變工況滾動(dòng)軸承異常狀態(tài)局部切空間分類(lèi)檢測(cè)

肖煥麗

(西安交通工程學(xué)院,陜西 西安 710399)

0 引言

機(jī)械設(shè)備無(wú)論是在工作效率方面還是在工作安全方面均遠(yuǎn)遠(yuǎn)超過(guò)人工勞作,因此一些高端機(jī)械設(shè)備被廣泛應(yīng)用于生產(chǎn)勞動(dòng)、企業(yè)物流等多種領(lǐng)域,成為推動(dòng)國(guó)民經(jīng)濟(jì)快速發(fā)展的新型科技。其中,變工況下的滾動(dòng)軸承,是很多機(jī)械設(shè)備的重要組成部分[1]。變工況滾動(dòng)軸承的狀態(tài)若存在異常會(huì)導(dǎo)致機(jī)械設(shè)備運(yùn)作癱瘓,進(jìn)而影響后續(xù)環(huán)節(jié)的生產(chǎn)。因此,為了保證機(jī)械設(shè)備始終保持高效的工作狀態(tài),需要對(duì)變工況下滾動(dòng)軸承的異常狀態(tài)實(shí)時(shí)檢測(cè),以人工為主的檢測(cè)方法已經(jīng)無(wú)法滿足需求,一些高端智能化的檢測(cè)方法成為研究重點(diǎn)。

李貝貝等[2]通過(guò)自編碼網(wǎng)絡(luò)采集滾動(dòng)軸承振動(dòng)數(shù)據(jù),并利用馬氏距離快速檢測(cè)算法提取滾動(dòng)軸承振動(dòng)數(shù)據(jù)特征,將提取到的滾動(dòng)軸承振動(dòng)數(shù)據(jù)特征輸入以網(wǎng)絡(luò)初始化參數(shù)為基礎(chǔ)構(gòu)建的特征學(xué)習(xí)模型中反復(fù)訓(xùn)練,實(shí)現(xiàn)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)。蔣雨良等[3]通過(guò)多任務(wù)學(xué)習(xí)方法獲取滾動(dòng)軸承數(shù)據(jù)分布,并將獲取到的數(shù)據(jù)分布與變工況下軸承溫度關(guān)聯(lián)信息相結(jié)合,使數(shù)據(jù)分布以溫度預(yù)測(cè)值為單位重新構(gòu)成具備特征向量的溫度置信區(qū)間,將極大似然估計(jì)函數(shù)代入溫度置信區(qū)間,實(shí)現(xiàn)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)。

然而在實(shí)際應(yīng)用中發(fā)現(xiàn),上述方法對(duì)軸承異常數(shù)據(jù)特征的提取率較差,導(dǎo)致其存在檢測(cè)率低的問(wèn)題。主要是因?yàn)樽児r滾動(dòng)軸承異常狀態(tài)數(shù)據(jù),在特征空間上呈現(xiàn)高維模糊分類(lèi)特征,異常狀態(tài)數(shù)據(jù)的子特征區(qū)分極為困難。為了解決上述方法中存在的問(wèn)題,本文提出變工況滾動(dòng)軸承異常狀態(tài)局部切空間分類(lèi)檢測(cè)方法。

1 變工況滾動(dòng)軸承局部切空間異常數(shù)據(jù)特征提取

通過(guò)對(duì)滾動(dòng)軸承在變工況下的異常運(yùn)行數(shù)據(jù)進(jìn)行特征提取,能夠?yàn)楹罄m(xù)異常狀態(tài)局部切空間分類(lèi)檢測(cè)提供數(shù)據(jù)支持,有效診斷軸承是否存在異常狀態(tài)。LTS降維方法能夠?qū)⒏呔S數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù),同時(shí)保留數(shù)據(jù)的關(guān)鍵特征。在變工況滾動(dòng)軸承局部切空間異常數(shù)據(jù)特征提取過(guò)程中,LTS被用于處理變工況滾動(dòng)軸承的數(shù)據(jù),使局部切空間滿足分類(lèi)空間映射條件,能夠更好地捕捉滾動(dòng)軸承在變工況下的異常狀態(tài)。DBN算法能夠從大量運(yùn)行數(shù)據(jù)中學(xué)習(xí)到數(shù)據(jù)深層特征,因此通過(guò)DBN算法從異常數(shù)據(jù)訓(xùn)練中提取異常特征,可以有效提高異常檢測(cè)效率。通過(guò)特征提取能夠在滾動(dòng)軸承運(yùn)行過(guò)程中實(shí)時(shí)地進(jìn)行異常檢測(cè),及時(shí)發(fā)現(xiàn)滾動(dòng)軸承的異常狀態(tài),避免因?yàn)檩S承故障而引起的設(shè)備停機(jī)等損失。

