基于優(yōu)化的深度置信網(wǎng)絡的擠壓機齒輪箱故障診斷方法研究

滕紹東， 張振濤， 吳 哲， 張 巖， 關可銘， 董文慧， 尹 伊

（1.中國機械科學研究總院集團有限公司， 北京 100044； 2.中機生產(chǎn)力促進中心有限公司， 北京 100044；3.北京機械工業(yè)自動化研究所有限公司， 北京 100120）

0 引言

隨著科技水平的不斷提高，擠壓機日趨大型化、自動化、流程化，加之其復雜極端的運行環(huán)境工況，導致擠壓機齒輪箱具有低速重載、沖擊振動、高溫腐蝕等特點。 長期運行過程中，齒輪箱會產(chǎn)生不同程度的故障，引發(fā)擠壓機非計劃停機，可能造成重大經(jīng)濟損失，甚至導致機毀人亡的重大事故。 因此，對擠壓機齒輪箱進行故障診斷，識別主導故障及其原因， 進而排除運行過程中出現(xiàn)的突發(fā)問題，是當前亟待解決的關鍵難題之一[1]。 本文開展擠壓機齒輪箱的故障診斷分析方法研究，利用優(yōu)化的深度置信網(wǎng)絡快速診斷齒輪箱故障類型，識別主導故障及其原因。

1 齒輪箱故障診斷

1.1 齒輪箱故障類型

擠壓機是石油化工域的核心機組， 屬于長周期低速重載運行設備，內(nèi)部結(jié)構(gòu)復雜，擠壓機由主驅(qū)動、加工段、排料段、切粒段組成（如圖1 所示），影響擠壓機穩(wěn)定性和安全性的核心部件為齒輪箱， 齒輪和軸承是齒輪箱的關鍵部件，齒輪的常見故障類型如下[2-3]：①點蝕：齒面在交變應力的作用下，會因為接觸產(chǎn)生疲勞裂紋，而后會有極小的金屬顆粒脫落，最終會形成一個個的小凹坑，形成點蝕；②磨損：齒輪嚙合過程中，由于金屬微粒、塵埃和沙粒等進入齒的工作表面引起的；③膠合：重載傳動過程中，當高溫破壞了潤滑油的油膜后，兩個齒輪的齒直接接觸，在較軟的齒輪表面上形成撕裂的痕跡，產(chǎn)生膠合現(xiàn)象，低速重載傳動中，因為速度很慢很難形成油膜，也會產(chǎn)生膠合現(xiàn)象；④折斷：突然過載、沖擊過載或重復受載后，在輪齒根部在載荷作用下所產(chǎn)生的脈動循環(huán)交變應力， 以及在齒根圓角、加工刀痕、材料缺陷等應力集中源的復合作用下產(chǎn)生疲勞裂紋，并逐步擴展，在齒根處產(chǎn)生斷裂；⑤變形：當摩擦力超過齒輪的屈服強度時，在軟齒的表面就會產(chǎn)生塑性變形現(xiàn)象。造成齒輪故障的主要原因為：制造誤差、裝配不良、潤滑不良、超載和操作失誤。

圖1 擠壓造粒機組結(jié)構(gòu)示意圖

軸承常見故障類型如下[2-3]：①磨損（剝落）：由異物引起研磨損傷、擦傷、槽痕、圓周線痕或碎屑污染；②疲勞：疲勞的表現(xiàn)形式是剝落，即軸承材料出現(xiàn)麻點或脫落；③塑性變形：靜態(tài)負荷或沖擊負荷可產(chǎn)生過載，從而導致塑性變形，在滾道上形成凹痕；④破裂（開裂）：受壓破裂是因為局部過載或應力過高， 造成應力集中超過了材料的抗拉強度所致，主要由保持架斷裂損壞和軸承圈開裂；⑤腐蝕：分為電腐蝕和機械腐蝕。

