基于深度神經(jīng)網(wǎng)絡(luò)優(yōu)化的機(jī)械運(yùn)行特征識(shí)別與分類

陳玉苗

(合肥共達(dá)職業(yè)技術(shù)學(xué)院，合肥 231135)

0 引言

機(jī)械在運(yùn)行過(guò)程中其穩(wěn)定性受環(huán)境影響較為嚴(yán)重，時(shí)常因某個(gè)零件發(fā)生故障而干擾整機(jī)工作運(yùn)行效率。如何使用高性能檢測(cè)技術(shù)，監(jiān)測(cè)機(jī)械運(yùn)行狀態(tài)、診斷運(yùn)行故障，一直是機(jī)械研究領(lǐng)域的重點(diǎn)課題。近年來(lái)深度神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域得到了廣泛的應(yīng)用與推廣，傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)隱含層數(shù)不足、損失函數(shù)約束性低等問(wèn)題往往導(dǎo)致機(jī)械運(yùn)行特征識(shí)別效果不佳[1]。為此，本文采用改進(jìn)的稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建包含4層稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)，用于高精度識(shí)別運(yùn)行特征以判斷機(jī)械運(yùn)行狀態(tài)。

文中機(jī)械運(yùn)行信號(hào)采集自精密零件滾動(dòng)軸承，滾動(dòng)軸承實(shí)現(xiàn)了運(yùn)轉(zhuǎn)中軸與軸座產(chǎn)生的滑動(dòng)摩擦向滾動(dòng)摩擦的轉(zhuǎn)換，通過(guò)減少摩擦損失來(lái)優(yōu)化機(jī)械運(yùn)行效率[2]的作用。預(yù)先識(shí)別機(jī)械滾動(dòng)軸承運(yùn)行特征發(fā)現(xiàn)故障問(wèn)題，對(duì)于減少精密零件損壞意義重大。

1 基于深度神經(jīng)網(wǎng)絡(luò)優(yōu)化的機(jī)械運(yùn)行特征識(shí)別方法

1.1 基于小波變換的機(jī)械運(yùn)行信號(hào)時(shí)頻分析

精密零件滾動(dòng)軸承運(yùn)行數(shù)據(jù)采集完畢，首先使用諧波算法去除原始信號(hào)中的諧波分量，然后使用小波變換提取機(jī)械信號(hào)的時(shí)頻特征生成時(shí)頻分析圖[3]。小波變換基于機(jī)械運(yùn)行信號(hào)高頻與低頻特征確定其窗口的尺寸，具有較強(qiáng)的信號(hào)特征適應(yīng)性，分析機(jī)械運(yùn)行時(shí)頻特征的精確度較高。

定義機(jī)械精密零件滾動(dòng)軸承的分析信號(hào)為x(t)，對(duì)信號(hào)進(jìn)行連續(xù)小波變換，方法如下：

公式⑴中，設(shè)定尺度因子λ與平移因子μ，前者用于調(diào)節(jié)小波函數(shù)的伸縮，與頻率相對(duì)應(yīng)；后者對(duì)應(yīng)的是時(shí)間變量，調(diào)節(jié)小波函數(shù)位于時(shí)間軸上的位置，λ、μ值均為連續(xù)的變量。ψ*(t)是ψ(t)的復(fù)函數(shù)。

本文構(gòu)建基于改進(jìn)稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)，使用小波變換算法可生成機(jī)械運(yùn)行信號(hào)的時(shí)頻分析圖，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)特征進(jìn)行分類，以識(shí)別機(jī)械運(yùn)行的狀態(tài)。輸入機(jī)械運(yùn)行的時(shí)頻分析圖得到機(jī)械運(yùn)行狀態(tài)類別。

1.2 基于改進(jìn)稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化

圖1 自編碼器結(jié)構(gòu)

