中圖分類號:TP206 文獻標(biāo)志碼:A
Gearbox Fault Diagnosis Based on Decision Fusion Methods and Transfer Learning
LIU Tingting1,2, WANG Zheming 1 , YU Wenying' , LU Wu1 , YU Wei 2 , LIU Yongsheng 1 (1.Institute of Solar Energy,Shanghai Universityof Electric Power,Shanghai 2O13O6,China; 2.Huadian Electric Power Research Institute,Hangzhou 31OO3O,Zhejiang,China)
Abstract:Toadress the problemsof frequent gearboxfailures inindustrial scenarios,large datarequirements,and low interpretability indeep learning diagnostics,a gearbox fault diagnosis model was proposedbasedondecisionfusionmethods andtransfer learning.Vibration signal features were extracted from CWRU Bearing Dataset using a knowledge-driven approach.Theoptimal feature subsets,including complex envelope spectra,time-domain statistical features,and wavelet packetnalysisfeatures,were then selected using arecursive feature elimination algorithm.Sixclasification models were employed,andthedecision fusion methodsofvoting,stacking,and blending werecombined toestablish thefaultdiagnosis model.The model trainedon CWRU Bearing Dataset was applied to Southeast University Planetary Gearbox Dataset using transfer learning todiagnosegearbox faults.The experimentalresultsshow that the stacking-based ensemble model, integrating sixclassfiers,performs excelentlyonboth the CWRU Bearing Dataset and the gearbox fault diagnosis task, withminimal accuracy differences between thetwo tasks.Theaccuracyrateof the model inthefaultdiagnosis task of gears and bearings in gearbox reaches 100% ,which has better diagnostic ability compared with other fault diagnosis models.
Keywords: gearbox; fault diagnosis; feature extraction; decision fusion; transfer learning
隨著工業(yè)系統(tǒng)復(fù)雜性的增加,機械設(shè)備故障診斷技術(shù)的發(fā)展對保證工業(yè)生產(chǎn)和正常生活起著至關(guān)重要的作用[1-2]。齒輪箱作為機械傳動系統(tǒng)、風(fēng)力發(fā)電機組傳動鏈及其他自動化設(shè)備等的關(guān)鍵組成部件,一旦發(fā)生故障就會影響整個系統(tǒng)的正常運行。以齒輪箱在風(fēng)力發(fā)電機組調(diào)查為例,齒輪箱機械故障造成的停機時間最長,占風(fēng)力發(fā)電機組故障停機總時間的 50% 甚至更高[3]。對大型風(fēng)力發(fā)電機組進行快速、有效的故障排查診斷,可以有效減少非計劃停機時間,保證能源的持續(xù)、穩(wěn)定供應(yīng)[4-5]故障診斷技術(shù)在建立各種狀態(tài)檢測信息與機器運行狀態(tài)間的映射關(guān)系中具有重要作用。由于齒輪箱的動力學(xué)特性復(fù)雜,故障形式多樣,原始振動信號具有極強的非線性和大量的噪聲,因此傳統(tǒng)的故障診斷方法過度依賴信號處理和人工特征提取技術(shù)。
