基于聲發射時頻分析與卷積神經網絡的液膜密封摩擦狀態識別*

翁澤文 力 寧,2 袁俊馬 劉懷順 孫鑫暉 郝木明 司佳鑫

( 1.中國航發湖南動力機械研究所 湖南株洲 412002；2.直升機傳動技術國防科技重點實驗室 湖南株洲 412002；3.中國石油大學(華東)新能源學院 山東青島 266580)

液膜密封作為非接觸式機械密封的核心技術之一，在航空航天、石化等領域流體機械的動密封中應用前景廣闊。隨著流體機械的發展，高壓、高溫、高速、零泄漏等極端密封參數及復雜工況對設備的安全、性能、壽命等提出了更高要求。密封端面摩擦狀態與設備的壽命及可靠性直接相關，因而密封狀態的監測成為近期國內外研究的熱點[1-3]。

為實現對液膜密封狀態的即時識別，早期多采取對密封結構具有破壞性的植入式監測手段[4]，雖在學術研究上有一定的使用價值，卻難以滿足工程應用領域的使用要求。為此，急需研究一種可行的無損監測技術。聲發射作為一種新型的無損監測技術，在諸多工程監測中表現出色，在機械密封的監測中也取得了良好效果。文獻[5-6]的研究表明，不同磨損階段的聲發射能量與摩擦因數和磨損率之間存在對應關系，因此通過對聲發射信號的評估，可以確定出密封接觸的發生和持續時間。由于聲發射信號往往是非平穩非線性信號，時域分析或者頻域分析只能用單一維度分析聲發射信號，因此能夠同時兼顧時域和頻域信號特征的時頻分析方法在發展中被不斷發展豐富充實[7-9]。此外，從液膜密封狀態的智能化監測角度分析，現有分析技術的多數研究仍以人為考察特定狀態為主，輔以數值模擬驗證，該方法可用于機制研究，卻難以適用于工程應用，液膜密封狀態監測缺乏機器決策特性。以卷積神經網絡為代表的深度學習方法在該方面具有較高開發潛力[10-12]。

綜上，針對液膜密封摩擦狀態監測領域無損監測方法、數據處理方法及智能化預警開發不足的情況，在前人研究的基礎上，本文作者提出一種基于聲發射時頻分析與卷積神經網絡的液膜密封摩擦狀態識別方法，實現液膜密封摩擦狀態識別；同時，為探究不同時頻分析方法對所構建的卷積神經網絡模型性能的影響，確定針對液膜密封摩擦狀態識別的最佳網絡模型，選擇短時傅立葉變換、小波變換以及S變換3種穩定且應用廣泛的時頻分析方法作為研究對象進行討論。

1 聲發射時頻分析方法

1.1 短時傅立葉變換

短時傅立葉變換(STFT)是由傅立葉變換開發而來的一種瞬時頻率估計方法，對輸入信號加窗函數，通過窗函數在時間軸上的移動，對信號進行逐段分析得到信號的一組局部“頻譜”，分析非平穩信號在不同時間段內的頻率變化情況。其定義為

(1)

式中：x(τ)為原始時域信號；h(t-τ)為分析窗函數；τ為窗函數中心。

文中使用海明窗作為窗函數，其函數表達式如下：

(2)

1.2 小波變換

小波變換具有自適應窗口的時頻分析功能，其基本理論是將輸入信號由一系列小波基表示，這一系列小波基都是由一個母小波通過平移和伸縮得到，一定程度上解決了時間分辨率和頻率分辨率不可兼得的問題。對于信號x(t)，其小波變換的定義式為

(3)

式中：b為平移因子，作用與短時傅立葉變換的窗函數類似；a為伸縮因子，控制小波長度；ψ[(t-b)/a]為母小波ψ(t)通過平移和伸縮得到的一系列小波基的數學統一表達式，常用的母小波主要有Morlet小波和Haar小波，文中采用Morlet母小波進行分析。

1.3 S變換

S變換是一種加調諧高斯窗的特殊傅立葉變換，其開發的目的與小波變換相似，同樣在一定程度上克服了時頻分辨率不足的情況。使用S變換可以使窗函數在低頻處提供較高的頻率分辨率，而在高頻處可獲得較高的時間分辨率。對于信號x(t)，其S變換的定義式為

