基于油液-振動(dòng)多維特征與PSO-LSTM的齒輪箱磨損狀態(tài)監(jiān)測(cè)*

郭向陽(yáng) 王建國(guó) 范 斌 張 超 于 航

(1.內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院 內(nèi)蒙古包頭 014010；2.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院 內(nèi)蒙古呼和浩特 010018)

齒輪箱是機(jī)械傳動(dòng)系統(tǒng)的關(guān)鍵部件，其健康狀態(tài)直接影響整個(gè)機(jī)械系統(tǒng)的性能。其中，齒輪箱中的齒輪極易發(fā)生磨損，齒輪的健康狀態(tài)直接影響齒輪箱的運(yùn)行情況[1]。所以，在齒輪箱工作過(guò)程中對(duì)齒輪進(jìn)行磨損狀態(tài)監(jiān)測(cè)具有重要意義。目前齒輪箱磨損狀態(tài)監(jiān)測(cè)技術(shù)有振動(dòng)監(jiān)測(cè)、油液監(jiān)測(cè)和超聲監(jiān)測(cè)等，其中振動(dòng)監(jiān)測(cè)和油液監(jiān)測(cè)是目前齒輪箱磨損狀態(tài)監(jiān)測(cè)的主要技術(shù)手段[2]。振動(dòng)監(jiān)測(cè)技術(shù)是通過(guò)在齒輪箱上安裝振動(dòng)傳感器采集原始振動(dòng)信號(hào)，目前比較常用的方法有時(shí)域分析法、頻域分析法。近年來(lái)，許多學(xué)者通過(guò)時(shí)域頻域特征融合[3]、提取原始振動(dòng)信號(hào)的圖譜特征[4]以及多傳感器數(shù)據(jù)融合[5]等方法大大提高了齒輪箱磨損狀態(tài)監(jiān)測(cè)能力。油液監(jiān)測(cè)技術(shù)是對(duì)機(jī)器的潤(rùn)滑劑的理化特性和攜帶的磨粒進(jìn)行分析，獲得機(jī)器的潤(rùn)滑與磨損狀態(tài)信息，從而對(duì)機(jī)器進(jìn)行故障預(yù)測(cè)，確定故障類(lèi)型[6]。機(jī)器磨損會(huì)產(chǎn)生磨粒，磨粒帶有大量表征機(jī)器狀態(tài)的信息。經(jīng)過(guò)多年發(fā)展，目前基于電磁、超聲、光學(xué)等技術(shù)研發(fā)的磨粒監(jiān)測(cè)傳感器在監(jiān)測(cè)磨粒濃度、個(gè)數(shù)以及具體形貌等方面已經(jīng)取得了良好的效果，在很多領(lǐng)域已經(jīng)實(shí)現(xiàn)了應(yīng)用[7]。

近年來(lái)，隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)技術(shù)應(yīng)用在鐵譜圖像識(shí)別上可以很好地對(duì)磨粒進(jìn)行定性和定量分析[8]。振動(dòng)監(jiān)測(cè)在齒輪裂紋識(shí)別方面效果較好，但是無(wú)法有效監(jiān)測(cè)到齒面的微點(diǎn)蝕。而通過(guò)監(jiān)測(cè)潤(rùn)滑油液中的磨粒濃度、磨粒個(gè)數(shù)等特征信息可以有效地反映齒輪箱摩擦副的磨損程度，但是無(wú)法及時(shí)地識(shí)別到齒輪裂紋?？梢?jiàn)單一的監(jiān)測(cè)技術(shù)很難準(zhǔn)確、全面地反映設(shè)備狀態(tài)，而將振動(dòng)監(jiān)測(cè)和油液監(jiān)測(cè)相結(jié)合有利于更加全面地反映齒輪箱的運(yùn)行狀態(tài)[9]。