齒輪箱作為風(fēng)力發(fā)電系統(tǒng)中最關(guān)鍵的組件之一,其可靠性直接影響整個系統(tǒng)的性能和經(jīng)濟效益。齒輪箱故障診斷的復(fù)雜性不僅源于齒輪箱本身復(fù)雜的機械結(jié)構(gòu),而且受到齒輪類型、工況、環(huán)境因素以及材料特性的影響。不同類型的齒輪,如斜齒輪、直齒輪或行星齒輪,各自有不同的負載分布、應(yīng)力集中點和磨損模式,使得故障模式和特征變得多樣化。此外,齒輪箱在不同工作條件下表現(xiàn)出不同的行為特征,如負載波動、轉(zhuǎn)速變化以及溫度波動,進一步增加了故障診斷的難度。齒輪箱故障診斷不僅要依賴包括振動信號、聲發(fā)射信號、油液分析數(shù)據(jù)、溫度記錄等大量數(shù)據(jù)的分析,并且還要借助高級的數(shù)據(jù)處理和分析技術(shù)來提取故障特征。目前常用的齒輪箱故障診斷方法主要依靠振動信號進行診斷,要求操作者具備一定的對大量數(shù)據(jù)的獲取和處理能力,以及從大量信息中提取有價值的診斷依據(jù)的能力。
近年來,機器學(xué)習(xí)、人工智能在齒輪箱診斷領(lǐng)域的廣泛應(yīng)用,減少了故障診斷對人工勞動和專家知識的依賴,極大地推動了智能故障診斷的發(fā)展。王皓等提出基于小波和誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的風(fēng)機齒輪箱故障診斷方法,根據(jù)不同工況下風(fēng)機齒輪箱振動信號驗證了方法的有效性。王超等[7]提出一種將互信息特征選擇、深度學(xué)習(xí)和殘差滑動窗口分析相結(jié)合的風(fēng)機齒輪箱軸承故障預(yù)警方法,并通過風(fēng)電場現(xiàn)場數(shù)據(jù)驗證了方法的有效性,同時獲得較高的預(yù)警準(zhǔn)確率。孟繁曄等[8]提出基于多方向振動數(shù)據(jù)的風(fēng)機齒輪箱故障診斷方法,采用極點對稱模態(tài)分解算法、神經(jīng)網(wǎng)絡(luò)和Dempster-Shafer(D-S)證據(jù)理論,極大地減少了運算時間。
雖然上述基于數(shù)據(jù)驅(qū)動的風(fēng)機齒輪箱智能故障診斷方法已經(jīng)得到一定的應(yīng)用;但是在工業(yè)應(yīng)用中準(zhǔn)確獲取標(biāo)注的齒輪箱故障數(shù)據(jù)比較困難,同時齒輪箱主轉(zhuǎn)速、負載、檢測部位的不同,傳感器收集數(shù)據(jù)的特征空間分布具有顯著差異,因此故障診斷準(zhǔn)確率有待提高。遷移學(xué)習(xí)是近年來人工智能領(lǐng)域一個重大突破,旨在運用已有的知識解決相關(guān)但不完全相同領(lǐng)域的問題。學(xué)者們已經(jīng)開展許多用遷移學(xué)習(xí)來解決訓(xùn)練樣本少的問題的研究,旨在通過放寬假設(shè)來自相同分布的訓(xùn)練和測試數(shù)據(jù)來實現(xiàn)故障診斷知識的跨領(lǐng)域遷移學(xué)習(xí)。侯召國等提出的基于遷移學(xué)習(xí)與加權(quán)多通道融合的齒輪箱故障診斷方法具有較高的診斷精度,而且變工況下泛化性能得到改善。為了解決實驗場景中存在各種噪聲干擾、獲得的振動數(shù)據(jù)較少、故障特征不明顯的問題,Guo等[10]提出基于多核融合卷積神經(jīng)網(wǎng)絡(luò)(MKFCNN)和長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)遷移學(xué)習(xí)算法,提高了基于目標(biāo)域小樣本數(shù)量的故障識別精度。Wan等[]采用內(nèi)聚性評價方法選擇任務(wù)的敏感特征,利用基于遷移學(xué)習(xí)的稀疏自編碼器將單一工況下學(xué)習(xí)到的知識遷移到復(fù)雜工況中,在風(fēng)力發(fā)電機動力傳動系統(tǒng)診斷模擬器上證明了方法的有效性。
采用基于機器學(xué)習(xí)和統(tǒng)計學(xué)的數(shù)據(jù)驅(qū)動故障診斷方法,可以通過分析大量實際運行數(shù)據(jù)來識別故障模式和潛在關(guān)聯(lián)。該方法的顯著優(yōu)勢在于對機械系統(tǒng)的知識要求相對較低,同時能夠有效利用現(xiàn)有的大數(shù)據(jù)資源。相比于傳統(tǒng)的基于物理模型的方法,數(shù)據(jù)驅(qū)動方法在提供精確的數(shù)值預(yù)測和深入的理論解釋方面可能存在一定的局限性,原因是基于物理模型的方法只能依靠已知的物理規(guī)律和精確的數(shù)學(xué)模型,提供對故障機制的深刻洞察和準(zhǔn)確的量化分析。
