基于小波變換和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷

杜菲，馬天兵，胡偉康，呂英輝，彭猛

（1. 安徽理工大學(xué) 深部煤礦采動(dòng)響應(yīng)與災(zāi)害防控國(guó)家重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001；2. 安徽理工大學(xué) 機(jī)械工程學(xué)院，安徽 淮南 232001）

0 引言

立井提升系統(tǒng)是煤礦礦井的咽喉，在提升系統(tǒng)中，罐道和罐耳共同構(gòu)成導(dǎo)向裝置，導(dǎo)向裝置是提升系統(tǒng)健康運(yùn)行的重要保障。當(dāng)剛性罐道存在缺陷時(shí)，會(huì)導(dǎo)致提升容器受到?jīng)_擊振動(dòng)。因此，及時(shí)診斷剛性罐道潛存的故障，是保障煤礦安全高效生產(chǎn)、降低安全事故風(fēng)險(xiǎn)、減少生產(chǎn)成本的重要前提之一。

目前，研究人員根據(jù)采集的提升容器在振動(dòng)沖擊下的信號(hào)，提出了多種剛性罐道故障診斷方法。文獻(xiàn)[1]針對(duì)提升容器的故障響應(yīng)，利用尺度平均小波能量百分比表征罐道缺陷相關(guān)頻率上的能量隨提升過程的變化，從而削弱了隨機(jī)噪聲的干擾；通過Tukey控制圖法自適應(yīng)地設(shè)定健康監(jiān)測(cè)閾值，消除了工況變化對(duì)檢測(cè)效果的影響，實(shí)現(xiàn)了不同工況下罐道缺陷的有效檢測(cè)。文獻(xiàn)[2]針對(duì)現(xiàn)有剛性罐道故障診斷方法不能消除環(huán)境因素影響 、接頭故障識(shí)別率較低等問題，提出了基于小波包和BP神經(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷方法。運(yùn)用小波包分解對(duì)采集的信號(hào)進(jìn)行能量分析并提取缺陷特征參數(shù)，將缺陷特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，選取新的測(cè)試樣本檢測(cè)神經(jīng)網(wǎng)絡(luò)的診斷效果。上述研究提出的機(jī)器學(xué)習(xí)方法雖然可以實(shí)現(xiàn)對(duì)缺陷的識(shí)別，但是僅適用于小樣本的數(shù)據(jù)集。

文獻(xiàn)[3]將經(jīng)驗(yàn)?zāi)B(tài)分解與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)了對(duì)剛性罐道缺陷的診斷，但是研究的工況較單一。文獻(xiàn)[4]提出采用CMOS+FPGA+ARM架構(gòu)的剛性罐道圖像采集處理和識(shí)別方案，解決了系統(tǒng)容量、運(yùn)算能力和嵌入式軟核性能不足的缺點(diǎn)，但存在圖像采集效果受光線、振動(dòng)影響較大的問題。上述研究成果雖成功將大樣本數(shù)據(jù)集融入到剛性罐道故障診斷中，但忽略了實(shí)際工作環(huán)境中的多工況背景。

卷積神經(jīng)網(wǎng)絡(luò)[5-8]是一種特殊的多層感知器或前饋神經(jīng)網(wǎng)絡(luò)，其不僅適用于變工況下的故障診斷，且診斷準(zhǔn)確率很高。文獻(xiàn)[9]提出了一種新的深度卷積神經(jīng)網(wǎng)絡(luò)及其在變工況滾動(dòng)軸承故障診斷方法，對(duì)滾動(dòng)軸承故障進(jìn)行識(shí)別，取得了優(yōu)異的診斷效果，但是模型的計(jì)算量和內(nèi)存負(fù)擔(dān)非常大，當(dāng)?shù)螖?shù)達(dá)到一定次數(shù)后極易產(chǎn)生過擬合現(xiàn)象。

針對(duì)上述問題，本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，提出了一種基于小波變換和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的剛性罐道缺陷診斷方法。小波變換[10-11]將一維振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像能夠直觀顯示信號(hào)在不同頻段上的能量分布信息，可對(duì)多工況背景下的剛性罐道進(jìn)行有效特征提取。通過改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)解決缺陷診斷中的過擬合問題，降低運(yùn)算量。