齒輪箱在運(yùn)行過(guò)程中各個(gè)部件間存在關(guān)聯(lián)耦合現(xiàn)象，所以產(chǎn)生的振動(dòng)和油液數(shù)據(jù)具有非線性的特點(diǎn)，同時(shí)振動(dòng)和油液數(shù)據(jù)是時(shí)間序列數(shù)據(jù)，其當(dāng)前時(shí)刻的數(shù)據(jù)與歷史時(shí)刻的數(shù)據(jù)具有時(shí)間關(guān)聯(lián)性[10]。WANG等[11]使用深度神經(jīng)網(wǎng)絡(luò)(DNN)對(duì)齒輪箱狀態(tài)進(jìn)行了預(yù)測(cè)，但是該模型不能很好地挖掘數(shù)據(jù)間的時(shí)間關(guān)聯(lián)性。張龍等人[12]使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對(duì)齒輪箱狀態(tài)進(jìn)行了預(yù)測(cè)，一定程度上提高了齒輪箱故障診斷精度，但是RNN存在梯度消失和爆炸問(wèn)題。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)是一種基于時(shí)間序列的神經(jīng)網(wǎng)絡(luò)，并且擁有非線性層，能夠充分挖掘時(shí)序數(shù)據(jù)的深層信息以提高狀態(tài)監(jiān)測(cè)的性能，同時(shí)也解決了RNN的梯度消失和爆炸問(wèn)題[13]。何群等人[14]使用油溫監(jiān)測(cè)LSTM模型對(duì)齒輪箱進(jìn)行故障預(yù)測(cè)，表現(xiàn)出很好的預(yù)測(cè)性，但是模型的參數(shù)取值多靠研究人員的經(jīng)驗(yàn)。粒子群優(yōu)化算法(PSO)是一種從隨機(jī)解出發(fā)，通過(guò)迭代不斷地尋找當(dāng)前最優(yōu)值來(lái)求得全局最優(yōu)解，該算法具有速度快、精度高的優(yōu)點(diǎn)，適用于神經(jīng)網(wǎng)絡(luò)模型的參數(shù)尋優(yōu)[15]。

為此，本文作者提出了基于油液-振動(dòng)多維特征與粒子群優(yōu)化算法-長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(PSO-LSTM)的齒輪箱磨損狀態(tài)監(jiān)測(cè)算法；對(duì)鐵譜圖像進(jìn)行預(yù)處理，提取磨粒濃度特征、磨粒個(gè)數(shù)特征，對(duì)振動(dòng)信號(hào)進(jìn)行小波閾值去噪，并提取時(shí)域特征，得到油液振動(dòng)十四維特征作為L(zhǎng)STM模型的輸入；采用粒子群優(yōu)化算法對(duì)LSTM模型進(jìn)行參數(shù)尋優(yōu)，利用采集的齒輪箱全壽命實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)和對(duì)比。

1 算法設(shè)計(jì)

算法流程如圖1所示。具體步驟為：(1)將鐵譜圖像進(jìn)行預(yù)處理操作，并提取磨粒濃度特征以及磨粒個(gè)數(shù)特征；(2)將振動(dòng)數(shù)據(jù)進(jìn)行小波閾值去噪，并提取時(shí)域特征；(3)將上述特征組成油液振動(dòng)十四維特征，并進(jìn)行歸一化處理；(4)將LSTM模型的隱藏神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率設(shè)置為尋優(yōu)參數(shù)，初始化粒子群，當(dāng)達(dá)到最大迭代次數(shù)時(shí)停止迭代更新，確定學(xué)習(xí)率和隱藏神經(jīng)元個(gè)數(shù)；(5)使用最優(yōu)參數(shù)的LSTM模型完成齒輪箱的磨損狀態(tài)預(yù)測(cè)。

圖1 算法流程

2 算法實(shí)現(xiàn)

2.1 油液特征提取

2.1.1 鐵譜圖像預(yù)處理

首先，需要對(duì)鐵譜圖像進(jìn)行預(yù)處理。如圖2(a)所示，對(duì)鐵譜圖像進(jìn)行灰度化，并采用中心為5的8領(lǐng)域拉普拉斯算子進(jìn)行磨粒圖像增強(qiáng)，使磨粒圖像更加清晰，增大磨粒與氣泡的灰度反差，同時(shí)突出微小磨粒的細(xì)節(jié)信息。如圖2(b)所示，使用最大類(lèi)間方差算法(Otsu算法)進(jìn)行磨粒分割，得到鐵譜二值化圖像，以便進(jìn)行特征提取[16]。

圖2 鐵譜圖像預(yù)處理

2.1.2 磨粒濃度特征提取

計(jì)算磨粒濃度指標(biāo)即磨粒覆蓋面積指數(shù)(IPCA)，計(jì)算二值化鐵譜圖像中灰度值為0的像素點(diǎn)個(gè)數(shù)，記為W，與二值化鐵譜圖像中的總像素點(diǎn)個(gè)數(shù)X×Y作比，如公式(1)所示，即為磨粒濃度。該指標(biāo)可以反映齒輪箱的磨損狀態(tài)[17]。

(1)

式中：W為灰度值為0的像素點(diǎn)的個(gè)數(shù)；X為二值化鐵譜圖片的高度，單位為像素；Y為二值化鐵譜圖片的寬度，單位為像素。

2.1.3 磨粒個(gè)數(shù)特征提取

使用opencv中的cv2.findContours函數(shù)進(jìn)行磨粒邊緣檢測(cè)提取磨粒輪廓，然后使用cv2.contour-Area函數(shù)進(jìn)行磨粒輪廓面積計(jì)算，文中將面積大于45小于100的磨粒定義為小型磨粒，將面積大于100小于200的磨粒定義為中型磨粒，將面積大于200的磨粒定義為大型磨粒，統(tǒng)計(jì)每張鐵譜圖像三類(lèi)磨粒個(gè)數(shù)，如圖3所示。

