基于CNN和预处理机制的球磨机故障诊断方法

宋旭彤, 刘卓元, 金 毅, 孙云娜, 丁桂甫

(上海交通大学 微米/纳米加工技术国家级重点实验室，上海 200240)

0 引 言

行星式球磨机是最受青睐的可用于混合、细磨、小样制备、纳米材料分散、新产品研制和小批量生产高新技术材料的设备,被广泛应用于矿产、电子、化工、环保等行业,是科研单位、高等院校、企业实验室获取微颗粒研究试样的理想装置。生产活动中决定生产效率的重要因素是球磨机的可靠性[1,2]。球磨机的运行健康主要包括3个方面：底盘轴承是否健康、球磨罐与底座是否贴合、球磨罐内部材料是否有沉底或粘罐现象。近年来,行星式球磨机的故障监测方法主要关注于球磨机内部轴承的振动分析[3],振动分析的优点是相对简单和方便[3,4]。但在相对恶劣环境下，如高温、腐蚀环境中,安装振动传感器来执行信号采集和检测难度系数极高。而利用声传感器可在恶劣情况下采集到所需的信号。

“中国制造2025”给工业上的智能诊断提出了新的要求,即诊断技术交叉融合化、诊断系统集成化,从而可充分发挥各自优点,进一步提高诊断系统的综合诊断能力[5]。到目前为止,很多基于数据驱动的智能诊断方法应用于故障诊断领域中，如决策树(decision tree,DT)、梯度提升决策树(gradient boosting decision tree,GBDT)和支持向量机(support vector machine,SVM)。然而，就目前来看,虽然取得了一定的效果,但是缺乏一定的适应性，准确率及效率仍有待提高[6]。而且,这类浅层机器学习算法很难有效构建故障与信号间复杂的映射关系。因此难以适用于“大数据”时代下的故障诊断。

为了避免上述问题,本文提出一种基于小波和自回归(auto-regressive，AR)模型功率谱预处理与卷积神经网络特征提取机制的球磨机故障诊断方法。在预处理时,将收集到的球磨机工况声信号降噪处理,去除原始数据集的冗余特征。基于卷积神经网络(convolutional neural network,CNN)在卷积过程中对局部变化不敏感的特点,使CNN具有了较强的抗噪处理能力。通过实验表明，本文提出的方法具有更高的准确率，并在一定程度上提升了故障诊断的效率。

1 基础理论

1.1 小波及AR模型功率谱与处理机制

1.1.1 小波降噪基本原理

对于一般的声传感器测得的球磨机工况信号,可以表示为如下形式

s(i)=f(i)+σ·e(i),i=0,1,…,n-1

(1)

式中s(i)为含噪声信号;f(i)为真实信号;e(i)为噪声信号;σ为系数。f(i)通常表现为低频的特征,e(i)通常表现为高频的特征。小波降噪的本质在于小波变换对信号表现出传递特性和对噪声信号表现出抑制特性。根据声信号和噪声在小波分解尺度上的不同规律,可以进行有效的信噪分离[7]。

1.1.2 AR模型功率谱原理

AR模型是一个全极点模型,此自回归模型的输出是当前输入和过去输出的加权和[8],可有下面的差分公式表示

(2)

式中p为AR模型的阶数,aj为AR模型的参数,ω(n)为均值为0、方差为σ2的平稳白噪声序列。其输出的功率谱为

(3)

1.1.3 预处理机制

在球磨机工作后,用麦克风提取信号,将收集到的信号进行Sym小波包降噪滤波,再将滤波后的信号进行AR模型功率谱处理,提取到特征值[9]。据此预处理后的数据来构建特征向量。

1.2 特征向量构建

假设每个本征模态函数(intrinsic mode function,IMF)是采样点为N的时间序列,依据相关性准则,采用皮尔逊积矩相关系数计算各个IMF分量同原始信号的相关系数[10],从而分析IMF的敏感程度,具体数学表达如式(4)所示。再根据统计学原理 (即相关系数大于0.3认为具有相关性)以及CNN各输入向量维度一致原则,各故障类别均选择M个IMF。因此,重构的输入特征向量的维度是M×N

(4)

式中X为原始信号；Y为某个IMF分量,r(X,Y)为X,Y相关系数,Cov(X,Y)为协方差函数,Var[X]为X的方差。

新的特征向量输入至CNN,与将全部IMF分量作为输入样本的方式相比,可以提升网络学习复杂信号特征的能力,降低数据尺寸[11]。

1.3 CNN

CNN在本质上是多层感知机,属于神经网络范畴[12]。采用卷积层和采样层交替设置,构建多个能够提取输入数据特征的滤波器,逐层挖掘隐藏在数据之中的敏感特征[4,13]。本文构建的CNN是由2层卷积层、全连接层以及分类器组成的多层特征提取网络。卷积层与全连接层接替排列,通过对卷积层的输出批量归一化,再传递至激活层进行非线性处理。整个网络持续提取预处理后的信号中隐含的固有特征,并变换为抽象的深层特征。揭示预处理信号的本质特点,完成特征域到故障类别域的分类。

如图1,Conv1表示第一层卷积层,卷积核大小为(3,1),卷积核个数为16,步长为1；Avg_pooling表示池化层；卷积且池化后的特征图大小为16×300×1；Conv_2表示第二层卷积层,卷积核大小为(3,1),卷积核个数为32,步长为1；卷积且池化后的特征图大小为32×30×1；Flatten表示将特征图展开为960×1大小的特征向量；FC_1表示第一层全连接层,全连后的特征向量大小为512×1；FC_2表示第二层全连接层,全连后的特征向量大小为256×1；FC_3表示第三层全连接层,全连后的特征向量大小为6×1。

