基于深度殘差網(wǎng)絡(luò)算法的減速器故障診斷研究

摘 要：為了進(jìn)一步提高對機(jī)床不同故障的分類準(zhǔn)確率，設(shè)計(jì)一種深度殘差網(wǎng)絡(luò)。通過對機(jī)床振動測試試驗(yàn)臺信號預(yù)處理分析，優(yōu)化網(wǎng)絡(luò)結(jié)果并進(jìn)行故障診斷對比分析。研究結(jié)果表明：訓(xùn)練集處理可以使準(zhǔn)確率收斂至100%，表明模型沒有發(fā)生欠擬合情況；測試準(zhǔn)確率達(dá)到了98.2%以上，表現(xiàn)出非常有益的泛化效果。當(dāng)行數(shù)比列數(shù)更少時，隨著兩者差異的增加，模型的分類準(zhǔn)確率顯著降低；行數(shù)超過列數(shù)后，模型達(dá)到了更高的分類準(zhǔn)確率并保持相對穩(wěn)定的狀態(tài)。泛用性驗(yàn)證表明，采用殘差網(wǎng)絡(luò)模型進(jìn)行滾動軸承信號分類時也可以獲得99.51%的準(zhǔn)確率。CNN網(wǎng)絡(luò)比淺層模型表現(xiàn)出了更強(qiáng)的識別性能。ShortCut結(jié)構(gòu)具備明顯優(yōu)越性，有助于網(wǎng)絡(luò)具備更強(qiáng)識別能力。

關(guān)鍵詞：機(jī)床；殘差網(wǎng)絡(luò)；故障診斷；振動信號

中圖分類號：TH132.46" 文獻(xiàn)標(biāo)志碼：A" 文章編號：1671-5276（2024）05-0140-04

Research on Retarder Fault Diagnosis Based on Deep Residual Network Algorithm

Abstract：In order to improve the classification accuracy of different faults of machine tools， a deep residual network is designed. Through the signal preprocessing analysis of the machine tool vibration test bench， the network results are optimized and the fault diagnosis is compared and analyzed. The results show that the training set processing can make the accuracy converge to 100%， indicating that the model does not underfit. The test accuracy reaches more than 98.2%， showing a very beneficial generalization effect. When the number of rows is smaller than the of columns， the classification accuracy of the model decreases significantly with the increase of the difference between them. When the number of rows exceeds the one of columns， the model achieves higher classification accuracy and remains relatively stable. The universality verification shows that the residual network model can also achieve 99.51% accuracy in the classification of rolling bearing signals. The CNN network shows stronger recognition performance than the shallow model ResNet. ShortCut structure has obvious advantages， which helps the network to have stronger identification capability.

