基于EMD降噪和LSTM网络的地铁风机轴承寿命预测

2020-07-09张传凯

风机技术 2020年3期

张传凯

（1.北京市地铁运营有限公司；2.北京地铁工程管理有限公司）

0 引言

近年来，随着轨道交通的快速发展，地铁成为了人们重要的出行方式。地铁大部分时间处在地下密闭空间，稳定的送风、排烟等功能直接关系到乘客的生命安全。因此，地铁风机的安全运行是保证地铁正常运行的前提和基础。轴承是风机中最重要的部件之一，也是风机中最容易出现故障的部件。地铁风机轴承在长时间运行和极端环境等因素复合作用下，不可避免的产生因磨损而带来的性能退化，若不能及时监测其退化过程，一旦轴承完全失效将产生严重的安全事故[1-3]。因此，研究地铁风机轴承的剩余使用寿命预测具有非常重要的意义。

目前，国内外学者对于风机轴承的研究多集中于使用振动信号进行故障分析。如：文献[4]通过对时域特征和频域特征的分析实现地铁风机轴承故障诊断。文献[5]结合加速度、速度和位移信号实现地铁风机的故障诊断。文献[6]提出了一种调制强度指标，结合循环平稳解调算法获得风机的故障类型及故障程度。文献[7]提出了一种基于对称点图分析和图像匹配的故障诊断方法检测风机机械故障。然而，这些方法只能判断风机轴承已发生故障的类别，没有对退化过程的预测能力。

随着传感器技术和计算机技术的快速发展，使得海量的机械运行数据得以采集和处理。通过机器学习和深度学习技术建立特征参数与剩余寿命的映射，从而实现机械设备的剩余寿命预测[8]。文献[9]以栈式自动编码器为基本结构，建立了风机轴承故障预警方法。文献[10]采用马尔科夫链原理建立了风机齿轮箱轴承磨损状态的Gamma分布模型，利用历史检查维护数据进行轴承状态评估和剩余寿命预测。文献[11]提出一种基于温度特征量的风电轴承性能退化模型及其实时剩余寿命预测方法。文献[12]结合t分布随机近邻嵌入和LSTM网络实现旋转机械寿命预测。然而，真实的地铁风机轴承振动信号往往存在各种环境噪声，这些噪声严重影响上述方法的预测准确性。与此同时，上述方法都是针对解决某一具体问题，一旦设备的工作状态发生改变，其方法并不适用。因此，为解决上述问题，本文提出了滤波处理的EMD降噪与LSTM网络相结合的预测方法。该方法有效的去除地铁风机轴承振动信号中存在的噪声，并准确的预测轴承的剩余使用寿命。

1 算法研究

1.1 提出方法的流程

为了去除地铁风机轴承振动信号中存在的噪声并准确预测风机轴承的剩余使用寿命，本文提出了基于滤波处理的EMD降噪与LSTM网络相结合的预测方法。其过程为：首先，使用EMD将信号从高频至低频分解为若干阶IMF分量，根据互相关系准则和峭度准则，选择有效IMF分量重构信号。然后提取降噪信号的时频特征，根据单调性和相关性准则选择合适的特征向量，构成退化特征参数集。最后通过退化特征参数训练LSTM网络，得到轴承寿命的预测输出。提出算法的具体流程如图1所示。

1.2 滤波处理的EMD降噪

在实际工业场景获取的轴承振动信号不可避免地含有噪声，特别是当轴承故障刚开始发生时，其微小的故障冲击往往会被噪声所掩盖。因此，为有效的提取轴承故障特征信息，开展振动信号的降噪工作是至关重要的。传统的EMD降噪是将信号分解为IMF分量后的高频分量作为噪声直接去除，但是去除分量的多少直接影响降噪结果，如果去除的分量较少则起不到降噪的目标，去除的分量多则有可能影响信号的有效成分。为此，本文提出了基于滤波处理的EMD降噪方法。通过该方法得到降噪信号不仅可以去除噪声，同时对信号的冲击成分保存的很好。降噪的主要步骤为选用两条降噪准则对EMD分解的IMF分量进行筛选，对筛选的IMF分量进行重构，得到降噪后的合成信号。

1）EMD分解

EMD是一种处理非线性、非平稳信号的自适应时频处理方法[13]。任何信号可以通过EMD分解为n个IMF分量与一个余项的和，即：

式中，x（t）为原始信号；imfi（t）为IMF分量；rn（t）为余项。

2）互相关系数准则

互相关系数可以衡量各IMF分量和原始信号的线性相关程度的量，可以通过互相关系数来判定IMF的真伪。各个IMF分量与原始信号的互相关系数可表示为[14]：

式中，Rx,imfi（t）表示互相关；Rx（t）表示自相关。

3）峭度准则

峭度是反映信号波形尖峰度的一个统计量，通过峭度值可以反映轴承故障振动信号中的冲击成分。IMF分量的峭度值越大，说明其中保留的冲击成分较多，通过对保留较多冲击成分的IMF分量重构得到的信号可以很好的保留轴承故障的冲击成分。峭度值可表示为：

式中，N为采样长度；σt为标准差。

1.3 LSTM网络

基于数据驱动的寿命预测模型多为深度信念网络（DBN）和卷积神经网络（CNN），但是这两种网络都没有记忆能力。为了更准确的预测地铁风机轴承的剩余使用寿命，本文提出一种基于LSTM的轴承剩余寿命预测方法。LSTM网络能够记住前面出现的特征，并根据前面记忆的特征进行预测，这对寿命预测任务是非常有益的。LSTM的网络结构如图2，特征xi和前一步的记忆特征ht-1同时作为输入，得到预测输出ht。LSTM的计算过程为：

