基于云加端的電機軸承故障診斷應用研究

耿曉強，唐向紅,2,3,陸見光,2,3

(1.貴州大學 現代制造技術教育部重點實驗室，貴陽 550025；2.貴州大學 機械工程學院，貴陽 550025；3.貴州省公共大數據重點實驗室，貴陽 550025)

智能制造模式的發展，對生產過程的故障監測提出了更高的要求。隨著越來越多的高速傳感器的使用，可以從生產線上獲取的數據越來越豐富，一方面為故障信號的檢測提供了更豐富的數據基礎，但另一方面面對體量巨大、實時產生的線上流數據，智能終端無法提供足夠的計算能力，而計算能力突出的計算機設備直接部署在生產現場又很不現實。在此背景下，將云端數據處理中心和嵌入式智能終端相結合，提出云加端的數據處理模式，可以有效的解決數據處理的實時性和計算能力不足的問題。

制造業生產線上大量的使用了電動機設備，軸承作為其中重要的機械零件故障發生率一直居高不下，生產過程中對電動機軸承的實時監測，通過各種傳感器采集電機軸承運行狀態數據并進行分析，是保證生產工作正常進行、避免發生生產事故或者減小事故損失必不可少的一個環節。異步電機轉子、軸承等設備是故障高發的設備，針對不同的故障類型[1-2]，通過有效的方法提取不同故障的故障特征并對其進行準確的分類，是電機、軸承等設備實時故障診斷需要研究的問題。

電機軸承的故障信息會調制在各種測量信號中，而振動信號可以最為直觀、最為準確反映故障，令很多學者爭相對其展開研究[3-4]。而且在一些生產現場或者設備運行現場，數據信息多種多樣、源源不斷，因此很多學者提出了對數據進行實時處理的方法[5]。為了解決傳統方法診斷結果不直觀、準確率低的問題，機器學習越來越多的用到了故障診斷方面[6]。而且由于支持向量機(SVM)在小樣本分類方面優越的性能，在文獻[7-8]中SVM被應用到了故障診斷中，并取得了比較理想的效果。但是不斷改進的算法導致了對數據處理設備的性能要求越來越高，使得數據的實時處理越來越不易實現，使得理論研究距離工程應用的距離越來越遠。

為了解決上述問題，本文提出云加端支持向量機(CaTSVM)，將傳統的故障診斷方法分為“云端+終端 ”兩部分，相對計算復雜度較低的特征提取算法在終端嵌入式設備中完成，而相對來說計算復雜度較高的訓練和分類算法放在云端計算中心完成。這一新型的故障診斷架構不僅僅可以將故障診斷算法從實驗室環境下搬到實際環境中，而且由于終端嵌入式設備對原始數據進行了預處理操作，使得云端和終端的通信數據體量大大減小，降低了數據傳輸代價。并且在云端建立故障特征模型庫(CFML)，不斷的更新完善CFML，用完善后的故障特征在線訓練SVM模型，進一步提高SVM模型分類能力，使故障診斷系統擁有了“終生學習”的能力。

1 云加端SVM模型

支持向量機(SVM)[9]由Vapnik和Cortes在1995年正式發表在《Machine Learning》雜志上，SVM的出現直接掀起了“統計學習”在機器學習領域的應用高潮。而且由于支持向量機在小樣本、非線性以及高維模式分類方面表現出的優秀性能[10]，使其比神經網絡更加適合應用在電機軸承的故障診斷中。本文將支持向量機與云加端模型結合在一起，應用在軸承故障診斷中。而且當前SVM的理論研究比較多，工程應用研究比較少，本文方法的提出可以進一步豐富SVM的工程應用研究，具有一定的工程指導意義。

1.1 支持向量機

支持向量機(SVM)是一種建立在統計學習理論(Statistical Learning Theory)基礎上的機器學習方法，其目標是利用結構風險最小化原則構造最優決策函數來解決二分類問題，求解其最優決策函數的問題實質上就是一個解凸二次規劃的問題。

對于一個二分類問題，存在訓練樣本集D={(x1,y1),(x2,y2),…,(xn,yn)}，其中xi∈Rn,yi∈{1,-1}，訓練的目的就是在包含D的樣本空間中尋找一個最優分類超平面，將兩類樣本按照各自的樣本特征分開。而在樣本空間中，我們可以將分類超平面表示為

ωTx+b=0

(1)

