基于LE-DBN故障诊断模型的滚动轴承振动信号特征提取

韩春红, 伊洪彬, 薛 涛, 刘玉芳

(1.焦作师范高等专科学校 信息工程学院,河南 焦作 454000,E-mail: jzszhch123@163.com;2.开封技师学院 智能制造学院,河南 开封 475004;3.河南理工大学 资源环境学院,河南 焦作 454000)

在工业制造过程中需使用种类丰富的机械设备,此类设备实际运行状况对系统安全性存在明显影响,因此需要针对设备故障开展提前诊断,由此实现生产系统运行状态的安全稳定控制,制备得到更优综合性能的产品[1-4]。振动信号容易产生非线性变化特征,而且还会受外部噪音因素的显著干扰,难以从设备振动频率中提取获得准确的故障特征,这时如果继续选择传统处理模式将导致诊断精度明显下降[5-7]。

以传统算法对故障实施诊断时通常选择不超过2层数量的模型结构来拟合函数表达式,属于浅层学习形式,并未深入分析数据故障特征[8-9]。深度学习是在近些年中得到推广应用的深层算法,现阶段已取得了众多科研成果,在故障诊断领域也发挥了重要作用[10-13]。深度信念网络(DBN)采用深度学习算法设置网络模型,经低层特征组合后形成高层网络结构,能够满足对数据特征的精确分辨[14]。但选择DBN网络对高维网络样本分析时,多隐层网络训练时需要占用大量时间,对算力资源占用明显偏高。文献[15]设计了一种五层网络来实现对轴承进行时域诊断的功能。文献[16]利用双树复小波技术提取得到特征参数,再以DBN网络完成分类过程,使模型算法得到明显简化,但以上述方法处理时也需要提供前期经验作为参考,无法满足DBN数据的有效挖掘。不同于传统信号处理模式,拉普拉斯映射(LE)属于一类流形学习的过程,有助于深入挖掘非线性高维特征,并且还可以从振动信号高维流形参数中采集低维参数[17]。

利用LE算法从高维数据中提取流形参数,实现模型结构有效简化,避免特征数据受到人为因素的作用而产生偏差。进行半监督分析时,分别测试少量有标签与大量无标签样本,为DBN设置流形学习方法。利用以上模型对滚动轴承故障和齿轮裂纹缺陷开展诊断测试,验证了上述模型可以达到可靠性标准,同时提高了算法效率。

1 基于LE-DBN的故障诊断模型

完成模型预训练后确定初始参数学习过程,由此确定有监督学习的先验条件。以DBN网络最后一层建立初期条件再对全局参数实施微调,利用少数标签逐层递进的模式朝低层方向小幅调节模型参数,使模型获得更优模拟效果。

1.1 确定网络最高隐层输出:

(1)

将最后一层误差组成初始条件来实现反向传播,之后利用梯度下降的算法确定合适DBN权值。

(2)

以相同放回处理方式也可以实现参数集θ剩余样本的调节,根据以上处理过程建立DBN网络模型。

1.2 故障诊断模型

构建一种以LE算法和DBN网络的数学模型来实现故障的诊断功能,建立图1所示结构。利用流行原理进行算法处理,再以LE算法确定信号初始特征,达到高维数据的简化效果。接着通过DBN网络完成特征参数挖掘,再把低维流形特征参数输入DBN网络中完成深度学习后确定分类结果。采用以上模型优化DBN网络挖掘特征参数性能,从而更加精确控制计算成本。不同于单一结构DBN网络算法,以算法处理时能够有效发挥流形学习在降维方面的灵活性。设置流程来实现故障诊断:

(1) 构建高维模空间。

先在系统中设置信号检测器进行数据采集,之后利用min-max标准化方法进行归一化处理确定时域振动信号。

(2) 设置LE算法特征采集。

选择LE算法对高维故障开展流形学习,获得低维流形集合,实现降维效果[18]。

(3) DBN网络故障诊断。

通过二值化分析的方法确定流形参数后,再将结果作为DBN网络的输入参数来达到深度挖掘数据的功能,之后通过Soft-max分类器完成故障信号的精确诊断。

▲图1 基于LE-DBN模型的故障信号特征提取流程

2 算法验证

2.1 测试方案

本研究主要分析了载荷动力结构滚动轴承在运行阶段形成的故障特征,平台系统构成中包括1 490 W三相电动机、动力电机与扭矩信号探测器。在驱动端设置6205-2RSJEMSKF滚动轴承,之后把加速度传感器固定到机壳上部。测试时设定电机负载功率范围(0～3)hp,共设置四个转速条件作为测试参数。以12 kHz的固定频率采样。根据以上条件开展测试,在不同负载条件下进行算法故障识别表征,设置以下两种测试条件:第一种为以本文算法对故障类型进行验证;第二组则以相同故障类型完成受损程度的分类。测试过程按照MATLABR2014a要求完成。

