基于改進(jìn)CNN的旋轉(zhuǎn)設(shè)備轉(zhuǎn)子振動(dòng)故障預(yù)測(cè)仿真

朱廣賀,朱智強(qiáng),袁逸萍

(1. 新疆師范大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院,新疆 烏魯木齊 830000;2. 新疆大學(xué)機(jī)械工程學(xué)院,新疆 烏魯木齊 830000)

1 引言

當(dāng)機(jī)械系統(tǒng)功率較大時(shí),轉(zhuǎn)子需承受巨大的扭矩,若在高溫和激振力作用下,特別容易發(fā)生振動(dòng)故障[1]。振動(dòng)故障出現(xiàn)之前,系統(tǒng)已經(jīng)存在少量異?，F(xiàn)象,各狀態(tài)特征值也會(huì)有所體現(xiàn),但沒(méi)有達(dá)到系統(tǒng)報(bào)警程度,難以觸發(fā)報(bào)警裝置,以至于故障進(jìn)一步發(fā)展,最終損傷設(shè)備[2]。因此,將振動(dòng)當(dāng)作轉(zhuǎn)子安全監(jiān)測(cè)的重要指標(biāo),能夠起到保護(hù)設(shè)備的作用。

基于此,一些學(xué)者通過(guò)振動(dòng)信號(hào)實(shí)現(xiàn)轉(zhuǎn)子故障預(yù)測(cè)。有學(xué)者在故障預(yù)測(cè)中,構(gòu)建轉(zhuǎn)子彎扭耦合振動(dòng)數(shù)學(xué)模型,通過(guò)庫(kù)倫摩擦力模型對(duì)其求解,使用拉格朗日方程建立轉(zhuǎn)子運(yùn)動(dòng)微分方程;分析電流信號(hào)頻譜特征,結(jié)合電流特征預(yù)測(cè)轉(zhuǎn)子故障類型。除此之外,還有學(xué)者對(duì)多振動(dòng)信號(hào)做經(jīng)驗(yàn)小波變換,提取調(diào)幅-調(diào)頻成分,選取相關(guān)系數(shù)較大的模糊熵完成信號(hào)重構(gòu),獲取描述故障狀態(tài)的特征集合;通過(guò)特征屬性約簡(jiǎn)刪除冗余,將約簡(jiǎn)結(jié)果輸入支持向量機(jī)中達(dá)到故障分類預(yù)測(cè)目的。以上方法為檢修人員提供了處理依據(jù),但振動(dòng)信號(hào)有時(shí)會(huì)夾雜大量噪聲,影響特征提取的準(zhǔn)確性,進(jìn)而降低預(yù)測(cè)精度。

為進(jìn)一步提高預(yù)測(cè)效果,本文利用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)方法預(yù)測(cè)轉(zhuǎn)子故障。該網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度低,權(quán)值數(shù)量較少,減少了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)重構(gòu)過(guò)程,且訓(xùn)練出的模型具有很強(qiáng)泛化能力,但是輸出的特征維度較高,計(jì)算量大。為此,本文在每一個(gè)卷積層之后都添加一個(gè)下采樣層[3],使二者交替產(chǎn)生,降低特征維度,更有利于特征分類。利用該方法進(jìn)行故障預(yù)測(cè),既能保障設(shè)備安全,又能減少維修成本,對(duì)機(jī)械系統(tǒng)發(fā)展具有重要意義。

2 轉(zhuǎn)子振動(dòng)信號(hào)采集和特征提取

2.1 信號(hào)采集系統(tǒng)搭建

旋轉(zhuǎn)設(shè)備工作的環(huán)境通常較為復(fù)雜,因此信號(hào)采集系統(tǒng)需具備強(qiáng)大的環(huán)境適應(yīng)性。本文設(shè)計(jì)的采集系統(tǒng)選取TI公司生產(chǎn)的設(shè)備作為采集主控器[4],由輔助電路構(gòu)成,并以Lab VIEW開(kāi)發(fā)平臺(tái)為核心組成采集軟件。下位機(jī)完成信號(hào)采集后,通過(guò)串行通信手段將信號(hào)發(fā)送到上位機(jī),由上位機(jī)負(fù)責(zé)信號(hào)的接收與顯示。整個(gè)采集系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 振動(dòng)信號(hào)采集系統(tǒng)示意圖