图2 LSTM网络结构Fig.2 The network structure of LSTM

图3 XJTU-SY试验台Fig.3 The test rig of XJTU-SY

图4 轴承全寿命振动信号Fig.4 The full-life vibration signal of bearing

退化特征参数集的准确构建也对预测结果产生一定的影响，合适的特征参数的选择能更好的描述轴承退化状态，从而得到准确的预测结果。通过对衡量退化特征指标研究，最终选用单调性和相关性两个指标选择轴承退化特征参数。

2 轴承寿命预测实验

2.1 轴承加速寿命试验台

本实验采用XJTU-SY轴承数据，具体实验装置如图3所示[15]。XJTU-SY试验台的目的是提供不同工况下自然退化轴承的整个使用寿命振动信号。不同的径向力由液压加载系统产生并施加于被测轴承座上，转速由交流感应电机的转速控制器设定。试验共设计了3类工况，在转速2 100r/min，径向力12kN下采集的第1，2和5号轴承作为本研究的对象。跟踪轴承退化过程，垂直振动信号通常比水平振动信号提供的有用信息少，因此本研究仅采用水平测量的振动信号。第1，2和5号轴承的全寿命信号如图4。

2.2 采样点设置

试验中的采样频率为25.6kHz，每次采样时长为1.28s，原始信号每个采样点32 768长。为增加采样点数，本研究将每个采样点设置为4 096，所以采样点总数扩充为原来的8倍。轴承全寿命信号的采样点数和退化起始点如表1。

表1 轴承的采样点数和退化起始点Tab.1 Number of sampling points and degradation starting point of bearing

3 结果分析

3.1 轴承振动信号降噪结果

为了验证降噪效果，选取轴承1部分故障信号为研究对象。图5为某时刻振动信号的时域图和频谱图。由图可以看出，原始信号有周期性冲击信号，但是频谱图中频率分布存在一定的噪声。

图5 原始信号的时域图及频谱图Fig.5 Time-domain waveform and spectrum of the raw signal

接下来，对故障信号进行基于滤波处理的EMD降噪。首先，对原始信号进行EMD分解，得到6个IMF分量，如图6所示。从图中可以看出，IMF1～IMF4可以看出故障冲击成分，但是IMF1的噪声较多。IMF5和IMF6丢失信息过多，所以IMF6之后的分量不在进行研究。

图6 EMD分解得到的IMF分量Fig.6 IMF component obtained by EMD decomposition

采用互相关系数准则和峭度准则对IMF分量进行筛选，根据式（2）和（3）求出各分量与原始信号的互相关系数和各分量的峭度值，结果如表2。前5个分量与原始信号相关性较大，但是第5个IMF分量的峭度值较小。同时，由图6可以看出，IMF1的噪声较多。因此，最终IMF2，IMF3和IMF4被选为重构信号分量，重构降噪信号的时域图和频谱图如图7所示，从图中可以看出，信号中的冲击成分更明显，同时部分高频和低频中的噪声被去除。

表2 互相关系数和峭度值Tab.2 The cross-correlation coefficients and kurtosis

图7 重构信号的时域图及频谱图Fig.7 Time-domain waveform and spectrum of the reconstruction signal

3.2 LSTM寿命预测

进行寿命预测前首先要提取能反映轴承信号退化趋势的特征参数。过多的特征参数会导致计算量增大，增加计算时间。过少的特征参数则不能完全反映轴承退化趋势，导致预测结果较差。为此，本研究通过单调性和相关性准则从降噪后的轴承全寿命信号中提取多个时域和频域特征参数。具体过程为：具有单调性的特征有更好的时序性，因此首先去除不具有单调性或者单调性变化不明显的特征参数。然后，根据相关性准则，去除相关性大的特征参数。最终，共筛选6个特征参数组成特征参数集，分别是时域均方根，时域方差，频域标准差，中心频率，平均频率和频域均方根。轴承1的全寿命信号的特征参数如图8，从图中可以看出筛选的各特征参数都能反映轴承的退化过程。

图8 特征参数集Fig.8 Feature parameter

根据轴承的退化起始时刻建立轴承特征参数集的标签，退化起始时刻之前的样本点标签设置为0，从退化起始点开始逐渐增加直到完全退化状态的标签设置为1。本研究选用3个轴承的全寿命信号的数据进行实验，其中第3和第5轴承作为训练数据，第1轴承作为测试模型性能数据。与此同时，采用现有DBN网络和CNN网络进行对比实验，训练集和测试集均按照本文提出的方法设定。表3给出了三种方法的网络参数。

表3 三种方法网络参数Tab.3 Network parameters of the three methods

图9为三种方法的预测结果，基于LSTM网络的寿命预测曲线与真实寿命的一致性最好。在轴承故障发生后一段时间内存在波动较大情况，这是由于轴承在发生故障后存在恢复阶段。恢复阶段存在的原因是在轴承刚发生故障时，其振幅较大，但是在旋转过程中被磨平而导致振幅变小。当过恢复阶段后，预测的准确性相对较平稳。表4给出了三种预测方法的均方根误差值（RMSE），LSTM的RMSE最小，这进一步证明了LSTM方法预测性能优于其他两种方法。所以通过本次实验可以证明提出方法可以准确的预测轴承剩余使用寿命，为地铁风机的有效运行提供保障。