基于EEMD-DCNN方法的電機(jī)軸承故障狀態(tài)診斷研究

張楊钖

(泰州技師學(xué)院智能制造教研組,江蘇泰州225300)

0 引言

對(duì)于電機(jī)裝備而言,軸承具有改變其轉(zhuǎn)矩與轉(zhuǎn)速的功能,從而實(shí)現(xiàn)負(fù)載及動(dòng)力源的高度匹配[1～3]。針對(duì)電機(jī)軸承的故障診斷手段進(jìn)行分析,有利于維持裝備的良好技術(shù)狀態(tài),從而增加其使用壽命[4、5]。

深度學(xué)習(xí)是在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上形成的,其通過(guò)對(duì)人腦機(jī)制的模擬來(lái)描述多源異類數(shù)據(jù)[6～8],在語(yǔ)音識(shí)別和計(jì)算機(jī)視覺(jué)等方面已獲得顯著成效。作為DNN的代表性模型之一,卷積神經(jīng)網(wǎng)絡(luò)(CNN)實(shí)際上是建立若干濾波器逐層池化和卷積所有的數(shù)據(jù),且逐層完成對(duì)數(shù)據(jù)特征的提取[9]。CNN特殊的網(wǎng)絡(luò)架構(gòu)有利于降低訓(xùn)練頻率,并且還可確保某種程度的縮放、平移以及旋轉(zhuǎn);所以,CNN可以從大量數(shù)據(jù)中提取出相應(yīng)的特征信息。GUO等[10]利用兩個(gè)CNN建立起分層深度卷積神經(jīng)網(wǎng)絡(luò),針對(duì)軸承健康情況實(shí)施監(jiān)測(cè),用來(lái)對(duì)故障大小進(jìn)行評(píng)價(jià)。

本文將DCNN和EEMD融合使用,通過(guò)EEMD對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理,利用DCNN自適應(yīng)融合IMF信息且完成對(duì)特征的提取,智能辨別電機(jī)軸承當(dāng)前的狀態(tài)。

1 故障診斷方法流程

在利用DCNN與EEMD針對(duì)電機(jī)軸承的故障實(shí)施診斷的過(guò)程中,具體流程見(jiàn)圖1。

圖1 電機(jī)軸承故障診斷流程

(1)收集和區(qū)分信號(hào)：利用加速度傳感器完成對(duì)振動(dòng)信號(hào)的獲取,以長(zhǎng)度相同的窗口實(shí)施區(qū)分,得到對(duì)應(yīng)的樣本信號(hào)。

(2)利用EEMD對(duì)樣本信號(hào)進(jìn)行分解：首先,將非平穩(wěn)信號(hào)x(t)劃分成若干特征尺度各異的平穩(wěn)信號(hào)1, 2, , nccc";其次,對(duì)IMF分量的峭度進(jìn)行全面分析,選取特征顯著的6個(gè)IMF。

(3)建立數(shù)據(jù)集：根據(jù)確定的次序,將以上的6個(gè)IMF疊成多通道的樣本;對(duì)于各樣本信號(hào)重復(fù)以上操作,建立起對(duì)應(yīng)的數(shù)據(jù)集,同時(shí)將其分成測(cè)試集和訓(xùn)練集兩種[11]。

(4)DCNN的設(shè)計(jì)和訓(xùn)練：根據(jù)前文確定的原則,設(shè)計(jì)出可行性較強(qiáng)的DCNN,同時(shí)通過(guò)訓(xùn)練集對(duì)其實(shí)施訓(xùn)練[12];此外,還需對(duì)超參數(shù)進(jìn)行調(diào)節(jié),以得到性能更強(qiáng)的DCNN。

(5)定性診斷：利用測(cè)試集對(duì)所提方法的有效性進(jìn)行驗(yàn)證。

2 試驗(yàn)

2.1 試驗(yàn)說(shuō)明

電機(jī)軸承的基本原理和實(shí)驗(yàn)設(shè)備見(jiàn)圖2,主要包括斜電機(jī)軸承、驅(qū)動(dòng)電動(dòng)機(jī)、扭矩傳感器、潤(rùn)滑系統(tǒng)以及兩級(jí)電機(jī)軸承等等。

圖2 電機(jī)軸承試驗(yàn)裝置圖

實(shí)驗(yàn)過(guò)程中加裝的加速度傳感器總共有4個(gè),用以對(duì)振動(dòng)數(shù)據(jù)進(jìn)行同步收集,各行星輪安裝2個(gè),依次對(duì)豎直與水平方向的加速度進(jìn)行測(cè)量。安裝示意圖見(jiàn)圖2。

