基于EEMD-DCNN方法的电机轴承故障状态诊断研究

2024-04-07张杨钖

防爆电机 2024年1期

张杨钖

(泰州技师学院智能制造教研组,江苏泰州225300)

0 引言

对于电机装备而言,轴承具有改变其转矩与转速的功能,从而实现负载及动力源的高度匹配[1～3]。针对电机轴承的故障诊断手段进行分析,有利于维持装备的良好技术状态,从而增加其使用寿命[4、5]。

深度学习是在人工神经网络基础上形成的,其通过对人脑机制的模拟来描述多源异类数据[6～8],在语音识别和计算机视觉等方面已获得显著成效。作为DNN的代表性模型之一,卷积神经网络(CNN)实际上是建立若干滤波器逐层池化和卷积所有的数据,且逐层完成对数据特征的提取[9]。CNN特殊的网络架构有利于降低训练频率,并且还可确保某种程度的缩放、平移以及旋转;所以,CNN可以从大量数据中提取出相应的特征信息。GUO等[10]利用两个CNN建立起分层深度卷积神经网络,针对轴承健康情况实施监测,用来对故障大小进行评价。

本文将DCNN和EEMD融合使用,通过EEMD对振动信号进行预处理,利用DCNN自适应融合IMF信息且完成对特征的提取,智能辨别电机轴承当前的状态。

1 故障诊断方法流程

在利用DCNN与EEMD针对电机轴承的故障实施诊断的过程中,具体流程见图1。

图1 电机轴承故障诊断流程

(1)收集和区分信号：利用加速度传感器完成对振动信号的获取,以长度相同的窗口实施区分,得到对应的样本信号。

(2)利用EEMD对样本信号进行分解：首先,将非平稳信号x(t)划分成若干特征尺度各异的平稳信号1, 2, , nccc";其次,对IMF分量的峭度进行全面分析,选取特征显著的6个IMF。

(3)建立数据集：根据确定的次序,将以上的6个IMF叠成多通道的样本;对于各样本信号重复以上操作,建立起对应的数据集,同时将其分成测试集和训练集两种[11]。

(4)DCNN的设计和训练：根据前文确定的原则,设计出可行性较强的DCNN,同时通过训练集对其实施训练[12];此外,还需对超参数进行调节,以得到性能更强的DCNN。

(5)定性诊断：利用测试集对所提方法的有效性进行验证。

2 试验

2.1 试验说明

电机轴承的基本原理和实验设备见图2,主要包括斜电机轴承、驱动电动机、扭矩传感器、润滑系统以及两级电机轴承等等。

图2 电机轴承试验装置图

实验过程中加装的加速度传感器总共有4个,用以对振动数据进行同步收集,各行星轮安装2个,依次对竖直与水平方向的加速度进行测量。安装示意图见图2。

针对每个样本信号重复实施以上操作,建立起相应的数据集,同时将其分成测试集和训练集两种。

2.2 数据说明

所有样本信号都包括2048个数据点;获得测试和训练样本信号分别为25个、660个。某电机轴承故障的样本信号见图3。对其实施EEMD分解后,选择最前面的5个IMF分量(见图4),各IMF分量涵盖时间尺度是完全不同的,可确保所有信号特征在各式各样的分辨率情况下完全展现出来。

图3 电机轴承故障振动加速度信号

图4 电机轴承故障振动信号IMF分量

2.3 DCNN模型参数

基于上述设计原则对DCNN进行设计,同时在重复多次实验的前提下对有关参数进行调整,最后获得的模型参数见表1。其中,CH是卷积核高度;CW是卷积核宽度;CN是卷积核深度;CC是输入特征图深度;Strides是移动步长;S是池化带的宽度;Dropout是以概率p针对网络内的神经元置零处理。每个卷积层均实施边缘处理,防止尺寸发生改变;并且,池化层和卷积层间均有着激活层与批归一化层。

表1 DCNN模型主参数

2.4 结果及分析

如表2所示,概括了以相同数据集为基础,采取传统BPNN和SVM方法、本文所提诊断方式、以及WDCNN结果。其中,WDCNN模型输入是初始数据,BPNN激活函数是ReLU、结构是2048-200-100-50-5,SVM核函数是高斯径向基函数(RBF)。本文所提诊断方式与BPNN、SVM相比,有着比较显著的优势。与此同时,相较于现阶段比较领先的诊断方式WDCNN,本文所提方式不但能够完全辨别所有的指标,明显超过WDCNN,同时最后的诊断效果较为平稳,且数次实验获得的指标标准差是0。其主要是由于通过EEMD方法处理以后,信号的信噪比有较大幅度的提高;与此同时,将较大峭度的有效IMF分量建构成DCNN的多通道输入,利用DCNN整合各类信息,自适应获得每个IMF分量所对应的权重。