基于多通道残差深度网络的往复压缩机故障诊断模型研究

原栋文，王永超，刘 浩，易顶珍，宋志军，毕文阳

(1.中国石化集团金陵石化有限公司，江苏 南京 210033；2.北京博华信智科技股份有限公司，北京 100029)

1 引言

近年来，基于深度学习的机械设备故障诊断方法逐渐成为故障诊断领域的研究热点。相较于依赖故障诊断专业知识及人工经验的传统诊断方法，基于深度学习的诊断模型可自动地从复杂数据中挖掘故障特征，将数据处理、特征提取、特征选择与诊断分类流程打通，摆脱了对故障诊断专家人工经验的依赖[1]。

在设备故障监测诊断领域，雷亚国等[2]利用堆叠自编码器处理行星齿轮故障数据，自适应地提取了故障状态下的敏感特征；丁家满等[3]提出一种基于深度森林的诊断模型，以多组简单工况下的轴承实验数据训练构建深度森林模型，在分析超参数对模型影响的基础上确定了诊断模型的关键参数，解决了深度神经网络复杂调参的问题；徐卓飞等[4]针对滚动轴承故障诊断中依赖特征集选取这一问题，提出了基于深度残差网络的故障诊断方法，凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练；赵敬娇等[5]等提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型，将原始轴承振动信号输入网络中，利用具有残差连接的多个一维卷积层自动提取特征；王晓玉等[6]提出了一种新的数据增强的堆叠自编码器(DESAE)框架，采用SAE生成模拟信号，对不充足的训练数据进行增强，利用轴承数据集验证了该方法的有效性；汪欣等[7]针对电机故障诊断问题，设计一种新型的一维卷积神经网络结构(1D-CNN)，提出一种基于声信号和1DCNN的电机故障诊断方法。

可看出，现有研究多针对旋转机械轴承、齿轮等部件开展基于深度学习的故障诊断方法研究，对往复机械的研究则相对较少。张利军等[8]采用多进程加载数据，以残差网络为基础网络框架进行深度和宽度的缩减，自动处理往复压缩机振动信号时频图像并进行敏感特征深度挖掘和评估；Liu Yang等[9]针对堆栈降噪自编码的神经网络结构复杂、节点数较多的特点，提出遗传算法优化的深度堆栈降噪自编码模型，并应用到往复压缩机故障诊断中。上述模型围绕振动信号开展研究，对往复压缩机多源信号监测特点关注较少，不利于故障综合诊断。

本文针对现有深度学习故障诊断模型存在的结构层数增加导致训练困难，以及对多源参数综合处理能力关注较少的问题，提出一种基于多通道残差网络的往复压缩机故障诊断模型，设计了多次卷积层、池化层、批归一化层、激活层以及全连接层，实现了对往复压缩机振动、位移、温度等多源数据的特征自动提取与融合处理，并通过残差学习解决模型深度增加性能退化的问题。应用实际往复压缩机故障案例数据进行测试验证，取得了良好的诊断效果。

2 基于多通道残差网络的诊断模型

在传统卷积神经网络的基础上采用残差学习和多通道融合机制，构建了基于多通道残差神经网络的往复压缩机故障诊断模型，可用图1表示。

图1 基于多通道残差神经网络的故障诊断模型

2.1 数据处理与特征提取层

本文构建的残差学习模块由卷积层、批处理归一化层和非线性激活函数层等组成，如图2所示。假设残差学习模块的输入为x，则输出H(x)可表示为如下数学计算公式

图2 本文构建的残差学习模块

H(x)=F(x，{wi})+x

(1)

其中，F(x，{wi})为残差函数，F(x，{wi})

=H(x)-x，{wi}为残差函数对应的权重参数。操作F(x，{wi})+x通过快捷连接和元素递增来执行。需要注意的是，x和F(x，{wi})的维数必须相同。当它们的维数不匹配时，可以用x的线性映射来相加，例如，可以通过卷积和池化等操作来改变x的维数。

该残差学习模块有个分支：一个是残差函数F(x，{wi})，也被称为主路径；另一个是输入x的恒等映射，也被称为快捷连接。这2个分支相加即形成残差学习模块的输出。由多个残差学习模块组成的结构称为残差神经网络，这个深度学习网络通过“快捷连接”(跳过一个或多个层的连接，其中所有快捷连接被恒等映射，其输出被添加到堆叠层的输出)来实现。

2.2 多通道融合层

多通道融合层的原理为：每个通道对输入数据进行卷积和池化等运算，计算出若干个特征映射。多个通道设置在相同的网络结构上，卷积核的数量、大小、步长以及激活函数等都是相同的。在每个通道的末端，将提取的特征映射扩展为一维特征向量，即Flatten层。融合层将多个通道的一维特征向量进行融合。将特征向量表示为m1，m2，…，mn，其中，m1，m2，…，mn维数相等，可以得到融合的特征向量z

z=w1·m1+w2·m2+…+wn·mn

(2)