1.1 變工況滾動(dòng)軸承異常數(shù)據(jù)降維處理

現(xiàn)階段比較成熟的數(shù)據(jù)降維方式主要包括主成分分析法、線性判別分析法、多維尺度分析法和局部切空間排列法[4],本文設(shè)計(jì)一種局部切空間排列法(local tangent space alignment,LTSA)。

LTSA通過(guò)將數(shù)據(jù)集樣本點(diǎn)映射至局部切空間,達(dá)到滾動(dòng)軸承異常數(shù)據(jù)全面降維的目的。LTSA也具備這一類(lèi)算法獨(dú)特的鄰域數(shù)據(jù)依賴性。在滾動(dòng)軸承異常數(shù)據(jù)降維的過(guò)程中,滾動(dòng)軸承異常數(shù)據(jù)會(huì)因?yàn)猷徲驍?shù)據(jù)依賴性主動(dòng)聚合。這種聚合反應(yīng)限制了異常數(shù)據(jù)的空間映射范圍,并與降維過(guò)程產(chǎn)生沖突,需要利用K-近鄰方法及時(shí)將聚合數(shù)據(jù)分離,消除鄰域數(shù)據(jù)依賴性所帶來(lái)的降維干擾。

LTSA對(duì)滾動(dòng)軸承異常數(shù)據(jù)降維的具體步驟如下:首先利用LIST算法將滾動(dòng)軸承異常數(shù)據(jù)轉(zhuǎn)化為高維嵌入坐標(biāo)下的數(shù)據(jù)集樣本點(diǎn),再利用局部切空間排列法將全部數(shù)據(jù)集樣本點(diǎn)映射至低維局部切空間中。空間內(nèi)數(shù)據(jù)在鄰域數(shù)據(jù)依賴性的作用下主動(dòng)聚合,為了防止這種情況的發(fā)生,局部切空間結(jié)合K-近鄰方法消除聚合現(xiàn)象。LIST算法的表達(dá)式如下:

(1)

式中:Ψ表示LIST常數(shù);G表示參與轉(zhuǎn)化的滾動(dòng)軸承異常數(shù)據(jù)量;dm表示滾動(dòng)軸承在高維映射區(qū)域m內(nèi)的異常數(shù)據(jù)的轉(zhuǎn)化率;dn表示滾動(dòng)軸承異常數(shù)據(jù)在高維映射區(qū)間n內(nèi)的轉(zhuǎn)化誤差。

局部切空間排列法的表達(dá)式如下:

(2)

式中:N表示局部切空間排列常數(shù);xα表示參與映射的數(shù)據(jù)集樣本點(diǎn)總數(shù);xβ表示低維局部切空間的權(quán)重;eT表示數(shù)據(jù)集樣本點(diǎn)的映射誤差。

K-近鄰方法的表達(dá)式如下:

X=ha(i-2ωj)

(3)

式中:ha表示K-近鄰常數(shù);i表示聚合現(xiàn)象消除系數(shù);ωj表示聚合現(xiàn)象消除誤差。

結(jié)合K-近鄰方法的聚合數(shù)據(jù)分離過(guò)程,得到局部切空間內(nèi)數(shù)據(jù)集樣本點(diǎn)映射分布如圖1所示。

