基于深度SSD改進(jìn)模型的傳動(dòng)設(shè)備狀態(tài)在線監(jiān)測研究

王宜忺，周大可

(1.國營蕪湖機(jī)械廠，安徽 蕪湖 241000；2.南京航空航天大學(xué) 自動(dòng)化學(xué)院，南京 211100)

0 引言

傳動(dòng)設(shè)備是機(jī)械系統(tǒng)重要組成部分之一，作為核心零部件傳統(tǒng)設(shè)備在精密加工、航空航天、船舶制造、汽車制造等領(lǐng)域，有著十分廣泛的應(yīng)用。傳動(dòng)設(shè)備的工作狀態(tài)不僅會(huì)影響到機(jī)械系統(tǒng)的工作效率、工作穩(wěn)定性和動(dòng)能損失，還涉及到安全生產(chǎn)問題。隨著機(jī)械系統(tǒng)精密化程度的不斷提升，對傳動(dòng)設(shè)備控制精度、工作強(qiáng)度及可靠性等，都提出了更高的要求。傳動(dòng)設(shè)備的安全性與可靠性在很大程度上取決于日常維護(hù)保養(yǎng)及實(shí)施有效的在線監(jiān)控，尤其是對于一些服役時(shí)間較長及使用強(qiáng)度較大的傳動(dòng)設(shè)備，應(yīng)實(shí)施嚴(yán)格的在線監(jiān)控，通過采集到的數(shù)據(jù)指標(biāo)判定傳統(tǒng)設(shè)備的工作狀態(tài)[1]，及預(yù)判其使用壽命[2]。傳動(dòng)設(shè)備的在線監(jiān)控過程，主要包括原始信號采集，信號處理，在線故障分析判別和故障點(diǎn)定位和分類識別等。故障信號處理和信號分析，是傳動(dòng)設(shè)備在線監(jiān)控的關(guān)鍵，從現(xiàn)有的研究成果來看，主要從對原始信號特征的特征提取[3]，特征參數(shù)分析及狀態(tài)識別等角度展開研究[4]。

文獻(xiàn)[5]提出一種基于FFT(Fast Fourier Transform，快速傅里葉變換)特征信號提取與分析算法，利用傳感器采集傳動(dòng)設(shè)備的工作信號，再融合細(xì)化譜和小波變換識別出原始故障集中的異常特征，進(jìn)而對傳統(tǒng)設(shè)備的運(yùn)行狀態(tài)做出判斷。但FFT算法最大的缺點(diǎn)是延時(shí)，在多幀運(yùn)算環(huán)境下由于信號的重疊幀較大，直接影響到算法的識別精度。此外，F(xiàn)FT算法的實(shí)現(xiàn)復(fù)雜度較高，當(dāng)獲取到的故障數(shù)據(jù)集規(guī)模較大時(shí)受數(shù)據(jù)規(guī)模和長度的限制，同樣會(huì)影響到算法的工作效率；文獻(xiàn)[6]設(shè)計(jì)一種經(jīng)過改進(jìn)的SVM模型，算法先利用小波包提取故障集特征，適用于多種故障并存情況下故障定位、分類和檢測。改進(jìn)SVM模型的優(yōu)勢是能夠在小樣本環(huán)境下，相對準(zhǔn)確地實(shí)現(xiàn)對多故障類型的分類，由于模型中引入了不同類型的核函數(shù)，在高維映射條件下不會(huì)使故障判斷中出現(xiàn)維數(shù)災(zāi)難；但SVM模型在處理多種故障問題時(shí)的效率明顯降低，在應(yīng)對大規(guī)模數(shù)據(jù)集時(shí)也存在故障分類與診斷精度降低的情況。文獻(xiàn)[7]提出一種基于模糊理論模型的故障在線檢測算法。模糊算法模型為復(fù)雜數(shù)據(jù)樣本集條件下的傳動(dòng)設(shè)備在線監(jiān)測，提供了另一種思路，該算法具有較強(qiáng)的靈活性，容錯(cuò)性高，通過模糊規(guī)模調(diào)整和隸屬度函數(shù)的選擇而靈活地處理和應(yīng)對不同情況下設(shè)備狀態(tài)問題。同時(shí)，通過模糊評價(jià)得出的結(jié)果也較為直觀，有助于對最終結(jié)果的判斷；但模糊算法模型也有其自身的缺點(diǎn)，例如將采集到的原始數(shù)據(jù)進(jìn)行模糊處理，會(huì)限制最終的檢測結(jié)果精度，即使在模糊處理后進(jìn)行反模糊化，也無法還原到最佳水平。