式中：ω表示超平面的法向量，b為相對偏移量。對于一些在線性空間不可分的樣本集，可以將其映射到更高維的特征空間，使樣本在該高維空間線性可分，令φ(x)為高維空間特征向量，得到高維空間分類超平面

(2)

式中：k(x,xi)即為此分類問題的核函數。樣本中把兩類樣本分開的超平面的向量稱為此二分類問題的“支持向量”，而想要最優化分類超平面，需要最大化兩類支持向量到超平面的距離

(3)

式中：yi(ωT+b)≥1，i=1,2,…,n,式(4)等價于

(4)

為了解決某些問題中無法找到合適的核函數使訓練樣本在特征空間線性可分的問題，提出軟間隔的概念，引入松弛變量εi≥0，得到軟間隔支持向量機

(5)

其約束于yi(ωT+b)≥1-εi，εi≥0,i=1,2,…,n。引入正則化的概念，將求解最優超平面問題優化為更一般的形式

(6)

1.2 云加端SVM模型

故障特征提取相對于SVM的訓練以及分類來說，計算復雜度相對較低，而且對線上實時處理數據的要求比較高，因為如果對原始數據先進行傳輸再處理，一方面數據體量巨大，傳輸過程耗時較多；另一方面由于原始數據的不確定性和敏感性，容易在傳輸過程中引入更多的其他干擾因素。所以原始數據直接在設備端進行實時處理更加合理，并且設備端的嵌入式設備的計算性能也可以滿足故障特征提取的要求。將原始數據進行處理后，將提取并經過降維的特征向量傳輸到云端，一方面減小了數據傳輸量，另一方面增加了需要傳輸的數據的可靠性。使用支持向量機對軸承故障特征數據進行分類，計算資源消耗最大的一部分是分類超平面的計算以及數據的分類過程，將這部分計算放在云端，可以在很大程度上提高分類的準確度以及現實的可行性。并且在云端構建故障特征數據庫，在故障診斷的過程當中不斷完善特征數據庫，使用新的特征以替換舊的特征，不僅僅讓特征最新，而且讓特征數據庫中的數據保持一定的規模。云端模型庫CFML的建立讓本文提出的算法不再像傳統的SVM故障特征分類算法一樣只具備一次性學習能力，本文提出的算法可以在運行過程中不斷完善和豐富，具備“終生學習”的能力。

如圖1所示是本文使用的云加端支持向量機模型。

圖1 CaTSVM故障診斷模型Fig.1 CaTSVM fault diagnosis model

2 基于云加端的故障診斷方法

2.1 原始數據選擇

目前常用的用于故障檢測的信號量中，聲音信號、電流、電壓信號和振動信號尤其受到科研工作者的青睞，究其原因是因為這幾類信號最方便采集并且其均在一定程度上可以反映出當前機電/機械設備的運行狀態。通過對四種原始數據信號的實驗對比，在是否侵入式、測量準確度、反映故障類型、適用范圍以及提前預測時間等幾方面進行考量，同時考慮到云加端故障診斷系統實際生產應用的需要，在本文中振動信號是最適合用來做機電設備故障診斷以及預測的數據類型。

2.2 故障檢測

故障檢測的目的是確定設備異常，故障診斷(分類)的目的是確定異常位置。故障檢測可以作為故障診斷的前期工作，因為故障檢測算法的計算復雜度可以設計的更小，實時性可以更高，并且故障檢測可以為后期的故障診斷剔除很多干擾項，以提高診斷效率和準確率。耿曉強等[11]依托云加端的架構提出了一種實時的故障檢測方法，其根據電機、軸承等旋轉設備故障信號存在周期性的特點，使用聚類的方法對設備的實時數據和歷史數據進行處理，進行設備異常檢測。本文的故障診斷程序的啟動條件是故障檢測系統發出故障預警，在此條件下診斷系統在實際的工程使用中可以提高診斷準確率并且大大降低人工參與確定故障的頻率。

2.3 特征提取

特征提取在整個故障診斷系統中是計算量相對較小而且對流數據實時敏感的一部分，在本文提出的CaTSVM架構中屬于終端數據處理部分。采集到設備的振動信號后，經過FFT變換可以得到信號的頻譜，根據以往的研究發現,當機電設備發生故障后會引發系統額外的振動，體現在信號頻譜上就是在在原始基波的基礎上會引入其他的諧波成分[12-13]，利用這一特性可以很好的提取當前故障的特征。但是由于信號頻譜特征的數據量和頻率分辨率成正比，并且其頻譜數據中并不是所有的特征量都可以有效的反映故障特征，如果使用振動信號的頻譜作為特征向量，將面臨特征向量的維數災難，而且存在非常大的冗余度，因此對頻譜特征進行降維，提取主要特征將是必要的[14]。

