基于深度特征学习的旋转机械滚动轴承状态在线监控.pdf

信息技术 年第 期基于深度特征学习的旋转机械滚动轴承状态在线监控苗俊田 鹿德台 赵 博 韩俊腾(中国石油大学(华东)石油工业训练中心 山东 青岛)摘 要:针对现有算法在旋转机械设备动态监控中的不足提出基于深度特征学习的滚动轴承状态监控算法研究 在深度学习模型编码器的构建方面考虑到隐层神经元活跃度的设定并确保自动编码器具有一定的稀疏性和降噪性采用堆叠式稀疏降噪编码器的结构设计对故障数据做无监督逐层训练以降低损失函数值结合 算法提取故障数据集的特征达到提高在线监控精度的目的实验数据表明该算法在故障样本集的训练和测试中均保持较高故障分类准确率和监控精度在模型损失函数值控制方面也优于现有监控算法关键词:深度特征学习 滚动轴承 稀疏性 堆叠式 算法中图分类号:文献标识码:文章编号:():./.基金项目:国家自然科学基金项目()作者简介:苗俊田()男硕士工程师研究方向为计算机应用及仿真等 ():.:引 言当前在现代工业技术和终端市场需求的双重作用下旋转机械设备正朝着大型化、复杂化、精密化及智能化的方向发展 旋转机械设备零件之间的耦合关系越来越紧密个别零部件出现故障甚至会导致设备停机 滚动轴承具有摩擦阻力小、旋转精度高、功率损耗低、拆装维修成本低等诸多优良特性在旋转机械设备中应用基于深度特征学习的旋转机械滚动轴承状态在线监控 苗俊田 等十分广泛 滚动轴承是旋转机械设备的核心部件之一产生故障的风险指数较高因此对旋转机械设备滚动轴承工作状态实时在线动态监控具有十分重要的现实意义近年来随着信号处理技术、人工智能技术、机器学习的快速发展基于信号处理和人工智能的滚动轴承故障诊断技术得到了普遍的应用例如文献提出基于信号小波匹配的诊断技术从时域、频域、尺度等多个信号特征维度出发进行故障特征点的匹配和识别文献提出基于信号能量谱和奇异谱的故障信号监控方法推断工作中的设备是否出现了故障文献采用一种经验模态分解()的方法通过信号分解自适应提取滚动轴承的故障特征文献对经典人工神经网络算法()进行优化改善算法的故障诊断准确率 但上述机械设备状态在线监控方案都不同程度依赖于先验知识且泛化能力较差故障识别率低较难满足在线监测的需要为此本文提出一种基于特征深度学习的滚动轴承状态在线监控方法研究不仅改善了传统机械状态监控算法泛化能力差、故障诊断准确率低的不足还具有更高的实际应用价值 深度特征学习稀疏降噪编码器构建正常工作状态下旋转机械滚动轴承上的载荷呈现出周期性的变化如果轴承的某个部位出现故障或损坏原有的振动特征会发生改变 由于故障缺陷引起的振动信号频率、幅值、相位的变化通过频谱分析设备能够采集和观测获得 在存在系统噪声、环境噪声干扰的前提下依靠对滚动轴承特征数据的提取和分析能够有效识别出轴承频率等指标的变化趋势进而判断出滚动轴承是否存在故障及故障的类别与严重程度滚动轴承会因为长时间磨损、金属疲劳、油液侵蚀、内外圈断裂、塑性形变等产生故障零部件产生故障时金属的冲击响应信号以固定频率重复性地出现但轴承外圈、内圈、轴承滚子和支架分别出现故障时故障的特征频率计算公式分别如下:()其中、分别为轴承外圈、内圈、轴承滚体和轴承支架发生故障时的振动频率是轴承外圈旋转振动频率是轴承内圈旋转振动频率为轴承中滚体数量 和 是滚动轴承内圈及外圈的直径 为轴承接触夹角 滚动轴承状态在线监控所面对的最主要难题是故障样本的海量性深度学习网络模型的结构设计相比传统 故障诊断网络模式更加复杂数据处理能力更强深度学习网络模型包含多个中间隐层结构相邻层之间互相连接能够实现对故障数据的逐层表达 多次变换的隐层设计将故障样本特征从现有特征空间映射到目标特征空间不仅将迭代运算的范围拓展到整个网络还降低了分类过程中的错误率 