圖3 磨粒個(gè)數(shù)標(biāo)注

2.2 振動(dòng)特征提取

2.2.1 小波閾值去噪

由于外部環(huán)境以及人為原因，振動(dòng)加速度傳感器采集的原始信號(hào)存在許多噪聲，這樣很難提取到有效的特征，所以在進(jìn)行特征提取前需要進(jìn)行去噪處理。小波閾值去噪克服了短時(shí)傅里葉變換窗口大小不隨時(shí)間變化，滑動(dòng)平均濾波算法丟失較多信息等缺點(diǎn)，可以有效減少齒輪箱振動(dòng)加速度信號(hào)中的噪聲[18]。小波閾值去噪分為3個(gè)步驟：(1)選定一個(gè)小波基函數(shù)對(duì)振動(dòng)加速度信號(hào)進(jìn)行N層分解計(jì)算，分解后得到多個(gè)小波系數(shù)；(2)將多個(gè)小波系數(shù)中的高頻系數(shù)視為噪聲，并對(duì)其進(jìn)行閾值收縮處理；(3)將低頻系數(shù)和經(jīng)過(guò)閾值收縮處理的高頻系數(shù)進(jìn)行小波重構(gòu)。Db小波基函數(shù)對(duì)齒輪箱振動(dòng)信號(hào)去噪具有較好的效果[19]，文中采用Db14小波基，分解層數(shù)為3層，采用自適應(yīng)閾值，閾值公式如公式(2)所示。

(2)

式中：cD1為第一層分解的高頻系數(shù)；A為振動(dòng)信號(hào)長(zhǎng)度；N為分解層數(shù)。

閾值函數(shù)的選取直接影響去噪信號(hào)的連續(xù)性以及與原始信號(hào)的相似度，是去噪的關(guān)鍵所在[20]。閾值函數(shù)常用的有軟閾值函數(shù)、硬閾值函數(shù)、軟硬閾值折衷函數(shù)。如公式(3)所示。

(3)

式中：ω為小波系數(shù)；λ為閾值，n=0時(shí)為硬閾值函數(shù)，n=1時(shí)為軟閾值函數(shù)，0

為了比較不同閾值函數(shù)的去噪效果，使用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行去噪測(cè)試，使用信噪比(SNR)和均方根誤差(RMSE)進(jìn)行去噪效果評(píng)價(jià)，如公式(4)和公式(5)所示。

(4)

(5)

式中：X2(i)表示去噪后的信號(hào)；Y2(i)表示原始振動(dòng)加速度信號(hào)；Nr表示采樣點(diǎn)數(shù)。

結(jié)果如表1所示。

表1 去噪效果評(píng)價(jià)

SNR的值與去噪效果成正比，RMSE的值與去噪效果成反比。可以得出，去噪效果最好的是硬閾值函數(shù)，其去噪效果如圖4所示。

圖4 振動(dòng)信號(hào)去噪前后對(duì)比

2.2.2 時(shí)域特征提取

對(duì)濾波后的振動(dòng)加速度時(shí)間序列提取10種常用的時(shí)域特征，定義時(shí)域特征向量

T1=[ρ1ρ2ρ3…ρ10]

(6)

式中：ρ1…ρ10分別為有量綱特征，包括均值、峰值、均方根值、方根幅值、峭度、偏斜度，無(wú)量綱特征包括波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)[21]。

2.2.3 特征歸一化

將時(shí)域特征、磨粒濃度特征、磨粒個(gè)數(shù)特征組合得到14維特征向量T=[ρ1ρ2ρ3…ρ14]，同時(shí)進(jìn)行歸一化處理，如公式(7)所示

(7)

式中：x表示特征向量中的任意特征；xmax是特征向量中的最大值；xmin是特征向量中的最小值。

2.3 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

LSTM的單元結(jié)構(gòu)如圖5所示。LSTM主要包括了3個(gè)門(mén)結(jié)構(gòu)，遺忘門(mén)ft作用于細(xì)胞狀態(tài)，將細(xì)胞狀態(tài)中的信息選擇性遺忘。輸入門(mén)it作用于細(xì)胞狀態(tài)，將新信息選擇性地記錄到細(xì)胞狀態(tài)中。輸出門(mén)ot作用于隱層狀態(tài)ht，決定輸出什么信息[13]。LSTM神經(jīng)單元內(nèi)的數(shù)據(jù)傳遞計(jì)算方式如公式(8)所示。

圖5 LSTM單元結(jié)構(gòu)

(8)

式中：W表示權(quán)重；b表示偏置量。

2.4 粒子群優(yōu)化算法

(9)