隨著神經(jīng)網(wǎng)絡(luò)算法的不斷發(fā)展和進(jìn)步，深度神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為主流[8]，并開始在故障檢測領(lǐng)域應(yīng)用。尤其是在非監(jiān)督環(huán)境下，可以通過構(gòu)成多層深度網(wǎng)絡(luò)結(jié)構(gòu)顯著提升模式的故障數(shù)據(jù)訓(xùn)練能力。深度結(jié)構(gòu)的優(yōu)勢是使用較少的參數(shù)來表示復(fù)雜的函數(shù)，模型運(yùn)算能力得到顯著提升的同時(shí)，對于故障點(diǎn)的識別精度同樣能夠得到保證。較為常用和訓(xùn)練能力較強(qiáng)的深度網(wǎng)絡(luò)模型包括卷積神經(jīng)網(wǎng)絡(luò)[9]、遞歸神經(jīng)網(wǎng)絡(luò)[10]、生成對抗神經(jīng)網(wǎng)絡(luò)[11]，YOLO模型[12]，深度置信網(wǎng)絡(luò)[13]等。本文針對傳統(tǒng)設(shè)備故障診斷的特征提出一種改進(jìn)的SSD模型(Single Shot Detector，單激發(fā)多框檢測)，SSD是一種優(yōu)秀的目標(biāo)檢測算法，與深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)相比，其計(jì)算性能和提取多尺度故障特征的能力更強(qiáng)，與YOLO相比其在計(jì)算速度和MAP(平均精度)方面的優(yōu)勢更加明顯。但經(jīng)典的SSD模型容易受到噪聲干擾，尤其在利用高層特征層進(jìn)行故障檢測時(shí)往往由于信息量過少而降低故障檢測精度；為此本文引入了注意力機(jī)制模塊和特征增強(qiáng)模塊，提升SSD網(wǎng)絡(luò)的表達(dá)能力，也有助于改善算法的檢測精度和總體性能。

1 傳感器信號的采集調(diào)制與包絡(luò)分析

針對傳動(dòng)設(shè)備故障信號的采集，可以根據(jù)策略參數(shù)要求選擇不同類型的傳感器，選用傳感器時(shí)主要考慮傳感器的靈敏度、線性范圍及頻率響應(yīng)等。故障信號的處理過程如圖1所示。

圖1 傳動(dòng)設(shè)備故障信號的處理過程

采集到的故障信號中包含系統(tǒng)噪聲和環(huán)境噪聲，會(huì)后續(xù)故障信號特征提取和視頻分析構(gòu)成不利影響，因此要對采集到的信號做濾波處理[14]。根據(jù)香農(nóng)采樣定理可知[15]，故障信號的采樣頻率要至少高于時(shí)頻分析頻率2倍以上才能確保分析效果。原始信號濾波調(diào)制包括幅值調(diào)制和頻率調(diào)制兩個(gè)部分：首先，幅值調(diào)制就是信號卷積使高頻時(shí)域信號低頻信號周期的脈沖變化。調(diào)制中將兩個(gè)信號在時(shí)域上相乘，通過改變幅值達(dá)到抑制噪聲的目標(biāo)；其次，頻率調(diào)制能夠使采集到的原始信號轉(zhuǎn)換成變頻信號，提升信號的穩(wěn)定性同時(shí)也能夠達(dá)到抑制噪聲的目的。共振信號解調(diào)[16]是一種包絡(luò)頻譜分析方法，當(dāng)傳動(dòng)系統(tǒng)元件受到損傷時(shí)，高速旋轉(zhuǎn)中的固有振動(dòng)會(huì)產(chǎn)生巨大沖擊，并混雜系統(tǒng)噪聲和環(huán)境噪聲。帶通低頻濾波器對信號包絡(luò)頻譜進(jìn)行檢測，并通過剝離共振信號能夠診斷出包絡(luò)頻譜的異常情況。

時(shí)頻分析時(shí)最常見和最有效的原始信號分析方法之一[17]，傳統(tǒng)設(shè)備故障信號具有明顯的波形特征，通過觀察信號的時(shí)域波形可以識別出設(shè)備是否存在異常。當(dāng)傳動(dòng)設(shè)備的零部件發(fā)生局部損傷或存在缺陷時(shí)，信號的調(diào)制波形會(huì)出現(xiàn)異常，本文基于包絡(luò)譜分析判定傳動(dòng)設(shè)備信號是否存在異常，設(shè)實(shí)時(shí)采集到的原始故障信號為s(t)，對該信號進(jìn)行希爾伯特變換[18]：

(1)

(2)