(4)

2 卷積神經網絡

文中卷積神經網絡的算法輸入為原始時域信號變換后的時頻信號，經卷積、池化、激活函數等操作，將數據逐層抽象為自身任務所需的最終特征表示，最后以特征到任務目標的映射作為結束。卷積神經網絡結構組建方式很多，但基本結構相似，一般由輸入層、卷積層、池化層、全連接層和輸出層構成，如圖1所示。

圖1 CNN網絡結構

卷積層由數個特征面組成，每個特征面由多個神經元構成，神經元通過卷積核與其上一層特征面的局部區域連接共享權重，其一般數學模型如下：

(5)

池化層同樣由數個特征面組成，每個特征面與其上層的特征面唯一對應，通過“降采樣”降低特征面的分辨率來取得具有空間不變性的特征，可表示為

(6)

全連接層與BP神經網絡類似，將最后一層卷積層輸出的級聯特征圖進行全連接，表示為

h(x)=f(bo+wox)

(7)

式中:x為特征向量；wo為權重；bo為偏置；f(*)為激活函數。

激活函數通常使用飽和非線性函數，如tanh函數[13]、sigmoid函數[14]等。但在多層的神經網絡采用梯度下降算法時，會出現梯度消失或者梯度爆炸問題。對比飽和線性函數，不飽和線性函數可以解決梯度消失或者梯度爆炸問題，并且可以加快收斂速度。文中采用ReLU函數[15]，表達式為

ReLU(x)=max(0,x)

(8)

(9)

式中:θ=[θ1,θ2,…,θk]T為Softmax分類器參數向量；O為最終預測結果，所有預測結果之和為1。

3 液膜密封摩擦狀態識別

液膜密封運行由于載荷、轉速、黏度等工況條件的變化，會經歷不同的摩擦狀態，即干摩擦、邊界摩擦、混合摩擦、流體摩擦，如圖2所示，4種摩擦機制將導致端面間的聲發射現象。液膜密封的理想狀態是讓密封端面一直處于流體摩擦，此時由于端面間流體潤滑的作用，端面摩擦因數最小，液膜密封的使用壽命最長，而干摩擦則是液膜密封需要避免的一種摩擦狀態。

圖2 摩擦狀態示意

基于聲發射時頻分析與卷積神經網絡的液膜密封摩擦狀態識別流程如圖3所示，描述如下：

Step 1：通過實驗采集4種摩擦狀態下的聲發射信號；

Step 2：對聲發射摩擦信號以0.1 s為單位進行短時傅立葉變換、S變換、小波變換獲取時頻譜，如圖4所示；

Step 3：對時頻譜進行數據增強以增加樣本多樣性，定義圖像像素為118×118；

Step 4：將短時傅立葉變換時頻譜75%數據量作為卷積神經網絡的訓練集與驗證集，剩余25%作為測試集；

Step 5：超參數尋優確定合適的卷積神經網絡結構；

Step 6：對S變換、小波變換獲取時頻譜依次按照確定的網絡結構重復Step 4，對比3種時頻分析方法對識別性能的影響。

圖3 摩擦狀態識別流程

圖4 部分圖像樣本的構建流程

4 實驗及結果分析

4.1 實驗裝置

液膜密封實驗裝置如圖5、圖6所示，液膜密封結構如圖7所示，其中補償環為螺旋人字槽型，材質為9Cr18不銹鋼，非補償環材質為M298k碳石墨，液膜密封結構參數如表1所示。聲發射信號通過Fujicera-AE144SA40聲發射傳感器(諧振頻率為144 kHz)采集，聲信號經40 dB前置放大器和信電分離器傳至聲發射采集卡。