圖1 局部切空間內(nèi)數(shù)據(jù)集樣本點(diǎn)映射分布圖

滾動(dòng)軸承異常數(shù)據(jù)在低維局部切空間內(nèi),根據(jù)歐幾里得原理完成降維,歐幾里得原理的表達(dá)式如下:

(4)

式中:B表示歐幾里得常數(shù);λ表示滾動(dòng)軸承異常數(shù)據(jù)的降維閾值;I表示歐式距離。

1.2 基于深度置信網(wǎng)絡(luò)的滾動(dòng)軸承異常數(shù)據(jù)特征提取

經(jīng)過(guò)降維的滾動(dòng)軸承異常數(shù)據(jù)在特征提取方面表現(xiàn)出良好的可操作性。深度置信網(wǎng)絡(luò)作為數(shù)據(jù)特征提取的有力工具,其內(nèi)部結(jié)構(gòu)主要由多個(gè)限制波爾茨曼機(jī)連接組成[5]。限制波爾茨曼機(jī)可以深度挖掘網(wǎng)絡(luò)輸入信息,提取信息關(guān)鍵特征并組成特征訓(xùn)練矩陣R和T[6]。限制波爾茨曼機(jī)通過(guò)隱含層訓(xùn)練矩陣R進(jìn)行滾動(dòng)軸承異常數(shù)據(jù)特征識(shí)別,將識(shí)別后的特征傳遞至對(duì)應(yīng)的可見(jiàn)層訓(xùn)練矩陣T。在可見(jiàn)層中進(jìn)行線性變換和激活函數(shù)處理,完成滾動(dòng)軸承異常數(shù)據(jù)特征降維,為后續(xù)特征訓(xùn)練提供可靠的特征輸入。

深度置信網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 深度置信網(wǎng)絡(luò)結(jié)構(gòu)

將降維成功的滾動(dòng)軸承異常數(shù)據(jù)輸入深度置信網(wǎng)絡(luò)中,深度置信網(wǎng)絡(luò)提取滾動(dòng)軸承異常數(shù)據(jù)特征主要分為異常數(shù)據(jù)訓(xùn)練和特征訓(xùn)練矩陣兩部分。

1)異常數(shù)據(jù)訓(xùn)練

深度置信網(wǎng)絡(luò)針對(duì)異常數(shù)據(jù)訓(xùn)練過(guò)程本質(zhì)是多個(gè)限制波爾茨曼機(jī)深入挖掘異常數(shù)據(jù)特征的過(guò)程。滾動(dòng)軸承異常數(shù)據(jù)在隱藏層中通過(guò)貪婪學(xué)習(xí)算法提取異常數(shù)據(jù)重要信息[7],然后經(jīng)過(guò)雙向連接通路進(jìn)入可見(jiàn)層。可見(jiàn)層接收已成功提取的滾動(dòng)軸承異常數(shù)據(jù)重要信息,并利用對(duì)比散度算法對(duì)異常數(shù)據(jù)重要信息進(jìn)一步挖掘,獲取基于滾動(dòng)軸承異常數(shù)據(jù)的特征,表達(dá)式如下:

Y=γf(z0)·δf(zi)

(5)

式中:γ表示貪婪學(xué)習(xí)常數(shù);f(z0)表示參與重要信息提取的異常數(shù)據(jù)量;δ表示異常數(shù)據(jù)的重要信息提取率;f(zi)表示異常數(shù)據(jù)的重要信息提取誤差系數(shù)。

對(duì)比散度算法的表達(dá)式如下:

(6)

2)特征訓(xùn)練矩陣

在利用深度置信網(wǎng)絡(luò)中的可見(jiàn)層提取滾動(dòng)軸承異常數(shù)據(jù)的特征向量后,并不能保證所提取的特征向量達(dá)到最優(yōu)檢測(cè)效果。因此,深度置信網(wǎng)絡(luò)可見(jiàn)層會(huì)在輸出特征向量前,啟動(dòng)內(nèi)置深度置信網(wǎng)絡(luò)模型對(duì)特征向量?jī)?yōu)化[8],并根據(jù)優(yōu)化后特征向量權(quán)值,將特征向量排列成分類(lèi)精確度高、檢測(cè)效果好的特征訓(xùn)練矩陣。