其中：h(t)對應(yīng)的幅值信號為g(t)，原始信號s(t)為幅值信號的包絡(luò)譜：

(3)

幅值信號g(t)由于經(jīng)過了幅值調(diào)制和變換，相當(dāng)于對原始信號進(jìn)行了預(yù)處理和噪聲濾除，可以作為故障數(shù)據(jù)分析模型的輸入項(xiàng)。根據(jù)信號的頻率、幅值、包絡(luò)譜等差異，能夠識別出傳動(dòng)設(shè)備的常見故障，如點(diǎn)蝕、磨損、偏磨等。將振動(dòng)信號圖像化處理能夠更直觀地觀測出故障點(diǎn)位置和故障類別，在故障信號的采集周期內(nèi)，基于信號的相位點(diǎn)和序列特征判斷故障數(shù)據(jù)與時(shí)間t的函數(shù)關(guān)系。

對傳感器提取到的信號進(jìn)行短時(shí)傅里葉變換，得到相位和振動(dòng)之間的對應(yīng)頻譜，分別以信號的頻率值、時(shí)間t和振動(dòng)信號的幅值作為圖像的橫坐標(biāo)、縱坐標(biāo)和像素點(diǎn)，得到對應(yīng)的振動(dòng)圖像，實(shí)現(xiàn)了從振動(dòng)信號到振動(dòng)圖像的轉(zhuǎn)換?；趫D像故障識別的優(yōu)勢在于更直觀地提取故障特征，并可以對故障特征向量進(jìn)行降維處理[19]，能夠處理相對規(guī)模較大的故障數(shù)據(jù)集。故障數(shù)據(jù)集中第i個(gè)復(fù)合故障信號h(t)i對應(yīng)的故障圖像中的像素點(diǎn)為(xi，yi)。

2 深度SSD網(wǎng)絡(luò)構(gòu)建及模型的改進(jìn)

2.1 SSD網(wǎng)絡(luò)構(gòu)建

SSD是一種單階段檢測模型，可以對采集到的故障數(shù)據(jù)做卷積操作，并提取原始故障數(shù)據(jù)特征。無論是圖像數(shù)據(jù)還是原始故障信號，SSD網(wǎng)絡(luò)模型都能夠省略重采樣環(huán)節(jié)，縮短故障檢測的時(shí)間。在模型卷積核的選擇方面，SSD網(wǎng)絡(luò)模型采用了較小的金字塔型結(jié)構(gòu)的卷積核，能夠縮短數(shù)據(jù)訓(xùn)練的時(shí)間和提高對故障數(shù)據(jù)定位與檢測的精度，SSD網(wǎng)絡(luò)適合處理圖像數(shù)據(jù)，因此可以將故障信號轉(zhuǎn)換為不同分辨率的圖像數(shù)據(jù)。SSD網(wǎng)絡(luò)從結(jié)構(gòu)上分為基礎(chǔ)卷積部分、輔助卷積部分和預(yù)測層，如圖2所示。

圖2 SSD網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

在基礎(chǔ)卷積部分采用了VGG-16對輸入數(shù)據(jù)進(jìn)行處理，SSD與傳統(tǒng)卷積網(wǎng)絡(luò)相比去掉了分類層的結(jié)構(gòu)，使網(wǎng)絡(luò)結(jié)構(gòu)更加簡潔高效，VGG-16的基礎(chǔ)功能與深度卷積網(wǎng)絡(luò)模型類似。根據(jù)輸入數(shù)據(jù)集的規(guī)模和復(fù)雜程度可以適度調(diào)整VGG-16結(jié)構(gòu)的復(fù)雜度，具體包括了卷積層、池化層，并選擇適合的激活函數(shù)調(diào)整整個(gè)網(wǎng)絡(luò)的參數(shù)體系和結(jié)構(gòu)設(shè)計(jì)；而與傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比，SSD增加了CONV-6，CONV-7，CONV-8，CONV-9等4個(gè)卷積層替代了傳統(tǒng)復(fù)雜的隱含層和神經(jīng)元連接結(jié)構(gòu)[20]。卷積層在數(shù)據(jù)訓(xùn)練能力方面超過了傳統(tǒng)深度網(wǎng)絡(luò)的神經(jīng)元結(jié)構(gòu)，同時(shí)結(jié)構(gòu)設(shè)計(jì)更加簡潔。輔助部分是在傳統(tǒng)卷積層結(jié)構(gòu)基礎(chǔ)上增加的特殊結(jié)構(gòu)，如CONV-10和CONV-11，輔助結(jié)構(gòu)提升了模型的數(shù)據(jù)訓(xùn)練性能，同時(shí)能夠按照數(shù)據(jù)集規(guī)模大小或圖像尺寸大小排序，提高SSD網(wǎng)絡(luò)的適用性。

