基于ReliefF和DBN的齒輪箱故障模式識別方法研究

夏 源，王藝華，張鑫瑞

(西安工業大學 機電工程學院，西安 710021)

0 引言

齒輪箱是連接和傳遞動力的傳動裝置，被廣泛用在農業機械中。但由于其內部結構復雜，工作環境惡劣等因素，齒輪和軸承等主要部件易發生故障。因此，對齒輪箱進行故障特征提取和模式識別是當前亟需解決的問題。

為此，采用ReliefF算法對齒輪箱振動信號的特征向量進行降維，去除敏感度較差的特征向量，保留敏感度高的特征向量。將敏感度高的特征向量導入深度置信網絡中，進行故障的模式識別。

1 ReliefF 算法簡介

式(1)中：diff(A,R,Hj)是樣本R與Hj在特征A上的差；C為與樣本R不同的類總數；P(C)為第C類的概率；class(R)為樣本R所在的類；M為類C中與樣本R的第J個最近鄰樣本；diff(A,R,Mj(C))為樣本R與樣本M在特征上的差。

其中diff(A,R,Hj)分為兩部分，其中對于離散變量

(2)

對于連續變量

式(2)、式(3)中R(A)和Hj(A)代表R和Hj在特征A下的樣本值。

(5)反復計算上述步驟m次，獲得特征向量權重。

最后設定一個權重閾值，將超過該值的特征向量構成敏感特征集合，完成特征降維。

2 深度置信網絡

深度置信網絡(Deep Belief Net, DBN)由兩部分構成，分別是基于受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)的無監督訓練和反向調參。

2.1 基于RBM的無監督訓練

無監督訓練階段最重要的就是訓練RBM，以確保獲得準確的權重值。RBM的可見節點和隱含節點間是全連接，而隱含層和可見層層內兩兩之間不存在連接[2]。在訓練RBM時，原始數據輸入到可見層，形成向量V，再通過權重值W傳遞給隱含層，得到向量H，這樣可以同時得到所有的隱含層節點值。隱含層向量和可見層輸入向量的差值，就作為權重更新的依據。

2.2 反向調參階段

DBN中有多個RBM構成。上述過程為單獨訓練每個RBM網絡，并不能夠保證DBN網絡的特征向量輸出最優。因此DBN最后一層選用BP神經網絡作為模式識別分類器。在分類過程中，將訓練后的輸出與理想輸出的差值反向傳播，調整DBN網絡參數，完成反向調參過程。

3 實驗分析與數據處理

3.1 實驗數據

本文使用PHM2009齒輪箱故障數據集[3]進行實驗。加速度振動傳感器數據作為實驗數據。電機轉速1800 r·min-1，采樣頻率為67 kHz，采樣時間為4 s。其中，齒輪箱共有8種復合故障類型。本文以4500個采樣點為一組數據樣本，每種故障類型提取40組數據樣本進行分析。

3.2 ReliefF算法的特征向量降維

將8種狀態振動信號用變分模態分解(Variational mode decomposition, VMD)方法處理，進而提取每個IMF分量的時域與能量熵值特征，具體操作步驟如下：

(1)將故障3信號用VMD將信號分解成8個IMF分量。如圖1所示。

圖1 故障3狀態下振動信號模態分解

(2)計算振動信號的各個IMF分量與原始振動信號的互相關系數。主要分兩步，第一步計算原振動信號與各IMF的自相關系數，公式如式(4)

(4)

其中，x(i)是各采樣點數值，N表示數據長度。

第二步計算原始振動信號和IMF分量信號的互相關系數

(5)

由式(5)計算所得的值范圍在[0,1]，值越接近1，表示IMF分量與原信號相關性越大。

(3)利用相關系數提取主要IMF分量。由表1可知，前三個IMF分量的系數較大。因此提取各狀態振動信號的前三階IMF分量進行分析。

表1 IMF分量與原始信號的相關系數

本文提取的無量綱特征參數主要有峰值、脈沖、波形、裕度和峭度指標，設定xi(t)為信號數據，xi為各點幅值，N為采樣點數，δ為標準差。各指標計算公式如表2。

表2 五種無量綱時域特征計算公式

同時，能量熵能夠反映正常信號同故障信號之間的能量變化，各頻帶能量變化情況包含故障信息。對信號的分解具有正交性時，分量信號功率之和與原信號功率E相等。各分量的功率Ei計算如式(6)

(6)

設pi=Ei/E,且∑ipi=1，則能量熵的定義，如式(7)

Ee=-∑ipilogpi

(7)

因此，提取每個IMF在時域上的五個無量綱特征和能量熵特征，共18個特征向量。經特征提取后，用ReliefF算法進行降維。如表3所示，權重值越大的表示對故障越敏感。

表3 特征向量權重值值

分析上表數據，本文將權重閾值設為5，以實現特征向量的降維優化。此時優化后的特征向量為式(8)

T=[T15、T18、T12、T9、T1、T6、T3、T10]

(8)

3.3 模式識別

為驗證本文提出方法的準確性，以4500個采樣點為一組數據樣本，一共8種狀態，每種提取40組數據樣本，共有320組數據。在實驗中隨機抽取50%作為訓練樣本，50%作為測試樣本。將降維后的特征向量與未降維的特征向量導入DBN中，模式識別結果如圖2、圖3所示。

圖2 ReliefF對特征向量降維后的識別準確率

圖3 未降維特征向量的識別準確率

4 結論

(1)僅以未降維特征向量作為深度置信網絡的輸入不易區分故障類型，本文提出應用ReliefF算法降維的特征向量能夠使識別準確率提高11.87%。

(2)由表4對此可見，DBN網絡進行訓練和學習，能夠在訓練樣本數目較少的情況下有較好的分類效果，結合ReliefF算法，能夠準確識別出齒輪箱故障狀態信息。

表4 DBN模式識別效果對比