利用上述設(shè)計(jì)的采集系統(tǒng)可實(shí)現(xiàn)轉(zhuǎn)子振動(dòng)信號(hào)采集,但是當(dāng)受到環(huán)境干擾時(shí),信號(hào)中會(huì)存在噪聲,影響振動(dòng)信號(hào)分析?；诖?信號(hào)濾波顯得十分必要。

2.2 基于小波閾值去噪的信號(hào)預(yù)處理

小波閾值去噪[5]即為在小波分解過(guò)程中,利用有用信號(hào)系數(shù)高、噪聲信號(hào)系數(shù)低的特點(diǎn)達(dá)到信號(hào)分解目的。所以設(shè)置合理的閾值,將低于閾值的系數(shù)設(shè)置為0,高于閾值的則保留,再通過(guò)逆變換形式實(shí)現(xiàn)信號(hào)重構(gòu)。具體步驟如下:

步驟一:根據(jù)實(shí)際采集信號(hào)情況,設(shè)立合理的小波基和分解層數(shù)j,對(duì)初始信號(hào)s(i)做j級(jí)小波分解;

步驟二:對(duì)于經(jīng)過(guò)分解的高頻系數(shù),通過(guò)設(shè)定閾值量化處理,保持低頻系數(shù)始終不變,閾值確定公式如下

(1)

為最大程度保留振動(dòng)信號(hào)初始特征,利用下述閾值函數(shù)[6]量化公式完成量化處理

(2)

步驟三:對(duì)處理后的高頻系數(shù)與低頻系數(shù)利用下述公式作重構(gòu)處理

cj-1,n=cj,nhk-2n+dj,n

(3)

式中,h和d分別代表高、低頻系數(shù)。經(jīng)過(guò)上述處理后,獲得小波重構(gòu)后的信號(hào),此信號(hào)與原始信號(hào)相比,噪聲有效減少,更有利于振動(dòng)信號(hào)特征提取。

2.3 振動(dòng)信號(hào)特征提取

通過(guò)振動(dòng)信號(hào)實(shí)現(xiàn)轉(zhuǎn)子故障預(yù)測(cè),信號(hào)特征提取是極為關(guān)鍵的步驟。轉(zhuǎn)子在不同運(yùn)行狀態(tài)下的振動(dòng)信號(hào)特征存在顯著差異,因此各頻帶包含的能量也不同,結(jié)合頻帶能量提取故障特征的步驟如下:

1)確定小波包基[7],對(duì)信號(hào)做3層小波包分解,獲取8個(gè)頻率下的信號(hào)特性;

2)計(jì)算所有頻帶的能量總和,假設(shè)X3j(j=0,1,…,7)表示每個(gè)頻帶重構(gòu)后的信號(hào),與其相對(duì)的能量描述為E3(j=0,1,…,7)。因此有

(4)

式中,xjk為重構(gòu)信號(hào)X3j的離散點(diǎn)幅值。

3)建立歸一化特征矢量,分別令

T=[E30,E31,E32,E33,E34,E35,E36,E37]

(5)

(6)

則經(jīng)過(guò)歸一化處理的能量特征表示為

(7)

利用上述過(guò)程即可完成轉(zhuǎn)子不同運(yùn)行狀態(tài)下的特征提取,將這些特征作為CNN網(wǎng)絡(luò)的訓(xùn)練依據(jù),輸入到網(wǎng)絡(luò)中。

3 基于改進(jìn)CNN的轉(zhuǎn)子振動(dòng)故障預(yù)測(cè)

3.1 CNN網(wǎng)絡(luò)建立

CNN作為具有多層結(jié)構(gòu)的網(wǎng)絡(luò),主要由卷積層、下采樣層以及全連接層構(gòu)成。其實(shí)質(zhì)就是利用神經(jīng)元權(quán)值共享形式[8],降低參數(shù)多樣性,使網(wǎng)絡(luò)更加簡(jiǎn)便,提升執(zhí)行效率。

1)輸入層:將初始樣本數(shù)據(jù)輸入到網(wǎng)絡(luò)中,便于卷積層的特征學(xué)習(xí),并對(duì)輸入數(shù)據(jù)做預(yù)處理,保證數(shù)據(jù)更加符合網(wǎng)絡(luò)訓(xùn)練要求。

2)卷積層:通過(guò)濾波器對(duì)上一層的輸入特征卷積運(yùn)算,并添加偏置頂,使用非線性函數(shù)獲得卷積層最終輸出。

卷積層的輸出表示為

(8)

(9)