2.2 模型的改進(jìn)

SSD網(wǎng)絡(luò)卷積核結(jié)構(gòu)采用了類似于金字塔式的結(jié)構(gòu)設(shè)計(jì)，符合原始故障數(shù)據(jù)集特征提取的規(guī)律，對于每個(gè)卷積層都采用了L2級的正則化處理模式，一方面通過正則化提升對不同特征的權(quán)值賦值；另一方面正則化有助于提升置信度計(jì)算的精度，同時(shí)提升對設(shè)備故障點(diǎn)定位的準(zhǔn)確性。在針對傳動(dòng)設(shè)備的目標(biāo)檢測中，經(jīng)典SSD算法在檢測效果上有一定程度改善，但算法效率較低，尤其在故障數(shù)據(jù)集規(guī)模較大時(shí)較低的檢測效率無法滿足在線檢測的要求，為此本文對經(jīng)典SSD網(wǎng)絡(luò)模型的性能進(jìn)行改進(jìn)，從兩個(gè)維度進(jìn)行優(yōu)化和改進(jìn)：其一是引入注意力機(jī)制模塊提升網(wǎng)絡(luò)數(shù)據(jù)訓(xùn)練的性能。注意力機(jī)制模塊本質(zhì)上是一種信息共享模塊，在對故障數(shù)據(jù)訓(xùn)練過程中避免了數(shù)據(jù)特征出現(xiàn)冗余，可以實(shí)現(xiàn)對數(shù)據(jù)的降維處理，進(jìn)而提升和改進(jìn)的網(wǎng)絡(luò)模型性能；其二時(shí)引入特征增強(qiáng)模塊，突顯出更多的故障細(xì)節(jié)。

首先，引入注意力機(jī)制模塊，卷積核的大小為k表示故障數(shù)據(jù)訓(xùn)練中信息共享的范圍(即參與通道注意力預(yù)測臨近數(shù)據(jù)個(gè)體的數(shù)量)，因此在卷積核大小為k的條件下，用wk表示SSD網(wǎng)絡(luò)模型的通道注意力機(jī)制：

(4)

在wk中共包含了k×n個(gè)參數(shù)，注意力機(jī)制中第j項(xiàng)權(quán)重ωj與主體之間的關(guān)系表示如下：

(5)

其中：κ為注意力機(jī)制的控制參數(shù)，取值范圍在0～1之間，wk與權(quán)重的關(guān)系還可以表示如下：

wk=κ(Ck(ωj))

(6)

其中：C表示為模型的一維卷積，注意力機(jī)制模塊能夠在指定區(qū)域內(nèi)實(shí)現(xiàn)信息的交互和共享，當(dāng)故障數(shù)據(jù)集內(nèi)部的數(shù)據(jù)量累計(jì)到一定程度時(shí)，維數(shù)較小的通道和周圍相近的一維卷積表現(xiàn)為一種線性關(guān)系：

C=ζ(ω)+b

(7)

ζ表示線性函數(shù)的斜率，當(dāng)一維卷積C的數(shù)值為一個(gè)確定值時(shí)，SSD卷積核k的計(jì)算過程如下：

(8)

其次，引入特征增強(qiáng)模塊，提升改進(jìn)SSD網(wǎng)絡(luò)模塊對小故障目標(biāo)及微弱特征的提取能力。特征增強(qiáng)的思路是在基礎(chǔ)卷積層進(jìn)行空洞卷積操作，形成特征增強(qiáng)模塊同時(shí)還可以提高SSD網(wǎng)絡(luò)模型原有各個(gè)模塊的運(yùn)算效率。將CONV4_3的卷積層進(jìn)行特征融合并形成底層特征圖，分別利用1×3和3×1卷積做特征二次提取，基于1×1卷積提升SSD網(wǎng)絡(luò)模型的訓(xùn)練性能，及基于3×3卷積結(jié)構(gòu)增強(qiáng)視野范圍，同時(shí)改善經(jīng)典SSD網(wǎng)絡(luò)模型的數(shù)據(jù)訓(xùn)練效率，特征增強(qiáng)模塊的示意圖，如圖3所示。

