(diào)節(jié)操作臺的加載量按鈕,進(jìn)行搖臂加載實(shí)驗(yàn)。筆者設(shè)置加載量為50%,分別對5種工況下齒輪的振動(dòng)信號進(jìn)行測量,并進(jìn)行記錄和保存,以重疊比0.05的方式,將振動(dòng)信號的樣本分割為2 455個(gè)總樣本,其樣本信息如表3所示。

表3 齒輪樣本的組成信息

根據(jù)上述的樣本數(shù)據(jù)輸入,筆者用SoftMax分類器的輸出狀態(tài)結(jié)果對應(yīng)5種齒輪狀態(tài);并且通過對模型精度的研究和交叉熵?fù)p失函數(shù)的計(jì)算,把該模型訓(xùn)練的學(xué)習(xí)率設(shè)定為0.001。

而在實(shí)驗(yàn)批處理的個(gè)數(shù)選擇上,過大的數(shù)量會(huì)導(dǎo)致局部優(yōu)化缺陷;而過小的數(shù)量又會(huì)增加訓(xùn)練時(shí)間,所以筆者設(shè)置經(jīng)驗(yàn)值為64。

為了對故障分類進(jìn)行性能評價(jià)，筆者引入3個(gè)指標(biāo)，即識別率Acc、精準(zhǔn)率Pre和召回率Recall指標(biāo)。

3個(gè)指標(biāo)的定義如下：

(12)

(13)

(14)

式中：Npre—預(yù)測正確的數(shù)目；Ntotal—總體數(shù)目；TP—模型預(yù)測為正例，實(shí)際值也是正例的數(shù)目；TN—模型預(yù)測為負(fù)例，實(shí)際值也是負(fù)例的數(shù)目；FP—模型預(yù)測為正例，實(shí)際值是負(fù)例的數(shù)目；FN—模型預(yù)測為負(fù)例，實(shí)際值卻是正例的數(shù)目，意味著模型預(yù)測產(chǎn)生錯(cuò)誤；Pre—又稱為查準(zhǔn)率；Recall—又稱為查全率。

通過對上述指標(biāo)的分析,筆者利用D-CNN訓(xùn)練模型對采煤機(jī)截割部搖臂部位的齒輪故障進(jìn)行分類,其故障識別率約為98.71%。其他判斷能力可以從表中進(jìn)行解讀。

歸納出的該模型的分類評判能力,如表4所示。

表4 D-CNN模型故障分類評價(jià)指標(biāo)

98.78%的精準(zhǔn)率和98.88%的召回率都說明,該卷積網(wǎng)絡(luò)預(yù)測模型具有良好的正負(fù)樣本判別和分類能力,不會(huì)出現(xiàn)嚴(yán)重的錯(cuò)誤分類現(xiàn)象。同時(shí),筆者利用Keras框架中t-SNE可視化應(yīng)用,把全連接層特征參數(shù)概率的輸出結(jié)果映射到二維圖像上,以數(shù)字對不同齒輪故障進(jìn)行分類標(biāo)識,可以清楚地看出其不同狀態(tài)的聚合效果。

全連接層的可視化效果如圖13所示。

圖13 全連接層的可視化效果

3.3 模型對比分析評價(jià)

為了對比驗(yàn)證D-CNN模型與其他故障診斷模型的識別性能差異,筆者選取深度神經(jīng)網(wǎng)絡(luò)模型(deep neural networks,DNN)、堆疊式自動(dòng)編碼器模型(stacked auto encoder,SAE)、深度信念網(wǎng)絡(luò)模型(deep belief network,DBN)進(jìn)行對比。[20]

其中,DNN模型的組成包含輸入層、2個(gè)隱含層和輸出層;相應(yīng)地,對應(yīng)該神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)元的個(gè)數(shù)分別設(shè)置為1 024、100、50、10。

對于其模型訓(xùn)練的參數(shù)表如表5所示。

表5 DNN模型訓(xùn)練參數(shù)表

SAE模型由輸入層、3個(gè)隱含層和輸出層所組成,神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的個(gè)數(shù)依次為1 024、512、256、128、10。