1.2 齒輪箱故障診斷方法

當前， 國內(nèi)外學者主要采用模型和數(shù)據(jù)驅(qū)動的方法實現(xiàn)齒輪箱故障診斷[4]。 為實現(xiàn)提取故障特征，深度神經(jīng)網(wǎng)絡被應用到故障診斷領域。 深度神經(jīng)網(wǎng)絡模型輸入為設備實時監(jiān)測數(shù)據(jù)或來自智能工廠“大數(shù)據(jù)湖”重點設備狀態(tài)監(jiān)測時間序列數(shù)據(jù)，數(shù)據(jù)的類型可以為振動（位移、速度、加速度）、工藝量（溫度、壓力、流量）、電力（電流、電壓）、潤滑油液成分（機械雜質(zhì)、物性）等傳感數(shù)據(jù)[5]。 模型核心為隱藏層的設定，相當于一個“黑匣子”[6]。 模型輸出內(nèi)容包括性能退化預警信息、 實時健康指數(shù)和故障模式等，分別給用戶提供設備故障診斷結(jié)果、性能退化狀態(tài)等級以及健康指數(shù)和健康指數(shù)歷史趨勢、 精準的維修內(nèi)容和恰當?shù)木S修時間[7]。數(shù)據(jù)驅(qū)動的故障診斷方法取得了不錯的效果， 但必須滿足兩個條件： ①訓練和測試數(shù)據(jù)獨立；②確保數(shù)據(jù)同分布，并且訓練數(shù)據(jù)足夠多[8]。

2 深度置信網(wǎng)絡

2.1 深度置信網(wǎng)絡模型

深度置信網(wǎng)絡（DBN）是一種由多層受限玻爾茲曼機（ReRestrict Boltzmann Machines，RBMs） 和一層反向傳遞（Back Propagation，BP）神經(jīng)網(wǎng)絡構(gòu)成（如圖2 所示），其本質(zhì)是一種特殊構(gòu)造的神經(jīng)網(wǎng)絡。 深度置信網(wǎng)絡也要訓練一系列的權(quán)重值w 和偏置值b，其類似于DBN 反向調(diào)節(jié)過程。 RBMs 是一種具有隨機性的生成神經(jīng)網(wǎng)絡結(jié)構(gòu)，本質(zhì)上是一種由具有隨機性的一層可見神經(jīng)元和一層隱藏神經(jīng)元所構(gòu)成的無向圖模型，屬于無監(jiān)督學習的方法。

圖2 DBN 網(wǎng)絡結(jié)構(gòu)圖

以3 層隱藏層結(jié)構(gòu)的DBNDNN 為例，網(wǎng)絡一共由3 個RBM 單元堆疊而成，堆疊成DNN 的同時，前一個RBM 的輸出層（隱層）作為下一個RBM 的輸入層（顯層），依次堆疊成基本的DBN 結(jié)構(gòu)，最后再添加一層輸出層，就是最終的DBN-DNN 結(jié)構(gòu)。訓練DBN 的過程是一層一層地進行的。 在每一層中，用數(shù)據(jù)向量來推斷隱層，再把這一層當作下一層的數(shù)據(jù)向量。

2.2 DBN 反向調(diào)節(jié)及激活函數(shù)

RBM 堆疊過程為無監(jiān)督學習， 把RBM 堆疊過程中得到的權(quán)重w、以及偏置b，作為DBN 反向調(diào)節(jié)過程的初始化參數(shù)，能夠進一步優(yōu)化DBN 訓練效果，加快網(wǎng)絡收斂速度，使預測值和訓練數(shù)據(jù)目標值的誤差最小，提高準確率。

DBN 網(wǎng)絡反向調(diào)節(jié)過程中， 常用的激活函數(shù)有：①Sigmoid：又稱Logistic 函數(shù)，用于隱層神經(jīng)元輸出，取值范圍為（0，1），可以用來做二分類；②Tanh 函數(shù)：稱為雙曲正切函數(shù)，也是sigmoid 函數(shù)的變形，取值范圍為[-1，1]；③Re-LU 函數(shù)：整流線性單元函數(shù)，大多數(shù)前饋神經(jīng)網(wǎng)絡默認使用的激活函數(shù)；③Isigmoid 函數(shù)：為sigmoid 函數(shù)改進版，可以充分發(fā)揮預訓練階RBM 的優(yōu)勢，避免網(wǎng)絡學習陷入局。