圖3 特征增強(qiáng)模塊的示意圖

從兩個(gè)維度對經(jīng)典SSD網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，盡管從一定程度上增加的模型的復(fù)雜度，但注意力機(jī)制模塊的引入增強(qiáng)了區(qū)域內(nèi)部信息的共享程度，有助于提高網(wǎng)絡(luò)模型的效率；而引入特征增強(qiáng)模塊在沒有改變分類網(wǎng)絡(luò)結(jié)構(gòu)和增加回歸復(fù)雜的前提下，增加了4個(gè)BN層有效控制了模型參數(shù)復(fù)雜度，并提升了經(jīng)典SSD網(wǎng)絡(luò)特征融合的能力。改進(jìn)后的結(jié)構(gòu)設(shè)計(jì)，如圖4所示。

圖4 改進(jìn)后的SSD模型結(jié)構(gòu)設(shè)計(jì)

3 傳動(dòng)設(shè)備狀態(tài)的在線監(jiān)測

基于改進(jìn)SSD模型的傳動(dòng)設(shè)備在線檢測過程，包括多尺度特征融合與上采樣，特征金字塔結(jié)構(gòu)的改進(jìn)與先驗(yàn)框的匹配，及損失函數(shù)選擇等5個(gè)步驟：

1)傳感器信號多尺度特征融合。

2)特征層的上采樣。

3)特征金字塔結(jié)構(gòu)的改進(jìn)。

4)特征圖先驗(yàn)框比例分析。

5)損失函數(shù)的確定

3.1 多尺度特征融合與過采樣

對SSD模型中特征層進(jìn)行多尺度融合可以提高網(wǎng)絡(luò)的表達(dá)能力和算力，尤其在輸入特征故障集規(guī)模較大的條件下，能夠改善模型在線檢測的準(zhǔn)確率和效率。模型特征融合的方法有相加方法和通道拼合兩種方法，由于簡單相加容易導(dǎo)致特征層中出現(xiàn)過多冗余的信息，故本文選擇了通道拼合方法。拼合指將長寬尺寸相同但包含通道數(shù)量不同的特征層進(jìn)行融合，由于特征層長寬值沒有改變，即使在融合時(shí)也不會(huì)改變特征層內(nèi)的原始故障數(shù)據(jù)規(guī)模，還可以保留原始數(shù)據(jù)集內(nèi)的全部信息。在拼合后，特征層的信息容量增大，算力增強(qiáng)，能夠應(yīng)對更大規(guī)模的故障數(shù)據(jù)集。但在特征層多尺度融合后，通道數(shù)據(jù)增加容易導(dǎo)致特征融合出現(xiàn)冗余現(xiàn)象，在針對SSD模型的改進(jìn)中由于引入注意力機(jī)制模塊，可以實(shí)現(xiàn)對冗余的消除和對高維特征降維處理?；谕ǖ榔春线M(jìn)行多尺度特征融合，還能夠降低特征層內(nèi)部不同元素差異度，改善在故障數(shù)據(jù)訓(xùn)練過程中故障特征提取準(zhǔn)確率。

3.2 特征層的過采樣

(9)

近鄰插值方法的計(jì)算量較小，能夠獲取在不同尺度下的新圖像，解決由于數(shù)據(jù)降維帶來的圖像失真及檢測率下降等問題。

3.3 特征金字塔結(jié)構(gòu)的改進(jìn)

在經(jīng)典SSD目標(biāo)檢測中，多模型檢測大都基于最后一層檢測，因?yàn)樽詈笠粚泳矸e尺寸大且算力更強(qiáng)，數(shù)據(jù)訓(xùn)練和特征融合的能力也更強(qiáng)。但金字塔結(jié)構(gòu)設(shè)計(jì)中位于底層特征信息量盡管較少，但位置準(zhǔn)確率和特征提取的準(zhǔn)確性均較高；而高層特征層盡管包含的特征較為豐富，但經(jīng)過多次卷積以后對故障點(diǎn)的定位信息會(huì)發(fā)生偏差。為此本文采用線性插值的方法對原有SSD網(wǎng)絡(luò)模型中的特征層金字塔結(jié)構(gòu)進(jìn)行優(yōu)化，具體的過程是將最小的特征層尺寸增加為上一特征層尺寸，再進(jìn)行下一步的特征融合，改進(jìn)的過程如圖5所示。

圖5 對金字塔結(jié)構(gòu)的改進(jìn)

使用1×1卷積操作調(diào)整網(wǎng)絡(luò)通道數(shù)量，然后在基于累加的方式選擇最佳的通道數(shù)量，融合后再基于2×2卷積消除混疊效應(yīng)。通過對金字塔結(jié)構(gòu)的優(yōu)化和改進(jìn)將高層與底層特征進(jìn)行有效融合，一方面有助于故障集深度特征信息的提取，另一方面也能夠避免降維過程中圖像失真情況的發(fā)生。SSD金字塔結(jié)構(gòu)高低層特征在原圖上的感受視野不同，不同特增層對應(yīng)尺度存在差異，但生成比例一致。

