基于深度殘差網絡算法的減速器故障診斷研究

摘 要：為了進一步提高對機床不同故障的分類準確率，設計一種深度殘差網絡。通過對機床振動測試試驗臺信號預處理分析，優化網絡結果并進行故障診斷對比分析。研究結果表明：訓練集處理可以使準確率收斂至100%，表明模型沒有發生欠擬合情況；測試準確率達到了98.2%以上，表現出非常有益的泛化效果。當行數比列數更少時，隨著兩者差異的增加，模型的分類準確率顯著降低；行數超過列數后，模型達到了更高的分類準確率并保持相對穩定的狀態。泛用性驗證表明，采用殘差網絡模型進行滾動軸承信號分類時也可以獲得99.51%的準確率。CNN網絡比淺層模型表現出了更強的識別性能。ShortCut結構具備明顯優越性，有助于網絡具備更強識別能力。

關鍵詞：機床；殘差網絡；故障診斷；振動信號

中圖分類號：TH132.46" 文獻標志碼：A" 文章編號：1671-5276（2024）05-0140-04

Research on Retarder Fault Diagnosis Based on Deep Residual Network Algorithm

Abstract：In order to improve the classification accuracy of different faults of machine tools， a deep residual network is designed. Through the signal preprocessing analysis of the machine tool vibration test bench， the network results are optimized and the fault diagnosis is compared and analyzed. The results show that the training set processing can make the accuracy converge to 100%， indicating that the model does not underfit. The test accuracy reaches more than 98.2%， showing a very beneficial generalization effect. When the number of rows is smaller than the of columns， the classification accuracy of the model decreases significantly with the increase of the difference between them. When the number of rows exceeds the one of columns， the model achieves higher classification accuracy and remains relatively stable. The universality verification shows that the residual network model can also achieve 99.51% accuracy in the classification of rolling bearing signals. The CNN network shows stronger recognition performance than the shallow model ResNet. ShortCut structure has obvious advantages， which helps the network to have stronger identification capability.

Keywords：machine tool; residual network; fault diagnosis; vibration signal

0 引言

減速器在汽車控制領域獲得了廣泛應用，已經成為動力系統的關鍵組成部件，但對其運行過程故障診斷方面的研究文獻還很少［1-5］。考慮到加速度振動信號內含有機械設備的故障特征，這使其成為故障分析的一項關鍵參考指標。胥永剛等［6］以雙樹復小波轉換以及SVM方法進行分析，結果發現對4種軸承故障識別時都實現了理想的性能。深度學習獲得更深入研究后，該方法也在故障診斷領域發揮了更大作用［7］。曾柯等［8］以SVM為基礎設計了一種雙子支持向量機的新模型，同時以該模型完成了齒輪箱不同故障模式的識別測試，獲得了比傳統SVM方法更高的分類準確性。陳保家等［9］在PSO-SVM中加入了最大重疊離散小波包變換邊際譜特征，之后對六齒輪故障模式進行了識別測試，發現可以達到98%的高準確率。戚曉利等［10］利用自適應復合多尺度排列熵特征進行了分析，同時利用改進特征降維方法以及灰狼群優化支持向量機來診斷行星齒輪故障。ALI等［11］以經驗模態分解方法準確實現了診斷軸承運行故障的過程，再與卷積網絡結合來識別開源故障數據，獲得了較理想的結果。其中，HE等［12］利用殘差網絡，相對CNN算法能夠對圖像數據進行更高效識別，同時顯著提升了分類精度。ZHAO等［13］綜合運用小波包轉換及殘差網絡進行齒輪運行故障識別。但上述文獻研究內容通常建立的是淺層模型，而很少有文獻關于深層模型的研究。

為了提升機床故障的分辨精度，本文為機床振動結構設置了4種機床故障信號，建立了減速系統的殘差網絡（residual network， ResNet）故障分類模型。

1 殘差網絡模型

采用殘差網絡進行分析具備下述優勢：1）能夠消除深層網絡模型在反向傳播期間面臨的梯度消散情況，使深層模型更快完成訓練過程；2）提升了實際訓練期間的模型收斂效率；3）不必設置全連接層，大幅減少參數數量［14］。