一组自动编码器是一种典型的双层神经网络结构作为一种高效的无监督深度学习方法自动编码器在模型构建使用了大量的非线性函数使故障数据产生在低维表示的前提下产生高维输出进而实现对未标注故障数据的特征提取自动编码器的解码过程表示为:()()()其中 表示原始故障数据的输入 表示深度学习模型的输出 为解码函数 为 函数、分别代表模型的权重和偏置 定义自动编码器的误差函数:()()()()在自动编码器的设计中考虑到隐层神经元的活跃度范围应保证自动编码器具有稀疏性和降噪性 以 函数作为激活函数时对其加入稀疏性限制保证大多数神经元处于被抑制的状基于深度特征学习的旋转机械滚动轴承状态在线监控 苗俊田 等态 设定一个取值较小的稀疏性参数 定义隐藏层上神经元激活度:()()()如果期望编码器模型的损失函数最低应保证误差函数的取值最低即通过调整 的参数取值控制模型的稀疏程度 编码器采集到的原始噪声数据中包含大量环境噪声和系统噪声为最大限度地保留原始信号中的细节特征对输入数据做编码和解码循环重构数据达到降噪的目的再编码的过程描述为:()()()其中 为编码函数 为编码模型的偏置、满足条件 循环编码、解码过程中计算重构后数据与原始故障数据之间的误差以重构误差的最小化为基本设定目标 编码训练中保留本次训练结束后的编码任务作为下一组训练的输入项不断地重复堆叠直到提取出故障中的特征向量堆叠式稀疏降噪编码器的结构设计如图 所示图 稀疏降噪编码器设计在每次完成编码器设计后当前隐层得到的数据都作为下一个隐层的输入并以相同的方式继续训练数据故障分类器选用 分类器系数降噪编码器中间隐层的规模设计取决于故障数据集的复杂程度在数据训练中无需大量的有标签数据集编码器采用一种无监督的学习模式可以避免各层次训练中产生的局部最优现象 为克服非高斯噪声对编码器误差函数的影响得到更好的噪声抑制效果本文采用相关熵替代传统的均方误差函数 相关熵是一种监控故障数据集局部相似性的方法针对于故障数据集 和 而言两者的相关熵()定义为:()()()其中定义为标准差为 的高斯核函数 为故障数据集 和 的数学期望高斯核函数进一步定义为:()()()用相关熵误差函数替代均方误差函数后原有稀疏编码器的损失函数样本维数降低当样本之间的相关熵值达到最大时相应地误差函数达到最小 在特征深度学习稀疏降噪编码器的构建过程中高斯核函数的选择是最关键的环节利用相关熵替代误差函数一方面可以有效监控相邻数据集的局部相似情况另一方面还可以优化无监督的学习模式 基于梯度下降法调整参数并优化输出故障特征矩阵能够更好地抑制非高斯噪声的影响并在数据编码、解码循环中改善数据分类的效率和准确率 逐层无监督训练与深度特征优化提取滚动轴承故障特征提取质量的优劣将决定最终的故障在线监控效果深度置信网络是深度学习模型的基础框架解决了多隐含层网络参数的更新问题 深度置信网络模型由多个玻尔兹曼机模型构成起到了海量故障数据降维的作用而由多个稀疏降噪编码构成的堆栈式结构能够替代深度置信网络训练海量原始故障数据进而在深度学习故障分类中具有更好的效果 多层堆栈结构模型相较于深度置信网络避免了故障数据处理中易陷入局部最优化的弊端 无监督训练适用于更大的数据集本文在深度置信网络模型的基础上将 算法(贪心逐层无监督训练算法)与堆栈式稀疏降噪编码器相融合对多层自动编码器的性能进行优化并提取滚动轴承原始故障样本的特征 算法以自编码为基础针对于每个隐层全部都采用无监督的训练模式 的部分算法描述如下所示:基于深度特征学习的旋转机械滚动轴承状态在线监控 苗俊田 等 的部分算法描述:()()()()()()针对于无监督训练的深度置信网络而言 