基于多尺度信號(hào)調(diào)節(jié)自編碼器的永磁電機(jī)故障診斷研究

汪文龍， 賀長波， 王驍賢， 陸思良

(1.安徽大學(xué) 電氣工程與自動(dòng)化學(xué)院 高節(jié)能電機(jī)及控制技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，合肥 230601；2.中國科學(xué)技術(shù)大學(xué) 精密機(jī)械與精密儀器系，合肥 230027)

永磁電機(jī)以其高效率、高功率密度、低噪音等獨(dú)特優(yōu)點(diǎn)在工業(yè)自動(dòng)化和電動(dòng)汽車中得到了廣泛應(yīng)用。電動(dòng)機(jī)在長時(shí)間轉(zhuǎn)動(dòng)后會(huì)發(fā)生故障。典型的電機(jī)故障類型包括機(jī)械故障、電氣故障和磁類故障。輕微的故障會(huì)引起額外的熱量、振動(dòng)和噪音，嚴(yán)重的故障會(huì)導(dǎo)致電機(jī)過熱甚至起火。因此電機(jī)狀態(tài)監(jiān)測和故障診斷是保證電機(jī)安全運(yùn)行的關(guān)鍵。

電機(jī)故障診斷包括信號(hào)采集、特征提取和模式識(shí)別3個(gè)連續(xù)的步驟。在第一步中，從加速度計(jì)、電流電壓傳感器和溫度傳感器等獲取反映電機(jī)狀態(tài)的信號(hào)，利用信號(hào)處理方法和統(tǒng)計(jì)方法提取故障相關(guān)特征。最后，可以采用多種基于機(jī)器學(xué)習(xí)的分類器對電機(jī)故障類型進(jìn)行分類。

近年來，深度神經(jīng)網(wǎng)絡(luò)(deep neural networks, DNNs)在故障診斷和預(yù)測方面被廣泛研究應(yīng)用[1-6]。DNNs自動(dòng)從監(jiān)測信號(hào)中提取多層次特征，無需傳統(tǒng)方法對敏感特征的選擇過程。例如，胡曉依等[7]將卷積神經(jīng)網(wǎng)絡(luò)結(jié)合支持向量機(jī)搭建適于軸承故障診斷的深度卷積神經(jīng)網(wǎng)絡(luò)模型。趙春華等[8]提出了一種基于深度學(xué)習(xí)特征提取、鯨魚優(yōu)化算法及支持向量機(jī)狀態(tài)識(shí)別相結(jié)合的故障診斷模型。楊平等[9]提出一種基于卷積膠囊網(wǎng)絡(luò)的故障診斷方法，該模型使用兩個(gè)卷積層的卷積網(wǎng)絡(luò)直接對原始的一維時(shí)域信號(hào)進(jìn)行特征提取,并將其送入膠囊網(wǎng)絡(luò),輸出每種故障類型的診斷結(jié)果。Hoang等[10]將軸承一維振動(dòng)信號(hào)轉(zhuǎn)換成二維灰度圖作為模型的輸入應(yīng)用于軸承故障模式的自動(dòng)識(shí)別。Lei等[11]利用長短期記憶(long short term memory,LSTM)網(wǎng)絡(luò)有記憶時(shí)序數(shù)據(jù)信號(hào)的優(yōu)勢，提出一種基于LSTM的故障診斷模型，并在風(fēng)力渦輪機(jī)數(shù)據(jù)集上驗(yàn)證了該模型的有效性。

為了直接從原始信號(hào)中學(xué)習(xí)故障特征，國內(nèi)外學(xué)者提出了多種自編碼器網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷和分類。例如，李晴晴等[12]提出一種基于改進(jìn)堆疊自編碼器的故障診斷方法，該方法基于改進(jìn)的dropout技術(shù)構(gòu)建分類深度自編碼網(wǎng)絡(luò)模型。徐活耀等[13]提出一種基于堆棧稀疏自編碼器和softmax層構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)用于軸承故障診斷。陳仁祥等[14]利用棧式稀疏加噪自編碼深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了滾動(dòng)軸承損傷程度診斷。羅金等[15]將總體平均經(jīng)驗(yàn)?zāi)B(tài)分解和堆疊稀疏自編碼網(wǎng)絡(luò)結(jié)合，在準(zhǔn)確性和訓(xùn)練時(shí)長上有一定的優(yōu)勢。為提高堆疊稀疏降噪自編碼器的性能，解決其計(jì)算復(fù)雜度高、收斂速度慢等問題，張智恒等[16]提出了一種基于堆疊邊緣化稀疏降噪自編碼器的滾動(dòng)軸承故障診斷方法。

