转速大波动下滚动轴承智能故障诊断方法研究

来源:用户上传      作者:王金瑞 李舜酩 钱巍巍 安增辉 张伟

　　摘要：机械中普遍存在的转速大波动工况是影响机械设备故障诊断的关键性难题，现有方法在计算效率及诊断误差等方面存在缺陷。深度学习理论能够利用深度神经网络实现数据的自动特征提取和分类。结合深度学习的优势，提出了一种专门用于处理转速大波动工况下的智能故障诊断方法。该方法首先根据机械转速信息提取频域样本;然后利用频域样本训练批标准化的深度神经网络，用批标准化技术中的平移和缩放参数能来处理转速大波动下频域信号的频移和幅变特性，并减轻深度网络内部协变量转移问题，加快网络收敛;最后采用两组特殊设计的转速大波动工况下的滚动轴承试验来验证提出方法的性能。研究结果表明，该方法可克服转速大波动的影响，从而实现不同轴承故障的准确识别，并获得比其他方法更高的准确率。
　　关键词：故障诊断;滚动轴承;深度学习;转速大波动;批标准化
　　中图分类号：TH165+.3;TH133.33文献标志码：A 文章编号：1004-4523（2020）02-0391-09
　　DOI：10.16385/j.cnki.issn.1004-4523.2020.02.020
　　引言
　　随着现代制造业和信息技术的发展，交通、能源、航天等领域的机械设备如高速列车、航空发动机、燃气轮机等都在朝着复杂化、高速化和智能化发展，因此可靠的健康监测系统也日趋重要。而转速大波动情况下的健康监测技术尚未成熟，考虑转速大波动工况的普遍存在：一是由于机械设备启停产生的大范围的转速变化，二是在受载荷、工况的影响下出现的转速剧烈波动。由此导致信号征兆与故障模式问的映射关系变得异常复杂，给机械设备的健康监测带来了极大的挑战。
　　转速大波动下机械设备动态信号处理及故障诊断方法的研究开始于2010年，形成的技术路线主要以阶次跟踪及其衍生方法为主。然而在技术可操作性和设备附加成本两方面都对其发展带来了阻碍，而且无法达到转速剧烈和随机波动下信号分析的精度要求。同时，众多学者尝试采用许多相关的非平稳信号分析方法如WVD与cohen类时频分析、小波变换、故障特征稀疏表示等技术方法。这些方法在设备监测与诊断领域获得了广泛应用，但是它们各有自身特点或缺陷，只适合分析某些特定性质的信号。机械设备的动态信号在转速大波动下具有调幅、调频、调相等非平稳特征，并且这些特征在时频域存在强烈耦合。采用以往的时频分析方法难以有效地解决转速大波动信号在时频面内高分辨显示的问题。一些改进方法或各种方法之问的结合为时频分析方法表示能力的提升带来了希望，如基于STFT或小波变换的同步压缩技术，时频融合方法以及自适应时频滤波等技术方法。但它们依然未能完善地解决任意目标高精度的时频表示，同时也无法实现转速大波动工况下机械故障的智能诊断。
　　由于计算机网络技术的迅猛发展和“大数据”时代的到来，深度学习理论作为一种大数据处理工具，其研究與应用已经取得突破性进展。深度学习已经在图像、语音识别等领域的大数据分析上取得了长足进步。同时在机械智能故障诊断领域也吸引了广泛关注：雷亚国等采用对频域信号加噪的方法设计了五层去噪自动编码器（DAE），并成功的应用到了多齿轮传动旋转部件的故障诊断中。贾峰等建立了五层叠加自动编码器（SAE）将信号的频谱特征作为输入，并对不同负载和转速下的旋转轴承故障进行了诊断，诊断准确率几乎达到100%。赵锐等提出了基于长短时记忆算法（LSTM）的机械健康监测方法，并应用到了机械工具磨损监测中，通过对比发现深度LSTM模型优于浅层模型。Janssens等利用二维CNN对4种不同的旋转机械故障类型进行了识别，该模型包含一个卷积层和一个连接层，Softmax作为顶部的分类层。
　　鉴于深度学习强大的表征能力，本文尝试将深度学习理论运用到转速大波动下轴承的智能诊断模型的设计中，以实现轴承的智能监测与诊断。同时考虑到转速大波动下振动频域信号产生的频移及幅变特性，使得深度网络在训练期问的内部协变量转移问题加剧，网络训练更加困难。考虑在每一网络激活层中加入一种深度神经网络优化技术——批标准化算法，其特设的平移和缩放参数可以完美地解决转速大波动下的频移及幅变问题;同时通过归一化每层的输人来减少内部协变量转移，并大大地加快深度神经网络的收敛。本文首先根据机械的转速信息提取故障样本的频域信号，然后将其输入到批标准化的深度神经网络中进行训练，最后采用Softmax回归作为分类器实现转速大波动下的智能故障诊断。随即以两种特殊设计的转速大波动轴承故障试验为例验证了提出方法的有效性。
