基于改進(jìn)殘差網(wǎng)絡(luò)的齒輪箱故障診斷研究

張曉鋒， 郝如江， 段澤森， 夏晗鐸， 程 旺

(石家莊鐵道大學(xué)機(jī)械工程學(xué)院，河北 石家莊 050043)

齒輪箱是旋轉(zhuǎn)機(jī)械的關(guān)鍵部件，而旋轉(zhuǎn)機(jī)械的機(jī)械故障約30%是由齒輪箱發(fā)生故障引起的[1]。而對(duì)機(jī)械設(shè)備進(jìn)行定期的故障診斷之后，可以將事故的發(fā)生率減少75%，維修的費(fèi)用也可以降低25%～50%[2]。伴隨著深度學(xué)習(xí)的快速發(fā)展，科研人員逐漸將淺層的機(jī)器學(xué)習(xí)方法應(yīng)用到旋轉(zhuǎn)機(jī)械的故障診斷之中,常見的有支持向量機(jī)、深度置信網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等故障分類方法或模型。殘差網(wǎng)絡(luò)(Residual Neural Network，ResNet)作為卷積神經(jīng)網(wǎng)絡(luò)的一種優(yōu)異模型，在圖像識(shí)別領(lǐng)域等二維信息之間應(yīng)用廣泛，本文對(duì)其進(jìn)行改進(jìn)使其具有良好的抗噪能力，以剔除具體工業(yè)環(huán)境下噪聲的干擾，以利于機(jī)械故障診斷。

1 ResNet網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)較深時(shí)，模型難以直接擬合實(shí)際映射H(x)，于是殘差網(wǎng)絡(luò)引入了x這一恒等映射，將問題轉(zhuǎn)換為擬合殘差映射F(x)，只需最小化殘差函數(shù)F(x)=H(x)-x來逼近實(shí)際映射，以此來解決網(wǎng)絡(luò)在加深時(shí)特征丟失這一問題。在殘差網(wǎng)絡(luò)中，假設(shè)有L個(gè)殘差塊在進(jìn)行堆疊連接，其中xl表示為第l個(gè)殘差塊的輸入，那么x(l+1)就表示第l個(gè)殘差塊的輸出，同時(shí)也是第(l+1)個(gè)殘差塊的數(shù)據(jù)輸入。由此可推導(dǎo)第L個(gè)殘差塊的輸出為：

(1)

可以發(fā)現(xiàn)，在殘差網(wǎng)絡(luò)中第L層的特征是各個(gè)殘差塊特征的累和，殘差網(wǎng)絡(luò)不斷地學(xué)習(xí)每個(gè)殘差塊的特征，又因?yàn)橛?xùn)練人工神經(jīng)網(wǎng)絡(luò)常用的算法是反向傳播算法，假設(shè)該神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為ε，那么網(wǎng)絡(luò)的第l個(gè)殘差塊梯度計(jì)算公式如式(2)所示：

(2)

2 殘差網(wǎng)絡(luò)改進(jìn)

2.1 RSNB模塊

通常是設(shè)置數(shù)值確定的閾值以去除冗余噪聲，閾值在很多降噪中都有應(yīng)用，其公式如式(3)所示，x代表輸入數(shù)據(jù)，τ為閾值，即將閾值[-τ,τ]區(qū)間內(nèi)的特征置為0，讓距0較遠(yuǎn)的特征趨向0收縮。

(3)

本文基于深度殘差網(wǎng)絡(luò)，利用注意力機(jī)制對(duì)閾值進(jìn)行改進(jìn)，使網(wǎng)絡(luò)根據(jù)數(shù)據(jù)本身自動(dòng)生成相對(duì)應(yīng)的閾值來消除噪聲，每組數(shù)據(jù)都可以根據(jù)樣本自身的重要程度不同，進(jìn)行獨(dú)特的特征通道加權(quán)調(diào)整[3]。該自適應(yīng)閾值的生成過程如圖1虛線框內(nèi)所示，數(shù)據(jù)先經(jīng)過權(quán)值均值池化處理，而后經(jīng)過批量歸一化與激活層，用sigmoid函數(shù)使輸出映射到[0,1]之內(nèi)，該映射縮放系數(shù)記為α，最終的閾值可以表示為α×A，則不同的樣本對(duì)應(yīng)不同的閾值。將自適應(yīng)閾值塊加入到殘差網(wǎng)絡(luò)中改進(jìn)為殘差收縮模塊(Residual Shrinkage Network Block)，稱其為RSNB模塊，從而達(dá)到剔除或減弱噪聲的目的。

圖1 RSNB模型

2.2 權(quán)值均值池化(GAP)