2.3 基于DBN 的擠壓機齒輪箱故障診斷流程

基于DBN 的擠壓機齒輪箱故障診斷方法過程如下：首先提取正常狀態(tài)下的加速度信號和不同故障的加速度信號的時域和頻域特征，以均值、均方根、頻譜頻率均值、頻譜頻率均方根特征為代表。 使用這4 種特征信號作為DBN 網(wǎng)絡的輸入， 用已標記的樣本訓練集作為預訓練樣本， 初調(diào)DBN 網(wǎng)絡結(jié)構(gòu)的權(quán)重值w 和偏置值b， 得到DBN 初模型。 然后利用驗證集有監(jiān)督地訓練并驗證實體關系分類器，接著用BP 網(wǎng)絡將錯誤信息自頂向下傳播至每一層RBM，調(diào)整個DBN 網(wǎng)絡結(jié)構(gòu)。 最終獲得準確率較高且適應目標樣本的權(quán)重值w 和偏置值b， 從而得到擠壓機齒輪箱故障診斷DBN 網(wǎng)絡。

齒輪箱故障診斷流程（如圖3 所示），具體步驟如下：

圖3 故障診斷流程

（1）數(shù)據(jù)采集與處理。 合理優(yōu)化傳感器安裝位置，采集對應位置的加速度信號，將數(shù)據(jù)樣本按7∶2∶1 分為訓練集、驗證集與測試集。計算正常狀態(tài)下的加速度信號和不同故障的加速度信號的頻譜，提取FFT 和包絡譜特征。然后進行幅值歸一化處理，范圍為（0，1]，在此激活函數(shù)選擇Isigmoid 函數(shù)。

（2）DBN 網(wǎng)絡初模型訓練與參數(shù)配置。 設置DBN 網(wǎng)絡的RBM 數(shù)量，配置各RBM 的神經(jīng)元數(shù)量，輸入訓練集對RBM 的參數(shù)進行訓練，令RBM 連續(xù)輸入輸出，完成RBM的訓練，得到DBN 網(wǎng)絡初模型。

（3）故障診斷及DBN 網(wǎng)絡模型。將DBN 網(wǎng)絡的RBM參數(shù)以及RBM 的神經(jīng)元數(shù)量， 結(jié)合最后一層RBM 輸出給Softmax 分類器進行分類，然后利用帶有特征值的驗證集進行標記， 采用反向調(diào)節(jié)方法對RBM 參數(shù)進行優(yōu)化微調(diào)，得到RBM 的最終參數(shù)并保存，從而實現(xiàn)測試集的分類。

（4）輸出故障診斷結(jié)果，得到DBN 網(wǎng)絡模型。

3 實驗分析

3.1 監(jiān)測物理參數(shù)及傳感器選擇

擠壓機屬于大型過程設備，內(nèi)部結(jié)構(gòu)復雜，故障主要集中在主齒輪箱、熔融泵齒輪箱內(nèi)部的齒輪和軸承，主要的監(jiān)測物理參數(shù)為電流、振動、轉(zhuǎn)速、溫度、油液顆粒度。常用的齒輪箱在線監(jiān)測傳感器有振動（位移、速度、加速度）傳感器、速度傳感器、溫度傳感器、電流傳感器，其中振動加速度信號含有豐富的齒輪、軸承的機理表征信息，它是齒輪、軸承的故障診斷、性能退化的最佳選擇。 根據(jù)齒輪、軸承故障機理及其特征頻率分析，選擇的傳感器需要考慮分辨力、靈敏度、精度、線性范圍和頻響范圍。

3.2 測點布置及數(shù)據(jù)采集

本文以擠壓機熔融泵的齒輪箱為監(jiān)測對象， 依據(jù)信號的特性和傳遞路徑、傳感器的固定方式等特點，制定適用于齒輪箱的傳感器類型、傳感器位置、采樣策略和存儲策略方案。 傳感器參數(shù)，見表1。

表1 傳感器類型及參數(shù)

擠壓機熔融泵齒輪箱測點布置，見圖4。電機驅(qū)動端、非驅(qū)動端各安裝2 個電渦流位移傳感器，監(jiān)測軸的軸向和縱向偏移。 齒輪箱的軸承和齒輪對應殼體位置安裝13 個，安裝方式采用膠粘， 并增加隔熱墊。采集的信號由原接線箱由信號電纜引出至在線監(jiān)測站（采集器），經(jīng)過光纖傳輸至機柜控制室， 利用原有網(wǎng)絡將監(jiān)測數(shù)據(jù)送至服務器。