利用工業(yè)領(lǐng)域傳感器采集的振動數(shù)據(jù),結(jié)合現(xiàn)有的故障診斷算法在實際應(yīng)用中的特點優(yōu)化最終的決策結(jié)果,能夠在一定程度上提高齒輪箱故障診斷的準(zhǔn)確率,提高數(shù)據(jù)驅(qū)動方法在齒輪箱故障診斷領(lǐng)域的應(yīng)用潛力,尤其是在處理大規(guī)模數(shù)據(jù)和復(fù)雜系統(tǒng)時的效率和實用性。本文中提出一個基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷模型,通過構(gòu)建特征模型來描述齒輪運動和力學(xué)特性,從而獲取能夠描述部件物理特性的特征;然后運用數(shù)據(jù)驅(qū)動方法學(xué)習(xí)隱藏的特征模式和規(guī)律,利用不同分類器搭建決策融合模型,實現(xiàn)故障分類和模型的預(yù)測;最后,利用具有相同類型的源域數(shù)據(jù)集訓(xùn)練故障分類預(yù)測模型,通過基于模型的遷移學(xué)習(xí)將訓(xùn)練好的模型應(yīng)用于齒輪箱數(shù)據(jù)集中,實現(xiàn)對齒輪箱故障的識別,提高齒輪箱故障診斷的精確度和泛化能力,識別故障產(chǎn)生的主要原因,豐富齒輪箱故障的專家診斷知識庫。
1 理論方法
1. 1 統(tǒng)計特征
振動信號時域特征通常涉及對脈沖故障比較敏感的統(tǒng)計特征[12],尤其是在初期階段選擇[13]中使用的特征作為代表。設(shè)每段序號按時間的序列編號 i=1 ,2,…, N , N 為每段分割信號的樣本點數(shù),xi 為每段分割信號的時域序列, 為每段分割信號時域序列的均值。以下給出時域中8個統(tǒng)計特征的定義:
1)均方根(root mean square,RMS),
2)幅值平方根(square root of the amplitude,SRA),
3)峰度值(kurtosisvalue,KV),
式中 σ 為標(biāo)準(zhǔn)差。
4)偏度值(skewnessvalue,SV),
5)峰峰值(peak-to-peakvalue,PPV),
XPPV=max(xi)-min(xi)o
6)波峰因子(crestfactor,CF)
7)脈沖因子(pulse factor,IF),
8)邊際因子(marginal factor,MF),
頻域分析是信號的另一種描述,可以揭示那些在時域中無法找到的信息[14]。設(shè)每段譜線的序列
編號 k=1 ,2,…, M,M 為譜線數(shù), fk 為第 k 條譜線的頻率值。以下給出頻域中3個統(tǒng)計特征的定義:
1)頻率中心(frequencycenter,F(xiàn)C),
2)均方根頻率(root mean square frequency,RMSF),
3)根方差頻率(rootvariance frequency,RVF),
1. 2 包絡(luò)特征
復(fù)包絡(luò)分析是一種振動信號分析技術(shù),常用于提取調(diào)制信號的幅值和相位信息,進而分析調(diào)制信號和具有非平穩(wěn)特性的信號。信號包絡(luò)可以借助于希爾伯特(Hilbert)變換來計算,可以捕獲振幅和相位的瞬時變化。通過采用復(fù)雜包絡(luò)分析,可以識別諧振頻率,分析瞬態(tài)事件,研究振動系統(tǒng)的動態(tài)行為
給定時域中的信號 h(t) ,希爾伯特變換是 h(t) 與信號 1/πt 的卷積,產(chǎn)生時域中的新信號,即
式中:希爾伯特變換記作 或
為實值函數(shù)。
分析信號,即 ha(t) 由原始信號 及其正交的希爾伯特變換
組成,定義為
式中: ha(t) 為時域中的復(fù)信號;i為虛數(shù)單位。
軸承缺陷頻譜的計算分析步驟如下:
1)計算原始信號 h(t) 的分析信號 ha(t) :
2)解析信號 的傅里葉變換;
3)頻譜分析 1。
1.3 小波特征
分析非平穩(wěn)信號的最佳方式包括短時傅里葉(Fourier)變換、小波變換(或小波包變換)、希爾伯特-黃(Huang)變換(HHT)等[15],采用小波包分解(waveletpacketdecomposition,WPT)可以得到軸承振動信號的時頻分布圖與多分辨率分析特性。小波包分析(wavelet packet analysis,WPA)是小波變換的一種擴展,經(jīng)過逐層分解獲取正交性、光滑性和時頻局部化等特性。一個3級小波包分解的例子如圖1所示。