由于全連接層是將卷積層展開，然后對(duì)每個(gè)feature map分類，這樣的參數(shù)計(jì)算量巨大，往往全連接層的參數(shù)計(jì)算量占據(jù)了網(wǎng)絡(luò)總參數(shù)計(jì)算量的大部分，使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度非常慢。為解決訓(xùn)練速度慢的問題將全局均值池化引入到網(wǎng)絡(luò)中，全局平均池化是直接將每個(gè)通道的feature map做平均值處理，即一個(gè)feature map輸出一個(gè)值，然后將結(jié)果輸入到softmax來進(jìn)行分類。在識(shí)別任務(wù)中，全局平均池化能夠?yàn)樽詈蟮木矸e層中的每一個(gè)特定的類別生成一個(gè)feature map(有多少個(gè)類就產(chǎn)生多少個(gè)feature map)。

如圖2所示，GAP加入到原來的FC層，其所需要計(jì)算的參數(shù)大大減少，這很大程度的提升了網(wǎng)絡(luò)的計(jì)算速度； GAP不需要像FC層那樣大量的訓(xùn)練調(diào)優(yōu)參數(shù)，如此避免了過擬合問題。GAP匯總了空間信息，因此對(duì)輸入的空間轉(zhuǎn)換更為魯棒。為驗(yàn)證GAP層對(duì)網(wǎng)絡(luò)訓(xùn)練時(shí)間的影響，本文在CPU版本為intel 5十代、運(yùn)行環(huán)境為TensorFlow1.19 下進(jìn)行實(shí)驗(yàn)，得到實(shí)驗(yàn)結(jié)果如表1所示。

圖2 GAP結(jié)構(gòu)

表1 訓(xùn)練時(shí)間對(duì)比s

通過對(duì)比，GAP層確實(shí)可以很大程度上提高模型訓(xùn)練的速度，因此決定在改進(jìn)的殘差收縮網(wǎng)絡(luò)中加入該層來加快網(wǎng)絡(luò)模型的訓(xùn)練。

2.3 改進(jìn)后的殘差網(wǎng)絡(luò)結(jié)構(gòu)

RSNB模塊改進(jìn)后的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示，故障數(shù)據(jù)輸入后先經(jīng)過兩個(gè)卷積層，而后輸入到第一個(gè)殘差收縮模塊(RSNB1)中，殘差收縮模塊引入了批量歸一化層(BN層)與ReLU激活函數(shù)。BN層可以減小訓(xùn)練數(shù)據(jù)的梯度差異，從而提升網(wǎng)絡(luò)的泛化能力；ReLU激活函數(shù)增加了神經(jīng)網(wǎng)絡(luò)各層之間的非線性關(guān)系，節(jié)約大量計(jì)算，緩解過擬合現(xiàn)象，進(jìn)而提高故障診斷效果；再將之前的Identity與之相加，再進(jìn)入后續(xù)的池化層來減少網(wǎng)絡(luò)參數(shù)，而后通過第二個(gè)殘差收縮模塊(RSNB2)，最后通過Dense層來進(jìn)行分類。

圖3 改進(jìn)后的殘差網(wǎng)絡(luò)結(jié)構(gòu)

3 改進(jìn)效果實(shí)驗(yàn)

3.1 實(shí)驗(yàn)條件

本文的實(shí)驗(yàn)數(shù)據(jù)來自于動(dòng)力傳動(dòng)故障診斷綜合實(shí)驗(yàn)臺(tái)(DDS實(shí)驗(yàn)臺(tái))。DDS實(shí)驗(yàn)臺(tái)主要由電機(jī)、兩級(jí)傳動(dòng)變速箱、扭矩控制器和磁粉制動(dòng)器組成。

本實(shí)驗(yàn)主要針對(duì)平行軸齒輪箱進(jìn)行故障研究，信號(hào)采集實(shí)驗(yàn)將驅(qū)動(dòng)電機(jī)轉(zhuǎn)頻設(shè)為35 Hz，信號(hào)采集頻率設(shè)為12.8 kHz。本文設(shè)置了8種齒輪箱狀態(tài)，包括7種故障類型與1種正常類型，具體齒輪箱零件狀態(tài)如圖4所示。

圖4 齒輪箱零件狀態(tài)