深度置信網(wǎng)絡(luò)模型的函數(shù)表達(dá)式如下:

(7)

式中:v(α-1)表示深度置信網(wǎng)絡(luò)模型的權(quán)重;w表示特征向量?jī)?yōu)化系數(shù);ρ表示特征向量的優(yōu)化誤差。特征向量權(quán)值的計(jì)算表達(dá)式如下:

(8)

式中:hrecon表示特征向量權(quán)值的計(jì)算常數(shù);herror表示特征向量權(quán)值的計(jì)算誤差。

2 基于SVM分類(lèi)器的滾動(dòng)軸承異常狀態(tài)檢測(cè)

將上述提取的特征輸入SVM分類(lèi)器中,利用非線性映射函數(shù)將二維特征矩陣映射到三維分類(lèi)空間中再將超平面結(jié)構(gòu)加入其中[9],在多項(xiàng)式核函數(shù)的引導(dǎo)下找到對(duì)應(yīng)的子特征分類(lèi)區(qū)域,根據(jù)分類(lèi)結(jié)果實(shí)現(xiàn)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)。

SVM分類(lèi)器通過(guò)超平面將二維視角下待分類(lèi)數(shù)據(jù)轉(zhuǎn)化為三維視角下的分類(lèi)數(shù)據(jù)。SVM分類(lèi)器的分類(lèi)過(guò)程如圖3所示。

圖3 SVM分類(lèi)器的分類(lèi)過(guò)程

超平面作為SVM分類(lèi)器的核心結(jié)構(gòu),是由線性條件下的最優(yōu)分類(lèi)平面逐漸演變而來(lái)。SVM分類(lèi)器的輸入樣本不同,超平面的選擇也隨之不同。想要利用SVM分類(lèi)器對(duì)滾動(dòng)軸承異常數(shù)據(jù)的特征訓(xùn)練矩陣分類(lèi),需要優(yōu)先選擇適合特征訓(xùn)練矩陣的超平面結(jié)構(gòu)[10]。首先利用線性函數(shù)獲取特征訓(xùn)練矩陣的線性可分系數(shù),再根據(jù)超平面學(xué)習(xí)原理尋找符合該線性可分系數(shù)的超平面結(jié)構(gòu)。線性函數(shù)的表達(dá)式如下:

(9)

式中:s表示線性常數(shù);2σ表示特征訓(xùn)練矩陣線性可分系數(shù)的獲取率;l表示特征訓(xùn)練矩陣線性可分系數(shù)的獲取誤差。

表示超平面學(xué)習(xí)原理的表達(dá)式如下:

(10)

式中:αy表示超平面學(xué)習(xí)常數(shù);ξ表示符合線性可分系數(shù)的超平面結(jié)構(gòu)參數(shù)。

若特征訓(xùn)練矩陣與線性函數(shù)結(jié)合后未能獲取基于該矩陣的線性可分系數(shù),而是得到了不同于正常情況的線性不可分系數(shù),則說(shuō)明該特征訓(xùn)練矩陣不滿足SVM分類(lèi)器的分類(lèi)條件。此時(shí),需要在尋找基于該矩陣的超平面結(jié)構(gòu)前,在該矩陣中引入松弛變量(非負(fù)標(biāo)量)對(duì)矩陣約束優(yōu)化。

松弛變量的加入可以使特征訓(xùn)練矩陣的分類(lèi)間隔增大,當(dāng)特征訓(xùn)練矩陣的分類(lèi)間隔增大至κ時(shí),該矩陣滿足SVM分類(lèi)器的分類(lèi)條件。松弛變量對(duì)矩陣約束優(yōu)化的表達(dá)式如下:

(11)

式中:κ表示松弛變量參數(shù);ej表示矩陣約束優(yōu)化系數(shù);ei表示特征訓(xùn)練矩陣分類(lèi)間隔的增大率;n×m表示特征訓(xùn)練矩陣分類(lèi)間隔的增大誤差。