小波包節(jié)點能量可以表征振動信號的特征。一般來說,小波分析中最大的困難是母小波函數(shù)的選擇和確定,以及信號在不同應(yīng)用中的分解水平[16]不同的母小波函數(shù)及其順序?qū)μ卣魈崛〉挠绊懖煌?。Rafiee等[17]提出尋找故障分類最佳母小波函數(shù)的新方法,以及在機器狀態(tài)監(jiān)測中利用小波分析分解振動信號的最佳水平,實驗結(jié)果表明,在多貝西極限相位小波的消失矩為2~20(DB2、DB3、、DB20),其中DB4正交小波將振動信號分解為4級,比其他小波能更有效地揭示振動信號中軸承損傷產(chǎn)生的異常瞬態(tài)。 s 個樣本的一維時域振動信號,在小波包分解樹的深度為 j 的情況下,獲取 2j 個葉子節(jié)點 0:,[15] [13]。每個節(jié)點具有大約S/2j 個小波系數(shù)。令 cj,ns (每個樣本中按時序分割的時域振動信號的序列號
是小波包分解樹的深度 j 處的葉子節(jié)點 Ωn 的 S/2j 個小波系數(shù), n=0 ,1,…, 2j-1 。第 n 個葉子節(jié)點的能量Ej(n) 為
第 n 個小波包特征為
式中 Ej(m) 為第 ?m 葉子節(jié)點的能量, m=0,1,…, 2j-1 。
在樹的深度 j=4 時,葉子節(jié)點的數(shù)量為16,即W4,0?W4,1?…?W4,15 ,因此獲得16 個特征
,其中 中
。
1.4 決策融合
決策融合是一種通過整合多個傳感器、系統(tǒng)或算法的輸出以形成統(tǒng)一決策的過程,核心內(nèi)容包括數(shù)據(jù)源整合、多算法組合、優(yōu)化決策結(jié)果。數(shù)據(jù)源整合通過多個不同的傳感器或系統(tǒng)收集數(shù)據(jù),并將其整合在一起用于分析和解釋。多算法組合可以通過結(jié)合多個算法的優(yōu)點,減小單一算法可能帶來的偏見和誤差,提升決策能力,提供更強大、更靈活的決策支持。決策融合能夠自動分析多個決策的結(jié)果,允許在不同場景和條件下靈活適應(yīng)。本文中采用決策融合策略,對上述特征模型所提取出的統(tǒng)計特征、包絡(luò)特征和小波特征進行聯(lián)合判斷和處理,從而得出對觀測目標(biāo)的一致性結(jié)論。
本文中通過現(xiàn)有的較易獲取的旋轉(zhuǎn)設(shè)備軸承數(shù)據(jù),從信號中提取有效的信息,并在利用 K 近鄰(KNN)、決策樹(DT)、隨機森林(RF)、支持向量機(SVM)、輕量梯度提升機(light-GBM)和極端梯度提升機(XGBoost)6種分類器,根據(jù)從不同角度提取的有效信息診斷、分類設(shè)備狀態(tài),并最終通過集成算法實現(xiàn)決策融合,綜合利用各分類器的優(yōu)點,提高預(yù)測的準(zhǔn)確性和泛化能力。本文中采用投票法(Voting)、融合法(Blending)和堆疊法(Stacking)的3 種集成學(xué)習(xí)方法[1]將KNN、DT、RF、SVM、light-GBM和XGBoost6種分類器分別構(gòu)建成3個決策模型 M1 、 M2 、 M3 開展融合實驗,并評估 M1 、 M2 、 M3 模型的組合效果。
1.5 遷移學(xué)習(xí)
遷移學(xué)習(xí)是從一個問題(稱為源域)學(xué)習(xí)到的知識應(yīng)用到另一個相關(guān)但不完全相同的問題(稱為目標(biāo)域)上的一種機器學(xué)習(xí)方法,在數(shù)據(jù)量不足或計算資源有限的情況下非常適用,在齒輪箱故障診斷方面也有較廣應(yīng)用。遷移學(xué)習(xí)的原理可以分為知識遷移、領(lǐng)域適應(yīng)、知識共享和模型遷移4個方面。遷移學(xué)習(xí)廣泛存在于人類的各項活動中,不同領(lǐng)域共享的因素越多,遷移學(xué)習(xí)越容易實現(xiàn);否則就變得困難,甚至出現(xiàn)負遷移[18-19]的情況,產(chǎn)生副作用。目前遷移學(xué)習(xí)方法主要分為基于實例的深度遷移學(xué)習(xí)[20]、基于映射的深度遷移學(xué)習(xí)[21]、基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)[22]和基于對抗的深度遷移學(xué)習(xí)[10]等。為了盡可能充分利用源域和目標(biāo)域的數(shù)據(jù)和特征,本文中采用基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)診斷齒輪箱故障。