圖4 熔融泵齒輪箱測點布置圖

為了能更準確的獲得齒輪箱的故障信息，采樣頻率設置為5120Hz， 每組數(shù)據(jù)采樣時長：10s， 每種工況下采集200 組數(shù)據(jù)， 其中訓練數(shù)據(jù)集為140 組， 驗證數(shù)據(jù)集為40組，測試數(shù)據(jù)集20 組。

3.3 故障診斷流程

本文通過安裝擠壓機熔融泵電機和齒輪箱的傳感器，搭建數(shù)據(jù)采集系統(tǒng)， 以齒輪箱的軸承和齒輪為測試對象，采集相應的正常信號和故障振動信號， 然后分別以均值、均方根、頻譜頻率均值、頻譜頻率均方根特征為代表作為輸入層，用于研究基于DBN 網(wǎng)絡的齒輪箱故障診斷。 進一步以此數(shù)據(jù)為基礎，完善故障診斷模型，實現(xiàn)面向擠壓造粒機組齒輪箱的故障診斷模型。

3.4 數(shù)據(jù)分析及實驗結(jié)果

按照上述方案進行試驗：首先，將數(shù)據(jù)采集設備采集的數(shù)據(jù)通過程序轉(zhuǎn)存成模型訓練所要求的格式， 在數(shù)據(jù)分析軟件中分別采用不同的數(shù)據(jù)分析方法進行分析。 然后，對采集的數(shù)據(jù)進行預處理—高通濾波，去除振動信號中一些低頻噪音信號干擾。接下來，對采集的數(shù)據(jù)進行數(shù)據(jù)處理，主要包括以下五個環(huán)節(jié)：讀入數(shù)據(jù)、劃分數(shù)據(jù)集、生成批次數(shù)據(jù)、校驗數(shù)據(jù)有效性、標簽轉(zhuǎn)換。進一步，將處理完成的數(shù)據(jù)提取均值、均方根、頻譜頻率均值、頻譜頻率均方根，并加載數(shù)據(jù)，按照7∶2∶1 比例劃分為訓練集、驗證集與測試集，將該數(shù)據(jù)歸一化并保存結(jié)果。將劃分后的數(shù)據(jù)輸入DBN 網(wǎng)絡模型中，驗證診斷結(jié)果。

以正常齒輪和齒輪斷齒故障測得的加速度信號為實驗對象，對其進行均值、均方根、頻譜頻率均值、頻譜頻率均方根特征提取，見圖5，從而得到矩陣為420×4 的訓練數(shù)據(jù)集、矩陣為120×4 的驗證數(shù)據(jù)集和矩陣為60×4 的測試數(shù)據(jù)集。 與之對應的類別標簽分別為矩陣420×2，120×2，60×2。 設定RBMs 網(wǎng)絡層數(shù)為3 層，由于提取的特征數(shù)目為4 個，所以設定輸入神經(jīng)元個數(shù)為4 個，隱層的神經(jīng)元個數(shù)分別為50，30，20，因為有兩種類型的齒輪，輸出神經(jīng)元個數(shù)為2，更新迭代權(quán)重和偏置值100 次，激活函數(shù)的斜率參數(shù)和未知參數(shù)根據(jù)故障信號分類不斷調(diào)整，得到最適合的數(shù)值，最終輸出故障診斷分類及結(jié)果，見圖6，故障診斷準確率可以達到90.57%。

圖5 時域和頻域特征提取圖

圖6 故障診斷分類及準確率

4 結(jié)束語

擠壓造粒機齒輪箱內(nèi)部結(jié)構(gòu)相對復雜，當其中的齒輪或軸承發(fā)生故障后，提取到的故障沖擊信號不能快速準確的判斷齒輪或軸承發(fā)生的故障類型。 因此，本文提出一種基于優(yōu)化的DBN 網(wǎng)絡齒輪箱故障診斷方法， 該方法以均值、均方根、頻譜頻率均值、頻譜頻率均方根特征為代表作為作為DBN 網(wǎng)絡的輸入， 并用帶有標記的驗證數(shù)據(jù)樣本迭代優(yōu)化DBN 網(wǎng)絡模型的權(quán)重和偏置值， 通過擠壓機熔融泵齒輪箱運行數(shù)據(jù)驗證，達到提高測試數(shù)據(jù)樣本故障分類準確率的效果，實現(xiàn)擠壓機齒輪箱故障診斷目的。