式中：w表示慣性權(quán)重；c1、c2為慣性因子；r1和r2的取值范圍為[0，1]。

3 實(shí)驗(yàn)分析與討論

3.1 數(shù)據(jù)集準(zhǔn)備

使用圖6所示的齒輪加速磨損試驗(yàn)臺(tái)進(jìn)行齒輪箱全壽命周期加速故障實(shí)驗(yàn)。實(shí)驗(yàn)總共進(jìn)行200 h，期間通過(guò)工業(yè)內(nèi)窺鏡觀察齒輪磨損情況，將0～70 h定義為正常磨損階段，70～110 h定義為輕微磨損階段，110～160 h定義為異常磨損階段，160～200 h定義為嚴(yán)重磨損階段。將采集的原始振動(dòng)加速度數(shù)據(jù)和鐵譜圖像進(jìn)行特征提取，并根據(jù)監(jiān)測(cè)時(shí)間組成油液振動(dòng)十四維特征數(shù)據(jù)，按照磨損階段劃分打上四類(lèi)標(biāo)簽，隨后進(jìn)行歸一化處理，制作了2 146組數(shù)據(jù)。將數(shù)據(jù)集按照5∶1的比例分為訓(xùn)練集和測(cè)試集。

3.2 PSO-LSTM模型參數(shù)設(shè)置

PSO-LSTM模型的初始化參數(shù)設(shè)置如表2所示，文中所使用的LSTM由1個(gè)輸入層、1個(gè)LSTM層、1個(gè)全連接層、1個(gè)Dropout層、1個(gè)softmax層和1個(gè)分類(lèi)層組成。待優(yōu)化的學(xué)習(xí)率的范圍為[0.01，0.09]，隱藏神經(jīng)元個(gè)數(shù)的范圍為[20，100]。

表2 PSO-LSTM參數(shù)設(shè)置

3.3 對(duì)比分析

將油液振動(dòng)十四維特征數(shù)據(jù)分別輸入自定義學(xué)習(xí)率為0.07、隱藏神經(jīng)元個(gè)數(shù)為15的LSTM模型和學(xué)習(xí)率、隱藏神經(jīng)元個(gè)數(shù)自適應(yīng)優(yōu)化的PSO-LSTM模型中進(jìn)行訓(xùn)練以及預(yù)測(cè)，得出最優(yōu)學(xué)習(xí)率為0.05、最優(yōu)隱藏神經(jīng)元個(gè)數(shù)為25。對(duì)比LSTM模型和PSO-LSTM模型的識(shí)別準(zhǔn)確率如表3所示。

表3 優(yōu)化前后模型準(zhǔn)確率對(duì)比

通過(guò)對(duì)比可以看出，PSO-LSTM模型對(duì)于油液振動(dòng)十四維特征數(shù)據(jù)的識(shí)別準(zhǔn)確率全面優(yōu)于未經(jīng)優(yōu)化的LSTM模型。與未優(yōu)化前的LSTM模型相比，PSO-LSTM模型總體識(shí)別率提高4%。

為了對(duì)比不同特征維度下PSO-LSTM模型的識(shí)別準(zhǔn)確率，使用時(shí)域特征組成的振動(dòng)十維特征數(shù)據(jù)，磨粒濃度特征、磨粒個(gè)數(shù)特征組成的油液四維特征數(shù)據(jù)，時(shí)域特征、磨粒濃度特征和磨粒個(gè)數(shù)特征組成的油液振動(dòng)十四維特征數(shù)據(jù)分別輸入PSO-LSTM模型進(jìn)行訓(xùn)練以及預(yù)測(cè)，其準(zhǔn)確率如表4所示，并輸出最優(yōu)參數(shù)。

表4 不同特征下PSO-LSTM模型準(zhǔn)確率對(duì)比

通過(guò)對(duì)比可以看出，使用油液振動(dòng)十四維特征相比于振動(dòng)十維特征和油液四維特征在正常磨損階段、輕微磨損階段、異常磨損階段，嚴(yán)重磨損階段的準(zhǔn)確率都有提升，并且總體準(zhǔn)確率分別提升了27.8%和22.2%。

4 結(jié)論

提出了基于油液-振動(dòng)多維特征與PSO-LSTM的齒輪箱磨損狀態(tài)監(jiān)測(cè)算法。以齒輪箱全壽命實(shí)驗(yàn)的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析，結(jié)果表明：使用油液振動(dòng)十四維特征的PSO-LSTM模型的總體準(zhǔn)確率要優(yōu)于單獨(dú)使用振動(dòng)和油液特征的PSO-LSTM模型；同時(shí)，PSO-LSTM模型對(duì)于油液振動(dòng)十四維特征數(shù)據(jù)的識(shí)別準(zhǔn)確率全面優(yōu)于未經(jīng)優(yōu)化的LSTM模型。