采用優(yōu)化交叉熵作為損失函數(shù)，公式⑵為交叉熵?fù)p失函數(shù)表達(dá)式：

稀疏自編碼器是賦予自編碼器隱含層稀疏約束，為自編碼損失函數(shù)施加稀疏懲罰項(xiàng)，以學(xué)習(xí)到稀疏特征，避免構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)過(guò)度擬合。具體方法是在網(wǎng)絡(luò)訓(xùn)練期間加入權(quán)重衰減項(xiàng)與稀疏正則化項(xiàng)[6]，分別采用G、M表示，改進(jìn)后交叉熵?fù)p失函數(shù)表達(dá)式為：

公式⑶中，權(quán)重衰減、稀疏化參數(shù)分別用ψ、β表示。參數(shù)G可以維持權(quán)重衰減處于較小狀態(tài)，避免大權(quán)重帶來(lái)的映射平滑[7]；參數(shù)M有助于增強(qiáng)相關(guān)機(jī)械運(yùn)行特征的泛化水平。

本文構(gòu)建的系數(shù)自編碼器包含4個(gè)隱含層，首個(gè)隱含層輸出即為首個(gè)編碼器的輸出，其表達(dá)式為：

公式⑷中，W1、b1分別表示首個(gè)編碼器的權(quán)重矩陣、偏置值；首個(gè)編碼器的值作為第二個(gè)編碼器的輸入，以此類推末端(第四層)解碼器輸出即為t4=η(W4t3+b4)，網(wǎng)絡(luò)的最終輸出結(jié)果y4=η(W4t3+b4)。

1.3 基于優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的機(jī)械運(yùn)行特征識(shí)別與分類

采用優(yōu)化后的稀疏自編碼器構(gòu)建高精度的深度神經(jīng)網(wǎng)絡(luò)，用于分類機(jī)械滾動(dòng)軸承運(yùn)行信號(hào)的特征，識(shí)別機(jī)械運(yùn)行狀態(tài)。本文稀疏自編碼器由含4個(gè)稀疏自編碼器堆疊而成，Softmax分類器與隱含層末端輸出層相連接，由此構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化模型見(jiàn)圖2。

圖2 基于稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化模型

滾動(dòng)軸承運(yùn)行狀態(tài)包括故障與正常兩種狀態(tài)，常見(jiàn)故障有裂紋故障、燒傷故障、振動(dòng)異常、接觸面損傷。深度神經(jīng)網(wǎng)絡(luò)優(yōu)化模型識(shí)別機(jī)械運(yùn)行信號(hào)特征步驟如下：首先利用小波變換算法生成機(jī)械運(yùn)行信號(hào)的時(shí)頻圖像；然后將圖像作為樣本輸入訓(xùn)練完成具有合理參數(shù)的網(wǎng)絡(luò)，由隱含層的優(yōu)化稀疏自編碼器提取時(shí)頻圖像的特征[8]，根據(jù)圖像特征歸類機(jī)械運(yùn)行狀態(tài)所屬類型輸出。

2 實(shí)驗(yàn)與分析

在實(shí)驗(yàn)室搭建滾動(dòng)軸承運(yùn)行測(cè)試平臺(tái)，用于開(kāi)展機(jī)械運(yùn)行特征識(shí)別與分類測(cè)試，以徑向方式采集機(jī)械運(yùn)行信號(hào)，信號(hào)采樣點(diǎn)布置在滾動(dòng)軸承支撐結(jié)構(gòu)外部、加載軸承、試驗(yàn)臺(tái)面三個(gè)關(guān)鍵位置；采樣過(guò)程中選擇最低兩個(gè)周期的采樣長(zhǎng)度，以確保各個(gè)數(shù)據(jù)樣本包含的機(jī)械故障運(yùn)行數(shù)據(jù)趨近完整。測(cè)試共采集到5組機(jī)械運(yùn)行信號(hào)，其中包含4組故障信號(hào)(裂紋故障、燒傷故障、振動(dòng)異常、接觸面損傷)與1組正常運(yùn)行信號(hào)，每組信號(hào)包含70組數(shù)據(jù)。70%采集樣本作為訓(xùn)練數(shù)據(jù)集，30%樣本作為測(cè)試數(shù)據(jù)集驗(yàn)證深度神經(jīng)網(wǎng)絡(luò)識(shí)別機(jī)械運(yùn)行特征的性能。