主成分分析(PCA降維)可以有效的解決這個問題，它可以重新構建一個超平面來對所有的輸入樣本進行恰當的表示，然后通過對新的樣本表示進行重要性排序(特征值大小)，來選擇可以在一定程度上表示原來的樣本特性，并且將維度降到我們可以接受的范圍之內的樣本映射。

PCA算法可以描述為以下過程[15]

輸入：輸入數據D={x1,x2,…,xm};降維后目標維數d′

輸出：降維后數據W=(ω1,ω2,…,ωd′)

2.4 CaTSVM模型在線訓練

傳統的SVM模型大多是采用“離線訓練-離線分類”[16-18]或者“離線訓練-在線分類”的結構[19]，這樣的結構對于解決實驗室數據并沒有太大的問題，因為實驗室數據存在太大的理想性。或者頻繁的對模型進行訓練[20]，可能導致過度的資源占用以及模型的過擬合，起到和預期相反的效果。此類結構并沒有充分考慮到在實際的工程應用中，機器的故障特征可能在發生著微妙的變化，導致當前設備故障特征和SVM模型所依據的故障特征偏差越來越大，間接地造成了SVM模型分類準確度的下降。

本文的CaTSVM在線訓練模型采用了“離線訓練+在線訓練-在線分類”的結構，在初始階段，使用已經分類完成的故障數據對CaTSVM模型進行離線訓練，建立初始CaTSVM模型；之后開始在線的故障診斷，初始CaTSVM模型診斷的結果通過人機交互界面通知現場，經過工作人員實地檢查故障后反饋給系統，并且將故障特征向量保存在云端特征模型庫，由系統統計診斷的準確率，當準確率低于指定閾值，調用云端特征庫對CaTSVM模型進行二次訓練，即在線訓練，同時也避免了過度的資源占用。CaTSVM模型訓練過程如圖2所示。

圖2 CaTSVM模型訓練過程圖Fig.2 CaTSVM model training process

2.5 算法描述

本文將故障特征提取和特征分類分別放在終端和云端進行處理，終端負責對故障特征進行提取，計算量相對較小，云端負責計算復雜度相對更高的特征學習和分類計算，并且隨著時間的推移，CaTSVM模型可以根據機電設備狀態的變化進行終身的在線學習。由于終端對現場的實時反應能力較強，并且經過特征提取之后的特征數據量相較于原始數據體量更小，可以大大減小網絡帶寬消耗并且提高數據傳輸和計算的實時性。終端、網絡、云端構成了一個數據處理的并行“流水線”結構，可以再次在較大程度上提高系統的實時性。算法描述如下：

步驟1使用已知種類的故障特征數據離線訓練CaTSVM，并將訓練好的CaTSVM放在云端處理器，并且在云端建立特征模型庫CFML，將訓練數據加入CFML；

步驟2終端原始數據采集；

步驟3終端FFT算法計算振動信號的頻譜，提取故障特征并進行降維；

步驟4將特征向量拷貝到無線設備模組發送緩沖區，啟動發送；運行下一步，同時再次啟動步驟2；

步驟5云端接收故障特征數據，調用CaTSVM模型對特征向量進行分類；

步驟6將分類結果返回人機交互界面，通過人工檢查，確定CaTSVM分類結果正確與否，并返回檢查結果；

步驟7根據人工復檢結果將特征向量分類加入特征模型庫CFML；

步驟8計算當前故障分類準確率，若準確率低于閾值，從CFML取數據，再次在線訓練CaTSVM；返回步驟5。

3 實驗和對比

3.1 數據獲取

本文的實驗數據采自CUT-2轉子振動試驗臺(見圖3)，終端處理器包括用于測量、預處理數據的測量模組(包括MCU和振動傳感器)、無線設備模組。分別在不同負載以及故障情況下對軸承進行故障診斷，包括① 正常軸承② 軸承內圈故障③ 軸承外圈故障④ 軸承滾珠故障。每種狀態分別取500組數據，共2 000組數據分別進行訓練和測試，對比不同算法準確率以及效率，另外當負載變化和故障尺寸變化后各狀態均增加500組數據用于實驗。為了實驗對比以及實驗結果的記錄，云端設備使用DELL precision TOWER 5810服務器，終端使用Cortex M3系列處理器ADuCM3029。