1 剛性罐道缺陷診斷過程

基于小波變換和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的剛性罐道缺陷診斷過程如圖1所示。首先，分別在剛性罐道上設(shè)置錯(cuò)位缺陷、間隙缺陷和無缺陷3種狀態(tài)，通過變換負(fù)載、速度的方式模擬多工況，通過改變間隙長(zhǎng)度、錯(cuò)位高度模擬多缺陷種類，并采集提升容器振動(dòng)加速度信號(hào)作為實(shí)驗(yàn)數(shù)據(jù)。其次，利用小波變換將采集的振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像，打上對(duì)應(yīng)的標(biāo)簽后按比例設(shè)置訓(xùn)練集、測(cè)試集和驗(yàn)證集。然后，將模型深度拓展至5層卷積層，局部增加批標(biāo)準(zhǔn)化（Batch Normalization，BN）層和Dropout層，利用小尺寸卷積核、長(zhǎng)步幅的卷積層局部代替池化層，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型。最后，利用驗(yàn)證集對(duì)網(wǎng)絡(luò)模型的診斷效果進(jìn)行驗(yàn)證。

圖1 基于小波變換和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的剛性罐道缺陷診斷過程Fig. 1 Fault diagnosis process of rigid guide based on wavelet transform and improved convolutional neural network

2 小波變換

2.1 振動(dòng)加速度信號(hào)采集與選取

剛性罐道作為立井提升系統(tǒng)重要組成部分，現(xiàn)場(chǎng)采集罐道數(shù)據(jù)會(huì)耽誤煤礦正常的生產(chǎn)任務(wù)，且存在安全隱患，因此，需要搭建立井提升系統(tǒng)實(shí)驗(yàn)臺(tái)（圖2）模擬不同罐道故障下提升容器振動(dòng)響應(yīng)。在剛性罐道上設(shè)置高度為5 mm的錯(cuò)位缺陷、長(zhǎng)度為10 mm的間隙缺陷。利用三方向加速度傳感器、四通道數(shù)據(jù)采集儀、DSPA V11數(shù)據(jù)采集軟件實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)采集。

圖2 提升系統(tǒng)實(shí)驗(yàn)臺(tái)Fig. 2 Hoisting system test bench

提升容器的頂部和底部均安裝有滾輪罐耳，當(dāng)滾輪罐耳經(jīng)過罐道缺陷時(shí)會(huì)受到?jīng)_擊激勵(lì)，提升容器會(huì)產(chǎn)生水平方向的振動(dòng)響應(yīng)。將三方向加速度傳感器安裝于罐籠頂部中間位置，采樣頻率為1 024 Hz，提升速度為0.15 m/s。采集2種缺陷時(shí)振動(dòng)加速度信號(hào)，如圖3、圖4所示。

圖3 錯(cuò)位缺陷時(shí)振動(dòng)加速度信號(hào)Fig. 3 Acceleration signal of vibration during dislocation defect

圖4 間隙缺陷時(shí)振動(dòng)加速度信號(hào)Fig. 4 Acceleration signal of vibration during gap defect shock

由圖3可看出，在0～0.5 s時(shí)滾輪罐耳在剛性罐道上平穩(wěn)運(yùn)行；在0.5～0.6 s時(shí)滾輪罐耳接觸到剛性罐道錯(cuò)位缺陷處的臺(tái)階部位，受到迎輪沖擊，導(dǎo)致提升容器發(fā)生水平方向的振動(dòng)，提升系統(tǒng)的加速度發(fā)生變化；0.6 s之后滾輪罐耳離開剛性罐道并且爬過錯(cuò)位，因錯(cuò)位缺陷處產(chǎn)生的沖擊能量在滾輪罐耳的運(yùn)行中耗散，呈阻尼衰減現(xiàn)象直至平穩(wěn)。y方向振動(dòng)加速度特征較x方向振動(dòng)加速度特征更明顯，故選取y方向振動(dòng)加速度信號(hào)作為錯(cuò)位缺陷信號(hào)進(jìn)行分析。

由圖4可看出，在0～0.4 s時(shí)滾輪罐耳未接觸間隙缺陷，在剛性罐道上平穩(wěn)運(yùn)行；在0.4 s左右滾輪罐耳接觸到間隙缺陷的下端，此時(shí)滾輪罐耳作用于剛性罐道的壓力開始減??；在0.55 s左右滾輪罐耳接觸到間隙缺陷的上端，滾輪罐耳與剛性罐道發(fā)生撞擊，且剛性罐道對(duì)滾輪罐耳施加壓力；0.55 s之后沖擊振動(dòng)呈阻尼衰減，并且彈簧重新被壓縮。x方向振動(dòng)加速度特征較y方向振動(dòng)加速度特征更明顯，故選取x方向振動(dòng)加速度信號(hào)作為間隙缺陷信號(hào)進(jìn)行分析。