2.2 算法诊断试验

在LE算法中加入50低维嵌入维数,输入层的神经元数量为50,隐含层节点为50。保持学习率σ=0.1,动量常数0.9,最大迭代次数200。

对算法模型开展训练得到图2中各迭代次数对应的均方误差,将其表示为EMS。根据前后比较可以发现,模型在初始阶段能够实现误差参数的快速消除,到达后期寻优过程时则存在明显停滞的情况。经过更多次数迭代计算后并对模型进行优化处理时可以有效控制均方误差。持续迭代140次使训练误差达到较小值,继续迭代到150次使收敛误差降低至0.01范围内。通过以上算法模型进行处理时可以实现理想训练效果,迭代到合适次数时,模型能够达到理想收敛性能,促进训练效率明显提高。

▲图2 算法迭代变化

采用本文算法跟LE+KNN、KPCA+KNN、DBN进行比较,测试得到的准确率见表1,结果显示以本文LE-DBN模型分析时相对其它模型的性能获得了显著提升。以DBN网络单独处理时耗时86 s,与LE-DBN模型相比可以实现算法时间的大幅缩短,以上结果表明以LE算法进行处理时能够实现LE-DBN组合模型处理时间的有效控制。

表1 试验方法对比

3 齿轮故障试验验证

3.1 实验方案

图3显示了以齿轮状态监控系统测试平台。

▲图3 齿轮箱试验平台

表2为减速箱齿轮参数,通过线切割方法获得四种裂纹缺陷,包括正常状态以及1/4、1/2、3/4裂纹。

表2 齿轮参数

采用上述算法对每种工况进行齿轮裂纹诊断,按照不同程度的裂纹缺陷共分成10种工况,得到表3输入轴转速和两种负载。以NIPXI-1042数据卡完成参数采集,保持采样频率等于5 000 Hz,各高维样本都是由900个采样点组成。各工况中都存在50个故障样本,各齿轮故障中存在500个样本。

表3 多工况下试验参数设置

3.2 模型训练结果分析

为探讨不同样本数条件下故障分类精度,选项KS算法对不同有标签数样本开展测试。样本数对识别准确率影响结果见图4所示。从图4中可以看到,采用训练集识别时准确率都在99.8%附近,说明本文模型可以对训练数据发挥理想拟合性能。随着标记样本数量的逐渐增加,模型识别准确率也随之提高,当样本数增加到60时,模型准确率可以超过90%;进一步增加标记样本数到180以上,准去了可以达到99.8%。因此实际应用时需综合分析算法耗时与准确性,使训练样本数达到最优。

▲图4 样本数对识别准确率影响

3.3 算法对比验证

为判断模型分类精度跟降维算法以及嵌入维度之间的关系。分别对PCA、KPCA、LE三种算法实施降维,在各嵌入维度下进行信号特征提取,再把结果输入DBN网络中作为诊断参数。按照之前方法设置算法参数,选择KS算法设置的有标签与无标签样本个数分别为200和1 200,之后测定剩余样本。每组样本经过10次计算后再取均值作为测试结果。图5是对准确率与DBN训练100次并计算获得的均值。可以明显看到,LE算法比PCA、KPCA算法都达到了更优特征提取效果,选择合理参数的情况下可以使准确率达到99.8%。综合考虑分类精度与识别速率,将嵌入维度设定在24～30是最优的。

▲图5 不同算法运行效率对比

根据上述测试结果可知,KPCA与PCA相比可以实现更优性能。可以综合运用KPCA与LE算法从单个传感器中提取获得故障特征。图6显示,实线LE算法表现出了高准确率,在提取传感器信号特征方面相对KPCA算法具备更优性能。因此采用LE-DBN模型可以对各类传感器信号实现理想诊断效果。此外还可以从图6中发现,采用多传感器实施特征融合时相对单个传感器的诊断性能更优。

▲图6 对单个传感器信号特征提取

卷积神经网络(CNN)是现阶段得到大规模应用的深度学习网络,对LE-DBN模型开展特征提取与故障诊断测试。从流形学习传感器各轴振动参数中提取得到30维故障特征。网络参数设置见表4所示。

表4 网络参数设置

对样本集进行测试后得到的结果与图6基本一致,对训练集进行分类得到有标签、无标签样本。通过随机模式确定有标签样本后再以不同条件测定DBN、CNN算法的分类效果。经过10次测试形成表5所示的结果,δ代表算法准确率偏差。

表5 不同样本数下算法准确率

通过分析准确率差值可知,有标签样本个数在60～120之间时,采用DBN网络可以获得比CNN更理想分类结果。这是由于DBN网络自身能利用无标签数据开展训练,获得比少量标签条件下进行训练的CNN网络精度更高。

综合分析上述测试发现,LE-DBN模型同时满足滚动轴承故障和齿轮裂纹的高精度诊断需求。特别是以本文模型进行训练时不需要加入大量有标签样本,避免受到样本标签数量过少的影响。

4 结论

(1) 采用训练集识别时准确率在99.8%附近,表明本文模型可以对训练数据发挥理想拟合性能。

(2) LE算法比PCA、KPCA算法都达到了更优特征提取效果,选择合理参数可以使准确率达到99.8%。

(3) 采用多传感器实施特征融合时相对单个传感器的诊断性能更优。有标签样本个数在60～120之间时,采用DBN网络可以获得比CNN网络更理想的分类结果。