2基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)
M1 模型主要假設(shè)是,通過盡可能多地從振動信號中提取信息,并在遞歸特征消除(RFE)過程中將特征數(shù)量減少到合理范圍內(nèi),可以提升故障檢測系統(tǒng)的判別能力。以往的研究[17]表明,通過特征模型所提取的不同位置傳感器的振動信號特征可以提高故障診斷效率。為了適應(yīng)不同規(guī)模和特征空間數(shù)據(jù)的應(yīng)用,本文中選擇KNN、DT、RF、SVM、lightGBM和XGBoost分類器,通過集成算法搭建網(wǎng)絡(luò)模型,并在CWRU電機軸承故障數(shù)據(jù)集[23上實現(xiàn)故障診斷。當(dāng)模型診斷結(jié)果達到理想狀態(tài)后,通過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)將 M1 ! M2 、M3 模型應(yīng)用到東南大學(xué)齒輪箱軸承數(shù)據(jù)集[24],檢驗將數(shù)據(jù)應(yīng)用于基于網(wǎng)絡(luò)模型遷移學(xué)習(xí)后,對齒輪箱軸承故障預(yù)測的準(zhǔn)確性。齒輪箱故障診斷模型框架如圖2所示。
齒輪箱故障診斷模型框架信息處理步驟如下:
1)信號獲取。分別同時獲取源域中電機軸承和目標(biāo)域中齒輪箱的相關(guān)傳感器數(shù)據(jù),構(gòu)成各自源域和目標(biāo)域的原始信號2)信號分割。將從各個傳感器獲取的振動信號分割成連續(xù)的間隔。3)信號特征提取。從源域中分割的原始信號中提取該特征模型的特征向量。4)特征池。組裝關(guān)于源域中電機軸承狀況的信息的全局特征向量,將現(xiàn)有特征模型所提取出的特征向量通過特征選擇算法降維。
5)特征層的特征選擇。從已有的源域特征向量中,通過RFE結(jié)合分類器性能評估特征的重要性,選擇重要特征,形成現(xiàn)有特征子集。該步驟主要目標(biāo)是降維和增加網(wǎng)絡(luò)特征集的區(qū)分能力。
6)分類。定義多分類器模型并評估其在源域中的性能。7)決策融合。將源域中各傳感器經(jīng)特征模型提取的特征向量通過 M1 ! M2 ! M3 模型的預(yù)測結(jié)果進行綜合判斷,從而提高模型在源域中預(yù)測的準(zhǔn)確性和泛化能力。
8)遷移學(xué)習(xí)。將上述在源域中訓(xùn)練好的網(wǎng)絡(luò)模型通過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)應(yīng)用到目標(biāo)域中,評估目標(biāo)域中 M1 、 M2 : M3 模型的預(yù)測、診斷性能,得到最終的診斷結(jié)果。
3 實驗與結(jié)果討論
3.1 數(shù)據(jù)集及實驗設(shè)備
本文中使用的實驗數(shù)據(jù)集是CWRU電機軸承故障數(shù)據(jù)集(https://engineering.case.edu/bearing-datacenter/download-data-file)和東南大學(xué)齒輪箱軸承數(shù)據(jù)集(https://engineering.case.edu/bearingdata-center/download-data-file)。實驗所用設(shè)備為筆記本電腦,顯卡為NVIDIA公司的RTX2050,中央處理器(CPU)型號為 i712700H ,運行內(nèi)存為16GB。此外,構(gòu)建的模型均在Tensorflow框架下完成,采用的數(shù)據(jù)從風(fēng)力渦輪機測試機中采樣,故障數(shù)據(jù)來源、詳細參數(shù)以及源域和目標(biāo)域的劃分見表1。
3.2 特征提取、選擇
將源域(CWRU電機軸承故障數(shù)據(jù)集)中的振動信號通過特征模型提取,生成代表設(shè)備狀態(tài)的特征向量。以CWRU電機軸承故障實驗臺數(shù)據(jù)為例進行分析,在驅(qū)動端(DE)和風(fēng)扇端(FE)位置所獲取某個信號分割片段所提取的時頻包絡(luò)圖如圖3(a)、(b)所示。由時域包絡(luò)圖不僅可以得到信號的主要頻率成分、相位信息,進一步分析信號的頻域特征、頻率分布以及相位變化和相位差異,而且可以得到不同時間、頻率時振幅的變化信息,顏色越深,振幅越大,從中可以識別振幅異?;蜃兓膮^(qū)域。本文中將源域中每個樣本提取的 241×2 型特征矩陣轉(zhuǎn)換為 482×1 型一維數(shù)組作為該樣本的特征。