2.2 小波基函數(shù)選取與二維時(shí)頻圖像生成

采 用 Haar、Daubechies、Symlets和 Complex Morlet（簡(jiǎn)稱cmor） 等4種小波基函數(shù)對(duì)錯(cuò)位缺陷和間隙缺陷的振動(dòng)加速度信號(hào)進(jìn)行時(shí)頻分析[12]，小波變換的尺度序列長(zhǎng)度設(shè)置為 512。錯(cuò)位缺陷、間隙缺陷時(shí)振動(dòng)加速度信號(hào)二維時(shí)頻圖像如圖5、圖6所示。

圖5 錯(cuò)位缺陷振動(dòng)加速度信號(hào)二維時(shí)頻圖像Fig. 5 Two-dimensional time-frequency image of dislocation defect vibration acceleration signal

由圖5可看出，錯(cuò)位缺陷時(shí)振動(dòng)加速度信號(hào)均在0.5 s前后受到?jīng)_擊激勵(lì)，使得加速度的方向和大小在0.5 s左右發(fā)生突變，隨后呈阻尼衰減，沖擊激勵(lì)頻率為400～500 Hz。由圖6可看出，間隙缺陷時(shí)振動(dòng)加速度信號(hào)均在0.4～0.6 s發(fā)生加速度方向與幅值的變化。由圖5和圖6還可看出 ，利用cmor小波基函數(shù)進(jìn)行小波變換的時(shí)頻圖像具備最佳的時(shí)間和頻率分辨率。

圖6 間隙缺陷時(shí)振動(dòng)加速度信號(hào)二維時(shí)頻圖像Fig. 6 Two-dimensional time-frequency image of gap defect vibration acceleration signal

小波中心頻率和帶寬是衡量時(shí)間和頻率分辨率的標(biāo)準(zhǔn)，通過試湊法調(diào)整小波中心頻率，發(fā)現(xiàn)當(dāng)錯(cuò)位缺陷、間隙缺陷、無缺陷時(shí)振動(dòng)加速度信號(hào)分別采用cmor3-3，cmor3-1，cmor3-2小波基函數(shù)時(shí)，二維時(shí)頻圖像的時(shí)間和頻率分辨率綜合效果最優(yōu)，同時(shí)能夠表現(xiàn)出較好的細(xì)小噪聲消除效果。

3 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)

根據(jù)實(shí)際需求，對(duì)利用卷積神經(jīng)網(wǎng)絡(luò)剛性罐道的錯(cuò)位缺陷、間隙缺陷和無缺陷3種模式進(jìn)行識(shí)別。參照文獻(xiàn)[11]進(jìn)行網(wǎng)絡(luò)參數(shù)設(shè)置，隨著卷積層數(shù)增加，模型對(duì)于剛性罐道故障診斷的準(zhǔn)確率逐漸上升，但當(dāng)改進(jìn)卷積層數(shù)超過5時(shí)，輸出圖像像素小于卷積核尺寸，故卷積層數(shù)最大設(shè)置為5。為保證看到的圖像信息更多，獲得更好的全局特征，設(shè)卷積核尺寸為5，數(shù)量分別為16，32，64，32，64，卷積步長(zhǎng)為1，圖像邊界填充為2。

卷積神經(jīng)網(wǎng)絡(luò)中應(yīng)用尺寸大的卷積核會(huì)導(dǎo)致計(jì)算量增大，不利于模型深度的增加，計(jì)算性能也會(huì)降低，極易產(chǎn)生過擬合問題。因此利用卷積核尺寸為3、卷積步長(zhǎng)為2、圖像邊界填充為1的小尺度卷積層替換第2，3，4層池化層，以改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7所示，其中，s為卷積核步長(zhǎng)，p為圖像邊緣增加的邊界像素層數(shù)。

圖7 改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig. 7 Improved convolutional neural network model structure