以上方法對于識(shí)別特定工況下的機(jī)械故障表現(xiàn)出了較好的效果。然而，在實(shí)際應(yīng)用中，信號(hào)往往受到強(qiáng)背景噪聲的干擾，從而影響了特征提取和降低故障模式識(shí)別的精度。針對強(qiáng)噪聲背景下滾動(dòng)軸承故障診斷的困難，楊建華等[17]提出了一種基于級(jí)聯(lián)自適應(yīng)分段線性隨機(jī)共振系統(tǒng)降噪的經(jīng)驗(yàn)?zāi)B(tài)分解方法。徐元博等[18]引入一種新的軸承故障特征提取方法，首先利用變分模態(tài)分解算法先將故障信號(hào)分解為若干個(gè)成分單一的模態(tài)分量，然后利用一種新的頻率加權(quán)能量算子對含有故障頻率的模態(tài)分量進(jìn)行處理，得到其能量譜并提取出軸承故障特征頻率，實(shí)現(xiàn)軸承故障特征提取和診斷。Li等[19]提出了一種基于頻譜特征和MOMEDA方法的軸承故障診斷算法。首先利用Hankel矩陣對原始時(shí)域信號(hào)進(jìn)行分割，構(gòu)造時(shí)域分割矩陣，得到信號(hào)中各種噪聲的表現(xiàn)形式，然后采用頻譜融合的方法對信號(hào)進(jìn)行頻譜重構(gòu)，有效地消除了噪聲中的隨機(jī)特性，最后利用MOMEDA構(gòu)造多點(diǎn)峭度譜，提取邊頻帶內(nèi)具有周期性沖擊特征的故障特征頻率。

以上方法對于特定噪聲背景下的故障特征增強(qiáng)和識(shí)別具有較好的效果，然而這些方法主要是基于濾波的思想，即采用信號(hào)濾波器在頻域上濾除不相關(guān)的噪聲而保留有用信息。然而，與電機(jī)故障相關(guān)的頻率成分分布較寬，如果濾波器帶寬選擇不當(dāng)，會(huì)使信號(hào)中有用的信息也被濾除，降低故障診斷的精度。為了克服這一缺陷，本研究提出了一種基于多尺度信號(hào)調(diào)節(jié)的stacked sparse auto-encode (SSAE)方法來提高強(qiáng)噪聲條件下電機(jī)故障診斷的性能。通過將原始振動(dòng)信號(hào)分解成一系列多尺度特征信號(hào)并研究其對故障分類精度的影響，再根據(jù)結(jié)果加權(quán)調(diào)整小波系數(shù)重構(gòu)信號(hào)，將重構(gòu)信號(hào)提取峭度組成峭度指數(shù)序列，最后將一維峭度指標(biāo)序列轉(zhuǎn)換成二維圖片輸送到SSAE網(wǎng)絡(luò)。通過在電機(jī)試驗(yàn)臺(tái)上測試8種電機(jī)狀態(tài)分類結(jié)果表明，本文提出的方法相比于傳統(tǒng)的SAE方法分類精度提升了5.8%，達(dá)到98.1%。同時(shí)，本文方法的抗噪聲性能也優(yōu)于傳統(tǒng)方法，有望應(yīng)用于強(qiáng)噪聲背景下的永磁電機(jī)狀態(tài)監(jiān)測和故障診斷。