3.4 特征圖先驗(yàn)框比例分析

由于故障特征數(shù)據(jù)集的視野感受范圍不一致，為了適應(yīng)不同規(guī)模的數(shù)據(jù)集會(huì)在不同的卷積層上生成同比例但不同層尺度的先驗(yàn)框。假定原始的故障集特征圖尺寸為m維，對應(yīng)大小為k的卷積，每個(gè)網(wǎng)格所包含的先驗(yàn)框數(shù)量與卷積大學(xué)一致也為k，那么該特征圖生成的先驗(yàn)框數(shù)量為m×n×k個(gè)，每個(gè)先驗(yàn)框用坐標(biāo)值機(jī)圖像的高度和寬度定位和預(yù)測(x，y，W，H)，先驗(yàn)框在對應(yīng)的特征圖上縮放比例S，表示如下：

(10)

其中：Smax為高特征圖的最大值，Smin為低特征圖的最小值，根據(jù)特征圖的復(fù)雜程度和待檢測數(shù)據(jù)集的規(guī)模大小設(shè)置特征圖縮放比例值，先設(shè)置不同的寬高比例ξ，通常情況下取值如表1所示。

表1 待檢測的特征圖寬高比值范圍

每個(gè)特征圖單元格寬及高計(jì)算過程如下，單元格寬、高值與比例ξ密切相關(guān)：

(11)

固定的寬高比值能夠確保先驗(yàn)框的縮放比例始終保持一致，基于改進(jìn)的SSD算法模型訓(xùn)練時(shí)先將先驗(yàn)框和圖像的真實(shí)框進(jìn)行比對，并提取特征圖中預(yù)測制定目標(biāo)像素點(diǎn)特征，并將先驗(yàn)框標(biāo)定為正樣本；如果通過比對，所有先驗(yàn)框與真實(shí)框的比例都不一致，將該類樣本標(biāo)定為負(fù)樣本，判斷正負(fù)樣本還可以通過觀測先驗(yàn)框和真實(shí)框之間的重疊面積來判定，給定一個(gè)理論上的閾值范圍(通常設(shè)定為0.5)，通過對比重疊面積和理論閾值的大小關(guān)系判斷目標(biāo)樣本的正負(fù)。通常情況下輸入改進(jìn)SSD模型的樣本均衡度都較差，正樣本數(shù)量要遠(yuǎn)遠(yuǎn)低于負(fù)樣本的數(shù)量，而待檢測傳動(dòng)設(shè)備故障圖像數(shù)據(jù)集，通常只包括有限多個(gè)指標(biāo)，且受到系統(tǒng)噪聲和環(huán)境噪聲的影響會(huì)導(dǎo)致檢測效率和檢測精度的降低。正樣本數(shù)量過少和不均衡分布，容易導(dǎo)致訓(xùn)練模型向負(fù)樣本數(shù)據(jù)集的方式收斂。為解決上述問題，一方面通過調(diào)整負(fù)樣本先驗(yàn)框的寬高比，加速負(fù)樣本數(shù)據(jù)的特征提取以改善均衡度；另一方面，選擇合適的SSD模型損失函數(shù)，并提高負(fù)樣本數(shù)據(jù)損失函數(shù)計(jì)算效率和函數(shù)值，改善正負(fù)樣本之間的不均衡度，保障模型對故障數(shù)據(jù)定位和檢測的準(zhǔn)確性。

3.5 損失函數(shù)的選擇與在線故障檢測的實(shí)現(xiàn)

SSD模型損失函數(shù)既是故障圖像先驗(yàn)框匹配的關(guān)鍵，同時(shí)也是決定整個(gè)模型性能的重要工具，損失函數(shù)的值越低證明模型的數(shù)據(jù)訓(xùn)練性能越強(qiáng)，對設(shè)備故障定位和檢測的準(zhǔn)確度越高。本文選用適用于多分類的復(fù)合函數(shù)L作為改進(jìn)SSD網(wǎng)絡(luò)模型的損失函數(shù)，復(fù)合函數(shù)L的優(yōu)勢在于能夠處理較大規(guī)模的故障集，能夠處理包含多種故障在內(nèi)的故障集，而且與SSD網(wǎng)絡(luò)模型的契合度更高。決定損失函數(shù)L值的因素有SSD網(wǎng)絡(luò)的置信度λ、邊界框信息ζ、真實(shí)框的位置τ，損失函數(shù)L主要由兩個(gè)部分構(gòu)成，即置信度損失函數(shù)L1和位置損失函數(shù)L2：

