基于深度自編碼網絡的鼓風機故障診斷

馬海舒， 馬宗正

（河南工程學院機械工程學院，鄭州451191）

0 引 言

機械設備如果出現運轉故障，需要在很短時間內迅速確定故障原因并實施維修，因為一旦機器停止工作將導致生產停頓造成經濟損失不可估量［1-3］。然而大概80%的維修時間是耗費在找到導致故障的根源。能夠進行早期故障診斷對于避免更大的經濟和生產損失至關重要［3］。對于回轉機械，如鼓風機，聲音或振動信號經常用來判斷設備是否出現故障或老化。

信號處理領域非常多的技術已經得到成熟應用，這些方法可以分為3類，時域、頻域（例如傅里葉變換）和時頻域（例如小波變換和短時傅里葉變換），其中小波變換在故障診斷中信號處理方面表現優異，因為短時傅里葉變換是通過加窗的方式對時域不同時間段的信號進行分析，但是，由于窗長是固定的，所以，分辨率是固定的，并且根據窗長的選擇在時域和頻域的分辨率上是一個矛盾；而小波變換可以根據尺度的變換和偏移在不同的頻段上給出不同的分辨率，這在實際中是非常有用的［4-5］。

經過振動信號處理和特征提取，接下來最重要的是確定故障源。機器學習已經越來越多被專家學者應用在這一領域并取得了很好的效果。支持向量機作為一種非常流行的機器學習算法以其高準確性和泛化能力廣泛應用于故障診斷［6］。許多研究者利用隱馬爾科夫鏈對故障進行建模和診斷，在此基礎上建立故障定位矩陣，確定故障位置［7］。相當多在線狀態監測方法是基于神經網絡［8-9］。通過神經網絡可以建立提取的信號特征和設備故障之間映射關系，并利用這種映射關系進行故障診斷。深度學習是機器學習領域中新的研究方向，深度學習在機器翻譯、自然語言處理、模式識別等眾多領域取得突破性進展。深度神經網絡是一種具備多層隱藏層深度學習結構，相比于淺層神經網絡，其為復雜非線性系統提供建模的能力更高。本文運用傅里葉變換和小波變換從振動信號提取特征，然后利用這些特征訓練深度神經網絡達到故障診斷的目的。

1 數據采集

實驗平臺搭建包括鼓風機、Kistler振動傳感器、DAQ數據采集卡。鼓風機上3個方向安裝了傳感器用來采集振動信號（見圖1）。通過在鼓風機主軸末端安裝金屬塊（見圖2），實驗平臺可以模擬鼓風機4種不平衡狀態，分別以0（正常），0.3，0.6，1.0（完全失衡）表示。正常狀態下不安裝金屬塊，啟動鼓風機，采集并存儲信號。接下來關掉鼓風機，安裝第1個金屬塊在主軸末端，啟動鼓風機，采集并存儲信號，重復該過程直到所有狀態振動信號采集完畢。每種狀態采集200個樣本，經過數據預處理，特征提取，進行故障診斷。

圖1 鼓風機上傳感器配置（箭頭方向表示傳感器安裝3個方位）

圖2 不同尺寸金屬塊模擬不平衡程度

2 特征提取

本文采用小波變換對振動信號進行處理。小波變換把振動信號分解為低頻部分A1和高頻部分D1。分解過程中，屬于低頻部分丟失的信息被高頻部分獲取。在下一層分解中，A1繼續分解為低頻部分A2和高頻部分D2。屬于低頻A2丟失的信息被高頻D2獲取［10］。經過3層分解，得到一個低頻系數A3和3個高頻系數D1、D2和D3，圖3所示為機器正常工作狀態下采集的振動信號經過小波變換所得。通常信號的快速傅里葉變換通過下式計算得到［11］：

圖3 經小波變換分解的鼓風機正常工作狀態振動信號

分解的信號通過快速傅里葉變換進行進一步處理，經過相關性分析，取信號的均值、方差、峰值作為提取的特征對鼓風機的工作狀態進行判斷。圖4所示為正常工況下傅里葉變換所得信號。本文采用3個振動傳感器，經過小波變換和傅里葉變換得到36個特征。

圖4 經傅里葉變換處理的鼓風機正常工作狀態振動信號

3 深度自編碼網絡

深度自編碼網絡結構如圖5所示。該結構包括兩部分，首先是用于降噪降維處理的4層自編碼器（見圖6）。從高維度的振動信號特征向量挖掘更深層次的特征，然后經過4層的多層感知器預測鼓風機故障類型。該深度神經網絡采用自編碼器作為數據預訓練。多層感知器神經網絡結構隱藏層激活函數采用ReLU函數，輸出層激活函數為Sigmoid函數［12-14］。從輸入層到輸出層，計算過程為

圖5 深度自編碼網絡結構示意圖

圖6 自編碼器結構示意圖

式中：wij為相鄰兩層之間權重向量；b為偏置；f為激活函數。

深度自編碼網絡結構的訓練采用反向傳播方法，直到由輸入可以得到期望輸出為止［15］。神經網絡的損失函數用來估計模型預測值和真實值之間的不一致程度，以此來監督神經網絡的訓練過程朝著正確方向。本文選用均方差函數作為損失函數

式中：m為訓練樣本數量；yi為目標值；為預測值。

4 實驗結果與分析

實驗數據分為3組，對于每種故障狀態80%的樣本作為訓練集；10%的樣本用來作為驗證集；10%的樣本作為測試集。由圖7可知，訓練集、驗證集和測試集誤差隨著訓練周期同步降低，說明沒有出現過擬合，該神經網絡結構具有很好的泛化能力。圖中顯示在20

圖7 深度自編碼網絡模型訓練曲線

個訓練周期后達到穩定輸出，實驗結果表明深度學習模型可以有效收斂并達到穩定輸出。

由圖8可知，鼓風機正常工作狀態，該深度自編碼網絡模型測試集均方值誤差為0.025 8，對于故障狀態0.3，其測試集均方值誤差為0.016 7，對于故障狀態0.6，其測試集均方值誤差0.018 3，鼓風機完全失衡狀態的測試集均方值誤差為0.013 9。實驗結果表明該深度學習模型可以準確判斷鼓風機故障狀態。

圖8 深度自編碼網絡輸出曲線

由圖9可知，模型預測誤差隨著樣本數量的增大而減小。對于鼓風機正常工作狀態和完全失衡狀態，在訓練樣本數量達到40就可以得到準確判斷。對于故障狀態0.3和0.6，訓練樣本數量至少達到160以上模型可有較準確判斷。實驗結果表明，對于鼓風機更多故障狀態監測判斷需要采集更大的訓練樣本集。

圖9 鼓風機故障診斷誤差曲線

5 結 語

本文采用小波變換和傅里葉變換對振動信號提取特征，構建深度自編碼網絡模型對鼓風機工作狀態進行故障診斷。實驗結果表明搭建的模型可以有效預測鼓風機工作狀態并得到穩定輸出。而且，增大樣本數據集可以提高該模型故障診斷能力。本文特征提取只采用了峰值特征，將來的工作可以根據需要診斷的故障類型選擇其他的有效特征。