1 多尺度信號(hào)調(diào)節(jié)自編碼器方法

該方法包含兩個(gè)步驟：第一步將安裝在電機(jī)上的加速度傳感器采集的振動(dòng)信號(hào)采用小波分解得到多尺度特征，將多尺度特征輸入SSAE中得到不同尺度對分類精度的貢獻(xiàn)率；第二步根據(jù)不同尺度信號(hào)對分類精度的貢獻(xiàn)，對分解的信號(hào)進(jìn)行重構(gòu)，再次輸入SSAE實(shí)現(xiàn)電機(jī)故障分類。以下分別介紹本文方法所涉及的3個(gè)核心算法。

1.1 小波分解

本文首先采集永磁電機(jī)的振動(dòng)信號(hào)v[n]，n= 1,2,…,L，L為信號(hào)采樣點(diǎn)數(shù)。采用離散小波變換(discrete wavelet transform, DWT)對v[n]進(jìn)行分解，如式(1)所示

(1)

1.2 基于SSAE的電機(jī)故障分類模型

1.2.1 信號(hào)預(yù)處理

1.1節(jié)將原振動(dòng)信號(hào)分解得到的多尺度特征信號(hào)集y[n]，進(jìn)一步從y[n]中提取特征并進(jìn)行數(shù)據(jù)轉(zhuǎn)換成二維矩陣圖像，隨后利用SSAE對圖像進(jìn)行表征學(xué)習(xí)，最終實(shí)現(xiàn)電機(jī)故障模式識(shí)別。由于原始振動(dòng)信號(hào)噪聲干擾較大，本文從y[n]中提取時(shí)域峭度(kurtosis)特征來構(gòu)造圖像。峭度特征對沖擊信號(hào)敏感，常被用來度量機(jī)械振動(dòng)的劇烈程度，評價(jià)振動(dòng)沖擊成分的強(qiáng)弱。同時(shí)，考慮到?jīng)_擊特征隱含在振動(dòng)信號(hào)中，為保留信號(hào)相鄰元素之間的相關(guān)性，同時(shí)增加參與深度學(xué)習(xí)模型訓(xùn)練的樣本數(shù)量，采用分段重疊截取的方法進(jìn)行峭度指標(biāo)的提取，如圖1所示。

圖1 信號(hào)峭度特征提取示意圖Fig.1 Illustration of kurtosis feature extraction from the signal

該過程可以表示為，從y[n]信號(hào)中截取y[1]～y[p],計(jì)算該段信號(hào)的峭度，隨后移動(dòng)q個(gè)點(diǎn)，截取y[q+1]～y[q+p]并計(jì)算峭度。以此類推，實(shí)現(xiàn)峭度指標(biāo)的分段重疊提取，如式(2)所示

(2)

式中：x[τ]為信號(hào)的峭度指標(biāo)序列；T∈Z；p為信號(hào)的長度；μ為信號(hào)的均值；σ為信號(hào)的標(biāo)準(zhǔn)差。在本文中以q= 10個(gè)數(shù)據(jù)為一段計(jì)算一個(gè)峭度值，并設(shè)置重疊率為50%。

將從原振動(dòng)信號(hào)分解得到的多尺度特征信號(hào)集y[n]中提取的峭度指標(biāo)序列進(jìn)行幅值調(diào)節(jié)并取整，使其分布在0～255，再將一維的峭度指標(biāo)序列x[τ]重排為分辨率d×d像素的二維峭度圖像，隨后輸入SSAE網(wǎng)絡(luò)中進(jìn)行分類。

1.2.2 SSAE網(wǎng)絡(luò)

SSAE由多個(gè)稀疏自編碼器SAE堆疊組成，SAE網(wǎng)絡(luò)是自編碼器AE的一種延伸。AE是一種盡可能使輸出x′數(shù)據(jù)等于輸入數(shù)據(jù)x的無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，單層自編碼器由編碼器(Encode)，激活層(Activation)和解碼器(Decode)3個(gè)部分組成，其網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層x，隱含層h和輸出層x′，隱含層對輸入層數(shù)據(jù)進(jìn)行編碼，輸出層對隱含層進(jìn)行解碼重構(gòu)原始數(shù)據(jù)，如圖2所示。