小波包分解樹的深度 j 為4時的CWRU電機軸承故障數(shù)據(jù)小波分解結(jié)果如圖4所示。為了避免圖表過載,僅處理源域中DE端獲取到的正常狀態(tài)和故障點直徑為 1.778mm 、電機負載為735W的內(nèi)圈故障狀態(tài)下的振動信號,并截取前0.01s的2段信號。每個葉子節(jié)點僅使用該點的小波包系數(shù)表示重構(gòu)樣本,比較DE端內(nèi)圈故障和正常狀態(tài)的2段信號。對比圖4(a)、(b)中原始信號經(jīng)4級分解得到的16個小波分解的時域圖可以看到,節(jié)點能量確實存在很大差異,經(jīng)過小波分解可以更容易地觀察到能量高的頻率范圍、能量聚集區(qū)域的位置和強度,并能觀察信號中的主要頻率成分和頻帶,反映信號在不同尺度上的能量分布。
源域中每個樣本的總特征個數(shù)見表2。SVM分類器基于不同特征模型提取的特征的故障診斷準(zhǔn)確率(ACC)和受試者工作特性曲線下的面積(AUC)見表3。由表中數(shù)據(jù)可以看出,與基于不同特征的ACC、AUC相比,SVM基于特征池的故障診斷ACC和AUC均最小,基于后續(xù)經(jīng)REF特征選擇后的特征的ACC最大,說明CWRU數(shù)據(jù)集中各特征模型所提取的特征中存在冗余特征,增加了分類器計算復(fù)雜性和存儲需求。
從表3的單類特征訓(xùn)練結(jié)果可以看出,源域頻域統(tǒng)計特征在SVM分類器中表現(xiàn)較差(ACC和AUC均小于 65% ),表明此類特征對故障診斷的區(qū)分能力有限。為此,本文中采用RFE結(jié)合SVM評估特征重要性,通過迭代移除最不重要的特征并重新訓(xùn)練,最終篩選出最優(yōu)特征子集。RFE選擇的特征的重要性結(jié)果如圖5所示。由圖可見,小波統(tǒng)計特征與時域特征的重要性分值最低(即貢獻最大),而一階差分、二階差分特征的重要性分值高達時域特征的30倍,因此被剔除。最終保留的時域特征、復(fù)雜包絡(luò)特征及小波統(tǒng)計特征構(gòu)成了最優(yōu)特征子集。從表3中的實驗結(jié)果可知,基于該子集的SVM分類器在故障診斷任務(wù)中表現(xiàn)出色,ACC和AUC均大于 85% ,最高可達 95% 。相比之下,SVM對單一特征的分類性能波動較大(ACC為 80%~97% ),而對所有原始特征的組合的ACC和AUC都小于65% ,驗證了時域特征、復(fù)雜包絡(luò)特征與小波統(tǒng)計特征的協(xié)同作用,它們通過互補的時頻信息捕捉軸承故障的瞬態(tài)特性與全局模式,使分類器的魯棒性與泛化能力顯著提升。
3.3 不同分類器對最優(yōu)特征子集的故障診斷性能
將SVM、KNN、light-GBM、XGBoost、RF和DT6種分類器在RFE特征選擇所得到的源域和目標(biāo)域的最優(yōu)的特征子集中訓(xùn)練,故障診斷性能如圖6所示。由圖可知:除KNN分類器外,其他5種分類器在源域(傳感器1、2)的故障診斷的ACC幾乎都大于 95% 。經(jīng)過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí),除KNN分類器外,其他5種分類器在4個目標(biāo)數(shù)據(jù)集上的ACC基本都在 80% 以上。對于轉(zhuǎn)速為 30r/min 、負載電壓為 0ΔV 配置的齒輪數(shù)據(jù)集,第一個通道(對應(yīng)傳感器7)收集到的振動信號經(jīng)過特征提取和分類器訓(xùn)練后,其ACC和AUC數(shù)值中基本為該曲線的最低點。在其他目標(biāo)數(shù)據(jù)集中,除了KNN分類器之外,另外5種分類器的ACC基本均能達到 95% ,進一步說明基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)在齒輪箱故障診斷中也有較好的效果。
3.4 源域和目標(biāo)域中的決策融合
基于最優(yōu)特征子集,本文中采用投票法、融合法和堆疊法分別集成6種基分類器構(gòu)建 M1 、 M2 、 M3 模型,3個模型的分類ACC和AUC如表4所示。表中結(jié)果顯示,在目標(biāo)域測試集上的故障分類任務(wù)中,3個模型的ACC和AUC均大于 96% ,其中 M2 模型通過融合法整合互補分類器優(yōu)勢,ACC達到 100% 。與圖6中單一分類器的分類性能相比較,3個集成模型的故障分類診斷性能顯著提升,驗證了遷移學(xué)習(xí)框架的有效性。其中, M2 模型憑借特征級融合策略,在復(fù)雜工況下的泛化能力尤為突出,為目標(biāo)域軸承故障診斷提供了高魯棒性解決方案。