　　1批标准化的深度神经网络
　　选用叠加自动编码器经逐层训练构成深度神经网络，Softmax回归判别结构作为分类层，将批标准化技术应用到网络的每一激活层中，建立具有诊断监测能力的深度神经网络模型。
　　1.1叠加自动编码器
　　叠加自动编码器的基本组成单元为自动编码器结构。一个自动编码器为对称的三层神经网络：输入层、隐藏层和输出层，结构如图1（a）所示。其学习过程为非监督学习方式，包含编码和解码过程：编码用于将输人信号映射成隐层表达，解码是对隐层表达的重构。
　　将自动编码器逐层叠加，即第一隐层为第二层输入，由此构成深度网络结构，如图1（b）所示。构成的深度神经网络采用非监督学习方式实现逐层训练，Softmax回归分类器与标签数据相结合，经BP算法实现网络权值更新和参数微调。
　　1.2批标准化
　　批标准化可以用一种优雅的方式重参数化几乎所有的深度神经网络，其过程可以应用于每一个激活层而无需参数调节。它可以通过一个独立的方式来标准化矩阵的每一行使其具有零均值和单位方差。假设一个k维输人向量s=（s1…sk），为提升训练及减少内协变量转移问题，批标准化技术采用两个必要的简化步骤：
　　3试验验证
　　本文以轴承为研究对象，根据提出方法，采用两种特殊设计的轴承转速大波动试验来验证提出方法的有效性。轴承故障诊断试验台如图3所示，驱动电机额定功率为0.75kW，轴承型号为QPZZ-II型NU205EM圆柱滚子轴承。故障设置为在轴承表面用线切割技术切出的方形凹槽，凹槽宽0.5mm、深0.5mm。共模拟设置了轴承的5种健康状况：正常、内圈故障、外圈故障、滚动体故障、滚动体与外圈复合故障。故障轴承如图4所示，在轴承座上表面安装振动加速度传感器，设置采样频率为25.6kHz。 　　3.1匀加减转速大波动轴承试验
　　设置轴承转速从640r/min匀加速升到1500r/min，再从1500r/min匀减速到640r/min。以内圈故障轴承为例，时域波形如图5（a）所示，经LMS数据采集设备提取转速信息如图5（b）所示。根据最低转速及采样频率，取每个样本2400个数据点，经FFT变换得1200个傅里叶系数。每种故障类型取200个样本，共1000个样本。之所以选用频谱是由于时域样本有时移特性，即在同一故障的不同样本中，故障特征点的位置很难保证一致，由此给特征提取带来较大困难;其次在深度神经网络中，输入分类器的每一个信号的长度都会影响准确率。因此为了包含足够的信息并获得较好的结果，就需要信号尺寸足够大，然而过大的尺寸必然会导致网络结构的复杂化及训练时问加长。而频谱信息不仅可以从测试信号中通过FFT轻松获取轴承健康状况更丰富的信息，而且更加规则化的特征分布克服了时域信号的时移特性;同时频谱长度比时域信号尺寸缩短一半，减少了网络的计算成本。
　　参照文献[11]，本文网络结构设置共5层，每层神经元个数分别为1200，600，200，100和5。试验中随机选取40%的样本进行训练，其余样本用于测试。为减少随机因素的影响，试验重复进行15次。每层迭代次数为20次，学习率为10-4，批尺寸为10。
　　诊断结果如图6所示，可以看出15次试验的训练准确率均为100%，平均测试准确率为98.8%。因此足以说明提出的方法能够排除转速大波动的干扰，准确识别轴承的5种不同的健康状况。为了对比提出方法的准确性，采用如下3种方法进行对比：
　　（1）对比方法1：采用时域信号作为输入，网络结构为2400-1200-600-200-100-5，其余参数设置与提出方法相同;
　　（2）对比方法2：未加批标准化算法的深度神经网络，参数设置与文献[12]相同。
　　（3）对比方法3：多隐层反向传播神经网络BPNN，结构与本方法相同。
　　同样进行15次试验，得到平均训练和测试准确率如表1所示。可以看出提出方法在测试准确率上都远远高于其他方法，对比方法1的训练准确率虽同样达到了100%，但其测试准确率只有27.13%，这充分说明了时域信号的频移和幅度特性对测试样本产生的不利影响，虽然训练准确率很高，但是在测试鲁棒性上远远低于频域信号。对比方法2和3无论在训练还是测试准确率上都低于本方法，由此体现出批标准化算法在处理频移和幅变特性数据上的优越性。图7为3种方法的训练误差曲线，通过对比可以发现，提出方法不仅能够在20次迭代步数中更快地收敛到0，而且在迭代初始阶段便在一个很低的训练误差0.2下进行。对比方法1的初始训练误差为0.39，对比方法2和3无论在初始误差及第20步误差上均无法与提出方法相媲美。