圖2 AE結(jié)構(gòu)示意圖Fig.2 Schematic diagram of AE

將由一維峭度序列生成的二維峭度圖像數(shù)據(jù)集作為輸入數(shù)據(jù)。輸入數(shù)據(jù)經(jīng)過編碼過程得到隱層表達(dá)，編碼過程如式(3)所示

(3)

(4)

(5)

輸入數(shù)據(jù)通過反向傳播算法由編碼層函數(shù)和解碼層函數(shù)進(jìn)行循環(huán)訓(xùn)練，在訓(xùn)練中常通過使Wh=Wx′=W來平衡權(quán)重簡化網(wǎng)絡(luò)結(jié)構(gòu)。因此自編碼器網(wǎng)絡(luò)的訓(xùn)練過程可以描述為通過反向傳播訓(xùn)練學(xué)習(xí)參數(shù){W，bh，bx′}來最小化一個(gè)損失函數(shù)Ω(x,x′)，即最小化輸入與重構(gòu)輸出之間的誤差。本文中Ω(x,x′)函數(shù)被定義為均方誤差，如式(6)所示

(6)

式中，y指每個(gè)輸入樣本的特征維數(shù)。為了獲取更深層次的特征，并減少權(quán)重的大小，在損失函數(shù)中，常通過添加L2正則化項(xiàng)來防止過擬合，其中正則化項(xiàng)g(W)被定義為

(7)

式中，‖·‖F(xiàn)為Frobenius范數(shù)。

當(dāng)隱藏層神經(jīng)元數(shù)目過多時(shí)，通過在添加一種額外的稀疏正則化方式，對隱藏層的輸出進(jìn)行稀疏性約束來實(shí)現(xiàn)對數(shù)據(jù)更深層次的挖掘。其中額外的稀疏懲罰項(xiàng)Φ被定義為

(8)

式中：?i為第i個(gè)神經(jīng)元的平均輸出激活量；O為隱含層的神經(jīng)元個(gè)數(shù)；?為稀疏參數(shù)，SAE通過限制網(wǎng)絡(luò)的平均激活度?i=?來實(shí)現(xiàn)其懲罰方式

(9)

(10)

式中：λ為正則化項(xiàng)權(quán)值；β為稀疏正則化項(xiàng)權(quán)值。

SSAE是將多個(gè)SAE以串聯(lián)的方式構(gòu)建起來的深度學(xué)習(xí)網(wǎng)絡(luò)。它將上一層的SAE的隱含層作為下一層的輸入，通過依次連接來加深網(wǎng)絡(luò)深度。由于更深層自編碼網(wǎng)絡(luò)比淺層或者線性自編碼器能產(chǎn)生更好的壓縮效率，因此本文采用擁有更深層的SSAE網(wǎng)絡(luò)對高維特征數(shù)據(jù)進(jìn)行壓縮提取。在網(wǎng)絡(luò)訓(xùn)練中，SSAE采用貪婪訓(xùn)練方法進(jìn)行逐層訓(xùn)練的，輸入的二維峭度圖像數(shù)據(jù)集經(jīng)過第一層SAE訓(xùn)練得到隱含層特征h1，然后將該特征作為下一層SAE的輸入，又通過編碼器來獲取更深層次的表達(dá)。依次重復(fù)，從而實(shí)現(xiàn)了對高維散射特征更為更深層次的特征進(jìn)行提取。SSAE網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 SSAE結(jié)構(gòu)示意圖Fig.3 Schematic diagram of SSAE

在使用SSAE提取深層次特征之后，采用softmax作為非線性分類器實(shí)現(xiàn)電機(jī)狀態(tài)識(shí)別。softmax被廣泛應(yīng)用于深度網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)分類器中，它與深度網(wǎng)絡(luò)中的無監(jiān)督學(xué)習(xí)相結(jié)合，能夠很好地提高分類性能。softmax模型如下：對于數(shù)據(jù)集{(k[1]，k′[1])，(k[2]，k′[2]),…,(k[τ]，k′[τ])}，有k′[τ]∈{1，2，3，…，α}。給定一個(gè)測試集樣本，樣本被判為η類的概率為pi(k′=η|k)，所以對一個(gè)α分類問題，輸出一個(gè)α維的向量