在成功搜索到超平面結(jié)構(gòu)后,SVM分類(lèi)器開(kāi)始對(duì)變工況滾動(dòng)軸承運(yùn)行狀態(tài)的特征訓(xùn)練矩陣進(jìn)行分類(lèi)。SVM分類(lèi)器首先利用非線性映射函數(shù)將二維視角下的特征訓(xùn)練矩陣映射到三維視角下的分類(lèi)空間中。由于分類(lèi)空間的維度非常低,只有經(jīng)過(guò)降維的低維數(shù)據(jù)才能滿足空間映射條件,此時(shí)就可以發(fā)現(xiàn),上文所述的基于滾動(dòng)軸承異常數(shù)據(jù)降維過(guò)程是非常有必要的。

在非線性映射函數(shù)映射特征訓(xùn)練矩陣時(shí),極易由于矩陣內(nèi)存儲(chǔ)的滾動(dòng)軸承異常數(shù)據(jù)特征向量過(guò)多而導(dǎo)致分類(lèi)空間映射效率下降,但SVM分類(lèi)器利用核函數(shù)巧妙地解決了這個(gè)問(wèn)題。核函數(shù)是以泛函有關(guān)理論為基礎(chǔ)構(gòu)建的運(yùn)算函數(shù),其運(yùn)算過(guò)程滿足Mercer條件,即當(dāng)輸入向量?jī)?nèi)積運(yùn)算率過(guò)高時(shí),核函數(shù)可以調(diào)整對(duì)應(yīng)空間的決策系數(shù),以此達(dá)到提升空間映射效率的目的。非線性映射函數(shù)的表達(dá)式如下:

(12)

式中:cT表示核函數(shù)對(duì)應(yīng)空間決策系數(shù);ui表示軸承狀態(tài)數(shù)據(jù)特征訓(xùn)練矩陣的映射系數(shù);H表示特征向量矩陣的映射誤差。

經(jīng)過(guò)映射的特征訓(xùn)練矩陣在三維視角下混亂且無(wú)序,將適合特征訓(xùn)練矩陣的超平面結(jié)構(gòu)加入其中,矩陣內(nèi)特征會(huì)在多項(xiàng)式核函數(shù)的引導(dǎo)下找到對(duì)應(yīng)的子特征分類(lèi)區(qū)域,然后根據(jù)分類(lèi)結(jié)果檢測(cè)變工況滾動(dòng)軸承的異常狀態(tài),從而實(shí)現(xiàn)全矩陣特征向量的分類(lèi)。多項(xiàng)式核函數(shù)子特征分類(lèi)過(guò)程如下:

(13)

式中:vi表示多項(xiàng)式核常數(shù);vj表示軸承狀態(tài)數(shù)據(jù)子特征區(qū)域的搜尋率;ΔS表示變工況滾動(dòng)軸承狀態(tài)數(shù)據(jù)子特征區(qū)域的搜尋誤差。根據(jù)SVM分類(lèi)器的分類(lèi)輸出結(jié)果即可實(shí)現(xiàn)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)。

3 試驗(yàn)與結(jié)果

為驗(yàn)證基于深度置信網(wǎng)絡(luò)的變工況滾動(dòng)軸承異常狀態(tài)檢測(cè)方法的整體有效性,需要對(duì)其展開(kāi)如下測(cè)試。選擇異常情況不同的9種型號(hào)的變工況滾動(dòng)軸承作為試驗(yàn)對(duì)象。試驗(yàn)臺(tái)由幾個(gè)模塊組成,從左到右依次為:交流電機(jī)、速度傳感器、減速器、熱電偶。通過(guò)將不同損傷類(lèi)型的滾珠軸承安裝在軸承測(cè)試模塊中,生成實(shí)驗(yàn)數(shù)據(jù)。試驗(yàn)對(duì)象如圖4所示。

圖4 試驗(yàn)對(duì)象

9種型號(hào)的變工況滾動(dòng)軸承的具體異常表現(xiàn)如表1所示。

表1 9種型號(hào)變工況滾動(dòng)軸承的具體異常表現(xiàn)

