基于改进CNN的旋转设备转子振动故障预测仿真

朱广贺,朱智强,袁逸萍

(1. 新疆师范大学计算机科学技术学院,新疆 乌鲁木齐 830000;2. 新疆大学机械工程学院,新疆 乌鲁木齐 830000)

1 引言

当机械系统功率较大时,转子需承受巨大的扭矩,若在高温和激振力作用下,特别容易发生振动故障[1]。振动故障出现之前,系统已经存在少量异常现象,各状态特征值也会有所体现,但没有达到系统报警程度,难以触发报警装置,以至于故障进一步发展,最终损伤设备[2]。因此,将振动当作转子安全监测的重要指标,能够起到保护设备的作用。

基于此,一些学者通过振动信号实现转子故障预测。有学者在故障预测中,构建转子弯扭耦合振动数学模型,通过库伦摩擦力模型对其求解,使用拉格朗日方程建立转子运动微分方程;分析电流信号频谱特征,结合电流特征预测转子故障类型。除此之外,还有学者对多振动信号做经验小波变换,提取调幅-调频成分,选取相关系数较大的模糊熵完成信号重构,获取描述故障状态的特征集合;通过特征属性约简删除冗余,将约简结果输入支持向量机中达到故障分类预测目的。以上方法为检修人员提供了处理依据,但振动信号有时会夹杂大量噪声,影响特征提取的准确性,进而降低预测精度。

为进一步提高预测效果,本文利用改进卷积神经网络(CNN)方法预测转子故障。该网络结构复杂度低,权值数量较少,减少了传统神经网络数据重构过程,且训练出的模型具有很强泛化能力,但是输出的特征维度较高,计算量大。为此,本文在每一个卷积层之后都添加一个下采样层[3],使二者交替产生,降低特征维度,更有利于特征分类。利用该方法进行故障预测,既能保障设备安全,又能减少维修成本,对机械系统发展具有重要意义。

2 转子振动信号采集和特征提取

2.1 信号采集系统搭建

旋转设备工作的环境通常较为复杂,因此信号采集系统需具备强大的环境适应性。本文设计的采集系统选取TI公司生产的设备作为采集主控器[4],由辅助电路构成,并以Lab VIEW开发平台为核心组成采集软件。下位机完成信号采集后,通过串行通信手段将信号发送到上位机,由上位机负责信号的接收与显示。整个采集系统结构如图1所示。

图1 振动信号采集系统示意图

利用上述设计的采集系统可实现转子振动信号采集,但是当受到环境干扰时,信号中会存在噪声,影响振动信号分析。基于此,信号滤波显得十分必要。

2.2 基于小波阈值去噪的信号预处理

小波阈值去噪[5]即为在小波分解过程中,利用有用信号系数高、噪声信号系数低的特点达到信号分解目的。所以设置合理的阈值,将低于阈值的系数设置为0,高于阈值的则保留,再通过逆变换形式实现信号重构。具体步骤如下:

步骤一:根据实际采集信号情况,设立合理的小波基和分解层数j,对初始信号s(i)做j级小波分解;

步骤二:对于经过分解的高频系数,通过设定阈值量化处理,保持低频系数始终不变,阈值确定公式如下

(1)

为最大程度保留振动信号初始特征,利用下述阈值函数[6]量化公式完成量化处理

(2)

步骤三:对处理后的高频系数与低频系数利用下述公式作重构处理

cj-1,n=cj,nhk-2n+dj,n

(3)

式中,h和d分别代表高、低频系数。经过上述处理后,获得小波重构后的信号,此信号与原始信号相比,噪声有效减少,更有利于振动信号特征提取。

2.3 振动信号特征提取

通过振动信号实现转子故障预测,信号特征提取是极为关键的步骤。转子在不同运行状态下的振动信号特征存在显著差异,因此各频带包含的能量也不同,结合频带能量提取故障特征的步骤如下:

1)确定小波包基[7],对信号做3层小波包分解,获取8个频率下的信号特性;

2)计算所有频带的能量总和,假设X3j(j=0,1,…,7)表示每个频带重构后的信号,与其相对的能量描述为E3(j=0,1,…,7)。因此有

(4)

式中,xjk为重构信号X3j的离散点幅值。

3)建立归一化特征矢量,分别令

T=[E30,E31,E32,E33,E34,E35,E36,E37]

(5)

(6)

则经过归一化处理的能量特征表示为

(7)

利用上述过程即可完成转子不同运行状态下的特征提取,将这些特征作为CNN网络的训练依据,输入到网络中。

3 基于改进CNN的转子振动故障预测

3.1 CNN网络建立

CNN作为具有多层结构的网络,主要由卷积层、下采样层以及全连接层构成。其实质就是利用神经元权值共享形式[8],降低参数多样性,使网络更加简便,提升执行效率。

1)输入层:将初始样本数据输入到网络中,便于卷积层的特征学习,并对输入数据做预处理,保证数据更加符合网络训练要求。

2)卷积层:通过滤波器对上一层的输入特征卷积运算,并添加偏置顶,使用非线性函数获得卷积层最终输出。

卷积层的输出表示为

(8)

(9)