(11)

(12)

式中，1{·}為指示函數(shù)，大括號(hào)內(nèi)表達(dá)式為真則數(shù)值為1，反之為0；在實(shí)際使用算法時(shí)，通常會(huì)給上述代價(jià)函數(shù)增加一個(gè)權(quán)重衰減項(xiàng)來修改代價(jià)函數(shù)，則代價(jià)函數(shù)式變?yōu)?/p>

(13)

1.3 多尺度信號(hào)調(diào)節(jié)重構(gòu)

通過將采樣頻率為fs的原始振動(dòng)信號(hào)v[n]經(jīng)過N層小波分解得到小波系數(shù)集{cAN,cDN,…,cD1}，并重構(gòu)后得到的一系列多尺度特征信號(hào)表示為y[n] = {yAN[n],yDN[n],…,yD1[n]}。將信號(hào)集y[n]輸入1.2節(jié)的SSAE模型進(jìn)行訓(xùn)練和驗(yàn)證，得到每一個(gè)特征信號(hào)所貢獻(xiàn)的分類精度。假設(shè)各個(gè)多尺度特征信號(hào)所對應(yīng)的信號(hào)帶寬和分類精度，如表1所示。

表1 多尺度特征信號(hào)的帶寬及準(zhǔn)確率

通過對表1中不同特征信號(hào)的準(zhǔn)確率的分析，判斷不同帶寬信號(hào)中所隱含的影響分類精度的信息的強(qiáng)弱。隨后，放大精度較高的信號(hào)對應(yīng)的小波系數(shù)，同時(shí)衰減精度較低的信號(hào)對應(yīng)的小波系數(shù)，再次對{cAN,cDN,…,cD1}進(jìn)行能量調(diào)節(jié)并重構(gòu)為

(14)

2 試驗(yàn)平臺(tái)和數(shù)據(jù)集

2.1 試驗(yàn)平臺(tái)

為了驗(yàn)證本文方法的有效性，搭建圖4所示的永磁電機(jī)試驗(yàn)平臺(tái)。平臺(tái)上安裝有8個(gè)相同型號(hào)、不同故障狀態(tài)的永磁電機(jī)。加速度計(jì)安裝在電機(jī)驅(qū)動(dòng)軸側(cè)，信號(hào)采集系統(tǒng)采集電機(jī)運(yùn)行時(shí)的振動(dòng)信號(hào)，采樣頻率fs= 10 kHz。8種電機(jī)的狀態(tài)類型包括正常、不同種類的機(jī)械故障以及傳感器故障，故障類型和標(biāo)簽如表2所示。4種典型故障的說明如圖5所示。圖5(a)和圖5(b)分別為軸承外圈故障和軸承內(nèi)圈故障，故障采用線切割方式設(shè)置而成。圖5(c)為霍爾傳感器故障，電機(jī)采用三相霍爾信號(hào)來實(shí)現(xiàn)速度閉環(huán)控制，通過斷開其中一根霍爾線實(shí)現(xiàn)霍爾傳感器故障設(shè)置。霍爾傳感器故障會(huì)影響電機(jī)的正確的換向次序，從而造成電機(jī)的異常振動(dòng)，霍爾傳感器故障導(dǎo)致的振動(dòng)有別于軸承故障等其他故障造成的振動(dòng)，因而可以通過振動(dòng)信號(hào)分析實(shí)現(xiàn)傳感器故障檢測。圖5(d)所示為偏心故障，通過在電機(jī)轉(zhuǎn)子上綁定一個(gè)不對稱的附加質(zhì)量來設(shè)置。由于測試電機(jī)自身的尺寸和質(zhì)量較小，因而本文設(shè)定的偏心故障會(huì)導(dǎo)致振動(dòng)異常，其振動(dòng)特征與其他類型故障不同。

表2 8種電機(jī)狀態(tài)的具體參數(shù)