算法要解决的问题优化训练位于每个单独隐层预训练的过程包括两个阶段即预训练过程和监督学习过程 首先利用堆栈的稀疏降噪编码结构从初始层预训练到最后一层并获取数据的顶层特征其次再基于提取到的故障特征训练分类器甄选故障类别 旋转设备滚动轴承故障数据集的无监督预训练依据深度置信网络选择模型参数提升深度置信网络性能存在的正则化效果并优化贪婪学习算法的输入数据分布有助于将低维数据映射到高维 深度置信网络中局部极小点初始下降方向具有一定随机性在训练中存在陷入局部最优解的风险随着中间隐层数量的增加风险值会增大 在执行 算法过程中要采用逐层输入和训练的方式并根据滚动轴承故障数据集的规模大小适度增加 分类器的数量堆栈式深度特征学习编码器采用一种多层堆叠式结构设计输出层与 故障分类器连接故障特征提取时先在首层编码器上输入未标记的原始基础故障数据并对数据做无监督训练基于 算法将各隐层首尾相连计算各层的权值与偏置形成一个具有紧密联系深度置信网络其次滚动轴承的原始数据经过稀疏降噪分类器逐层训练后将 分类器与最后的输出层连接分类器损失函数的传播方向发生改变由原来向上传播转变为向下传播网络权值及传播方向发生变化后深度置信网络的故障特征提取性能得到进一步强化最后在完成全局各层次权重与偏置的微调整之后利用多层堆栈式编码器结构提取深度置信网络中包含原始故障特征得到隶属于全局的分类故障数据特征提取的过程如图 所示图 深度特征提取框图在逐层无监督训练模式下通过构建多层堆栈式稀疏降噪编码器实现对旋转机械滚动轴承的在线状态监控并利用 函数作为激活函数保证各层编码器模型的损失函数最低 多层堆栈式编码器结构在功能上相当于包含多个玻尔兹曼机模型的深度置信网络但多层稀疏编码器在网络结构的稳定性及全局寻优性能方面更有优势具体的故障诊断流程如图 所示图 基于特征深度学习状态监控与诊断流程滚动轴承故障状态在线监控的步骤如下:基于深度特征学习的旋转机械滚动轴承状态在线监控 苗俊田 等:采集与整理原始故障数据集并将全部数据按比例划分为训练集和测试集:构建稀疏降噪编码器确定堆栈式网络结构的层数、权重、偏置等参数:逐层训练多个编码器并将堆栈式编码器的输出层与 分类器连接输出初步的分类结果:在全局范围内微调整完成整个深度学习网络的训练根据分类与检测结果观测是否符合初始状态下设定的准确率要求如果满足准确率要求训练过程结束如果不能满足准确率要求返回 调整参数训练直到到达监控准确率要求 实验结果与分析.实验平台与实验数据采集为验证文中提出基于特征深度学习滚动轴承状态在线监控方法的有效性搭建实验平台并基于实验平台采集各种不同类型的故障数据 由于滚动轴承的故障信息隐藏与不同的故障状态类型下需要大量带标签的训练样本并对故障样本集合做重叠样本分割扩充基础数据样本提取中实验平台的关键参数设置如表 所示表 实验平台的关键参数设置参数取值采样频率电机转数/电机负载 滚轴外圈直径滚轴内圈直径滚子数量接触角 度故障轴承的故障类型包括外圈故障、内圈故障、滚子故障和支架故障由于每种故障的振动频率不同应对每种故障类型编码并记录故障状态对滚动轴承的 种故障状态描述及故障振动频率如表 所示表 滚动轴承的四种故障状态描述序号故障位置故障尺()故障编号故障频率()训练样本/测试样本外圈/内圈/滚子 /支架 /每种故障状态下各采集 个训练样本和 个测试样本共 个训练样本 个测试样本构成故障样本集合.