Keywords：machine tool; residual network; fault diagnosis; vibration signal

0 引言

減速器在汽車控制領(lǐng)域獲得了廣泛應(yīng)用，已經(jīng)成為動力系統(tǒng)的關(guān)鍵組成部件，但對其運(yùn)行過程故障診斷方面的研究文獻(xiàn)還很少［1-5］?？紤]到加速度振動信號內(nèi)含有機(jī)械設(shè)備的故障特征，這使其成為故障分析的一項(xiàng)關(guān)鍵參考指標(biāo)。胥永剛等［6］以雙樹復(fù)小波轉(zhuǎn)換以及SVM方法進(jìn)行分析，結(jié)果發(fā)現(xiàn)對4種軸承故障識別時都實(shí)現(xiàn)了理想的性能。深度學(xué)習(xí)獲得更深入研究后，該方法也在故障診斷領(lǐng)域發(fā)揮了更大作用［7］。曾柯等［8］以SVM為基礎(chǔ)設(shè)計(jì)了一種雙子支持向量機(jī)的新模型，同時以該模型完成了齒輪箱不同故障模式的識別測試，獲得了比傳統(tǒng)SVM方法更高的分類準(zhǔn)確性。陳保家等［9］在PSO-SVM中加入了最大重疊離散小波包變換邊際譜特征，之后對六齒輪故障模式進(jìn)行了識別測試，發(fā)現(xiàn)可以達(dá)到98%的高準(zhǔn)確率。戚曉利等［10］利用自適應(yīng)復(fù)合多尺度排列熵特征進(jìn)行了分析，同時利用改進(jìn)特征降維方法以及灰狼群優(yōu)化支持向量機(jī)來診斷行星齒輪故障。ALI等［11］以經(jīng)驗(yàn)?zāi)B(tài)分解方法準(zhǔn)確實(shí)現(xiàn)了診斷軸承運(yùn)行故障的過程，再與卷積網(wǎng)絡(luò)結(jié)合來識別開源故障數(shù)據(jù)，獲得了較理想的結(jié)果。其中，HE等［12］利用殘差網(wǎng)絡(luò)，相對CNN算法能夠?qū)D像數(shù)據(jù)進(jìn)行更高效識別，同時顯著提升了分類精度。ZHAO等［13］綜合運(yùn)用小波包轉(zhuǎn)換及殘差網(wǎng)絡(luò)進(jìn)行齒輪運(yùn)行故障識別。但上述文獻(xiàn)研究內(nèi)容通常建立的是淺層模型，而很少有文獻(xiàn)關(guān)于深層模型的研究。

為了提升機(jī)床故障的分辨精度，本文為機(jī)床振動結(jié)構(gòu)設(shè)置了4種機(jī)床故障信號，建立了減速系統(tǒng)的殘差網(wǎng)絡(luò)（residual network， ResNet）故障分類模型。

1 殘差網(wǎng)絡(luò)模型

采用殘差網(wǎng)絡(luò)進(jìn)行分析具備下述優(yōu)勢：1）能夠消除深層網(wǎng)絡(luò)模型在反向傳播期間面臨的梯度消散情況，使深層模型更快完成訓(xùn)練過程；2）提升了實(shí)際訓(xùn)練期間的模型收斂效率；3）不必設(shè)置全連接層，大幅減少參數(shù)數(shù)量［14］。

圖1所示為本文建立的殘差網(wǎng)絡(luò)模型。其中，卷積層數(shù)量為10。因數(shù)據(jù)集自身也存在一定的誤差，當(dāng)設(shè)置過深網(wǎng)絡(luò)時將會造成誤差的明顯放大，無法獲得理想的訓(xùn)練效果，此時需對網(wǎng)絡(luò)深度進(jìn)行合理調(diào)節(jié)，從而確定最優(yōu)層數(shù)。

1.1 激活函數(shù)

Relu函數(shù)屬于一類獲得廣泛使用的激活函數(shù)，對應(yīng)表達(dá)式如下：

Relu（x）=max（0，x）（1）

可以利用Softmax函數(shù)實(shí)現(xiàn)多分類輸出，計(jì)算式如下：

式中：Si是第i類輸出樣本概率；xi是殘差網(wǎng)絡(luò)第i類樣本的輸出參數(shù)。

1.2 卷積層

卷積層內(nèi)共含有4個參數(shù)，包括卷積核行數(shù)、列數(shù)、單次步長與卷積核個數(shù)。以二維輸入X為例，將步長設(shè)定在1，卷積計(jì)算式如下［15］：

式中：X為輸入矩陣；K為卷積核；m、n分別代表卷積核行、列值，圖2給出了計(jì)算表達(dá)式。

1.3 殘差塊

圖3為殘差塊分配圖，位于右邊的n值取決于網(wǎng)絡(luò)結(jié)構(gòu)［16］。本文殘差網(wǎng)絡(luò)模型中包含了多種卷積層參數(shù)。

殘差塊卷積核為3，但在步長和卷積核的個數(shù)方面存在差異。在第2個殘差塊中利用步長為2的卷積核使輸入數(shù)據(jù)邊長降低至初始值的50%，從而大幅降低模型訓(xùn)練所需的樣本個數(shù)。虛偽Block2的Shortcut建立步長為2卷積核輸出計(jì)算，能夠確保反向傳播期間，通過H（x）計(jì)算獲得梯度不接近0。

