機電設備中智能故障檢測診斷技術的運用

高 寒

(合肥工大共達工程檢測試驗有限公司,合肥 230051)

水利工程飛速發展,開展機電設備自動化運維勢在必行。基于水利工程機電設備系統的特點,傳統的故障檢測診斷技術受到限制,整體應用效果較差,不能滿足發展需求。基于DBN模型結構智能故障診斷技術,以人工智能技術為基礎構建KPCA-DBN模型,開展自動化故障分類、診斷分析,提升故障診斷精度,為提升水利工程機電設備故障運維質量奠定基礎。

1 基于DBN結構的智能故障檢測診斷技術

DBN是由眾多玻爾茲曼機(Restricted Boltzmann Machine)組成的神經網絡,故DBN訓練在一定意義上也是玻爾茲曼機訓練。多玻爾茲曼機的隱層及可視層均是神經網絡,兩者功能不同,其中可視層主要負責接收輸入,隱層用于提取數據特征,兩者在神經網絡系統內部沒有直接接觸,但通過神經網絡wji可實現可視層與隱層的連接。多玻爾茲曼機訓練是實現最小化能量函數,通過調節神經網絡結構參數實現優化神經網絡系統的作用,增加重構的可視層與真實值相同概率[1]。

通過堆積多個多玻爾茲曼機組成DBN神經網絡,在進行無監督訓練期間,最下層的多玻爾茲曼機接收原始數據,逐漸向上訓練,每層輸出的數據直接進入下一層,直達計算至最高層,最低層原始數據信息轉化為具有高層特點的數據。在這一訓練模式下,DBN模型的最高層添加特征數據,通過傳統的誤差反向傳播算法實現對神經網絡的有效監督,優化網絡調試訓練,通過權重及偏置調整擬合特征數據的屬性,提升DBN診斷模型分類的準確性[2]。

2 基于KPCA—DBN的水利機電設備滾動軸承故障診斷

采用實驗驗證方式對水利機電設備滾動軸承故障進行KPCA—DBN智能故障檢測診斷,進一步驗證DBN模型應用的有效性。以KPCA為載體獲取數據源非線性特征,基于水利機電設備滾動軸承與振動信號樣本進行矩陣極端,基于數據信息提出KPCA—DBN智能故障檢測診斷。研究KPCA—DBN模型中的σ、貢獻率、dropout等元素對診斷性能的影響,并將正確的故障數據與KPCA—DBN模型檢測數據進行對比,驗證KPCA—DBN模型智能故障檢測診斷的可行性[3]。

2.1 基于KPCA—DBN的機電設備滾動軸承故障診斷

KPCA特征提取模塊。原始振動信號數據空間映射到特征空間,以KPCA進行水利機電設備特征提取,分析滾動軸承振動信號中的運行特征,通過KPCA非線性特征保留及降維特點,將滾動軸承與振動信號m劃分為樣本X:

非線性映射函數將水利滾動軸承設備故障特征轉化到特征空間中,通過核函數映射提取特征空間的平均值0,進而得出矩陣K:

核矩陣的簡化計算。KPCA—DBN模型以高斯核函數K為基礎,將數據代入公式中,開展核矩陣計算:

其中,σ2代表高斯核函數參數,‖x-xi‖2表示距離,兩者直接影響KPCA—DBN模型特征提取。需結合實際情況,保證數據參數選擇的合理性[4]。

為了降低KPCA矩陣計算開銷,利用MATLAB提升矩陣計算速度,將K值代入矩陣公式中,對水利滾動軸承時域振動樣本兩相進行計算,如下:

‖xi-xj‖2=(xi1-xj1)2+(xi2-xj2)2

+…+(xin-xjn)2

因此使用高斯核函數時,對振動信號矩陣X產生的影響如下:

k(X,X)=2XXT-S-ST

S=[S1…S1]∈Rm×m

利用高斯核函數對水利繼電滾動軸承原始特征空間進行映射,并在特征空間中完成數據處理[5]。數據處理期間及時調整矩陣結構,計算得出Kμj:

Kμj→K-ImK-KIm-ImKIm

2.2 整體算法

水利繼電設備滾動軸承智能故障檢測診斷嚴格按照圖1流程開展。

圖1 KPCA—DBN模型的滾動軸承故障診斷流程Fig.1 Fault diagnosis flow of rolling bearing based on KPCA—DBN model

2.3 實驗數據集處理

為了保證智能故障檢測診斷質量,提升實驗數據處理重視程度,數據主要為軸承數據中心振動軸承信號數據,如表1所示。樣本數據在不同轉速獲取,數據集E、F分被代表12 000、12 120數目。

表1 數據集E和數據集F的描述

通過KPCA—DBN模型對數據集E、F進行故障檢測診斷分析。以7∶3的比例劃分數據集E,得到8400×s訓練集及3600×s訓練集,3∶1比例下得到數據集F,得到9090×s訓練集及3030×s測試集。將其輸入DBN模型中,獲得完整的KPCA—DBN模型[6]。

2.4 實驗及結果分析

在水利機電設備滾動軸承KPCA—DBN模型故障診斷中,DBN模型包含兩個RBM,節點為s。實驗硬件設備包括發動機、扭矩傳感器、動力發電機等,超參數設置如表2所示。選取高斯函數40、貢獻率89%等,將KPCA—DBN模型代入數據集E中進行故障診斷,將數據集E進行KPCA數據處理后得出數據分散點圖,利用點圖區分數據集E故障數據信息。

表2 KPCA—DBN超參數設置

數據處理完成后,將數據劃分到不同的數據集中,再將數據信息輸入到DBN模型中進行統一訓練,最終完成KPCA—DBN模型故障診斷。數據集E數據診斷結果如表3。

表3 不同方法分類正確率

2.5 σ對KPCA—DBN模型故障診斷的影響

實驗發現,高斯核函數對KPCA—DBN模型故障診斷有一定的影響,當累積貢獻值達到89%、dropout等于0.1且其他條件相同時,僅改變高斯核函數,KPCA—DBN模型故障診斷數據如表4所示。在KPCA數據處理期間,數據集的緯度與高斯核函數關系密切,高斯核函數值變大,數據集緯度減小,當高斯函數上漲5%時,數據集緯度由158萎縮至129,故障檢測診斷精準度也會受到影響。

表4 不同高斯核函數下KPCA—DBN故障診斷正確率

當高斯核函數取36時,數據集緯度為151,KPCA—DBN模型故障診斷數據精度降至最低59.02%。當高斯核函數取39時,KPCA—DBN模型故障診斷數據精度為70.29%。而當高斯核函數取35時,KPCA—DBN模型故障診斷數據精度高達99.42%,診斷數據精度較高,更加貼近水利機電設備滾動軸承實際故障問題。

3 結束語

隨著智能化技術的發展,水利工程機電設備故障運維區域實現了智能化發展,利用人工智能代替傳統人工處理,提升了機電設備故障處理效果。以KPCA—DBN模型為水利工程機電設備智能故障檢測載體,按照矩形計算,可減少水利機電設備滾動軸承故障數據誤差,推動水利工程機電設備故障智能檢測診斷的發展。