將試驗(yàn)對(duì)象分為3組,組1包括型號(hào)a、型號(hào)b和型號(hào)c;組2包括型號(hào)d、型號(hào)e和型號(hào)f;組3包括型號(hào)g、型號(hào)h和型號(hào)i。由于變工況滾動(dòng)軸承的工作環(huán)境常伴有噪聲和負(fù)荷變化,因此可以通過(guò)在3組試驗(yàn)對(duì)象中添加噪聲或調(diào)整3組試驗(yàn)對(duì)象所承載的負(fù)荷,建立新的試驗(yàn)環(huán)境。

3.1 添加噪聲

滾動(dòng)軸承異常狀態(tài)檢測(cè)容易受到環(huán)境噪聲的干擾,增加異常數(shù)據(jù)的檢測(cè)與處理難度。為了驗(yàn)證本文方法的有效性,在3組試驗(yàn)對(duì)象中分別添加300Hz、500Hz、800Hz的噪聲。采用本文方法、文獻(xiàn)[2]方法和文獻(xiàn)[3]方法檢測(cè)噪聲添加后3組試驗(yàn)對(duì)象的滾動(dòng)軸承異常狀態(tài),對(duì)比不同方法在含噪情況下基于3組試驗(yàn)對(duì)象的異常狀態(tài)檢測(cè)率(圖5),以此來(lái)判斷不同方法針對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)性能。

圖5 不同噪聲情況下不同方法的異常狀態(tài)檢測(cè)率

由圖5可知,文獻(xiàn)[2]方法和文獻(xiàn)[3]方法基于3組試驗(yàn)對(duì)象的異常狀態(tài)檢測(cè)率分別低于85%和80%,說(shuō)明文獻(xiàn)[2]方法和文獻(xiàn)[3]方法在面對(duì)任意噪聲含量的變工況滾動(dòng)軸承時(shí),二者對(duì)異常狀態(tài)的檢測(cè)率均較低,即文獻(xiàn)[2]方法和文獻(xiàn)[3]方法針對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)效果差。本文方法基于3組試驗(yàn)對(duì)象的異常狀態(tài)檢測(cè)率均不低于95%,說(shuō)明本文方法在面對(duì)任意噪聲含量的變工況滾動(dòng)軸承時(shí),其異常狀態(tài)的檢測(cè)率均較高,即本文方法針對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)效果更好。

經(jīng)上述對(duì)比可知,本文方法針對(duì)變工況滾動(dòng)軸承異常數(shù)據(jù)的檢測(cè)性能明顯優(yōu)于傳統(tǒng)方法。因?yàn)楸疚姆椒ú捎镁植壳锌臻g排列法對(duì)變工況滾動(dòng)軸承異常數(shù)據(jù)降維,使變工況滾動(dòng)軸承異常數(shù)據(jù)特征的提取率增高。SVM分類(lèi)器對(duì)變工況滾動(dòng)軸承異常數(shù)據(jù)特征的適配性也大幅度增加,這樣獲取的輸出結(jié)果檢測(cè)率高、檢測(cè)性能好。

3.2 調(diào)整承載負(fù)荷

不同負(fù)荷會(huì)影響滾動(dòng)軸承的轉(zhuǎn)速、摩擦力矩等,增加了異常狀態(tài)特征映射的復(fù)雜度。為了進(jìn)一步驗(yàn)證變工況下滾動(dòng)軸承異常狀態(tài)檢測(cè)性能,把調(diào)整軸承承載負(fù)荷作為測(cè)試變量,將3組試驗(yàn)對(duì)象的承載負(fù)荷分別調(diào)整為1.3×0.396 kW、3.3×4.098 kW、1.9×3.913 kW,采用本文方法、文獻(xiàn)[2]方法和文獻(xiàn)[3]方法檢測(cè)承載負(fù)荷調(diào)整后,3組試驗(yàn)對(duì)象的滾動(dòng)軸承異常狀態(tài)。對(duì)比不同方法在不同承載負(fù)荷下基于3組試驗(yàn)對(duì)象的異常狀態(tài)檢測(cè)率(圖6),判斷不同方法針對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)性能。