2 振動信號測試

2.1 系統(tǒng)結(jié)構(gòu)

減速器振動信號測試實(shí)驗(yàn)照片如圖4所示。振動信號測試系統(tǒng)由CZ-50型制動器、JN338-AE型轉(zhuǎn)矩傳感器、BCE94BK30型編碼器、20E型減速器和電機(jī)組成。為測試系統(tǒng)配備了伺服電機(jī)為機(jī)床提供驅(qū)動力，利用磁粉制動器進(jìn)行加載后測試轉(zhuǎn)速與轉(zhuǎn)矩。表1所示為本文設(shè)置的測試參數(shù)。

2.2 傳感器安裝

以1C102型貼片加速度傳感器進(jìn)行測試，達(dá)到20mV/（m/s2）的精度，其中，0～1 000Hz屬于有效頻率取值區(qū)間，測試量程介于0～100m/s2之間。利用膠水將傳感器固定在RV減速表面區(qū)域，之后對3個不同方向上形成的振動進(jìn)行測試。結(jié)合測試臺的具體結(jié)構(gòu)特點(diǎn)，本實(shí)驗(yàn)根據(jù)水平軸向振動狀態(tài)對故障實(shí)施診斷。

3 結(jié)果討論

3.1 分類準(zhǔn)確率

本文為各類工況設(shè)定了600個振動信號，以80%構(gòu)成訓(xùn)練集并測試其余樣本。根據(jù)以上方式得到的訓(xùn)練集內(nèi)訓(xùn)練樣本數(shù)為100 800個，測試樣本數(shù)量為4 200個。各樣本都由1 024個樣本構(gòu)成，堆疊形成32×32的二維集合。再以GTX1070Ti顯卡訓(xùn)練殘差網(wǎng)絡(luò)，設(shè)定1個周期中包含200個迭代步驟，由此實(shí)現(xiàn)測試集準(zhǔn)確率分析。圖5所示為分類準(zhǔn)確率曲線，對應(yīng)誤差曲線如圖6所示。按照學(xué)習(xí)率為0.001條件進(jìn)行6 000步訓(xùn)練，再把學(xué)習(xí)率設(shè)定為0.000 1。此時通過圖5和圖6可以看出，本文設(shè)計(jì)的殘差網(wǎng)絡(luò)的分類準(zhǔn)確率與交叉熵?fù)p失均達(dá)到了快速收斂結(jié)果，表現(xiàn)出很高的運(yùn)行效率。

繼續(xù)為殘差網(wǎng)絡(luò)實(shí)施交叉驗(yàn)證計(jì)算，總共進(jìn)行3次重復(fù)計(jì)算，得到如表2所示的結(jié)果。對訓(xùn)練集進(jìn)行處理可以使準(zhǔn)確率收斂至100%，表明該模型沒有發(fā)生欠擬合的情況。本次測試的各項(xiàng)指標(biāo)測試準(zhǔn)確率都達(dá)到了98.2%以上，表現(xiàn)出了非常有益的泛化效果。

3.2 不同行列數(shù)的影響

在對信號各維度實(shí)施轉(zhuǎn)換計(jì)算時，由于不同堆疊模式信號處理會對殘差網(wǎng)絡(luò)卷積層內(nèi)部結(jié)構(gòu)造成影響，不同行數(shù)下分類準(zhǔn)確率結(jié)果如表3所示。由表3可知，隨著行數(shù)的增加，整體分類準(zhǔn)確率表現(xiàn)出增加的趨勢，行數(shù)增大能夠使分類精度增大至99.08%。各類堆疊方式將會引起殘差網(wǎng)絡(luò)模型預(yù)測精度明顯改變。當(dāng)行數(shù)比列數(shù)更少時，隨著兩者差異的增加，模型分類準(zhǔn)確率降低；行數(shù)超過列數(shù)后，模型達(dá)到了更高的分類準(zhǔn)確率并保持相對穩(wěn)定的狀態(tài)。因此，建立模型時可選擇行列數(shù)作為模型的優(yōu)化指標(biāo)。