其中，w1，w2，…，wn分别为训练过程中学习到的特征向量m1，m2，…，mn的融合权值。融合权值的维数与特征向量的维数一致。这些权值可以确定特征向量之间的关系，有利于提取耦合特征。在融合层之后，设置全连接层对提取到的耦合特征进行分类，第一个全连接层的神经元个数可以自定义，最后一个全连接层的神经元数量对应分类任务的类别数。

2.3 诊断流程

基于多通道残差神经网络的故障诊断流程如图3所示。

图3 基于多通道残差神经网络的故障诊断流程图

首先，通过传感器采集原始机械振动信号，并准备训练样本、验证样本和测试样本。其中，训练和测试样本为实验数据和机组历史运行数据，测试数据为机组实际运行数据。每次迭代训练时随机从训练集中取出20%作为验证集，验证集不参与训练。原始振动数据直接用作模型输入，不需要人工提取的信号处理特征。

接着，根据故障诊断问题和采集到的数据，确定神经网络的配置，包括残差学习模块个数、卷积核个数和长度，以及训练超参数设置等。振动信号的特征通过卷积层和残差学习模块来提取。在网络的末端，使用SoftMax从深层网络学习的高级特征来对机械健康状态进行分类。反向传播算法用于更新网络中的权重，使用Adam优化方法训练并选定相应的评价标准，包括准确率和损失函数值等。

最后，当训练过程结束时，保存在验证集上效果最好的模型，将测试样本将输入进该模型，获得对故障测试集的诊断结果。

3 往复压缩机典型故障案例应用

3.1 案例数据

从往复压缩机实验数据和工程实际机组历史故障数据中选择连杆螺栓断裂故障样本350个、拉缸故障样本350个、气阀阀片断裂故障样本400个、活塞杆断裂故障样本100个和正常样本800个用于训练和验证模型。

每个样本都包含曲轴箱振动、十字头冲击、活塞杆位移、气阀温度等测点数据。不同故障典型数据如表1、2所示。

表1 训练与验证数据

表2 测试数据

图4为往复压缩机不同健康状态的振动信号和位移信号归一化后的时域波形图，可以看出，基于现有振动信号、位移信号难以人工判断其故障特征。

选取25%的样本作为训练集，对本文提出的特征提取与诊断模型进行训练，另外75%的样本作为验证集，对模型进行验证，迭代过程中保存在验证集上效果最好的模型。

保存训练效果最好的模型，利用机组实际运行故障数据对模型进行测试，选取连杆螺栓断裂故障200个和拉缸故障200个，全部用于对模型进行测试。

3.2 训练与验证结果

图5、6分别为模型损失函数值随迭代次数变化曲线和模型准确率随迭代次数变化曲线。可以看出，随着迭代次数的增加，模型在训练集和验证集上的损失函数值逐渐下降，同时，准确率也逐渐上升。

图5 模型损失函数值随迭代次数的变化

图6 模型准确率随迭代次数的变化

最终，模型在验证集上的分类准确率达到90.8%。模型对验证集的预测混淆矩阵如图7，其中，纵坐标表示样本的实际标签，横坐标表示模型预测的标签。

图7 模型在验证样本上的混淆矩阵

采用t-SNE降维方法对模型的输出进行降维可视化如图8。

图8 模型在训练样本上输出可视化

保存在验证集上效果最好的模型，下一步将模型在机组实际故障案例上进行测试。

3.3 模型测试结果

将训练好的模型通过机组实际运行故障数据进行测试，检验模型性能。模型在测试样本上的准确率为82.75%。模型在测试样本的混淆矩阵如图9所示，可看出：在共400个测试样本中，有69个实际为连杆螺栓断裂故障的样本被错误预测为了气阀阀片断裂故障。

图9 模型在测试样本上的混淆矩阵

采用t-SNE降维方法对模型的输出进行降维可视化如图10。

图10 模型在测试样本上输出可视化

4 结论

本文针对往复压缩机多源信号监测以及故障特征在不同监测信号上各有分布的特点，建立了一种基于多通道残差网络的往复压缩机故障诊断模型，对基于深度学习的故障诊断方法进行了有益尝试。该模型设计了多通道故障特征提取层与特征融合层，无需人工指导特征提取，具有良好的自适应性，可对不同信号类型的故障特征进行了融合诊断。实验和实际故障案例数据测试证明，本文提出的故障诊断模型取得了较好的应用效果。