基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障診斷研究

姚明鏡 唐 璇 呂 昂

(①成都理工大學(xué)工程技術(shù)學(xué)院，四川 樂(lè)山 614000；②核工業(yè)西南物理研究院，四川 成都 610225)

行星齒輪箱作為風(fēng)力發(fā)電機(jī)的重要傳動(dòng)部件，其運(yùn)行環(huán)境復(fù)雜，如果一旦出現(xiàn)故障就會(huì)引發(fā)嚴(yán)重事故。因此對(duì)其進(jìn)行故障診斷非常必要[1]。行星齒輪箱是多個(gè)行星輪繞太陽(yáng)輪轉(zhuǎn)動(dòng)的機(jī)構(gòu)，其運(yùn)轉(zhuǎn)過(guò)程中會(huì)產(chǎn)生振動(dòng)，當(dāng)齒輪有一些微弱故障時(shí)，振動(dòng)信號(hào)就會(huì)發(fā)生變化，可以通過(guò)振動(dòng)信號(hào)去判斷和識(shí)別故障類型[2-3]。近些年，很多國(guó)內(nèi)外學(xué)者利用信號(hào)處理技術(shù)和人工智能技術(shù)研究了基于專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等齒輪箱故障診斷方法[4-5]。本文針對(duì)行星齒輪箱搭建實(shí)驗(yàn)平臺(tái)，使用基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的故障診斷模型方法來(lái)進(jìn)行故障識(shí)別與診斷，識(shí)別準(zhǔn)確率比較高，從而可以準(zhǔn)確判斷故障類型，及時(shí)了解故障嚴(yán)重程度，降低檢測(cè)成本，減少事故的發(fā)生。

1 卷積神經(jīng)網(wǎng)絡(luò)算法原理

1.1 卷積層

如圖1所示，通過(guò)改變網(wǎng)絡(luò)層的步長(zhǎng)滑動(dòng)卷積核使其與輸入矩陣進(jìn)行自相關(guān)運(yùn)算，從而提取圖像中每一塊小區(qū)域的局部特征。權(quán)值就是卷積核上的數(shù)值，利用誤差的反饋對(duì)卷積核進(jìn)行更新迭代，從而實(shí)現(xiàn)網(wǎng)絡(luò)的學(xué)習(xí)。

1.2 池化層

池化層可以減少參數(shù)個(gè)數(shù)壓縮特征信息，提高泛化能力，其根據(jù)操作不同可分為兩種：(1)最大池化層即尋找輸入矩陣在池化窗口上的最大值，并將其映射到輸出矩陣上(如圖2所示)；(2)平均池化層即計(jì)算輸入矩陣的平均值作為輸出(如圖3所示)。

1.3 激活函數(shù)層

以ReLU激活函數(shù)對(duì)卷積層的輸出進(jìn)行映射，如圖4所示，其表達(dá)式為：

1.4 優(yōu)化算法

為了有效地應(yīng)對(duì)神經(jīng)網(wǎng)絡(luò)中由于模型選擇和參數(shù)設(shè)置引起的過(guò)擬合、收斂速度慢或不收斂等問(wèn)題，引入批量歸一化(batch normalization, BN)層和丟棄(dropout)層對(duì)模型進(jìn)行優(yōu)化。BN層對(duì)卷積層的輸出進(jìn)行如式(2)的標(biāo)準(zhǔn)化處理，將卷積層輸出的數(shù)據(jù)轉(zhuǎn)換為均值為1、方差為0的分布，提高模型中間層輸出數(shù)值的穩(wěn)定性。

(2)

(3)

(4)

(5)

式中的⊙是按元素相乘[5]。

Droupout層是以一定的概率p隨機(jī)地丟棄全連接層中的某些隱藏層神經(jīng)元，如圖5所示，圖5a為一個(gè)輸入為4的單隱藏層的未丟棄神經(jīng)元節(jié)點(diǎn)的三層神經(jīng)網(wǎng)絡(luò)示意圖，圖5b為在訓(xùn)練過(guò)程中以一定概率丟棄神經(jīng)元節(jié)點(diǎn)三層神經(jīng)網(wǎng)絡(luò)的示意圖，通過(guò)丟棄可以降低模型的復(fù)雜度，防止過(guò)擬合現(xiàn)象的出現(xiàn)[6-8]。

2 實(shí)驗(yàn)方案

2.1 模擬實(shí)驗(yàn)平臺(tái)的硬件裝置

搭建行星齒輪箱信號(hào)采集系統(tǒng)實(shí)驗(yàn)平臺(tái)如圖6所示。將加速度傳感器安裝到齒輪箱上，并連接采集箱(NI PXI-1033)，通過(guò)采集卡(PXI-4496)采集信號(hào)，可以通過(guò)調(diào)速裝置改變轉(zhuǎn)速。

2.2 齒輪箱故障工況模擬

如表1所示，先將齒輪按照不作處理、磨損、斷一齒和斷兩齒4種方式進(jìn)行處理，分別對(duì)應(yīng)正常、輕度故障、中度故障和嚴(yán)重故障[9]4種故障程度。

在進(jìn)行模擬實(shí)驗(yàn)時(shí)，先采集齒輪箱正常情況下的振動(dòng)信號(hào)，然后將齒輪依次換為輕度故障、中度故障和嚴(yán)重故障的齒輪，分別采集齒輪箱的振動(dòng)信號(hào)。信號(hào)采集方案如表2所示。