注: ①AUC 為受試者工作特性曲線下的面積。 ②M1 模型為 K 近鄰分類器(KNN)、決策樹分類器(DT)、隨機森林分類器(RF)、支持向量機分類器(SVM)、輕量梯度提升機分類器( )和極端梯度提升機分類器(XGBoost)通過投票法構(gòu)建的模型。 ③ M2 模型為上述6種分類器通過融合法構(gòu)建的模型。 ④M3 模型為上述6種分類器通過堆疊法構(gòu)建的模型。
3.5 診斷方法比較
以下將比較 M1 、 M2 、 M3 模型與自編碼算法(SAE)網(wǎng)絡(luò)[25]、MKFCNN-LSTM遷移學(xué)習(xí)算法的齒輪箱中軸承故障的診斷性能,驗證本文模型的有效性和優(yōu)越性,結(jié)果見表5。SAE網(wǎng)絡(luò)的參數(shù)設(shè)置為:2個隱藏層的神經(jīng)元數(shù)量分別為256、128,迭代次數(shù)為30。MKFCNN-LSTM遷移學(xué)習(xí)算法的參數(shù)設(shè)置為:MKFCNN網(wǎng)絡(luò)結(jié)構(gòu)為6層,每個隱藏層神經(jīng)元數(shù)分別為0、16和32。從表5中數(shù)據(jù)可以看出,本文搭建的 M2 模型的故障診斷準(zhǔn)確率均比其他2種算法的高,且最高可達 100%
注: ①SAE 為一個由多層稀疏自編碼器組成的深度神經(jīng)網(wǎng)絡(luò)模型。 ② MKFCNN-LSTM為基于多核融合卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法。 $\textcircled { 3 } \textcircled { \mathrm { M } } _ { 1 }$ 模型為 K 近鄰分類器(KNN)、決策樹分類器(DT)、隨機森林分類器(RF)、支持向量機分類器(SVM)、輕量梯度提升機分類器(lightGBM)和極端梯度提升機分類器(XGBoost)通過投票法構(gòu)建的模型。 ④M2 模型為上述6種分類器通過融合法構(gòu)建的模型。 ⑤M3 模型為上述6種分類器通過堆疊法構(gòu)建的模型。
4結(jié)論
本文中提出一種基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷模型。該模型結(jié)合傳統(tǒng)分類器在診斷性能上的優(yōu)缺點,構(gòu)建決策融合模型,對 M2 模型的齒輪箱故障診斷性能進行對比評估,得出以下結(jié)論:
1)將特征模型和不同分類器構(gòu)建的決策融合模型,可以充分發(fā)揮各分類器的優(yōu)點,彌補各自的缺點,實現(xiàn)對不同工況下齒輪箱故障的診斷,準(zhǔn)確率最高可達 100% 。
2)通過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí),將在CWRU電機軸承故障數(shù)據(jù)集訓(xùn)練好的基于決策融合的軸承故障診斷模型應(yīng)用于東南大學(xué)齒輪箱軸承數(shù)據(jù)集,驗證該模型對齒輪箱軸承的故障診斷具有普適性。實驗結(jié)果表明, M2 模型在齒輪箱故障診斷中的準(zhǔn)確率接近于該模型在源域上的診斷準(zhǔn)確率,最高可達 100% 。與SAE網(wǎng)絡(luò)和MKFCNN-LSTM遷移學(xué)習(xí)算法相比,本文中提出的基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷模型在準(zhǔn)確率上具有明顯的優(yōu)勢。
參考文獻:
[1]LIU W Y. Intelligent fault diagnosis of wind turbines using multidimensional kernel domain spectrum technique[J]. Measurement, 2019,133:303.
[2]GAO Q W,LIU W Y,TANG BP,et al. A novel wind turbine fault diagnosis method based on intergral extension load mean decomposition multiscale entropy and least squares support vector machine [J].Renewable Energy,2018,116:169.
[3]XIA H,DAI L,SUN L P,et al. Analysis of the spatiotemporal distribution pattern and driving factors of renewable energy power generation in China[J].Economic Analysis and Policy,2023, 80: 414.