　　为验证提出方法的特征提取能力，利用t-SNE[20]技术将学习到的高维特征映射成三维特征向量进行可视化，结果如图8（a）所示。可以看出除两个复合故障的样本与内圈故障混合，一个内圈故障样本与滚珠故障混合外，其余不同类型的轴承样本都很好地区分出来，相同类型的样本都聚集在了一起。图8（b），（c）所示为对比方法1和2的降维结果（方法3效果太差，在此不予展示），可以看出不同健康状况的轴承样本散点互相交错，完全没有呈现出聚集模式，说明这两种方法相比于提出方法对匀加减转速大波动下的故障特征提取能力上明显不足。
　　为进一步说明批标准化技术中yi和βi参数的作用，随机选取了3个不同转速（700，1000，1300r/min）下的内圈故障样本进行说明，如图9所示。从图9（d），（e）可以看出3种转速下样本的低频部分发生频移和幅变现象明显，高频部分幅变现象明显。将其输入到批标准化的神经网络中后，得到各层的特征变化如图10所示，可以看出随着层数的增加，网络学习到的特征逐渐趋向统一。图11为未加批标准化得到的第三隐层特征向量图，可以看出3个特征向量趋势混乱，无法用于样本分类。由此可以得出批标准化技术通过yi和βi逐层对样本特征进行平移和缩放，使得最终提取的特征归于同一趋势，以此解决了转速大波动下信号的频移及幅变特性带来的诊断困难问题。
　　3.2无规律转速大波动轴承试验
　　设置轴承转速在800r/min到1500r/min之问无规律波动，同样以内圈故障轴承为例，其转速信息如图12所示，持续采样时问为32s。每种故障类型取360个样本，总共1800个样本。建立的深度神经网络结构及参数设置不变。
　　采用10%的样本进行训练，其余样本进行测试，得到15次训练及测试准确率如图13所示。可以看出提出方法在更少的训练样本百分比的情况下获得了99.88%的平均测试准确率，比匀加减转速大波动试验的测试准确率更高。考虑其原因可能是由于该试验的转速波动较多，同等转速信号样本会多次重复采集，且转速变化范围较小。由此使得测试相对难度较小，且神经网络结构维度也较小，网络训练起来相对容易，因此获得准确率更高。同时根据如图14所示训练误差及图15所示特征降维散点图可以看出，提出方法在处理无规律转速大波动下的轴承故障诊断上同样具有快速收敛和准确分类的优越性能。
　　3.3交叉验证试验
　　为进一步验证提出方法的有效性，对上述两节试验进行两组交叉验证，具体如下：
　　（1）验证试验1：以匀加减速波动试验数据为训练数据，以无规律转速波动试验数据为测试数据进行试验;
　　（2）验证试验2：以无规律转速波动试验数据为训练数据，以匀加减速波动试验数据为测试数据进行试验。
　　同样进行15次试验，训练准确率在上述两节中均已展示，现得到测试准确率如图16所示。两组验证试验的平均准确率分别为99.91%和98.02%，可以看出以匀加减速波动试验数据为训练数据，以无规律转速波动试验数据为测试数据得到的准确率更高。究其原因應为验证试验2中信号的转速波动范围较小，即缺少600-800r/min的训练数据，因此在应对验证试验1的低转速样本时准确率自然降低。由于训练过程与上两节试验一致，故训练误差曲线也无差别，在此不予展示。
　　两种验证试验的特征降维散点图如图17，18所示，验证试验1的所有故障类型都完美地区分开来，验证试验2中复合故障与滚珠故障有轻微重叠现象，且有两个复合故障样本错误分人了内圈故障中，这也与其得到的相对较低的准确率相匹配。因此，通过验证对比可以得出，提出方法在交叉验证试验中仍然能获得较高的准确率，实现了故障类型的正确分类和识别。
　　4结论
　　（1）提出的批标准化深度神经网络方法能够克服机械转速大波动的干扰，实现不同健康状况轴承的准确诊断。两组特殊设计的转速大波动轴承试验完美地验证了提出方法的有效性。
　　（2）频域信号不仅能克服时域信号的频移和幅度问题，且数据量比时域信号减少一半，在提供更有效信息的同时减少网络计算成本。试验结果也表明频域信号能够获得比时域信号更高的测试诊断准确率。
　　（3）批标准化技术在克服转速大波动下振动信号的频移和幅变问题的同时，还能加快网络收敛。对比未加批标准化的深度神经网络，结果显示批标准化的深度神经网络能够更加快速准确地实现转速大波动下的轴承故障诊断。
转载注明来源:https://www.xzbu.com/8/view-15199341.htm