圖4 試驗(yàn)平臺(tái)Fig.4 Experimental setup

圖5 4種典型故障類型Fig.5 Four types of typical faults

2.2 數(shù)據(jù)集

根據(jù)1.2.1中的信號(hào)預(yù)處理方法，以3 925個(gè)采樣點(diǎn)作為一個(gè)信號(hào)段，提取信號(hào)峭度特征，最終組成一個(gè)28 × 28像素的灰度圖。每種電機(jī)狀態(tài)選取200個(gè)樣本進(jìn)行訓(xùn)練，200個(gè)樣本進(jìn)行驗(yàn)證。因此，8種電機(jī)狀態(tài)的訓(xùn)練集和驗(yàn)證集總樣本數(shù)都為1 600。

3 試驗(yàn)結(jié)果

3.1 DWT分解和多尺度特征重構(gòu)

在本文中，選取Db10小波基對振動(dòng)信號(hào)進(jìn)行分解和重構(gòu)，考慮了信號(hào)帶寬和計(jì)算量，將分解層數(shù)設(shè)置為5層。信號(hào)分解后得到的近似和細(xì)節(jié)系數(shù)表示為{cA5，cD5，cD4，cD3，cD2，cD1}。隨后根據(jù)1.1節(jié)的方法構(gòu)造多尺度特征信號(hào)，得到的信號(hào)集表示為{yA5[n],yD5[n],yD4[n],yD3[n],yD2[n],yD1[n]}。從數(shù)據(jù)集中隨機(jī)選取的一段原始信號(hào)及構(gòu)造的多尺度特征信號(hào)，如圖6所示。

圖6 分解信號(hào)和重構(gòu)的多尺度特征信號(hào)Fig.6 Decomposed signal and the reconstructed multiscale feature signals

3.2 多尺度特征信號(hào)對分類精度的影響

將圖6中的{yA5[n],yD5[n],yD4[n],yD3[n],yD2[n],yD1[n]}信號(hào)分別提取峭度并構(gòu)造圖像，輸入SSAE網(wǎng)絡(luò)中實(shí)現(xiàn)圖像的分類。SSAE網(wǎng)絡(luò)參數(shù)如表3所示。

表3 SSAE參數(shù)

3.3 多尺度特征信號(hào)調(diào)節(jié)與重構(gòu)

不同多尺度特征信號(hào)在相同的SSAE模型下的分類精度，如表4所示。根據(jù)表4中多尺度特征信號(hào)對分類準(zhǔn)確率的影響，再結(jié)合多次試驗(yàn)的結(jié)果分析，確定增強(qiáng)分類精度最高的yD2和yD1分量對應(yīng)的小波系數(shù)cD2和cD1，其他分量能量保持不變，即通過小波系數(shù){cA5,cD5,cD4,cD3,16×cD2,16×cD1}重構(gòu)信號(hào)。其中加權(quán)因子16參考了文獻(xiàn)[20]中的多尺度噪聲調(diào)節(jié)方法。

表4 多尺度特征信號(hào)的帶寬及分類準(zhǔn)確率

3.4 本文方法對電機(jī)故障狀態(tài)的識(shí)別效果

按照以上方法對表2中的8種電機(jī)信號(hào)進(jìn)行重新處理，最終得到轉(zhuǎn)化的圖像如圖7所示。將這些圖像輸入SSAE進(jìn)行訓(xùn)練，再通過softmax層進(jìn)行故障診斷和分類，得到分類混淆矩陣如圖8所示。從圖8中可見，在總共1 600個(gè)測試樣本中，只有30個(gè)樣本沒有被正確分類，分類的準(zhǔn)確率為98.1%。為了方便對比，同時(shí)將原始振動(dòng)信號(hào)經(jīng)過處理輸入SSAE網(wǎng)絡(luò)中進(jìn)行識(shí)別，得到的分類準(zhǔn)確率只有92.3%。對比結(jié)果表明，本文提出的方法提升了5.8%的分類精度。

圖7 8種電機(jī)信號(hào)生成的圖片F(xiàn)ig.7 The generated images of 8 types of motor signals

圖8 本文提出方法對電機(jī)狀態(tài)進(jìn)行分類的混淆矩陣Fig.8 The confusion matrix for motor fault classification using the proposed method