圖5 密封實驗裝置示意

圖6 密封實驗裝置

圖7 密封環結構

表1 液膜密封結構參數

4.2 網絡參數尋優

4.2.1 批量尺寸影響

批量尺寸(Batchsize)即卷積神經網絡用于訓練的每批數據量的大小，其取值會對模型的準確率及效率產生影響。實驗結果如圖8所示，圖例中形如“Y-X”表示卷積核數量組合，其中，“Y”表示第一層卷積核數量值，“X”表示第二層卷積核數量。所定義的其他模型結構如表2所示。

表2 模型結構及網絡參數

根據圖8(b)，在批量尺寸達到256之前，批量尺寸越大，其確定的梯度下降方向越準確，因此收斂效率越高；批量尺寸達到256之后，訓練效率開始降低。參考圖8(a)，模型的識別準確率在批量尺寸達到16后趨于穩定，故將實驗的批量尺寸值設置為256。

圖8 批量尺寸對模型性能的影響

4.2.2 迭代次數影響

迭代次數對模型性能影響的實驗結果如圖9所示。圖中僅示出了前30次訓練結果，隨著迭代次數的增加，模型的識別準確率相應提高，當迭代次數達到10之后，模型的識別準確率已經達到98.1%上，識別準確率已趨于穩定。為保證模型擬合完全，保守起見，文中將迭代次數確定為15。

圖9 迭代次數對模型性能的影響

4.3 3種時頻分析方法對識別性能的影響

3種時頻分析方法下迭代次數與準確率關系的實驗結果如圖10所示。從整體趨勢來看，短時傅立葉變換+CNN的收斂速度最快，到第7次訓練時準確率已基本穩定，而小波變換+CNN與S變換+CNN準確率達到穩定的迭代次數分別為9和11；從訓練結果來看，上述3種方法最終的識別準確率分別為99.51%、99.03%、99.09%，均取得了較為理想的效果。

為比較3種時頻分析方法的穩定性，設計20次試驗觀察模型識別結果。經計算，3種時頻方法下的平均識別耗時分別為13.79、14.02、13.71 s，相差較小。20次試驗的準確率情況如圖11所示，可以看出短時傅立葉變換+CNN的準確率無大幅波動，其準確率均值為98.71%，標準差為0.006；而小波變換和S變換樣本的準確率均出現不同程度的波動，尤其是在第9及第18次實驗，分別低至84.27%、91.75%。經計算，20次實驗中小波變換+CNN和S變換+CNN的準確率均值分別為96.90%、98.32%，標準差分別為0.032、0.019。從上述分析可知，短時傅立葉變換+CNN的效果更具優勢。

圖10 3種時頻分析方法下迭代次數與準確率的關系

圖11 3種時頻分析方法對模型穩定性的影響

4.4 識別性能分析

將構建的卷積神經網絡模型與BP神經網絡、超平面SVM、LeNet5網絡(輸入圖像大小為32×32)對比，各取10次結果的平均值作為量化依據，結果如表3所示。

表3中，文中構建的卷積神經網絡模型在4種方法中取得了最高的測試準確率。LeNet5網絡的測試準確率也較高，但略低于文中方法，究其原因有二，一是文中的聲發射信號時頻譜樣本不適用于LeNet5網絡參數，二是時頻譜圖的壓縮過程伴隨著部分有效特征丟失，導致LeNet5網絡的準確度下降。BP神經網絡以及超平面SVM的測試準確率較差，原因有二，一是卷積神經網絡相對于BP神經網絡以及超平面SVM有算法優勢，二是相對于文中方法，BP神經網絡以及超平面SVM缺少了短時傅立葉變換的時頻特征提取環節，有效時頻信息未經有效利用，這也從側面說明了在使用模式識別方法之前，對信號進行時頻特征提取是有必要的。

表3 不同識別方法的結果對比

5 結論

(1)基于聲發射時頻分析與卷積神經網絡可以滿足液膜密封摩擦狀態識別的需求.

(2)研究短時傅立葉變換、小波變換、S變換3種時頻分析方法構建樣本對卷積神經網絡識別性能的影響，結果表明，短時傅立葉變換的識別效果最優，S變換次之，小波變換的識別效果最差。

(3)對比不同識別算法的識別效果，發現文中的卷積神經網絡模型識別準確率明顯高于BP神經網絡、超平面SVM、LeNet5網絡等。