圖1所示為本文建立的殘差網絡模型。其中，卷積層數量為10。因數據集自身也存在一定的誤差，當設置過深網絡時將會造成誤差的明顯放大，無法獲得理想的訓練效果，此時需對網絡深度進行合理調節，從而確定最優層數。

1.1 激活函數

Relu函數屬于一類獲得廣泛使用的激活函數，對應表達式如下：

Relu（x）=max（0，x）（1）

可以利用Softmax函數實現多分類輸出，計算式如下：

式中：Si是第i類輸出樣本概率；xi是殘差網絡第i類樣本的輸出參數。

1.2 卷積層

卷積層內共含有4個參數，包括卷積核行數、列數、單次步長與卷積核個數。以二維輸入X為例，將步長設定在1，卷積計算式如下［15］：

式中：X為輸入矩陣；K為卷積核；m、n分別代表卷積核行、列值，圖2給出了計算表達式。

1.3 殘差塊

圖3為殘差塊分配圖，位于右邊的n值取決于網絡結構［16］。本文殘差網絡模型中包含了多種卷積層參數。

殘差塊卷積核為3，但在步長和卷積核的個數方面存在差異。在第2個殘差塊中利用步長為2的卷積核使輸入數據邊長降低至初始值的50%，從而大幅降低模型訓練所需的樣本個數。虛偽Block2的Shortcut建立步長為2卷積核輸出計算，能夠確保反向傳播期間，通過H（x）計算獲得梯度不接近0。

2 振動信號測試

2.1 系統結構

減速器振動信號測試實驗照片如圖4所示。振動信號測試系統由CZ-50型制動器、JN338-AE型轉矩傳感器、BCE94BK30型編碼器、20E型減速器和電機組成。為測試系統配備了伺服電機為機床提供驅動力，利用磁粉制動器進行加載后測試轉速與轉矩。表1所示為本文設置的測試參數。

2.2 傳感器安裝

以1C102型貼片加速度傳感器進行測試，達到20mV/（m/s2）的精度，其中，0～1 000Hz屬于有效頻率取值區間，測試量程介于0～100m/s2之間。利用膠水將傳感器固定在RV減速表面區域，之后對3個不同方向上形成的振動進行測試。結合測試臺的具體結構特點，本實驗根據水平軸向振動狀態對故障實施診斷。

3 結果討論

3.1 分類準確率

本文為各類工況設定了600個振動信號，以80%構成訓練集并測試其余樣本。根據以上方式得到的訓練集內訓練樣本數為100 800個，測試樣本數量為4 200個。各樣本都由1 024個樣本構成，堆疊形成32×32的二維集合。再以GTX1070Ti顯卡訓練殘差網絡，設定1個周期中包含200個迭代步驟，由此實現測試集準確率分析。圖5所示為分類準確率曲線，對應誤差曲線如圖6所示。按照學習率為0.001條件進行6 000步訓練，再把學習率設定為0.000 1。此時通過圖5和圖6可以看出，本文設計的殘差網絡的分類準確率與交叉熵損失均達到了快速收斂結果，表現出很高的運行效率。

繼續為殘差網絡實施交叉驗證計算，總共進行3次重復計算，得到如表2所示的結果。對訓練集進行處理可以使準確率收斂至100%，表明該模型沒有發生欠擬合的情況。本次測試的各項指標測試準確率都達到了98.2%以上，表現出了非常有益的泛化效果。

3.2 不同行列數的影響

在對信號各維度實施轉換計算時，由于不同堆疊模式信號處理會對殘差網絡卷積層內部結構造成影響，不同行數下分類準確率結果如表3所示。由表3可知，隨著行數的增加，整體分類準確率表現出增加的趨勢，行數增大能夠使分類精度增大至99.08%。各類堆疊方式將會引起殘差網絡模型預測精度明顯改變。當行數比列數更少時，隨著兩者差異的增加，模型分類準確率降低；行數超過列數后，模型達到了更高的分類準確率并保持相對穩定的狀態。因此，建立模型時可選擇行列數作為模型的優化指標。