采集機(jī)械滾動(dòng)軸承運(yùn)行信號(hào)后使用諧波去除算法濾除諧波分量，基于小波變換算法獲取機(jī)械運(yùn)行的時(shí)頻圖像作為深度神經(jīng)網(wǎng)絡(luò)的輸入，輸出結(jié)果即為機(jī)械運(yùn)行特征的類型，描述了機(jī)械運(yùn)行的所屬狀態(tài)。為了突出本文方法在機(jī)械運(yùn)行特征識(shí)別領(lǐng)域的優(yōu)勢(shì)，與采用自編碼深度神經(jīng)網(wǎng)絡(luò)模型(方法1)、稀疏自編碼神經(jīng)網(wǎng)絡(luò)模型(方法2)進(jìn)行對(duì)比測(cè)試。方法1和方法2識(shí)別分類機(jī)械運(yùn)行特征的過(guò)程與本文方法基本一致，都是運(yùn)用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建識(shí)別模型，不同的是：方法1采用自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)識(shí)別模型過(guò)程中采用傳統(tǒng)的自編碼器，沒(méi)有對(duì)自編碼器進(jìn)行稀疏處理，本文方法為深度神經(jīng)網(wǎng)絡(luò)的交叉熵?fù)p失函數(shù)增加了權(quán)重衰減項(xiàng)與稀疏正則化項(xiàng)，實(shí)現(xiàn)自編碼器稀疏約束；方法2在方法1基礎(chǔ)上對(duì)自編碼器的損失函數(shù)做了初步稀疏處理，但僅僅增加了稀疏正則化項(xiàng)，和本文方法相比稀疏處理不夠全面，本文方法在傳統(tǒng)損失函數(shù)的基礎(chǔ)上采用了交叉熵形式的損失函數(shù)。

2.1 稀疏自編碼器層數(shù)對(duì)機(jī)械運(yùn)行特征識(shí)別的影響

稀疏自編碼器數(shù)量影響模型識(shí)別效果，為了保證本文構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型識(shí)別機(jī)械運(yùn)行狀態(tài)效果最佳，使用不同層數(shù)的稀疏自編碼器網(wǎng)絡(luò)進(jìn)行測(cè)試，稀疏自編碼器數(shù)量取值為1、2、3、4、5，在此基礎(chǔ)上基于測(cè)試集進(jìn)行測(cè)試，識(shí)別準(zhǔn)確率如圖3所示。

圖3 不同稀疏自編碼器下的模型識(shí)別準(zhǔn)確度

分析圖3可知，不同數(shù)量的稀疏自編碼器對(duì)應(yīng)的機(jī)械運(yùn)行特征識(shí)別準(zhǔn)確度均達(dá)到了95%以上，總體來(lái)說(shuō)構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)識(shí)別率都達(dá)到良好水平。具體分析可知，隨著稀疏自編碼器數(shù)量的變化識(shí)別精度出現(xiàn)了先增加再降低的趨勢(shì)，稀疏自編碼器數(shù)量為4層時(shí)，識(shí)別機(jī)械運(yùn)行特征準(zhǔn)確度達(dá)到了峰值99.2%，當(dāng)稀疏自編碼器再次增加時(shí)對(duì)應(yīng)的識(shí)別準(zhǔn)確度僅為95.6%，識(shí)別效果出現(xiàn)大幅度波動(dòng)，下降幅值較大。所以，當(dāng)稀疏自編碼器數(shù)量取值為4層時(shí)取得的機(jī)械運(yùn)行特征識(shí)別效果最佳，說(shuō)明本文構(gòu)建的4層稀疏自編碼器深度神經(jīng)網(wǎng)絡(luò)性能較優(yōu)。

