基于多方向振动数据的风机齿轮箱故障智能诊断

孟繁晔，高翼飞，陈长征，2

（1.沈阳工业大学机械工程学院，沈阳 110870；2.辽宁省振动噪声控制工程技术研究中心，沈阳 110870）

0 引言

齿轮箱作为风机中的重要部件，具有质量轻、体积小、传动比大的优点，其运行状态的好坏会对整体机械设备的稳定运转产生影响。由于风机齿轮箱的工作环境大多是在高速度、重载荷、强冲击的恶劣条件下，因此齿轮箱故障频次较高。同时风能在国家中的能源占比正不断攀升，所以对风机齿轮箱的故障诊断就显得极为重要[1-3]。由于在复杂的工况下，强背景干扰成分的存在导致有效的故障特征信号难以被识别，所以进行故障诊断时首先需要对信号进行降噪处理，从而提高故障特征的比重，得到更优质的信号。近几年随着人工智能的不断进步，使用数据驱动进行智能诊断正慢慢成为研究的热门方法。原本传统的诊断方法如快速傅里叶变换、小波变换等由于过度依赖专家经验已慢慢淡出历史舞台，而在特征提取和识别方面有独特优势的深度学习已成为智能故障诊断中的“宠儿”[4-6]。

ESMD于2013年由王金良等提出，是著名的经验模态分解方法（EMD）的新发展，相比于基础的EMD，ESMD除了有自适应分解信号的特性，还可以通过极点对称插值和自适应全局均线选取最优的筛选次数，从而能使模态混叠和端点效应有所缓解[7-8]。

MobileNet V2神经网络是Google公司提出的主要应用在移动端设备的轻量化卷积神经网络，在保证准确率的基础上，大大降低了运算的时间及所需设备的要求[9-10]。

对于复杂工况下故障难以提取，同时降低运算所需设备的要求，并增加故障诊断的成功率，本文提出了一种结合ESMD、MobileNet V2及D-S证据理论的方法。该方法首先将3个方向原始的故障信号进行ESMD分解得到模态分量，利用相关系数进行信号重构，将3个方向重构后的信号输入进MobileNet V2网络中进行训练，最后将得到的3个预测结果利用D-S证据理论进行融合计算并得到最终的预测结果。本文对代入某公司搭建的模拟实验台测得的数据集进行准确率的验证，从而验证方法的有效性。

1 基于ESMD的信号分解与重构

1.1 ESMD原理

ESMD流程如图1所示，运算流程如下：

图1 ESMD流程图

1）找出原始信号或待分解样本Y的全部极值点，包括极大值和极小值，并将其依次记为Ei（i=1，2，…，n）；

2）将相邻的极值点Ei用线段相连，并将线段中点依次记为Fi（i=1，2，…，n－1）；

3）通过插值的方法将左右边界的中点F0、Fn进行补充；

6）用原始信号与第一个经验模的差值Y－M1重复上述步骤1）～步骤5），依次得到M2，M3，…，直到分解出残余变量R，且R只剩符合要求的一定数量的极点。

ESMD分解放弃了原本的上、下外包络插值曲线，选择使用极值中点内部插值曲线，减少了异常极值点的波动影响；通过计算最佳模态分解次数，优化了分解的效果，对于解决模态混叠和端点效应问题都有了较大的进步。

1.2 信号重构

对信号进行模态分解，分解出数个IMF分量，并从中按照计算Spearman的相关系数的方法选出适当的IMF分量，进行信号重构。相比于原始的故障信号，重构之后的信号降低了高频噪声的成分比重，提高了信噪比。由于风机常处在恶劣的工况下，使用该方法能在一定程度上解决采集到的原始信号具有较强干扰的问题，虽然重构之后的信号仍然存在能量较高的噪声干扰成分，但这一处理方法会对后面的神经网络的自动提取有极大的帮助。

2 MobileNet V2模型

MobileNet V1网络模型是在2017年由谷歌团队提出并发表在2017年计算机视觉顶级会议CVPR上的轻量化网络，由于大部分神经网络是运行在计算能力较强的服务器中，而过于庞大的网络无法在普通的电脑端或者移动端运行，针对这一问题，提出了该网络。

MobileNet可以在保持模型精度的同时降低神经网络参数的计算量。MobileNet V1网络使用的是类似于VGG网络的堆叠卷积操作，但区别是，前者将后者的标准卷积层转变为深度可分离卷积。深度可分离卷积是2012年被提出、2013年被改进的。就是将一个普通卷积拆分为一个深度卷积和一个逐点卷积。深度卷积通过单通道卷积核，对每一个通道都进行卷积操作，同时并未改变输出的深度，这样操作过后得到的是与原通道数一致的输出特征图。但这样可能会出现一个问题：由于通道数过少，特征图的维度也过少，从而导致获取到的有效信息可能会减少。接下来就引入了逐点卷积，逐点卷积就是1×1卷积，主要的作用就是进行升、降维操作。

