齿轮箱振动传感器信号加权动态网络优化及故障诊断

张 莉, 赵江招, 孟琨泰, 高 健, 李 峰

(1.河北机电职业技术学院 信息工程系,河北 邢台 054002,E-mail: xiaozhangbing2022@163.com;2.河北科技大学 信息科学与工程学院,石家庄 050018; 3.河北机电职业技术学院智能传感网应用技术研发中心,河北 邢台 054002; 4.河北机电职业技术学院 云技术智能产品创新应用与研发中心,河北 邢台 054002;5.河北机电职业技术学院 电气工程系,河北 邢台 054002)

齿轮箱是一类可以实现高传动比以及实现动力高效传输的机械部件,目前已在航空设备、风电器材、船舶、高铁、汽车等众多领域都得到了应用推广,为保证系统运行安全可靠性,如果对其进行故障诊断也获得了越来越多学者的关注[1-2]。齿轮箱组成结构较为复杂,当不同齿轮之间发生啮合的时候将会引起相互混叠的激励信号,同时还会受到轴承振动的作用,导致齿轮箱故障信号被噪声所淹没,只能检测到强度较弱的故障特征,难以实现故障的精确诊断[3-4]。现阶段,已有学者根据信号故障诊断或根据传统机器学习方法进行故障诊断,但尚未有效克服变转速状态下难以进行齿轮箱故障的准确诊断缺陷[5-6]。近些年来,采用深度学习方法对齿轮箱进行故障诊断方面的研究文献也逐渐增加,但此类深度学习算法通常都需要设置大量层数,而且参数规模也很大,难以实现网络模型的高效训练[7-9]。

由于密集连接网络是通过跨层连接方式对特征图信息进行重复利用,能够消除网络层数深以及参数规模大所引起的模型训练难度大缺陷,非常适合对齿轮箱进行故障准确诊断分析[10]。但改变齿轮箱转速后将会引起同种故障样本产生明显偏差,不同类型的故障样本则出现差异下降的结果,由此减弱了密集连接网络反馈特定转速工况的效果,降低了密集连接网络对故障特征进行识别的准确率[11]。根据以上研究结果,本文采用加权动态网络构建了一种诊断齿轮箱故障的高效方法,通过加权动态处理方式来实现跨层连接特征图小波包系数矩阵的权重调节,从而完成各类频带信息的自适应加权计算,使密集连接网络具备更强的变转速工况表征性能,实现故障识别率的显著提升。

1 密集连接网络

从连接结构层面分析,密集连接网络是以普通卷积网络为基础设计得到的一种新连接模式。通过跨层前后卷积层实现信息流在输入与输出层间的快速流动[12]。可以利用密集连接网络对同种特征维度卷积层实现连接的过程,使网络各层都以其前续层输出特征构成输入。为重复利用特征图,进行跨层连接时将特征图设置为并联粘接的模式,此时各层网络输入都来自前面各层输出结果。图1给出了密集连接结构的密集块。

网络层跟后续层进行直接相连时,应确保前续层和后续层之间具备同样尺寸的特征图。而网络层特征图尺寸无法一直处于恒定的状态,否则将会造成网络模型发生运算量的显著提升。这就要求随网络往后端进行传输的过程中,需持续缩小特征图尺寸。由不同尺寸特征图构成的密集块以过渡层相连,由此构成密集连接网络的主体结构。密集块包含了不同数量的卷积层,在这些卷积层中则包含了多种卷积组成的结构。

卷积层和池化层共同组成过渡层,降低特征图的维数和尺寸,由此完成跨通道之间的信息组合,同时形成了更多的非线性特征。对密集块粘接再输出的特征图实施1×1卷积处理,由此减小特征图维数,使网络层运算量大幅减少[13]。再以2×2与步长为2的池化方法完成池化过程,由此实现特征图尺寸减半的效果。

▲图1 密集连接网络结构

当图1各卷积层输出的特征图都为k个时,则密集块第n个卷积层共包含了k0+k×(n-1)个并联粘接输出,k0为初始输入层包含的通道个数。超参数k表示卷积层f×f中的卷积核个数,由此构成密集连接网络增长率。密集连接网络呈现更深与更窄的特点,密集连接网络也可以获得理想的处理结果。

密集连接网络相对常规卷积神经网络的差异性是密集块中包含的卷积层输出特征图都可直接与后跨层进行并联粘接,再以此构成后卷积层输入。根据网络内部特征图尺寸差异性进行分类得到相应的密集块,再以过渡层完成不同密集块的连接,对特征图维数和尺寸进行转换后,再以全局池化和全连接层建立密集连接网络。