保留第1層池化層，可有效剔除大部分非代表性特征信息。保留第5層池化層，能夠較大程度地減少參數(shù)，避免參數(shù)量太大減緩計(jì)算速度，同時(shí)減少過擬合風(fēng)險(xiǎn)。將第2，3，4層池化層替換為小尺度卷積層，對(duì)圖像像素特征進(jìn)行提取與降維。池化層中的池化單元（池化單元尺寸為2×2，步幅為2，邊界填充為1）使用最大池化函數(shù)，降低信息冗余和過擬合。改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)選取ReLU函數(shù)為激活函數(shù)，選擇Adam優(yōu)化算法作為模型的優(yōu)化器，設(shè)置BN層和Dropout層，防止過擬合和提高模型泛化能力。最后，輸出層使用Softmax作為分類器。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)集

根據(jù)MT 5010-1995《煤礦安裝工程質(zhì)量檢驗(yàn)評(píng)定標(biāo)準(zhǔn)》中罐道安裝規(guī)定，設(shè)置剛性罐道錯(cuò)位缺陷的高度分別為5，8，10，12 mm，間隙缺陷的長(zhǎng)度分別為5，8，10，15 mm，設(shè)置提升容器負(fù)載質(zhì)量分別為0，4，6，8 kg。根據(jù)《煤礦安全規(guī)程》中規(guī)定，提升容器的運(yùn)行速度≤ 0.5（提升系統(tǒng)實(shí)驗(yàn)臺(tái)高度H=3 m），計(jì)算得到提升容器的最高運(yùn)行速度為0.87 m/s，實(shí)驗(yàn)中設(shè)置提升容器的最低速度為0.15 m/s，最高速度為0.65 m/s，通過調(diào)節(jié)變頻器頻率，將提升容器的運(yùn)行速度劃分為11級(jí)，每級(jí)遞增0.05 m/s，每種運(yùn)行速度下采集10組信號(hào)數(shù)據(jù)。

采集錯(cuò)位缺陷、間隙缺陷和無缺陷時(shí)振動(dòng)加速度信號(hào)數(shù)據(jù)各1 760組，其中有效數(shù)據(jù)1 690組，將數(shù)據(jù)轉(zhuǎn)換為二維時(shí)頻圖像，圖像尺寸為224×224。將數(shù)據(jù)集按照8∶2劃分，即訓(xùn)練集包含4 056張圖像，測(cè)試集包含1 014張圖像。在多種隨機(jī)模式下采集錯(cuò)位缺陷、間隙缺陷和無缺陷時(shí)振動(dòng)加速度數(shù)據(jù)各100組作為驗(yàn)證集，即驗(yàn)證集包含300張圖像。

4.2 實(shí)驗(yàn)驗(yàn)證

將訓(xùn)練集和測(cè)試集輸入至搭建好的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)間隙缺陷、錯(cuò)位缺陷和無缺陷標(biāo)簽分別為0，1，2，批尺寸為24，學(xué)習(xí)率為0.000 01，訓(xùn)練輪次為20，改進(jìn)神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率如圖8所示?？煽闯龈倪M(jìn)模型經(jīng)過訓(xùn)練后，在訓(xùn)練集上的平均準(zhǔn)確率達(dá)99%左右，在測(cè)試集上的平均準(zhǔn)確率達(dá)99.5%，說明改進(jìn)模型可信度高。

圖8 改進(jìn)神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率Fig. 8 Accuracy rates of improved convolutional neural network model

為進(jìn)一步展示模型訓(xùn)練過程的學(xué)習(xí)效果，設(shè)訓(xùn)練步數(shù)為500，改進(jìn)模型的準(zhǔn)確率與損失函數(shù)值變化趨勢(shì)如圖9所示?？煽闯霎?dāng)數(shù)據(jù)訓(xùn)練至200步后，模型的準(zhǔn)確率達(dá)99%以上，模型的損失函數(shù)值趨近于0，說明模型收斂性能較好，模型的泛化能力得到了增強(qiáng)，在學(xué)習(xí)過程中對(duì)于過擬合的抑制效果明顯。

圖9 改進(jìn)神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率與損失函數(shù)值變化趨勢(shì)Fig. 9 Accuracy and loss function values change trend of improved convolutional neural network model

利用驗(yàn)證集的數(shù)據(jù)對(duì)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，將驗(yàn)證集輸入訓(xùn)練過的模型并生成預(yù)測(cè)結(jié)果的混淆矩陣，如圖10所示?？煽闯鲩g隙缺陷和錯(cuò)位缺陷識(shí)別準(zhǔn)確率為100%，無缺陷識(shí)別準(zhǔn)確率為92%。這是因?yàn)樵贛T 5010-1995中規(guī)定，當(dāng)剛性罐道間隙不大于4 mm時(shí)，仍劃分為無缺陷剛性罐道，所以在實(shí)際分類過程中，容易將間隙較大的無缺陷剛性罐道診斷為間隙缺陷。說明通過小波變換結(jié)合改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型能夠很好地對(duì)剛性罐道故障進(jìn)行診斷。