深度可分离卷积可以使用更少的参数、更少的运算，达到计算相差不多的结果。

若使用3×3的卷积核，参数量和计算量均可以降为原来的1/8～1/9。同时，MobileNet采用了两个全局超参数：width multipier（宽度乘法器）和resolution multipier（分辨率乘法器），这使得网络在延迟度和精准度之间能进行有效地均衡，可以根据使用者对实际问题的大小选择合适的模型大小。

除此之外，MobileNet V1网络还将原本的ReLU激活函数换成了ReLU6激活函数。ReLU6函数的表达式为：ReLU（6）=min（max（0，x），6）。ReLU函数对大于0的值不进行任何处理，而ReLU6函数在输入值大于6的时候，返回6，ReLU6“具有边界性”，而其与原本的ReLU激活函数不同，作为非线性函数，ReLU6在低精度的计算下可能具有更强的鲁棒性。

但是在实际使用中发现，深度卷积部分的卷积核比较容易出现训练报废的现象，即出现深度卷积训练过后的卷积核为空的现象，所以在MobileNet V1的基础上，改进提出了MobileNet V2网络，结构如表1所示。其在本质上仍然属于轻量化卷积神经网络，架构是基于反向残差结构。由于后者是前者的改进版本，所以后者仍然是采用深度可分离卷积实现特征的提取，因此MobileNet V2的参数量和计算量也大大减少。而两者的区别主要有两个方面：

表1 MobileNet V2网络结构

1）MobileNet V2在深度卷积前增加一个1×1的“扩张层”，目的在于提升通道的数量，进而获得更多的图像特征。因为深度卷积自身无法将上层的通道数量进行增减，输出通道数量取决于上层传输的通道数量。如果上层传输的通道数量过少，则深度卷积就处于低维状态，进而无法获取比较理想的特征，在深度卷积前加一个逐点卷积，可以使网络在更高的维度提取特征。

2）MobileNet V2在最后一个激活函数上，舍弃了ReLU6激活函数，转而使用了Linear激活函数。这是因为ReLU6在高维度中计算时保留的信息较多，丢失的信息较少，但在低维度中，却反了过来，而最后是处于低维度中。为了避免出现卷积核信息为空的现象，MobileNet V2放弃了ReLU6激活函数，这样可以保留更多的特征。

MobileNet V2与经典的网络（如VGG16、GoogleNet）相比，无论是在计算的速度还是准确率上都更胜一筹，这是由于其网络结构的特性；与当下流行的ResNet相比，在故障诊断率上与ResNet50相当，略逊于ResNet101，但是在计算的时间上，相较于前两者都有明显的进步，能很好地实现“轻量化”这一特点。

3 D-S证据理论

3.1 基本概念

1）识别框架。识别框架Ω定义为一共可以含有多少种假设，即表示的是需要判断事件发生情况的范围。

2）基本概率分配。基本概率分配简称BPA，指的是每一个研究方向对Ω全域中，每一种情况的基本概率的计算过程。

5）信任区间。在证据理论中，对于识别框架Ω中的某个假设A，通过计算Bel（A）和Pl（A），进而表示对某个假设的确认程度，如图2所示。

图2 信息的不确定性表示

3.2 Dempster合成法则

4 实验验证

4.1 实验介绍

为验证实验结果，本文使用Inter Core i5-9400F CPU处理器、Windows10系统的计算机，使用Matlab2018a、Python3.7进行编程，并在Tensorflow2.0的框架下进行实验。使用的是某公司搭建的风机齿轮箱实验平台，使用验证的风机齿轮箱为天津某风场提供的齿轮箱，如图3所示。

图3 某公司风机齿轮箱实验平台

实验一共分为2组，分别为轴承故障和齿轮故障。采集的方向包括水平、竖直、轴向3个方向，采用的是加速度传感器。其中轴承故障为内圈故障、外圈故障和滚动体故障；齿轮故障包括点蚀故障、缺齿故障、齿根故障和齿表故障（如表2、表3）。同时每组实验还对健康的状态进行了检测。由于实验台搭建在该公司的工作间中，周围同时还进行着其他的工作与实验，会带来极大的噪声干扰，这在一定程度上模拟了实际情况中风机齿轮箱恶劣工作环境带来的干扰。