图1 CNN多层提取网络原理

1.3.1 卷积层

卷积层使用卷积核对输入信号的局部区域进行运算,对每层卷积结果进行批量归一化处理后[4,13],利用函数Leaky ReLU对结果进行非线性变换以克服梯度弥散现象,如式(5)所示

al(i,j)=f(yl(i,j))

(5)

1.3.2 全连接层

全连接层对提取的特征分类。将最后一个卷积层的输出展平为一维特征向量,作为全连接层的输入[14],全连接层的正向传播公式为

(6)

2 球磨机故障诊断试验

2.1 球磨机运行

行星式球磨机运转时,其主要传动部件是行星轮系,球磨机的转动过程中,球磨罐通过齿轮传动绕主轴公转,同时自转[2]。底盘可被设置在任意方位高速运行,使所磨的材料更加匀细。底盘及主轴最核心的器件为轴承,轴承的健康程度直接决定了球磨机运行是否顺利,球磨机结构如图2所示。在运行时,球磨罐内研磨体随之旋转,在球磨罐内滑动和滚动,从而在球磨罐中研磨材料。操作者容易在球磨罐和基座固定之后立即离开,这极易引起贴合不足的问题。图3为球磨罐与底盘贴合放置图。在操作期间,球磨罐与底盘不贴合是工业生产操作中的常见现象,导致材质疲劳、球磨机传动齿轮或轴承有所损坏。

图2 行星式球磨机结构

图3 球磨罐与底盘贴合放置

为验证所提方法的可行性,对型号为QM—QX全方位行星式球磨机进行数据采集及处理,所有数据由VS1053集成的音频系统采集,由奈奎斯特定律可知,采样频率为 50 Hz。数据包含了底盘滚动轴承的三种不同健康状态：滚动体故障、内圈故障、外圈故障,还有两种常见故障：球磨罐与底盘松弛及粘罐。每类数据集8 000条(包含3 000个采样点)。表1为实验样本详细信息。

表1 实验样本基本信息

2.2 预处理结果

不同的工况状态信号隐藏着不同频带的特征,此处以玛瑙罐贴合不紧密的情况为代表,其小波降噪图像为图4。

图4 小波6层去噪时域信号

本文应选取小波降噪及AR功率谱处理后统一维度的信号数据构建特征分量。根据小波降噪原理,获取Sym6层降噪后的信号,从图4可以看出,第3层信号原始信号相似性最强,信号图像曲线较平滑且相位失真小,完整保留了原始信号特点。

原始信号相关选取第3层信号分量进行AR功率谱变换,由图5可看出,经过处理后的信号可以较大程度反映原始信号的固有特征。考虑到CNN的训练过程必须输入统一的样本维度。

图5 AR模型功率谱图像

2.3 CNN初始化

本文方法是利用CNN对小波降噪及AR功率谱预处理后的信号进行特征提取和学习,因此诊断的准确率较大程度取决于CNN的参数设置。经多次调整模型参数,最终确定CNN主要参数设置为：第1层卷积核尺寸3×1,卷积核个数为16个；第2层卷积核尺寸大小不变,卷积核个数为32个。进入全连层,神经元个数分别为512,256,6。

激活函数为LeakReLU,批处理个数为40,优化器选用Adam,学习率为0.000 1,训练迭代次数为50。

2.4 实验结果

从8类数据集各随机选出70 %的数据作为训练集(每类5 600条),剩下30 %的数据作为测试集(每类2 100条)。每次从训练集选择200条数据进行训练,训练集迭代50轮后结束训练。然后使用训练好的CNN模型对测试集进行故障分类诊断,并与未引入预处理机制的CNN模型作比较。图6为本文提出方法和CNN的训练实验结果诊断准确率的对比,可以看出,本文模型准确率在第20次训练就已经达到了95.451 93 %,准确率在稳步提升且训练时间少,用时不到200 s。而未引入预处理机制的CNN模型存在过拟合现象,训练时间是本文方法的6倍,准确率最高仅能达到91.7 %。可见,引入小波及AR功率谱预处理机制可以提升CNN学习复杂特征的能力,减少模型训练的时间,提高整体模型的准确率,极大增强了鲁棒性,并有利于分析球磨机工作系统的健康状况,达到故障预诊的目的。

图6 预测准确率

2.5 对比试验

其余深度学习方法诊断结果如表2所示,可以看出,本文方法的准确率最高、诊断效果更佳且更稳定。GBDT等传统的深度学习方法,其在解决简单问题的准确率有一定幅度的提升,但在解决复杂问题时仍表现出系统的低智性,体现其诊断能力不足。本文方法的诊断能力更强,具有更好的泛化特性。

表2 4种模型的诊断结果 %

3 结 论

本文提出基于CNN并引入小波及AR功率谱预处理机制的球磨机故障诊断方法,并将其应用于球磨机故障预警监测,旨在取得更高的分类准确率。实验结果表明,本文方法对于在复杂的工作环境下采样信号能够保留更多的目标特征,克服了之前恶劣情况下振动信号的收集不易及复杂的工况信号中包含有效的故障本质信息较少的问题,能够较好地适用于球磨机复杂的工作背景。理论分析及实验结果表明,本文提出的方法可以较好地检测球磨机的健康状态,达到故障预诊的目的。

与其它方法相比,预处理提取的特征更具有代表性,降低了诊断成本,减少了训练时间,并具有更高、更稳定的故障识别率。