所有輸出均與上層鄰近神經(jīng)元相連接,通過(guò)此種連接方式可以訓(xùn)練出樣本的特征,減少參數(shù)連接,進(jìn)而改善學(xué)習(xí)效率。

3)下采樣層:在該層內(nèi),通過(guò)下采樣函數(shù)池化處理輸出特征,再對(duì)處理后的特征進(jìn)行加權(quán)和偏置計(jì)算,獲取下采樣層輸出

(10)

(11)

式中,β代表權(quán)重系數(shù),down(·)是下采樣函數(shù)。

上述權(quán)重共享過(guò)程雖然降低了預(yù)測(cè)計(jì)算復(fù)雜度,但特征維數(shù)非常大,容易發(fā)生過(guò)擬合情況。因此,本文對(duì)其進(jìn)行改進(jìn),使所有卷積層后面都具備一個(gè)下采樣層,降低特征維數(shù)。

4)全連接層:將所有二維特征變換為一維特征,作為全連接層的輸出,利用加權(quán)求和的方式得到該層輸出

χl=f(ul)

(12)

ul=ω′lχl-1+Bl

(13)

5)輸出層:主要工作是分類和識(shí)別CNN模型獲得的特征矢量,輸出結(jié)果。

3.2 網(wǎng)絡(luò)訓(xùn)練方式

使用反向傳播方法訓(xùn)練CNN網(wǎng)絡(luò)參數(shù),涉及的優(yōu)化參數(shù)包括卷積核參數(shù)W、卷積層和全連接層中的權(quán)重系數(shù)β、ω′,以及偏置值B。假設(shè)網(wǎng)絡(luò)真實(shí)輸出表示為O=[o1,o2,…,oc]和理想輸出Y=[y1,y2,…,yc],運(yùn)算兩者之差E和每層靈敏度[9]

(14)

(15)

式中,δ為傳遞誤差[10]。

通過(guò)網(wǎng)絡(luò)參數(shù)更新[11],保證輸出值與理想值更加接近

(16)

式中,η表示最優(yōu)學(xué)習(xí)速率[12]。

3.3 預(yù)測(cè)過(guò)程實(shí)現(xiàn)

利用上述構(gòu)建的CNN模型,將預(yù)處理后的振動(dòng)信號(hào)作為模型輸入,經(jīng)過(guò)模型訓(xùn)練獲得最終預(yù)測(cè)結(jié)果的具體步驟描述為:

步驟一:采集N轉(zhuǎn)子振動(dòng)信號(hào)χ1(t),χ2(t),…,χN(t),添加信號(hào)類別標(biāo)簽[13]T1,T2,…,TN;

步驟二:確定網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù);

步驟三:選擇模型中學(xué)習(xí)率、訓(xùn)練次數(shù)等模型參數(shù),同時(shí)根據(jù)理想值不斷優(yōu)化參數(shù);

步驟四:通過(guò)反向誤差傳播方式訓(xùn)練網(wǎng)絡(luò)[14],更新網(wǎng)絡(luò)參數(shù);

步驟五:運(yùn)算診斷誤差[15]ε,若該值滿足要求,繼續(xù)執(zhí)行下一步,反之回到步驟三;

步驟六:儲(chǔ)存訓(xùn)練結(jié)束的參數(shù),再將新的預(yù)測(cè)樣本輸入到模型中,直至樣本全部預(yù)測(cè)完成,輸出最終預(yù)測(cè)結(jié)果。

4 仿真數(shù)據(jù)分析與研究

實(shí)驗(yàn)將1.5千瓦的電動(dòng)機(jī)當(dāng)作仿真目標(biāo),電機(jī)轉(zhuǎn)速為1800r/min,軸承類型為雙列滾子軸承,且在軸承上安裝加速傳感器采集振動(dòng)信號(hào),傳感器安裝位置如圖2所示。實(shí)驗(yàn)過(guò)程中,通過(guò)在轉(zhuǎn)子上擰入不同重量的鋼條來(lái)獲取不同程度下的振動(dòng)信號(hào)。