L((x，y)，λ，ζ，τ)=

(12)

其中：α為權(quán)重系數(shù)，對于位置損失函數(shù)和置信度損失函數(shù)而言，α是一種此消彼長的關(guān)系，根據(jù)SSD模型數(shù)據(jù)訓(xùn)練的復(fù)雜度及故障集的規(guī)模等，適度調(diào)整兩個(gè)函數(shù)的權(quán)重比例關(guān)系。確定損失函數(shù)后，改進(jìn)的SSD模型在線故障狀態(tài)監(jiān)測進(jìn)入最后一個(gè)環(huán)節(jié)，即消除精度不合適的先驗(yàn)框，降低模型的冗余度和復(fù)雜度，避免出現(xiàn)重復(fù)檢測的情況。現(xiàn)將所有預(yù)測框按照置信度排序并計(jì)算閾值范圍，直接刪除置信度較低的先驗(yàn)框；循環(huán)迭代操作直到宣傳最優(yōu)先驗(yàn)預(yù)測框，鎖定最終的傳動(dòng)設(shè)備狀態(tài)檢測結(jié)果。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)準(zhǔn)備與故障數(shù)據(jù)集的采集

本文在實(shí)驗(yàn)室環(huán)境下，驗(yàn)證提出改進(jìn)SSD算法傳動(dòng)設(shè)備對齒輪箱運(yùn)行狀態(tài)的監(jiān)控情況，實(shí)驗(yàn)用的齒輪箱實(shí)物圖，如圖6所示。

圖6 齒輪箱實(shí)物圖

實(shí)驗(yàn)中選擇了德國MMF-KS76C100型高精度傳感器，在齒輪箱工作運(yùn)行中共采集了4 080個(gè)樣本，包括4 000個(gè)正常樣本和80個(gè)異常樣本。實(shí)驗(yàn)用齒輪箱共包括3個(gè)齒輪組和3個(gè)齒輪軸，其中故障點(diǎn)的分布情況統(tǒng)計(jì)和故障集的構(gòu)建情況如下：齒輪組的故障類型包括點(diǎn)蝕和磨損(這兩種故障會(huì)導(dǎo)致齒輪箱出現(xiàn)異常振動(dòng)和異響，嚴(yán)重會(huì)導(dǎo)致齒輪打齒或損壞)，齒輪軸的故障類型是偏磨(該種故障會(huì)導(dǎo)致齒輪軸同軸度降低，影響齒輪咬合精度，引發(fā)異響和其他機(jī)械故障)，如表2所示。

表2 故障樣本集的構(gòu)建

實(shí)驗(yàn)控制系統(tǒng)的硬件環(huán)境設(shè)置，如表3所示。

表3 實(shí)驗(yàn)環(huán)境設(shè)置

實(shí)驗(yàn)步驟如下。

1)在SSD網(wǎng)絡(luò)上實(shí)驗(yàn)，并將SSD網(wǎng)絡(luò)劃分為基礎(chǔ)網(wǎng)絡(luò)、輔助網(wǎng)絡(luò)和預(yù)測層。

2)改進(jìn)主干網(wǎng)絡(luò)，用注意力機(jī)制模塊和特征增強(qiáng)模塊改善網(wǎng)絡(luò)的性能。

3)調(diào)整SSD網(wǎng)絡(luò)模型的參數(shù)并刪除4倍以下的預(yù)測層，降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度。

4)確定損失函數(shù)并根據(jù)數(shù)據(jù)集信號的幅值、頻率和像素點(diǎn)，將故障信號進(jìn)行轉(zhuǎn)換。

4.2 結(jié)果分析

將故障樣本集中80個(gè)故障樣本和4 000個(gè)正常樣本隨機(jī)分成10組，每個(gè)組中包含8個(gè)不同類型的故障樣本和400個(gè)正常樣本，基于改進(jìn)SSD模型對每個(gè)小組的7故障樣本檢測情況進(jìn)行分析和討論，具體如圖7(a)～(j)所示。