2 故障诊断流程

共同利用小波包转换与加权动态网络是被齿轮箱故障。如图2所示,是以加权动态网络对齿轮箱变转速运行状态下进行故障诊断的具体流程。

▲图2 基于加权动态网络的故障诊断流程

本研究首先设计得到加权动态层,再将其加入密集块内获得加权动态密集块,由此构建加权动态网络,之后再对齿轮箱故障进行诊断[14]。先对振动信号实施小波包转换获得小波包系数矩阵,以此构成加权动态网络输入,接着通过全连接层进行分类识别确定齿轮箱各类故障。

3 实例验证

图3给出了齿轮箱进行故障诊断的测试平台,可以看到该平台包含了电动机、二级齿轮箱、扭矩调节器、二级平行齿轮箱、磁粉制动器。

▲图3 齿轮箱故障诊断综合试验台

利用安装于齿轮箱上的二个振动传感器进行振动数据采集,得到表1所示的故障参数。

表1 齿轮箱健康状态描述

本实验对9种类型的齿轮箱故障都进行48 s数据采集,控制转速从20 Hz以线性方式增大至36 Hz。采集卡再通过25.6 kHz频率进行振动数据采集,各状态下的信号依次进行4次采集。数据采集结束后,还需对其实施简单预处理。先把48 s内采集获得的振动样本分为300段,各段都由4 096个振动样本组成。各类状态分别包含了1 200个振动样本参数。再将各状态样本随机分成训练和测试样本集,从中随机选择1 000个样本组成训练集,再对剩余200个样本开展测试。完成数据小波包转换后得到小波包系数矩阵,此时各终端节点中包含了4 096/2d=4 096/26=64个小波包系数,d表示根据小波包分解方法确定的层数。将得到的64×64小波包系数矩阵构成加权动态网络输入。

3.1 超参数设置

结合网络层数与样本数设定网络模型超参数。当卷积神经网络达到过大学习率时,较易超出最优值,当设定值太小时将会造成训练速率偏低的情况,因此将其设定在0.01的合适值。批量是在网络中同时输入的样本数,通常可按照网络参数个数和内存将其设定在100。动量表示权重更新系数[15],通过前期迭代计算更新本次迭代系数,由此获得更快训练速度并防止产生局部最优的问题,将其设定成0.5。根据权重进行随机初始化,将其初始值设定成0。增长率k属于密集块包含的卷积核数,随着k的增大,说明特征图维度也更大,需要达到更高的网络运算性能。当k太小时,将会造成输出特征图维度偏小的情况,从而引起传递信息遗漏的问题。综合考虑计算机性能、输入特征图大小、网络深度将k设定在12。

表2给出了测试时的各项加权动态网络参数。

表2 加权动态网络尺寸表

从表2中可以看到组成加权动态网络的密集块与过渡层结构。各过渡层都包含了二层组成部分,其中一层可以实现卷积降维的效果,另一层则可以实现池化的效果。各密集块都包含了6个卷积模块、初始输入端卷积层和输出池化层以及全连接层。

为了对本文设计的连接网络进行有效性验证,分别以网络层数一致的卷积神经网络与未经过加权动态处理的密集连接网络开展比较分析。将常规卷积神经网络设定成与加权密集连接网络同样的网络层数和参数,但未设置跨层连接结构。

3.2 试验结果分析

以经过处理的样本集合测试设定的网络模型,对各网络模型依次进行10次测试。本次测试各算法得到的训练准确率都达到96%以上。但在测试期间发现,密集连接网络与常规卷积神经网络进行测试得到的准确率表现出了比训练准确率更大的差异性,进入后期训练阶段时,密集连接网络和卷积神经网络都发生了准确率的大幅波动。图4给出了以3种卷积神经网络进行测试得到的准确率数据。

图5给出了以各类卷积网络进行测试所得的结果。通过对比发现,加权动态网络达到了最优性能,进行小波包系数加权动态计算时获得了最快收敛速率,并形成了稳定的最高值。以常规卷积神经网络进行训练时会造成后期损失函数的明显波动,进入后期训练阶段将达到饱和的性能。以密集连接网络进行测试时表现出了比加权动态网络更低的精度,同时发生了测试损失数值的明显波动,造成精度的大幅变化,见图6。通过测试分析可知,采用本文加权动态网络可以对齿轮箱实现故障信号的准确诊断。

▲图4 网络训练后测试准确率分布

4 结论

(1) 组成加权动态网络的密集块与过渡层结构。各其中一层可以实现卷积降维的效果,另一层则可以实现池化的效果。各密集块都包含了6个卷积模块、初始输入端卷积层和输出池化层以及全连接层。

(2) 加权动态网络达到了最优性能,进行小波包系数加权动态计算时获得了最快收敛速率,并形成了稳定的最高值。

▲图6 网络训练与测试损失

采用本文加权动态网络可以对齿轮箱实现故障信号的准确诊断。