3.5 抗噪聲干擾能力測試結(jié)果

考慮到在電機(jī)在實(shí)際工作過程中會(huì)受到多種噪聲干擾，為了驗(yàn)證本文方法的魯棒性，向采集到的原始振動(dòng)信號(hào)中添加不同強(qiáng)度噪聲來模擬實(shí)際中的噪聲干擾。添加噪聲的標(biāo)準(zhǔn)差強(qiáng)度D分別為0.2,0.4,0.6，將添加噪聲后未經(jīng)處理的含噪信號(hào)和經(jīng)過本文方法處理的信號(hào)輸入SSAE網(wǎng)絡(luò)進(jìn)行分類，對比結(jié)果如圖9所示。可見，隨著噪聲強(qiáng)度的增加，本文方法和傳統(tǒng)方法的分類精度都在下降，但是本文方法仍比傳統(tǒng)方法下降的趨勢較慢，本文方法比傳統(tǒng)方法精度平均高8.1%，說明本文方法在強(qiáng)噪聲情況下具有較好的抗噪性能。

圖9 不同噪聲強(qiáng)度下的分類準(zhǔn)確率Fig.9 Classification accuracies under different noise intensities

3.6 對比研究

為了進(jìn)一步驗(yàn)證本文方法的優(yōu)勢，本小節(jié)將本文方法與當(dāng)前常用于故障診斷的深度學(xué)習(xí)方法進(jìn)行對比。其中每種故障的訓(xùn)練樣本和驗(yàn)證樣本數(shù)分別為200和50，總的訓(xùn)練和驗(yàn)證樣本數(shù)分別為1 600和400。對比方法1采用基于卷積神經(jīng)網(wǎng)絡(luò)的模型，該方法首先將振動(dòng)信號(hào)通過傅里葉變換得到信號(hào)頻譜，再將頻譜轉(zhuǎn)化為二維圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別[21]。對比方法2采用堆疊去噪自編碼器，首先采用采用無監(jiān)督學(xué)習(xí)方法對網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，再采用有監(jiān)督學(xué)習(xí)方法對網(wǎng)絡(luò)進(jìn)行優(yōu)化微調(diào)[22]。對比方法3為基于長短時(shí)記憶網(wǎng)絡(luò)模型，該方法直接利用時(shí)域振動(dòng)信號(hào)對軸承的運(yùn)行狀態(tài)進(jìn)行診斷[23]。

不同方法處理相同數(shù)量的樣本信號(hào)的結(jié)果,如表5所示。可見，基于卷積神經(jīng)網(wǎng)絡(luò)的方法識(shí)別精度較高，達(dá)到96.8%，基于堆疊去噪自編碼器和長短時(shí)記憶網(wǎng)絡(luò)的識(shí)別精度略低，分別為92.3%和88.7%。綜合比較，本文提出的方法精度最高，達(dá)到98.1%。因此，在振動(dòng)信號(hào)受到噪聲干擾較大時(shí)，本文提出的多尺度特征調(diào)節(jié)的方法能夠更好地提取微弱信號(hào)特征，從而獲得更高的故障診斷精度。

表5 不同方法的對比試驗(yàn)結(jié)果

4 結(jié) 論

本文提出一種多尺度信號(hào)調(diào)節(jié)自編碼器方法用于永磁電機(jī)振動(dòng)信號(hào)特征提取及故障診斷。通過將原始振動(dòng)信號(hào)分解成一系列多尺度特征信號(hào)并研究其對故障分類精度的影響，再根據(jù)結(jié)果加權(quán)調(diào)整小波系數(shù)重構(gòu)信號(hào)。將重構(gòu)信號(hào)輸入SSAE模型中，能夠有效增強(qiáng)電機(jī)故障的分類精度。提出方法的有效性和魯棒性在永磁電機(jī)平臺(tái)上得到驗(yàn)證，試驗(yàn)結(jié)果表明該方法相比于傳統(tǒng)方法，精度得到了有效提升并且具有更好的抗噪聲性能。本文方法有應(yīng)用于強(qiáng)背景噪聲下的永磁電機(jī)狀態(tài)監(jiān)測和故障診斷。