2.2 改進(jìn)深度神經(jīng)網(wǎng)絡(luò)平均識(shí)別誤差分析

本文方法以及另外兩種對(duì)比方法的機(jī)械運(yùn)行特征識(shí)別與分類的相對(duì)誤差如表1所示。

表1 三種方法的機(jī)械運(yùn)行特征識(shí)別與分類的相對(duì)誤差 /%

通過(guò)表1數(shù)據(jù)可知，本文方法識(shí)別滾動(dòng)軸承運(yùn)行特征的相對(duì)誤差區(qū)間為2.3%～4.0%，識(shí)別機(jī)械裂紋故障特征的相對(duì)誤差最低僅為2.3%，識(shí)別燒傷故障特征的誤差最高，仍沒(méi)有超過(guò)5%；相比之下，方法1的最低識(shí)別誤差為4.5%，識(shí)別機(jī)械接觸面損傷特征的誤差最大，可達(dá)7.8%；方法2識(shí)別機(jī)械運(yùn)作特征的誤差在3.7%～5.2%之間?？傮w而言，本文方法識(shí)別5種機(jī)械運(yùn)行特征的精度最高且較為穩(wěn)定。

“振動(dòng)異?！惫收鲜禽^為常見(jiàn)的機(jī)械運(yùn)行問(wèn)題，為了明確各方法識(shí)別“振動(dòng)異常”故障的具體情況、掌握各方法的詳細(xì)性能，統(tǒng)計(jì)了三種方法在70組實(shí)驗(yàn)數(shù)據(jù)上的識(shí)別誤差表現(xiàn)，如表2所示。

表2 各方法在“振動(dòng)異?！惫收蠑?shù)據(jù)上的誤差統(tǒng)計(jì) /%

分析表2數(shù)據(jù)可知，本文方法識(shí)別并分類“振動(dòng)異?！睓C(jī)械運(yùn)行特征的誤差范圍為2.4%～2.7%，誤差波動(dòng)較小、識(shí)別機(jī)械運(yùn)行特征的性能較為穩(wěn)定；方法1識(shí)別并分類“振動(dòng)異?！睓C(jī)械運(yùn)行特征的最大誤差高達(dá)10.2%，并且出現(xiàn)了兩次，最小誤差為4.4%，波動(dòng)范圍較大且穩(wěn)定性差，不適合投入實(shí)際應(yīng)用；另外，方法2識(shí)別“振動(dòng)異?！惫收系钠骄`差雖小，但也出現(xiàn)誤差波動(dòng)較大的情況，識(shí)別效果也不理想。

相比方法1而言，本文方法利用稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，對(duì)自編碼器進(jìn)行稀疏約束，所以取得更優(yōu)的機(jī)械運(yùn)行特征分類效果；相比方法2而言，本文方法在交叉熵?fù)p失函數(shù)中加入權(quán)重衰減項(xiàng)與稀疏正則化項(xiàng)，方法2僅僅進(jìn)行了稀疏處理，并未添加權(quán)重衰減項(xiàng)，因此本文方法很好地對(duì)權(quán)重進(jìn)行合理約束，由此降低機(jī)械運(yùn)作特征識(shí)別的誤差。

3 結(jié)論

本文基于改進(jìn)稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)交叉熵?fù)p失函數(shù)中加入權(quán)重衰減項(xiàng)與稀疏正則化項(xiàng)，用于識(shí)別精密零件滾動(dòng)軸承運(yùn)行特征，判斷機(jī)械的運(yùn)行狀態(tài)。機(jī)械運(yùn)行特征識(shí)別與分類測(cè)試結(jié)果顯示，4層改進(jìn)稀疏自編碼器構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)識(shí)別效果最優(yōu)，有效提升滾動(dòng)軸承特征識(shí)別的精度，識(shí)別穩(wěn)定性較為理想。未來(lái)關(guān)于深度神經(jīng)網(wǎng)絡(luò)在機(jī)械運(yùn)行特征識(shí)別中的應(yīng)用研究，可著眼于網(wǎng)絡(luò)的 Softmax 分類器改進(jìn)領(lǐng)域，進(jìn)一步提升機(jī)械運(yùn)行特征識(shí)別與分類的效果及性能。