3.2 實(shí)驗(yàn)結(jié)果

為驗(yàn)證改進(jìn)后網(wǎng)絡(luò)模型的抗噪效果，分別使用目前比較先進(jìn)的幾種網(wǎng)絡(luò)模型在有隨機(jī)噪聲和無隨機(jī)噪聲兩種數(shù)據(jù)下進(jìn)行實(shí)驗(yàn)，分別為CNN、ResNet和本文提出的RSNB三種網(wǎng)絡(luò)模型。8種狀態(tài)類型，每種類型選取1 536×250個(gè)樣本點(diǎn)，共選取了1 536×2 000個(gè)點(diǎn)作為樣本數(shù)據(jù)，其中1 536×1 600個(gè)點(diǎn)為訓(xùn)練集，1 536×400個(gè)點(diǎn)為測(cè)試集。將強(qiáng)度為-2 dB的隨機(jī)噪聲加入與無隨機(jī)噪聲狀態(tài)測(cè)試相同的數(shù)據(jù)分別輸入到CNN、ResNet、RSNB三個(gè)網(wǎng)絡(luò)中，迭代次數(shù)與無噪聲狀態(tài)下相同。兩種條件下的故障診斷準(zhǔn)確率對(duì)比結(jié)果如表2所示。

表2 三種網(wǎng)絡(luò)故障診斷正確率對(duì)比 %

在無噪聲情況下CNN、ResNet和本文提出的RSNB表現(xiàn)相差不大，而在數(shù)據(jù)中加入噪聲后CNN、ResNet網(wǎng)絡(luò)的性能急劇下降，而RSNB網(wǎng)絡(luò)可以很好的剔除噪聲對(duì)網(wǎng)絡(luò)模型的干擾。RSNB網(wǎng)絡(luò)訓(xùn)練期間正確率與損失的變化如圖5所示，在迭代次數(shù)達(dá)到105次左右時(shí)，分類準(zhǔn)確率與損失值能夠收斂并且保持穩(wěn)定，沒有發(fā)生過擬合現(xiàn)象，網(wǎng)絡(luò)的分類準(zhǔn)確率能夠達(dá)到99.7%，表明所構(gòu)建的網(wǎng)絡(luò)模型在有噪聲的情況下也可以保持良好的學(xué)習(xí)能力。

圖5 RSNB訓(xùn)練正確率與訓(xùn)練損失變化

為驗(yàn)證RSNB的抗噪性能，測(cè)試三種網(wǎng)絡(luò)在不同信噪比下的故障診斷準(zhǔn)確率結(jié)果(如圖6所示)，發(fā)現(xiàn)總體而言隨著數(shù)據(jù)信噪比的降低，故障診斷的效果出現(xiàn)下降，在信噪比為-6 dB的時(shí)候，RSNB模型的診斷精度為84%，而ResNet網(wǎng)絡(luò)、CNN網(wǎng)絡(luò)的故障診斷精度分別為61.1%、33.2%，低于RSNB網(wǎng)絡(luò)的診斷精度。而當(dāng)信噪比較大時(shí)，說明數(shù)據(jù)中的噪聲強(qiáng)度對(duì)網(wǎng)絡(luò)性能的影響變小，RSNB網(wǎng)絡(luò)與ResNet網(wǎng)絡(luò)都有不錯(cuò)的診斷效果。

圖6 不同信噪比準(zhǔn)確率

4 結(jié)論

(1)將殘差模塊加入到傳統(tǒng)CNN中進(jìn)行訓(xùn)練，降低了在層數(shù)加深時(shí)特征丟失嚴(yán)重的問題，使網(wǎng)絡(luò)可以學(xué)習(xí)到更多的數(shù)據(jù)特征，從而可以達(dá)到加深網(wǎng)絡(luò)進(jìn)而提升網(wǎng)絡(luò)性能的目的。

(2)將注意力機(jī)制與軟閾值化應(yīng)用到到網(wǎng)絡(luò)中，針對(duì)在復(fù)雜工況下的噪聲問題設(shè)計(jì)自適應(yīng)閾值塊(RSNB)來進(jìn)行處理，使神經(jīng)網(wǎng)絡(luò)根據(jù)不同的噪聲特征來學(xué)習(xí)生成相應(yīng)的閾值，實(shí)驗(yàn)結(jié)果表明自適應(yīng)閾值塊具有良好的降噪效果。

(3)在高強(qiáng)度噪聲情況下，RSNB故障診斷性能明顯優(yōu)于其他網(wǎng)絡(luò)模型，在中低等噪聲強(qiáng)度下具有很高的故障診斷精度。

為了提高RSNB網(wǎng)絡(luò)的魯棒性，還需要采集不同實(shí)驗(yàn)臺(tái)上的數(shù)據(jù)來進(jìn)行模型的訓(xùn)練，并且根據(jù)不同的數(shù)據(jù)選取合適的激活函數(shù)以及網(wǎng)絡(luò)參數(shù)，探究網(wǎng)絡(luò)在其他類型故障診斷的應(yīng)用及改進(jìn)。