圖2 傳感器位置示意圖

圖3 不平衡故障振動(dòng)波形

圖4 不對(duì)中故障振動(dòng)波形

圖5 動(dòng)靜碰摩故障振動(dòng)波形圖

為了準(zhǔn)確采集不同故障類型的振動(dòng)信號(hào),需要模擬轉(zhuǎn)子所有故障產(chǎn)生的條件。故障類型包括不平衡、不對(duì)中和動(dòng)靜摩擦三種。其中,不平衡是因灰塵較多,部件掉落引起轉(zhuǎn)子質(zhì)量分布不均,如果轉(zhuǎn)子生成離心力,則會(huì)形成不平衡故障;在不對(duì)中故障模擬過(guò)程中,變換偏心軸距,使轉(zhuǎn)子與電機(jī)的轉(zhuǎn)軸中心不在同一條直線上;仿真動(dòng)靜摩擦故障時(shí),需要將碰摩螺釘和轉(zhuǎn)軸相互摩擦,生成摩擦力。按照以上方式,利用本文提出的振動(dòng)信號(hào)采集和預(yù)處理方法,獲取不同故障下的振動(dòng)信號(hào),如圖3-5所示。

由圖3-5所示,原始故障波形由于噪聲影響,基本上看不出波形變化趨勢(shì),經(jīng)過(guò)小波閾值去噪后,不同故障波形走勢(shì)十分清晰,僅在極少部分峰值處存在一些噪聲,但并不影響故障波形判斷。因此,證明了所提振動(dòng)信號(hào)采集和預(yù)處理算法獲得的不同故障波形差異顯著,有利于特征提取,將這些特征輸入到神經(jīng)網(wǎng)絡(luò)模型中,會(huì)獲得更好的故障預(yù)測(cè)結(jié)果。

提取故障波形后,需要將這些特征代入到算法中。為了探究算法對(duì)不同特征的聚類情況,對(duì)比本文方法、電流特征預(yù)測(cè)算法和支持向量機(jī)算法的實(shí)驗(yàn)結(jié)果,得到的結(jié)果如圖6所示。

圖6 不同算法故障特征值聚類情況

圖6中,正方形、圓形、三角形與星形分別表示轉(zhuǎn)子的正常、不平衡、不對(duì)中以及動(dòng)靜碰摩故障特征向量。由此能夠看出,電流特征預(yù)測(cè)算法雖然大體上能夠區(qū)分不同故障特征,但是特征與特征之間類別差距不大,而且會(huì)出現(xiàn)特征錯(cuò)誤聚類現(xiàn)象;支持向量機(jī)方法可以保證聚類的正確性,但類內(nèi)差異較大;所提方法更有利于分類,確保了類間差異最大,類內(nèi)差異最小,更加方便神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)轉(zhuǎn)子故障狀態(tài)。不同算法對(duì)于轉(zhuǎn)子四種運(yùn)行狀態(tài)的預(yù)測(cè)情況如表1所示。

表1 轉(zhuǎn)子振動(dòng)故障預(yù)測(cè)結(jié)果表

分析表1可知,在八組仿真中,本文方法表現(xiàn)出很好的預(yù)測(cè)效果,預(yù)測(cè)結(jié)果與實(shí)際故障均吻合。由故障特征模型圖可知,不平衡和動(dòng)靜碰摩的波形較為相似,其中不平衡的波形有規(guī)律可循,而動(dòng)靜碰摩波形是隨機(jī)的,沒(méi)有規(guī)律。其它方法在預(yù)測(cè)這兩種故障時(shí)均出現(xiàn)失誤現(xiàn)象。而本文方法由于特征提取效果較好,容易區(qū)分各類故障特征,因此預(yù)測(cè)結(jié)果準(zhǔn)確。

5 結(jié)論

本文研究了一種基于改進(jìn)NCC的旋轉(zhuǎn)設(shè)備轉(zhuǎn)子振動(dòng)故障預(yù)測(cè)算法。利用振動(dòng)信號(hào)采集系統(tǒng)獲取轉(zhuǎn)子振動(dòng)信息,經(jīng)過(guò)預(yù)處理提取信號(hào)特征,將特征輸入到構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)模型中,經(jīng)過(guò)訓(xùn)練減少誤差,最終輸出預(yù)測(cè)結(jié)果。仿真結(jié)果證明,所提算法對(duì)于故障特征有很好的聚類效果,因此更有利于故障類型預(yù)測(cè)。但是神經(jīng)網(wǎng)絡(luò)模型中各參數(shù)選擇和樣本確定仍沒(méi)有統(tǒng)一標(biāo)準(zhǔn),需通過(guò)大量實(shí)驗(yàn)獲取,如何通過(guò)自適應(yīng)方式設(shè)定網(wǎng)絡(luò)參數(shù)是需要進(jìn)一步研究的話題。