所有输出均与上层邻近神经元相连接,通过此种连接方式可以训练出样本的特征,减少参数连接,进而改善学习效率。

3)下采样层:在该层内,通过下采样函数池化处理输出特征,再对处理后的特征进行加权和偏置计算,获取下采样层输出

(10)

(11)

式中,β代表权重系数,down(·)是下采样函数。

上述权重共享过程虽然降低了预测计算复杂度,但特征维数非常大,容易发生过拟合情况。因此,本文对其进行改进,使所有卷积层后面都具备一个下采样层,降低特征维数。

4)全连接层:将所有二维特征变换为一维特征,作为全连接层的输出,利用加权求和的方式得到该层输出

χl=f(ul)

(12)

ul=ω′lχl-1+Bl

(13)

5)输出层:主要工作是分类和识别CNN模型获得的特征矢量,输出结果。

3.2 网络训练方式

使用反向传播方法训练CNN网络参数,涉及的优化参数包括卷积核参数W、卷积层和全连接层中的权重系数β、ω′,以及偏置值B。假设网络真实输出表示为O=[o1,o2,…,oc]和理想输出Y=[y1,y2,…,yc],运算两者之差E和每层灵敏度[9]

(14)

(15)

式中,δ为传递误差[10]。

通过网络参数更新[11],保证输出值与理想值更加接近

(16)

式中,η表示最优学习速率[12]。

3.3 预测过程实现

利用上述构建的CNN模型,将预处理后的振动信号作为模型输入,经过模型训练获得最终预测结果的具体步骤描述为:

步骤一:采集N转子振动信号χ1(t),χ2(t),…,χN(t),添加信号类别标签[13]T1,T2,…,TN;

步骤二:确定网络结构和激活函数;

步骤三:选择模型中学习率、训练次数等模型参数,同时根据理想值不断优化参数;

步骤四:通过反向误差传播方式训练网络[14],更新网络参数;

步骤五:运算诊断误差[15]ε,若该值满足要求,继续执行下一步,反之回到步骤三;

步骤六:储存训练结束的参数,再将新的预测样本输入到模型中,直至样本全部预测完成,输出最终预测结果。

4 仿真数据分析与研究

实验将1.5千瓦的电动机当作仿真目标,电机转速为1800r/min,轴承类型为双列滚子轴承,且在轴承上安装加速传感器采集振动信号,传感器安装位置如图2所示。实验过程中,通过在转子上拧入不同重量的钢条来获取不同程度下的振动信号。

图2 传感器位置示意图

图3 不平衡故障振动波形

图4 不对中故障振动波形

图5 动静碰摩故障振动波形图

为了准确采集不同故障类型的振动信号,需要模拟转子所有故障产生的条件。故障类型包括不平衡、不对中和动静摩擦三种。其中,不平衡是因灰尘较多,部件掉落引起转子质量分布不均,如果转子生成离心力,则会形成不平衡故障;在不对中故障模拟过程中,变换偏心轴距,使转子与电机的转轴中心不在同一条直线上;仿真动静摩擦故障时,需要将碰摩螺钉和转轴相互摩擦,生成摩擦力。按照以上方式,利用本文提出的振动信号采集和预处理方法,获取不同故障下的振动信号,如图3-5所示。

由图3-5所示,原始故障波形由于噪声影响,基本上看不出波形变化趋势,经过小波阈值去噪后,不同故障波形走势十分清晰,仅在极少部分峰值处存在一些噪声,但并不影响故障波形判断。因此,证明了所提振动信号采集和预处理算法获得的不同故障波形差异显著,有利于特征提取,将这些特征输入到神经网络模型中,会获得更好的故障预测结果。

提取故障波形后,需要将这些特征代入到算法中。为了探究算法对不同特征的聚类情况,对比本文方法、电流特征预测算法和支持向量机算法的实验结果,得到的结果如图6所示。

图6 不同算法故障特征值聚类情况

图6中,正方形、圆形、三角形与星形分别表示转子的正常、不平衡、不对中以及动静碰摩故障特征向量。由此能够看出,电流特征预测算法虽然大体上能够区分不同故障特征,但是特征与特征之间类别差距不大,而且会出现特征错误聚类现象;支持向量机方法可以保证聚类的正确性,但类内差异较大;所提方法更有利于分类,确保了类间差异最大,类内差异最小,更加方便神经网络预测转子故障状态。不同算法对于转子四种运行状态的预测情况如表1所示。

表1 转子振动故障预测结果表

分析表1可知,在八组仿真中,本文方法表现出很好的预测效果,预测结果与实际故障均吻合。由故障特征模型图可知,不平衡和动静碰摩的波形较为相似,其中不平衡的波形有规律可循,而动静碰摩波形是随机的,没有规律。其它方法在预测这两种故障时均出现失误现象。而本文方法由于特征提取效果较好,容易区分各类故障特征,因此预测结果准确。

5 结论

本文研究了一种基于改进NCC的旋转设备转子振动故障预测算法。利用振动信号采集系统获取转子振动信息,经过预处理提取信号特征,将特征输入到构建好的卷积神经网络模型中,经过训练减少误差,最终输出预测结果。仿真结果证明,所提算法对于故障特征有很好的聚类效果,因此更有利于故障类型预测。但是神经网络模型中各参数选择和样本确定仍没有统一标准,需通过大量实验获取,如何通过自适应方式设定网络参数是需要进一步研究的话题。