基于改进卷积神经网络的行星齿轮箱故障诊断研究

姚明镜 唐 璇 吕 昂

(①成都理工大学工程技术学院，四川 乐山 614000；②核工业西南物理研究院，四川 成都 610225)

行星齿轮箱作为风力发电机的重要传动部件，其运行环境复杂，如果一旦出现故障就会引发严重事故。因此对其进行故障诊断非常必要[1]。行星齿轮箱是多个行星轮绕太阳轮转动的机构，其运转过程中会产生振动，当齿轮有一些微弱故障时，振动信号就会发生变化，可以通过振动信号去判断和识别故障类型[2-3]。近些年，很多国内外学者利用信号处理技术和人工智能技术研究了基于专家系统、人工神经网络等齿轮箱故障诊断方法[4-5]。本文针对行星齿轮箱搭建实验平台，使用基于改进卷积神经网络(CNN)的故障诊断模型方法来进行故障识别与诊断，识别准确率比较高，从而可以准确判断故障类型，及时了解故障严重程度，降低检测成本，减少事故的发生。

1 卷积神经网络算法原理

1.1 卷积层

如图1所示，通过改变网络层的步长滑动卷积核使其与输入矩阵进行自相关运算，从而提取图像中每一块小区域的局部特征。权值就是卷积核上的数值，利用误差的反馈对卷积核进行更新迭代，从而实现网络的学习。

1.2 池化层

池化层可以减少参数个数压缩特征信息，提高泛化能力，其根据操作不同可分为两种：(1)最大池化层即寻找输入矩阵在池化窗口上的最大值，并将其映射到输出矩阵上(如图2所示)；(2)平均池化层即计算输入矩阵的平均值作为输出(如图3所示)。

1.3 激活函数层

以ReLU激活函数对卷积层的输出进行映射，如图4所示，其表达式为：

1.4 优化算法

为了有效地应对神经网络中由于模型选择和参数设置引起的过拟合、收敛速度慢或不收敛等问题，引入批量归一化(batch normalization, BN)层和丢弃(dropout)层对模型进行优化。BN层对卷积层的输出进行如式(2)的标准化处理，将卷积层输出的数据转换为均值为1、方差为0的分布，提高模型中间层输出数值的稳定性。

(2)

(3)

(4)

(5)

式中的⊙是按元素相乘[5]。

Droupout层是以一定的概率p随机地丢弃全连接层中的某些隐藏层神经元，如图5所示，图5a为一个输入为4的单隐藏层的未丢弃神经元节点的三层神经网络示意图，图5b为在训练过程中以一定概率丢弃神经元节点三层神经网络的示意图，通过丢弃可以降低模型的复杂度，防止过拟合现象的出现[6-8]。

2 实验方案

2.1 模拟实验平台的硬件装置

搭建行星齿轮箱信号采集系统实验平台如图6所示。将加速度传感器安装到齿轮箱上，并连接采集箱(NI PXI-1033)，通过采集卡(PXI-4496)采集信号，可以通过调速装置改变转速。

2.2 齿轮箱故障工况模拟

如表1所示，先将齿轮按照不作处理、磨损、断一齿和断两齿4种方式进行处理，分别对应正常、轻度故障、中度故障和严重故障[9]4种故障程度。

在进行模拟实验时，先采集齿轮箱正常情况下的振动信号，然后将齿轮依次换为轻度故障、中度故障和严重故障的齿轮，分别采集齿轮箱的振动信号。信号采集方案如表2所示。

表1 齿轮故障程度设定

表2 信号采集方案

3 模型搭建与实验结果分析

3.1 样本构造

由压电式加速度传感器所采集到的原始振动信号为电压的时序信号，其不同状态齿轮的部分时域波形如图7所示。

为了保证学习样本的有效性，需要每一个样本的时间长度都要大于一个周期[10]。本实验把12 500个数据作为一个学习样本。同时对原始数据进行标准化处理以便使神经网络在训练中更快地收敛。对于数据向量x，标准化的方法为：

(6)

通过这种方法共构造样本720个，其中每一种故障情况均为180个。将所有样本划分为两部分，一部分为训练集用于训练神经网络；另一部分为验证集用于验证正确率。实验把训练集和验证集按照5：1的比例进行数据划分。

3.2 卷积神经网络的搭建

搭建卷积神经网络结构如图8所示：包括4个卷积模块和3个全连接层。本实验使用MATLAB的深度学习框架进行编程。该模型使用Adam算法和MBGD算法，设置学习率η=10-3，小批量大小m=100，Adam算法中的两个参数分别设置为β1=0.9，β2=0.999[11-12]。将每种故障类型数据集中的180个样本随机按照训练集和验证集5：1的比例划分。表3所示为模型中的一些重要层的参数设置。

表3 重要层的参数选择

如图9所示对模型进行优化，在图8所示模型的基础上，进行改进：

(1)在每一个卷积层后都连接一个批量归一化层BN层。

(2)在全连接层1和2后分别连接一个Dropout即信号丢弃层，丢弃概率p均设置为0.7[13-14]。

3.3 实验结果分析

将3.1节中构造的720个实验数据作为模型的输入数据，以5：1划分数据，其中600个作为训练集，120个作为验证集。先用故障类别已知的训练集数据训练3.2节中搭建的卷积神经网络模型，经过训练后卷积神经网络模型的混淆矩阵中N、LF、MF、SF分别表示正常、轻度故障、中度故障和严重故障，如图10所示。再将混合的验证集实验数据代入训练好的模型中，就可以判断齿轮箱故障类别。改进前的原始模型在训练至60次时收敛，改进后的模型在训练至120次时收敛。图11为训练过程中迭代次数与准确度之间的关系，图12为训练过程中损失函数(误差)与准确度之间的关系。训练数据集和验证数据集的分类准确率分别达到了100%和81.67%，损失函数值Loss分别降到了0.001和0.59。从图11a中可以看出，虽然模型能够较快收敛，但是验证集上的准确率较低且远远低于在训练集上的准确率，这是因为训练样本数量过少而导致的过拟合现象[15]。从图11b中可以看出，改进后的模型在训练数据集和验证数据集的准确率分别达到了100%和99.2%，没有出现过拟合现象，分类效果较好。由以上分析得出，改进后的卷积神经网络模型与未经优化的原始模型相比分类准确率得到了显著的提高。

4 结语

(1)利用引入BN层和Dropout丢弃层的改进卷积神经网络(CNN)对行星齿轮箱进行故障诊断识别是可行的且其分类准确率与改进之前相比明显提高。

(2)基于深度学习理论的卷积神经网络模型能够对不同类型的故障进行精确分类且准确率高达99.2%。

(3)利用改进卷积神经网络模型可以通过原始信号进行故障识别，无需单独进行特征提取。