圖3 CUT-2轉子振動試驗臺Fig.3 CUT-2 rotor vibration test bench

3.2 特征提取

本文的特征提取需要應用在系統的兩部分中，第一部分是已經獲取的分類數據的特征提取，用于對PCA降維矩陣的訓練以及CaTSVM分類模型的訓練；第二部分是直接對實時采集的數據進行特征提取，用于故障診斷以及在線學習中二次訓練CaTSVM分類模型。信號的頻譜中包含了豐富的故障信息，直接計算出來的信號頻譜維度非常高，但是如果將頻譜進行采樣或者求取部分信號的積分，將喪失頻譜信號對故障信息準確反映的優勢，因此本文直接將信號的頻譜進行PCA降維，在減小數據維度的同時保持了信號的完整性。

(1)原始數據經過FFT計算出其頻譜，進而求出其功率譜，使用z-score標準化方法對數據進行標準化處理。將標準化結果作為PCA算法的輸入，計算出對功率譜特征貢獻率最大的d′個特征，生成代表原始特征和降維特征對應關系的降維矩陣D。其中d′的選擇是根據所選特征維數對整體特征的貢獻率不小于C%來確定的。計算出前k維特征向量對原始特征的貢獻度為

Con={0.596 4,0.755 6,0.827 1,0.880 5,0.897 5,0.910 3,0.921 5,0.932 0,0.939 6,0.945 0,0.949 5,0.952 7}

令C%=95%，取d′=12，得到的降維矩陣為

Dn×12=

(2)降維矩陣在CaTSVM模型訓練階段就確定了下來，而特征提取貫穿整個系統運行的始終。在診斷過程中，數據要經過傳感器采集，FFT計算數據頻譜、功率譜，數據降維，診斷分類等幾個階段。最后輸入到CaTSVM模型的特征向量是經過降維矩陣降維之后的特征向量，如表2所示。

表1 不同故障對應特征向量Tab.1 The eigenvector of different fault

3.3 故障診斷策略

SVM分類算法本質上屬于二分類算法，雖然其可以通過更改算法實現多分類器，但是其計算復雜度大大提升。因此本文采用一對一的分類方法(One-Versus-One,OVO SVMs)分別對k類故障進行兩兩分類，最后對k(k-1)/2個分類器的結果進行投票匯總，得到最終的故障分類結果。此類方法對分類類別較少的情況有很好的分類效果和滿意的計算復雜度，非常適合機電設備的故障診斷。

根據本文對方法的改進以及考慮到實驗的可行性，本文從兩方面展開對比實驗，以充分說明本文提出方案的優勢。第一方面，考慮到生產設備普遍的需要長時間運行，在此期間設備的狀態難免的發生一些變化，而且由于系統的負載也會時常發生不確定性的變化，這些變化導致傳感器采集的數據并不能像設備初始狀態下一樣反映設備的運行狀態。如果系統不能對設備的當前狀態進行在線學習，無疑系統的診斷準確率將不斷的降低，直至無法正常工作。而本系統可以根據診斷的準確率判斷系統運行狀態，進行在線學習，以解決設備狀態的逐漸演變給診斷模型帶來的干擾。第二方面，對于很多關鍵設備，系統的實時診斷是保障設備安全、正常運行的重要條件。傳統的故障診斷大多數停留在實驗室階段，即使用已經采集的數據進行實驗研究，實時性較差；即使將診斷方案封裝成計算機應用，仍然需要在設備現場部署計算機進行診斷。本文使用的系統包括終端和云端兩部分，在系統初始化設置完畢之后可以只將體積小巧的終端設備置于設備上采集數據并進行特征提取，之后將特征上傳云端進行診斷以及在線學習。這種流水線分布式數據處理方式充分考慮到了數據處理的實時性要求，是一項重要的實驗指標。

圖4 一對一法多分類支持向量機Fig.4 One versus one method multi-classification SVM

3.4 故障診斷準確度實驗

機械設備在運行過程中可能發生設備狀態變化，其原因包括負載變化以及設備長時間運行造成的機械磨損等，本文提出的系統解決方案有助于降低這類變化給診斷系統帶來的診斷誤差。本實驗將采集不同負載情況下的數據作為負載狀態變化，將采集不同故障直徑情況下的數據作為長時間運行造成的機械磨損，以此兩方面展開實驗研究。為了使用大量的數據進行診斷準確率的計算，這里將“算法描述”部分的“人工檢查”換成故障標簽以判斷診斷正確與否。表2中給出了在線學習法和離線學習法原始診斷準確率的數據，該數據是在負載和故障尺寸均未變化的情況下測試得到，從中可以看出在初始狀態下在線學習算法和離線學習算法的診斷準確率基本持平。表3、表4、表5所示是當用負載變化和故障尺寸變化模擬設備狀態變化后傳統離線學習和本文提出的在線學習診斷準確度對比：