表1 齒輪故障程度設(shè)定

表2 信號(hào)采集方案

3 模型搭建與實(shí)驗(yàn)結(jié)果分析

3.1 樣本構(gòu)造

由壓電式加速度傳感器所采集到的原始振動(dòng)信號(hào)為電壓的時(shí)序信號(hào)，其不同狀態(tài)齒輪的部分時(shí)域波形如圖7所示。

為了保證學(xué)習(xí)樣本的有效性，需要每一個(gè)樣本的時(shí)間長(zhǎng)度都要大于一個(gè)周期[10]。本實(shí)驗(yàn)把12 500個(gè)數(shù)據(jù)作為一個(gè)學(xué)習(xí)樣本。同時(shí)對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理以便使神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中更快地收斂。對(duì)于數(shù)據(jù)向量x，標(biāo)準(zhǔn)化的方法為：

(6)

通過(guò)這種方法共構(gòu)造樣本720個(gè)，其中每一種故障情況均為180個(gè)。將所有樣本劃分為兩部分，一部分為訓(xùn)練集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)；另一部分為驗(yàn)證集用于驗(yàn)證正確率。實(shí)驗(yàn)把訓(xùn)練集和驗(yàn)證集按照5：1的比例進(jìn)行數(shù)據(jù)劃分。

3.2 卷積神經(jīng)網(wǎng)絡(luò)的搭建

搭建卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示：包括4個(gè)卷積模塊和3個(gè)全連接層。本實(shí)驗(yàn)使用MATLAB的深度學(xué)習(xí)框架進(jìn)行編程。該模型使用Adam算法和MBGD算法，設(shè)置學(xué)習(xí)率η=10-3，小批量大小m=100，Adam算法中的兩個(gè)參數(shù)分別設(shè)置為β1=0.9，β2=0.999[11-12]。將每種故障類型數(shù)據(jù)集中的180個(gè)樣本隨機(jī)按照訓(xùn)練集和驗(yàn)證集5：1的比例劃分。表3所示為模型中的一些重要層的參數(shù)設(shè)置。

表3 重要層的參數(shù)選擇

如圖9所示對(duì)模型進(jìn)行優(yōu)化，在圖8所示模型的基礎(chǔ)上，進(jìn)行改進(jìn)：

(1)在每一個(gè)卷積層后都連接一個(gè)批量歸一化層BN層。

(2)在全連接層1和2后分別連接一個(gè)Dropout即信號(hào)丟棄層，丟棄概率p均設(shè)置為0.7[13-14]。

3.3 實(shí)驗(yàn)結(jié)果分析

將3.1節(jié)中構(gòu)造的720個(gè)實(shí)驗(yàn)數(shù)據(jù)作為模型的輸入數(shù)據(jù)，以5：1劃分?jǐn)?shù)據(jù)，其中600個(gè)作為訓(xùn)練集，120個(gè)作為驗(yàn)證集。先用故障類別已知的訓(xùn)練集數(shù)據(jù)訓(xùn)練3.2節(jié)中搭建的卷積神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過(guò)訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)模型的混淆矩陣中N、LF、MF、SF分別表示正常、輕度故障、中度故障和嚴(yán)重故障，如圖10所示。再將混合的驗(yàn)證集實(shí)驗(yàn)數(shù)據(jù)代入訓(xùn)練好的模型中，就可以判斷齒輪箱故障類別。改進(jìn)前的原始模型在訓(xùn)練至60次時(shí)收斂，改進(jìn)后的模型在訓(xùn)練至120次時(shí)收斂。圖11為訓(xùn)練過(guò)程中迭代次數(shù)與準(zhǔn)確度之間的關(guān)系，圖12為訓(xùn)練過(guò)程中損失函數(shù)(誤差)與準(zhǔn)確度之間的關(guān)系。訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集的分類準(zhǔn)確率分別達(dá)到了100%和81.67%，損失函數(shù)值Loss分別降到了0.001和0.59。從圖11a中可以看出，雖然模型能夠較快收斂，但是驗(yàn)證集上的準(zhǔn)確率較低且遠(yuǎn)遠(yuǎn)低于在訓(xùn)練集上的準(zhǔn)確率，這是因?yàn)橛?xùn)練樣本數(shù)量過(guò)少而導(dǎo)致的過(guò)擬合現(xiàn)象[15]。從圖11b中可以看出，改進(jìn)后的模型在訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集的準(zhǔn)確率分別達(dá)到了100%和99.2%，沒(méi)有出現(xiàn)過(guò)擬合現(xiàn)象，分類效果較好。由以上分析得出，改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型與未經(jīng)優(yōu)化的原始模型相比分類準(zhǔn)確率得到了顯著的提高。

4 結(jié)語(yǔ)

(1)利用引入BN層和Dropout丟棄層的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)行星齒輪箱進(jìn)行故障診斷識(shí)別是可行的且其分類準(zhǔn)確率與改進(jìn)之前相比明顯提高。

(2)基于深度學(xué)習(xí)理論的卷積神經(jīng)網(wǎng)絡(luò)模型能夠?qū)Σ煌愋偷墓收线M(jìn)行精確分類且準(zhǔn)確率高達(dá)99.2%。

(3)利用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型可以通過(guò)原始信號(hào)進(jìn)行故障識(shí)別，無(wú)需單獨(dú)進(jìn)行特征提取。