圖10 驗(yàn)證集結(jié)果預(yù)測(cè)混淆矩陣Fig. 10 Validation set result prediction confusion matrix

選取平均準(zhǔn)確率作為衡量指標(biāo)，對(duì)比EMD（Empirical Mode Decommposition，經(jīng)驗(yàn)?zāi)B(tài)分解）-SVD（Singular Value Decomposition，奇異值分解）-SVM（Support Vector Machine，支持向量機(jī)）[13]、小波包-SVM[14]、EMD-SVD-BP神經(jīng)網(wǎng)絡(luò)[15]、小波包-BP神經(jīng)網(wǎng)絡(luò)[15]和本文方法對(duì)剛性罐道故障診斷的準(zhǔn)確率。EMD-SVD-SVM方法中初始向量為IMF1-IMF5（固有模 態(tài)函數(shù)），SVM采用RBF為 核函數(shù)，svmtrain函數(shù)中懲罰函數(shù)的范圍為[2-10, 210]，參數(shù)取值范圍為[2-10, 210]，交叉驗(yàn)證參數(shù)取3；小波包-SVM方法利用db2小波基分解到8個(gè)頻段，采樣頻率為1 024 Hz，分析頻率為512 Hz，分別計(jì)算出3種缺陷時(shí)振動(dòng)加速度不同頻段的能量并作為特征向量；EMD-SVD-BP神經(jīng)網(wǎng)絡(luò)方法中輸入層和輸出層節(jié)點(diǎn)數(shù)分別為4和3，隱藏層數(shù)為5；小波包-BP神經(jīng)網(wǎng)絡(luò)方法中輸入層節(jié)點(diǎn)數(shù)為8，隱藏層數(shù)為5，BP神經(jīng)網(wǎng)絡(luò)隱含層傳遞函數(shù)選擇tansing函數(shù)，輸出層傳遞函數(shù)選擇purelin函數(shù)，訓(xùn)練函數(shù)選擇Levenberg Martquardt函數(shù)，學(xué)習(xí)率為0.1。不同方法下缺陷診斷結(jié)果如圖11所示。

圖11 不同方法下缺陷診斷識(shí)別準(zhǔn)確率Fig. 11 Average of defect diagnosis identification under different methods

由圖11可看出，EMD-SVD-SVM準(zhǔn)確率為86.67%，小波包-SVM準(zhǔn)確率為83.33%，EMD-SVDBP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率為92.75%，小波包-BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率為82.88%，本文方法準(zhǔn)確率為99%，說明本文方法在剛性罐道缺陷診斷方面較傳統(tǒng)的故障診斷方法存在明顯優(yōu)勢(shì)。

5 結(jié)論

（1） 利用小波變換將采集的振動(dòng)加速度信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像，采用試湊法最終確定cmor小波基函數(shù)處理后的二維時(shí)頻圖像的時(shí)間和頻率分辨率最佳。

（2） 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)過訓(xùn)練后，在訓(xùn)練集上的平均準(zhǔn)確率為99%左右，在測(cè)試集上的平均準(zhǔn)確率為99.5%，說明改進(jìn)模型可信度高。

（3） 當(dāng)數(shù)據(jù)訓(xùn)練至200步后，改進(jìn)模型的準(zhǔn)確率達(dá)99%以上，模型的損失函數(shù)值趨近于0，說明模型收斂性能較好，模型的泛化能力得到了增強(qiáng)，在學(xué)習(xí)過程中對(duì)于過擬合的抑制效果明顯，改進(jìn)后的模型可信度高。

（4） 在驗(yàn)證集混淆矩陣上，間隙缺陷和錯(cuò)位缺陷識(shí)別準(zhǔn)確率為100%，無缺陷識(shí)別準(zhǔn)確率為92%。說明通過小波變換結(jié)合改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型能夠很好地對(duì)剛性罐道的故障進(jìn)行診斷。

（5） 基于小波變換和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷方法在剛性罐道缺陷診斷與預(yù)測(cè)方面較傳統(tǒng)的故障診斷方法存在明顯優(yōu)勢(shì)，準(zhǔn)確率達(dá)99%。