針對(duì)每個(gè)樣本信號(hào)重復(fù)實(shí)施以上操作,建立起相應(yīng)的數(shù)據(jù)集,同時(shí)將其分成測(cè)試集和訓(xùn)練集兩種。

2.2 數(shù)據(jù)說(shuō)明

所有樣本信號(hào)都包括2048個(gè)數(shù)據(jù)點(diǎn);獲得測(cè)試和訓(xùn)練樣本信號(hào)分別為25個(gè)、660個(gè)。某電機(jī)軸承故障的樣本信號(hào)見(jiàn)圖3。對(duì)其實(shí)施EEMD分解后,選擇最前面的5個(gè)IMF分量(見(jiàn)圖4),各IMF分量涵蓋時(shí)間尺度是完全不同的,可確保所有信號(hào)特征在各式各樣的分辨率情況下完全展現(xiàn)出來(lái)。

圖3 電機(jī)軸承故障振動(dòng)加速度信號(hào)

圖4 電機(jī)軸承故障振動(dòng)信號(hào)IMF分量

2.3 DCNN模型參數(shù)

基于上述設(shè)計(jì)原則對(duì)DCNN進(jìn)行設(shè)計(jì),同時(shí)在重復(fù)多次實(shí)驗(yàn)的前提下對(duì)有關(guān)參數(shù)進(jìn)行調(diào)整,最后獲得的模型參數(shù)見(jiàn)表1。其中,CH是卷積核高度;CW是卷積核寬度;CN是卷積核深度;CC是輸入特征圖深度;Strides是移動(dòng)步長(zhǎng);S是池化帶的寬度;Dropout是以概率p針對(duì)網(wǎng)絡(luò)內(nèi)的神經(jīng)元置零處理。每個(gè)卷積層均實(shí)施邊緣處理,防止尺寸發(fā)生改變;并且,池化層和卷積層間均有著激活層與批歸一化層。

表1 DCNN模型主參數(shù)

2.4 結(jié)果及分析

如表2所示,概括了以相同數(shù)據(jù)集為基礎(chǔ),采取傳統(tǒng)BPNN和SVM方法、本文所提診斷方式、以及WDCNN結(jié)果。其中,WDCNN模型輸入是初始數(shù)據(jù),BPNN激活函數(shù)是ReLU、結(jié)構(gòu)是2048-200-100-50-5,SVM核函數(shù)是高斯徑向基函數(shù)(RBF)。本文所提診斷方式與BPNN、SVM相比,有著比較顯著的優(yōu)勢(shì)。與此同時(shí),相較于現(xiàn)階段比較領(lǐng)先的診斷方式WDCNN,本文所提方式不但能夠完全辨別所有的指標(biāo),明顯超過(guò)WDCNN,同時(shí)最后的診斷效果較為平穩(wěn),且數(shù)次實(shí)驗(yàn)獲得的指標(biāo)標(biāo)準(zhǔn)差是0。其主要是由于通過(guò)EEMD方法處理以后,信號(hào)的信噪比有較大幅度的提高;與此同時(shí),將較大峭度的有效IMF分量建構(gòu)成DCNN的多通道輸入,利用DCNN整合各類信息,自適應(yīng)獲得每個(gè)IMF分量所對(duì)應(yīng)的權(quán)重。

表2 故障診斷結(jié)果比較(%)

DCNN的全連接層,針對(duì)所有特征實(shí)施融合及處理,使得相同狀態(tài)下的特征距離不斷減小,各種狀態(tài)下的特征距離逐漸擴(kuò)大,不斷加強(qiáng)特征的可分性能。在實(shí)驗(yàn)過(guò)程中,DCNN極強(qiáng)的非線性映射性能得到驗(yàn)證。

3 結(jié)語(yǔ)

本文開(kāi)展基于EEMD和DCNN的融合方法的電機(jī)軸承故障狀態(tài)診斷研究,取得如下有益結(jié)果：(1)本文方式與BPNN、SVM、WDCNN相比,有著比較顯著的優(yōu)勢(shì),診斷效果較為平穩(wěn),且數(shù)次實(shí)驗(yàn)獲得的指標(biāo)標(biāo)準(zhǔn)差是0。(2)各種狀態(tài)下的特征距離逐漸擴(kuò)大,不斷加強(qiáng)特征的可分性能。

該研究有助于提高電機(jī)的運(yùn)行穩(wěn)定性,但在溫度偏高或工況復(fù)雜等異常情況下存在計(jì)算時(shí)間較長(zhǎng)的問(wèn)題,期待后續(xù)引入深度學(xué)習(xí)算法進(jìn)行適當(dāng)?shù)募訌?qiáng)。