表2 齿轮箱轴承状态

表3 齿轮箱齿轮状态

4.2 实验流程

由于采集信号过程中环境的嘈杂会带来极大的噪声干扰，故先将原始信号利用ESMD方法进行模态分解，随后对IMF分量进行相关系数的计算，在各个状态中，IMF1分量的相关系数均在0.9上下，即IMF1分量中包含绝大部分原始信号的特征，故将IMF1分量作为新的输入信号。随后使用Matlab2018a对新数据进行处理，由于数据样本足够多，为了保证数据的全面性，直接对每种故障类型的数据截成500段，每段截取信号长度为1024。虽然深度学习在计算机视觉等情况上发展得很好，但是碰到时间序列时，构建预测模型比较难，所以可将时间序列转化成图片，充分利用计算机视觉的优势。故将1024个点按照32×32顺序排列，随后将其转化为灰度图，如图4～图5所示，即每种故障类型生成500个32×32的灰度图作为输入的数据。

图4 轴承4种故障水平方向对应灰度图示例

图5 齿轮5种故障水平方向对应灰度图示例

将每种状态中的450张作为训练集，50张作为测试集。故轴承训练集一共包含了4种状态，1800张图片，测试集包含200张图片；齿轮训练集一共包含5种状态，2250张图片，测试集包含250张图片。将每个方向上的数据输入到MobileNet V2神经网络中进行训练，epochs取200，一共训练10次，取平均值，随后将输出的结果利用D-S证据理论进行融合计算后得到最终的故障诊断准确率，实验流程如图6所示。

图6 实验流程图

4.3 实验结论

4.3.1 轴承对比实验

一共训练10次，取均值，将结果圆整后，得到混淆矩阵如图7所示。

图7 3方向轴承故障诊断圆整后的混淆矩阵图

故障诊断的准确率分别为：水平方向为67%，竖直方向为75.5%，轴向为56.5%。随后将输出的结果利用D-S证据理论进行融合，计算后得故障诊断准确率为83.31%。为了做对比，将原始的无ESMD处理的信号输入到网络中训练10次，取平均数并对其进行相同的数据融合操作，得各情况准确率如表4所示。

表4 各情况准确率表%

通过对比可知，第一种情况，在不进行ESMD分解和没有D-S理论证据的数据融合时，取3个方向的最高值，准确率仅仅能达到73.2%，这与工作环境的嘈杂和使用的加速度传感器位置的偏差及加速度传感器本身的精准度有关，但这极大可能地模拟了实际环境中的风机齿轮箱诊断的情况。而在第二种情况中，使用ESMD分解，但不使用D-S融合理论，即取单方向最高诊断准确率，可以达到75.5%，相比于第一种情况，提升了大约1%～2%，这证明了ESMD分解及随后信号重构的效果，能达到降低噪声的作用，进而使故障特征更明显，从而提高神经网络的诊断准确率。第三种情况，在不使用ESMD的条件下，使用D-S证据理论进行数据融合，3个方向的诊断结果相互作用、互相印证，使得故障诊断准确率相比于前两种情况都有大幅的提升。第四种情况，也是本文所使用的方法，由于在每个方向上均使用了ESMD分解及信号重构方法，使得单方向上的故障诊断准确率得以提升，随后再依据D-S证据理论进行数据融合，进而达到83.31%的准确率，相比于前3种情况，均有较大的提升。

随后使用其他网络进行了同样的操作，计算时间及准确率对比如图8所示。

图8 网络的计算时间及准确率对比图

由此可见，本文选用的方法在保证一定准确率的同时，可以大大减少计算的时间，减轻对设备的要求。

4.3.2 齿轮对比实验

同轴承相似，利用取均值并圆整后的混淆矩阵计算得到3个方向齿轮故障诊断圆整后的混淆矩阵图如图9所示。

图9 3 个方向齿轮故障诊断圆整后的混淆矩阵图

齿轮的故障诊断准确率分别为：水平方向为88%，竖直方向为42%，轴向为37.2%。通过3个方向的故障诊断比较，发现竖直方向和轴向的故障诊断准确率远低于水平方向，这可能与当时测量的环境与加速度传感器的优劣度有关，但分析其输出的混淆矩阵可以得知，并无明显的证据证明存在冲突现象，故可以使用D-S证据理论对数据进行融合，融合后的结果为94.78%。有此结果可知，在故障诊断中，获得多个方向的故障诊断数据，即便有几个方向准确率较低，但在无明显的信息冲突情况下，融合后依然高于单方向的诊断准确率，这也证明了本文使用方法的有效性。

5 结语

针对风机齿轮箱故障诊断问题，本文提出了一种结合ESMD、MobileNet V2及D-S证据理论的方法，并运用实际搭建的风机齿轮箱实验平台获得的数据集进行实验验证，同时设置了对照实验，分别与使用不同的网络和不使用ESMD及D-S证据理论进行对比。实验结果表明，在保证准确率的情况下，本文提出的方法大大提高了运算的速度，实现了轻量化。未来工作将进一步提升诊断的准确率并实现移动端或嵌入式设备的诊断。