3.3 泛用性驗(yàn)證

雖然可以利用殘差網(wǎng)絡(luò)模型進(jìn)行機(jī)床故障的準(zhǔn)確分類，但該模型也面臨著一定限制。為了對本文設(shè)計(jì)的殘差網(wǎng)絡(luò)模型進(jìn)行適應(yīng)性驗(yàn)證，對不同類型的減速器振動故障信號開展識別測試，進(jìn)行數(shù)據(jù)集處理時采用與機(jī)床故障信號相同形式。

減速器振動信號故障分類準(zhǔn)確率結(jié)果如表4所示。按照表4交叉驗(yàn)證方法可以發(fā)現(xiàn)，采用殘差網(wǎng)絡(luò)模型進(jìn)行減速器信號分類進(jìn)行訓(xùn)練和測試時，訓(xùn)練結(jié)果達(dá)到了100%，測試準(zhǔn)確率結(jié)果均在99.51%以上，表明該殘差網(wǎng)絡(luò)模型滿足優(yōu)異泛用性能，該網(wǎng)絡(luò)模型對各類對象與振動信號都可以準(zhǔn)確識別和分類。

3.4 與其他方法效果對比

5次測試后形成的不同模型下分類準(zhǔn)確率結(jié)果如表5所示。以本文減速器振動故障信號進(jìn)行測試，CNN模型下得到分類準(zhǔn)確率只有70%左右，而以DNN模型進(jìn)行分類時則可以獲得86.7%的準(zhǔn)確率。與神經(jīng)網(wǎng)絡(luò)模型DNN相比，采用深度學(xué)習(xí)模型則可以完成減速器故障的精確識別。同時發(fā)現(xiàn)，CNN網(wǎng)絡(luò)比淺層模型ResNet表現(xiàn)出了更強(qiáng)識別性能。比較殘差網(wǎng)絡(luò)和CNN分類準(zhǔn)確率發(fā)現(xiàn)，以殘差網(wǎng)絡(luò)處理時可以使分類準(zhǔn)確率提升20個百分點(diǎn)以上，該殘差網(wǎng)絡(luò)結(jié)構(gòu)具備明顯優(yōu)越性。

4 LDA降維分析

將平均池化層輸出看成是通過殘差網(wǎng)絡(luò)提取獲得的特征，共包含512維數(shù)據(jù)?？紤]到其維數(shù)超過3，因此需對數(shù)據(jù)實(shí)施降維。殘差網(wǎng)絡(luò)LDA降維分類結(jié)果如表6所示。根據(jù)表6可知，復(fù)合故障中包含了更多分類錯誤。2、4類型中雖然含有擺線輪故障，但此類故障較易被準(zhǔn)確識別，在實(shí)際分類過程中只形成了少數(shù)的分類錯誤。0、1類別中含有分類錯誤可能是因?yàn)闇y試臺結(jié)構(gòu)影響使測試臺振動對行星輪造成了干擾，由此形成噪聲信號，導(dǎo)致分類結(jié)果出現(xiàn)錯誤?？傮w而言，實(shí)際故障情況存在諸多的影響因素，高維狀態(tài)下信號很難診斷，因此降維很有必要，LDA降維表現(xiàn)出了很高的精度。

5 結(jié)語

1）訓(xùn)練集處理可以使準(zhǔn)確率收斂至100%，表明模型沒有發(fā)生欠擬合情況；測試準(zhǔn)確率都達(dá)到了98.2%以上，表現(xiàn)出了非常有益的泛化效果。

2）當(dāng)行數(shù)比列數(shù)更少時，隨著兩者差異的增加，模型分類準(zhǔn)確率顯著降低；行數(shù)超過列數(shù)后，模型達(dá)到了更高的分類準(zhǔn)確率并保持相對穩(wěn)定的狀態(tài)。