[4]CHEN R X,HUANG X, YANG L X,et al. Inteligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet ransfor[J].Computers in Industry, 2019,106:48.
[5]REN H,LIU W Y,SHAN MC,et al.A novel wind turbine health condition monitoring method based on composite variational mode entropy and weighted distribution adaptation[J].Renewable Energy,2021,168:972.
[6]王皓,周峰.基于小波包和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機齒輪箱故障診 斷[J].噪聲與振動控制,2015,35(2):154.
[7]王超,李大忠.基于LSTM網(wǎng)絡(luò)的風(fēng)機齒輪箱軸承故障預(yù)警 [J].電力科學(xué)與工程,2020,36(9):40.
[8]孟繁曄,高翼飛,陳長征,等.基于多方向振動數(shù)據(jù)的風(fēng)機齒 輪箱故障智能診斷[J].機械工程師,2022,16:66.
[9] 侯召國,王華偉,王峻洲,等.基于遷移學(xué)習(xí)與加權(quán)多通道融 合的齒輪箱故障診斷[J].振動與沖擊,2023,42(9):236.
[10]GUO Y L,WU G X, LIU X L. Small sample MKFCNN-LSTM transfer learning fault diagnosis method[C]//ZHANG H,F(xiàn)ENG G J,WANG H J,et al. Proceedings of IncoME-VI and TEPEN 2021:Performance Engineering and Maintenance Enginering. Cham:Springer International Publishing,2022:265.
[11]WAN Z T,YANG R,HUANG M J. Deep transfer learningbased fault diagnosis for gearbox under complex working conditions[J].Shock and Vibration,2020,2020:1.
[12]LU Y,TANG J. On time-frequency domain feature extraction of wave signals for structural health monitoring[J]. Measurement, 2018,114: 51.
[13]XIA Z G,XIA S X,WAN L,et al. Spectral regression based fault feature extraction for bearing accelerometer sensor signals [J].Sens0rs,2012,12(10):13694. sis of induction motors using a genetic algorithm and machine learning classifiers[J]. Sensors,2020,20(7):1884.
[15]HU D, ZHANG C,YANG T,et al. An intelligent anomaly detection method for rotating machinery based on vibration vectors[J]. IEEE Sensors Journal,2022,22(14):14294.
[16] ZHANG YF,KANGBY,HOOIB,et al.Deep long-tailed learning:a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2023,45(9) : 10795.
[17]RAFIEE R,RAFIEE S,TSE P W. Bearing fault diagnosis based on wavelet transform and fuzzy logic[J].Mechanical Systems and Signal Processing,2011, 25(2) : 667.
[18] ROSENSTEINM T,MARX Z,KAELBLINGL ΔP ,etal.To transfer or not to transfer[C]//NIPS 2O05 Workshop on Inductive Transfer: 10 Years Later, December 5-8 ,2005,Vancouver, Canada. Cambridge:MIT Press 2005,898(3):4.
[19]AGAHI H,MAHMOODZADEH A. Decision fusion scheme for bearing defects diagnosis in induction motors[J].Electrical Engineering,2020,102(4):2269.
[20]AJAKAN H,GERMAIN P,LAROCHELLE H,et al. Domainadversarial neural networks[EB/OL]. (2014-12-15)[2024- 02-01]. https://doi.org/10. 48550/arXiv. 1412.4446.
[21]HINTON G,VINYALS O,DEAN J. Distilling the knowledge in a neural network[EB/OL].(2015-03-09)[2024-02-01]. https://doi.org/10. 48550/arXiv.1503.02531.
[22]SHAO S Y,McALEER S,YAN R Q,et al. Highly accurate machine fault diagnosis using deep transfer learning[J].IEEE Transactions on Industrial Informatics,2019,15(4):2446.
[23] DAI WY,YANG Q,XUE GR,et al.Boosting for transfer learning[C]//GHAHRAMANI Z. ICML'O7: Proceedings of the 24th International Conference on Machine Learning. New York: Association for Computing Machinery,2O07:193.
[24]TZENG E,HOFFMAN J, ZHANG N,et al. Deep domain confusion:maximizing for domain invariance[EB/OL]. (2014-12- 10)[2024-02-01]. https://doi.org/10. 48550/arXiv.1412. 3474.
[25]HUANG JT,LI JY,YU D,et al. Cross-language knowledge transfer using multilingual deep neural network with shared hidden layers[C]//2013 IEEE International Conference on Acoustics, Speech and Signal Processing,May 26-31,2013,Vancouver, Canada.New York:IEEE,2013:7304.
(責(zé)任編輯:劉飚)