其模型的SAE參數(shù)訓(xùn)練表如表6所示。

表6 SAE模型訓(xùn)練參數(shù)表

其模型的DBN參數(shù)訓(xùn)練表如表7所示。

表7 DBN模型訓(xùn)練參數(shù)表

DBN模型由輸入層、2個(gè)隱含層和輸出層組成,其神經(jīng)元個(gè)數(shù)分別為1 024、100、50、10。

筆者構(gòu)建了D-CNN模型的具體訓(xùn)練參數(shù),如表8所示。

表8 D-CNN模型訓(xùn)練參數(shù)表

應(yīng)用上述4種訓(xùn)練模型,其對應(yīng)測試數(shù)據(jù)集的狀態(tài)分布圖,如圖14所示。

圖14 齒輪故障識別分布

由上圖可知:在齒輪故障識別的狀態(tài)上,DNN、DBN和SAE模型均出現(xiàn)了很大的誤判率,其中,DNN模型在故障直徑為7 mm的內(nèi)圈損傷、故障直徑為21 mm的內(nèi)圈損傷和故障直徑為21 mm的外圈損傷判斷中,有很大的錯(cuò)誤識別現(xiàn)象;

同樣地,DBN模型在故障直徑為7 mm的內(nèi)圈損傷、故障直徑為21 mm的外圈損傷狀態(tài)下,也出現(xiàn)了較嚴(yán)重的誤判現(xiàn)象;

而SAE模型在故障直徑為7 mm的內(nèi)圈損傷、故障直徑為14 mm的外圈損傷和故障直徑為21 mm的外圈損傷狀態(tài),存在嚴(yán)重的誤識別;

D-CNN模型可以對故障進(jìn)行準(zhǔn)確判斷,其識別率達(dá)到99%以上。說明該模型針對原始的時(shí)域振動(dòng)數(shù)據(jù)具有更好的識別率。

而且,在同等情況下,其他3個(gè)模型的分類精度與D-CNN模型相比也有所下降。

模型故障分類評價(jià)指標(biāo)的對比,如表9所示。

表9 模型故障分類評價(jià)指標(biāo)表

在對齒輪正常狀態(tài)和故障狀態(tài)進(jìn)行分類時(shí),基于D-CNN的模型的分類精準(zhǔn)率達(dá)到了98.13%。由此可見,與其他模型相比,該模型具備更好的分類性能。

4 結(jié)束語

筆者以采煤機(jī)截割部齒輪作為研究對象,通過卷積神經(jīng)網(wǎng)絡(luò)的方法,設(shè)計(jì)出了基于深度學(xué)習(xí)的齒輪故障預(yù)測模型,并通過實(shí)驗(yàn)方法對D-CNN模型的故障預(yù)測與分類識別能力進(jìn)行了驗(yàn)證。

研究過程及結(jié)果如下:

(1)分析了采煤機(jī)截割部齒輪故障預(yù)測與診斷的國內(nèi)外研究現(xiàn)狀,闡述了采煤機(jī)總體結(jié)構(gòu),歸納了常見的故障類型與故障成因及機(jī)理;

(2)分析了卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),對每類神經(jīng)元進(jìn)行了設(shè)計(jì),從而構(gòu)建出了故障預(yù)測模型,并開發(fā)了故障預(yù)測的算法流程;

(3)該模型通過采用數(shù)據(jù)訓(xùn)練集對齒輪參數(shù)進(jìn)行訓(xùn)練,可以較為準(zhǔn)確地預(yù)測出齒輪的故障狀態(tài)。該模型具備較好的故障分類精準(zhǔn)率和召回率,并可有效預(yù)測齒輪故障。通過與DNN、DBN和SAE模型的識別率和分類性能比較,其他3種模型在齒輪故障識別的狀態(tài)上出現(xiàn)了很大的誤判,而基于D-CNN的模型卻可以準(zhǔn)確地識別故障。

在后續(xù)的研究中,筆者將增加對溫度傳感器采集信息的特征參數(shù)提取,并且關(guān)注故障預(yù)測的多傳感器融合研究,以便挖掘更有效的參數(shù)特征,使故障預(yù)測手段更加高效、準(zhǔn)確。