圖7 改進(jìn)SSD算法對于每組故障的定位與檢測

如圖7的統(tǒng)計(jì)結(jié)果所示：當(dāng)識別出故障樣本時(shí)信號的頻率會(huì)出現(xiàn)異常，異常頻率范圍通常在20～150 Hz，在改進(jìn)SSD算法模型下，僅有第6組出現(xiàn)了1個(gè)漏檢故障，其他各組都能夠準(zhǔn)確識別出8個(gè)故障點(diǎn)，這表明改進(jìn)SSD算法具有較強(qiáng)的故障定位與檢測效率，平均的故障檢測率高達(dá)98.8%，而在相同的實(shí)驗(yàn)環(huán)境下，沒有經(jīng)過改進(jìn)的SSD模型的故障檢測率為94.5%，改進(jìn)后的SSD模型在性能上優(yōu)于傳統(tǒng)的SSD模型。相對于傳統(tǒng)SSD算法模型，改進(jìn)SSD模型盡管在結(jié)構(gòu)上進(jìn)行了精簡和優(yōu)化，降低了模型的復(fù)雜度，但模型的故障檢測性能并沒有受到影響。

引入傳統(tǒng)的FFT算法、改進(jìn)SVM算法和模糊算法，統(tǒng)計(jì)各算法的對故障數(shù)據(jù)的定位與檢測率，如表4所示。

表4 各傳統(tǒng)算法的故障檢測率 %

從對各傳統(tǒng)算法的檢測率統(tǒng)計(jì)結(jié)果可知：3種傳統(tǒng)算法的平均檢測精度較低，與改進(jìn)SSD算法存在一定差距。改進(jìn)SSD算法的優(yōu)勢是將對故障信號的檢測轉(zhuǎn)換為圖像檢測，能夠更準(zhǔn)確第定位故障點(diǎn)，同時(shí)更加頻率和幅值的變化趨勢描述圖像像素點(diǎn)的差異，因此顯著提高了對傳動(dòng)齒輪箱故障定位和檢測的準(zhǔn)確率，同時(shí)根據(jù)齒輪及齒輪軸點(diǎn)蝕、磨損及偏磨產(chǎn)生的不同振幅和不同頻率，還能夠準(zhǔn)確地辨別出故障的位置和類型。

檢測效率也評價(jià)故障在線監(jiān)測算法性能的重要指標(biāo)之一，以10組樣本為對象觀測各算法完成整個(gè)樣本檢測的耗時(shí)情況，耗時(shí)越短表明算法的效率越高。在實(shí)際在線監(jiān)測中，檢測效率具有重要的意義，尤其在數(shù)據(jù)集規(guī)模較大時(shí)檢測效率較高算法的優(yōu)勢會(huì)越來越明顯，完成10組檢測各算法的耗時(shí)情況，如表5所示。

表5 各故障在線監(jiān)測算法的檢測耗時(shí)對比

數(shù)據(jù)統(tǒng)計(jì)結(jié)果顯示，在完成10組故障樣本的檢測后，改進(jìn)SSD算法的每組平均耗時(shí)僅為44 s，遠(yuǎn)遠(yuǎn)低于3種傳統(tǒng)算法。SSD算法數(shù)據(jù)訓(xùn)練效率較高，與模型的金字塔結(jié)構(gòu)設(shè)計(jì)密切相關(guān)，由于改變了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)輔助的網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)引入了注意力機(jī)制模塊和特征增強(qiáng)模型，在確保在線監(jiān)測準(zhǔn)確率的同時(shí)，也進(jìn)一步提升了模型對故障數(shù)據(jù)的訓(xùn)練能力和檢測效率。

5 結(jié)束語

傳動(dòng)設(shè)備是一個(gè)機(jī)械系統(tǒng)核心組成系統(tǒng)之一，傳動(dòng)系統(tǒng)工作的穩(wěn)定性決定了機(jī)械系統(tǒng)的性能輸出，因此有必要對傳動(dòng)系統(tǒng)的工作穩(wěn)定性實(shí)施在線檢測。本文設(shè)計(jì)了一種基于改進(jìn)SSD模型的在線監(jiān)測方法，先通過對信號的時(shí)頻包絡(luò)分析預(yù)處理，降低噪聲干擾，并通過信號幅值和頻率轉(zhuǎn)換，將信號轉(zhuǎn)換為圖像數(shù)據(jù)作為SSD模型的輸入數(shù)據(jù)集。設(shè)計(jì)了SSD網(wǎng)絡(luò)模型在基礎(chǔ)卷積基礎(chǔ)上增加了輔助卷積，引入注意力機(jī)制模塊和特征增強(qiáng)模塊，改善SSD網(wǎng)絡(luò)模型的信息共享效果，并提升模型對圖像數(shù)據(jù)的訓(xùn)練能力；最后改進(jìn)了SSD模型的金字塔結(jié)構(gòu)，再通過先驗(yàn)框匹配及選擇適合的損失函數(shù)，提高對設(shè)備故障監(jiān)測性能。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)SSD方法在檢測精度和檢測效率方面，相對于幾種傳統(tǒng)算法都有較為明顯的優(yōu)勢。