表2 原始診斷準確率Tab.2 Original diagnostic accuracy

表3 負載變化20%后診斷準確率對比Tab.3 Comparison of diagnostic accuracy after load change 20%

表4 故障尺寸變化10%后診斷準確率對比Tab.4 Comparison of diagnostic accuracy after fault size change 10%

根據利用軸承負載變化和故障尺寸變化來模擬軸承長時間運行給系統帶來變化的實驗得到表3、表4、表5的數據，由表3可知，負載的變化導致了傳統的離線學習方法診斷準確度的降低，雖然沒有大幅度的降低，但是和在線學習方法相比仍然體現出了其劣勢；由表4可知，故障尺寸的變化相較于負載的變化會對診斷準確率帶來更大的影響，但是在線學習方法仍然表現出了優越的性能；表5同時使用負載變化和故障尺寸變化來模擬系統狀態變化，由表中數據可以得出，在線學習法完全可以適應系統的變化，但是傳統的離線學習方法的故障診斷準確率已經大大降低，無法滿足診斷系統的實際需求。

表5 負載變化20%+故障尺寸變化10%后診斷準確率對比Tab.5 Comparison of diagnostic accuracy after load change 20% and fault size change 10%

3.5 診斷系統實時性實驗

在傳統的機器學習故障分類方法中，特征提取，高維特征降維以及故障分類均放在同一個PC端進行順序處理，下一步必須在上一步計算完成釋放CPU使用權之后才能開始；在本文的云加端結構中，數據采集、特征提取、降維、數據傳輸以及SVM分類分別放在終端和云端進行，隨著系統的運行，可以把幾部分看作是并行處理數據，是一種更為高效的數據處理方式。云加端流水線結構和傳統數據處理結構如圖5所示。

從圖5中可以看出，流水線診斷結構可以并行的對數據進行處理，形成了一種多環節并行的故障診斷模式，而傳統的診斷結構對數據的處理只能是順序完成的。其中數據采集(COD)發生在MEMS傳感器中，采集的數據放在FIFO空間中；特征提取/降維(FE/DR)在MCU中進行計算；數據傳輸(TDR)由RF芯片完成；故障特征的分類(CLOF)即故障診斷在云端進行。

注:COD: Collection Data;

FE/DR: Feature Extraction/Dimensionality Reduction;

TRD: Transmission Data;

CLTF: Classify the Feature

圖5 兩種故障診斷結構對比圖

Fig.5 Comparison chart of two kinds of fault diagnosis structure

并行的流水線數據處理結構要比普通的順序結構效率高很多，并行結構可以同時充分調動各個計算單元對數據進行處理，一方面降低了單一處理器的計算負擔，另一方面讓各個處理單元的“等待時間”大大降低，提高了系統的工作效率。如圖6所示給出了傳統的順序結構和并行流水線結構在相同時間內完成任務數的對比，從圖中可以看出，隨著時間的推移，并行流水線結構相較于傳統順序結構體現出越來越大的效率優勢。

圖6 傳統診斷結構與流水線診斷結構效率對比Fig.6 The efficiency comparison of traditional structure and pipeline structure

通過以上分析，從計算分布以及實際工程應用的角度出發，云加端的故障診斷方法更加符合實際的工程應用，而且由于其可以直接布置在實際運行的設備之中，真正實現了設備的在線實時故障診斷，相較于傳統只能先采集數據再進行集中數據處理的方式更加符合實際。

4 結 論

文章中提出了一種云加端的改進支持向量機(CaTSVM)，并將其運用到旋轉軸承的故障診斷中，通過云端和終端的配合，使得將故障診斷設備部署在生產線設備現場成為切實可行的方案。終端、無線傳輸以及云端并行流水線數據處理方式使得故障診斷系統的實時性得到大大提高，對系統的實時監測有重大意義。

CaTSVM可以根據當前被測設備狀態的變化適時的進行在線訓練，以隨著被測設備狀態的緩慢變化不斷的學習新的特征，使故障診斷系統具備“終身學習”的能力。通過在線訓練可以讓診斷系統的診斷準確度不受設備狀態變化的影響，提高分類器的識別能力。