圖6 不同承載負(fù)荷下不同方法的異常狀態(tài)檢測(cè)率

由圖6可知,本文方法基于3組試驗(yàn)對(duì)象的異常狀態(tài)檢測(cè)率均不低于90%,說(shuō)明本文方法在面對(duì)任意承載負(fù)荷時(shí),其變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)率均較高。文獻(xiàn)[2]方法和文獻(xiàn)[3]方法基于3組試驗(yàn)對(duì)象的異常狀態(tài)檢測(cè)率分別低于80%和85%,說(shuō)明文獻(xiàn)[2]方法和文獻(xiàn)[3]方法在面對(duì)任意承載負(fù)荷時(shí),二者對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)率均較低。因?yàn)楸疚姆椒ㄔ诜蔷€性映射函數(shù)可以較好地將二維特征映射到三維分類(lèi)空間中,可以減少負(fù)荷變化等因素對(duì)機(jī)組異常狀態(tài)檢測(cè)結(jié)果的影響,在多項(xiàng)式核函數(shù)的引導(dǎo)下進(jìn)一步提高了檢測(cè)率。經(jīng)上述對(duì)比,進(jìn)一步驗(yàn)證了本文方法對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)性能好。

3.3 早期異常點(diǎn)檢出時(shí)間

由于早期滾動(dòng)軸承異常點(diǎn)的特征并不突出,在此期間異常狀態(tài)的檢測(cè)難度較大,但滾動(dòng)軸承的異常點(diǎn)檢出時(shí)間越早,越能及時(shí)修正異常狀態(tài),避免嚴(yán)重事故的發(fā)生。分別采用本文方法、文獻(xiàn)[2]方法和文獻(xiàn)[3]方法檢測(cè)上述3組試驗(yàn)對(duì)象的滾動(dòng)軸承異常狀態(tài),通過(guò)對(duì)比不同方法的早期異常點(diǎn)檢出時(shí)間,判斷不同方法針對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)性能。不同方法的早期異常點(diǎn)檢出時(shí)間對(duì)比如圖7所示。

圖7 不同方法的早期異常點(diǎn)檢出時(shí)間

由圖7可以看出,本文方法的早期異常點(diǎn)檢出時(shí)間小于200s,說(shuō)明本文方法能夠快速檢出變工況滾動(dòng)軸承異常狀態(tài),即本文方法的檢測(cè)效率高。文獻(xiàn)[2]方法和文獻(xiàn)[3]方法的早期異常點(diǎn)檢出時(shí)間均超過(guò)300s,說(shuō)明文獻(xiàn)[2]方法和文獻(xiàn)[3]方法并不能快速檢出變工況滾動(dòng)軸承異常狀態(tài),即檢測(cè)效率低。經(jīng)上述對(duì)比可知,本文方法針對(duì)變工況滾動(dòng)軸承異常狀態(tài)的檢測(cè)效率明顯優(yōu)于傳統(tǒng)方法。因?yàn)楸疚姆椒ń?jīng)過(guò)局部切空間排列法降維處理滾動(dòng)軸承數(shù)據(jù)后,加快了后續(xù)異常特征提取及尋找子特征分類(lèi)區(qū)域的計(jì)算過(guò)程,進(jìn)而縮短了早期異常檢測(cè)點(diǎn)的檢出時(shí)間。

4 結(jié)語(yǔ)

近年來(lái),機(jī)械設(shè)備的運(yùn)作原理變得越來(lái)越復(fù)雜,滾動(dòng)軸承的異常狀態(tài)檢測(cè)也成為復(fù)雜工作環(huán)境下的重要研究課題。為此,本研究基于深度置信網(wǎng)絡(luò)設(shè)計(jì)了一種變工況滾動(dòng)軸承異常狀態(tài)檢測(cè)方法,并取得了較好的應(yīng)用效果。

在未來(lái)的研究中,如何在保證變工況滾動(dòng)軸承異常狀態(tài)檢測(cè)性能的同時(shí),對(duì)變工況滾動(dòng)軸承異常狀態(tài)檢測(cè)過(guò)程實(shí)時(shí)監(jiān)控,將是研究人員工作的重點(diǎn)。