故障分类的准确率滚动轴承的故障在线监控首先应分辨出具体的故障类别从原始故障数据集中截取振动信号并进行时频转换外圈、内圈、滚子和支架等四种故障类别的时域波形图如图 所示由于故障类别不同故障信号的振动幅值及振动频率存在差异这是区分故障类别的主要依据分别以训练样本和检测样本为基础检测文中深度学习算法及四种传统监控算法的故障分类准确率统计结果如表 所示依据实验结果可知训练集中的样本全部使用了标签信息在 个故障训练样本的分类监控中文中提出的深度特征学习方案的分类准确率始终保持在 以上而四种传统监控方法随着样本总量的增加性能衰减过快分类准确率出现较大程度的下滑在测试集的监控表现上总体与训练集趋同深度特征学习方法在样本总量为 的条件下分类准确率可以达到 而在同等条件下四种传统方法的分类准确率分别为、和 .故障监控精度对比在动态在线监控中滚动轴承故障监控精度除了受到故障分类性能的影响之外还与算法的降噪能力系统的抗干扰能力及算法的全局寻优基于深度特征学习的旋转机械滚动轴承状态在线监控 苗俊田 等图 滚动轴承各种故障类别振动的时域波形图表 训练样本集的故障分类准确率样本数量故障监控分类准确率深度学习小波匹配能量谱 表 测试样本集的故障分类准确率样本数量故障监控分类准确率深度学习小波匹配能量谱 能力相关 在对故障集的训练和测试中损失函数的分布情况与噪声干扰控制及局部最优化紧密相关通常算法的损失函数在较少的轮数内收敛至零表明算法噪声干扰抑制效果更好能够带来更高的控制精度表现利用 仿真软件分别拟合出训练集条件下和测试集条件下各算法损失函数变化曲线如图 所示图 训练样本集各算法的损失函数对比在两组故障集合中文中基于深度学习的算法在第四轮即完成了迭代损失函数值收敛至零证明堆栈式稀疏降噪编码器具有更好的抗干扰、降噪效果在获得高故障分类准确率的基础上更低的损失函数值能够带来更好的故障监控精度基于深度特征学习的旋转机械滚动轴承状态在线监控 苗俊田 等图 测试样本集各算法的损失函数对比由于训练样本集合的基数较大需要迭代的轮数要多于测试样本集但从总体上来看四种传统监控方法同等条件下的损失函数值要显著高于深度特征学习算法也会影响到最终的故障监控精度以测试样本故障数据集为例分析各监控算法下故障监控精度的对比结果如图 所示图 测试故障样本监控精度对比对各监控算法下故障测试样本集合的监控精度进行对比统计分析结果显示随着实验次数的增加基于特征深度学习算法的监控精度并未出现衰减优于传统监控方案 结束语本文提出一种基于特征深度学习的滚动轴承在线监控算法研究以稀疏降噪编码器为基础结构采用堆叠式的结构设计提高深度学习模式的动态检测性能和泛化能力 实验结果表明提出的监控算法在处理故障数据集时具有更强的故障分类能力降低了训练和测试中的损失函数值有助于保证监控精度 但是在旋转设备的实际工作过程中滚动轴承工作性能受多种因素影响如轴承材料、加工工艺和外来异物等 下一阶段的研究目标是基于特征深度学习的滚动轴承在线监控算法研究对样本集及算法进行提升和改进提高旋转设备滚动轴承状态在线监控水平参 考 文 献:姜万录李满张培尧等.基于全矢增强深度森林的旋转设备智能故障诊断方法.中国机械工程():.祝贺孙文凯贾亚飞等.基于深度学习的 设备故障识别技术.信息技术():.苏乃权熊建斌张清华等.旋转机械故障诊断研究方法综述.机床与液压():.张钰陈珺王晓峰等.随机森林在滚动轴承故障诊断中的应用.计算机工程与应用():.陈保家汪新波严文超等.采用品质因子优化和子带重构的共振稀疏分解滚动轴承故障诊断方法.西安交通大学学报():.高艺源于德介王好将等.基于图谱指标的滚动轴承故障特征提取方法.航空动力学报():.李静娇陈恩利刘永强.与 小波变换在轴承声学故障诊断中的研究.机械强度():.万书亭张雄南冰等.基于.维能量谱的滚动轴承故障诊断.电力自动化设备():.陈宗祥陈明星焦民胜等.基于改进 和双谱分析的电机轴承故障诊断实现.电机与控制学报():.郭杨梁家荣刘峰等.一种基于超立方体网络的高效故障诊断并行算法.计算机科学():.(责任编辑:丁玥)