3）泛用性驗(yàn)證表明，采用殘差網(wǎng)絡(luò)模型進(jìn)行滾動軸承信號分類時也可以獲得99.51%的準(zhǔn)確率。

4）CNN網(wǎng)絡(luò)比淺層模型ResNet表現(xiàn)出了更強(qiáng)識別性能。ShortCut結(jié)構(gòu)具備明顯優(yōu)越性，有助于網(wǎng)絡(luò)具備更強(qiáng)識別能力。

參考文獻(xiàn)：

［1］ 張小麗，陳雪峰，李兵，等. 機(jī)械重大裝備壽命預(yù)測綜述［J］. 機(jī)械工程學(xué)報(bào)，2011，47（11）：100-116.

［2］ 何衛(wèi)東，李力行，徐永賢，等. 高精度RV傳動的受力分析及傳動效率［J］. 機(jī)械工程學(xué)報(bào)，1996，32（4）：104-110.

［3］ 張大衛(wèi)，王剛，黃田，等. RV減速機(jī)動力學(xué)建模與結(jié)構(gòu)參數(shù)分析［J］. 機(jī)械工程學(xué)報(bào)，2001，37（1）：69-74.

［4］ 陳李果，彭鵬，汪久根，等. RV減速器試驗(yàn)裝置研制及測試分析［J］. 機(jī)械傳動，2017，41（11）：92-96.

［5］ ROCCHETTA R，BROGGI M，HUCHET Q，et al. On-line Bayesian model updating for structural health monitoring［J］. Mechanical Systems and Signal Processing，2018，103：174-195.

［6］ 胥永剛，孟志鵬，陸明. 基于雙樹復(fù)小波包變換和SVM的滾動軸承故障診斷方法［J］. 航空動力學(xué)報(bào)，2014，29（1）：67-73.

［7］ 申中杰，陳雪峰，何正嘉，等. 基于相對特征和多變量支持向量機(jī)的滾動軸承剩余壽命預(yù)測［J］. 機(jī)械工程學(xué)報(bào)，2013，49（2）：183-189.

［8］ 曾柯，柏林. 齒輪箱故障非線性特征測度及狀態(tài)TWSVM辨識研究［J］. 振動與沖擊，2018，37（15）：179-184，198.

［9］ 陳保家，黃偉，李立軍，等. 最大重疊離散小波包變換邊際譜特征在齒輪故障診斷中的應(yīng)用［J］. 西安交通大學(xué)學(xué)報(bào)，2020，54（2）：1-9.

［10］ 戚曉利，王振亞，吳保林，等. 基于ACMPE、ISSL-Isomap和GWO-SVM的行星齒輪箱故障診斷［J］. 航空動力學(xué)報(bào)，2019，34（4）：744-755.

［11］ ALI J B，F(xiàn)NAIECH N，SAIDI L，et al. Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals［J］. Applied Acoustics，2015，89：16-27.

［12］ HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas，NV，USA： IEEE，2016：770-778.

［13］ ZHAO M H，KANG M，TANG B P，et al. Deep residual networks with dynamically weighted wavelet coefficients for fault diagnosis of planetary gearboxes［J］. IEEE Transactions on Industrial Electronics，2018，65（5）：4290-4300.

［14］ 謝祥穎，劉虎，王棟，等. 基于深度殘差網(wǎng)絡(luò)的光伏故障診斷模型研究［J］. 計(jì)算機(jī)工程與科學(xué)，2021，43（12）：2223-2230.

［15］ 徐卓飛，武麗花，黃卿，等. 基于深度殘差網(wǎng)絡(luò)的滾動軸承故障診斷方法［J］. 機(jī)械設(shè)計(jì)與研究，2021，37（3）：78-83.

［16］ 彭彬森，夏虹，王志超，等. 深度神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用［J］. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2021，53（6）：155-162.