3.3 泛用性驗證

雖然可以利用殘差網絡模型進行機床故障的準確分類，但該模型也面臨著一定限制。為了對本文設計的殘差網絡模型進行適應性驗證，對不同類型的減速器振動故障信號開展識別測試，進行數據集處理時采用與機床故障信號相同形式。

減速器振動信號故障分類準確率結果如表4所示。按照表4交叉驗證方法可以發現，采用殘差網絡模型進行減速器信號分類進行訓練和測試時，訓練結果達到了100%，測試準確率結果均在99.51%以上，表明該殘差網絡模型滿足優異泛用性能，該網絡模型對各類對象與振動信號都可以準確識別和分類。

3.4 與其他方法效果對比

5次測試后形成的不同模型下分類準確率結果如表5所示。以本文減速器振動故障信號進行測試，CNN模型下得到分類準確率只有70%左右，而以DNN模型進行分類時則可以獲得86.7%的準確率。與神經網絡模型DNN相比，采用深度學習模型則可以完成減速器故障的精確識別。同時發現，CNN網絡比淺層模型ResNet表現出了更強識別性能。比較殘差網絡和CNN分類準確率發現，以殘差網絡處理時可以使分類準確率提升20個百分點以上，該殘差網絡結構具備明顯優越性。

4 LDA降維分析

將平均池化層輸出看成是通過殘差網絡提取獲得的特征，共包含512維數據。考慮到其維數超過3，因此需對數據實施降維。殘差網絡LDA降維分類結果如表6所示。根據表6可知，復合故障中包含了更多分類錯誤。2、4類型中雖然含有擺線輪故障，但此類故障較易被準確識別，在實際分類過程中只形成了少數的分類錯誤。0、1類別中含有分類錯誤可能是因為測試臺結構影響使測試臺振動對行星輪造成了干擾，由此形成噪聲信號，導致分類結果出現錯誤。總體而言，實際故障情況存在諸多的影響因素，高維狀態下信號很難診斷，因此降維很有必要，LDA降維表現出了很高的精度。

5 結語

1）訓練集處理可以使準確率收斂至100%，表明模型沒有發生欠擬合情況；測試準確率都達到了98.2%以上，表現出了非常有益的泛化效果。

2）當行數比列數更少時，隨著兩者差異的增加，模型分類準確率顯著降低；行數超過列數后，模型達到了更高的分類準確率并保持相對穩定的狀態。

3）泛用性驗證表明，采用殘差網絡模型進行滾動軸承信號分類時也可以獲得99.51%的準確率。

4）CNN網絡比淺層模型ResNet表現出了更強識別性能。ShortCut結構具備明顯優越性，有助于網絡具備更強識別能力。

參考文獻：

［1］ 張小麗，陳雪峰，李兵，等. 機械重大裝備壽命預測綜述［J］. 機械工程學報，2011，47（11）：100-116.

［2］ 何衛東，李力行，徐永賢，等. 高精度RV傳動的受力分析及傳動效率［J］. 機械工程學報，1996，32（4）：104-110.

［3］ 張大衛，王剛，黃田，等. RV減速機動力學建模與結構參數分析［J］. 機械工程學報，2001，37（1）：69-74.

［4］ 陳李果，彭鵬，汪久根，等. RV減速器試驗裝置研制及測試分析［J］. 機械傳動，2017，41（11）：92-96.

［5］ ROCCHETTA R，BROGGI M，HUCHET Q，et al. On-line Bayesian model updating for structural health monitoring［J］. Mechanical Systems and Signal Processing，2018，103：174-195.

［6］ 胥永剛，孟志鵬，陸明. 基于雙樹復小波包變換和SVM的滾動軸承故障診斷方法［J］. 航空動力學報，2014，29（1）：67-73.

［7］ 申中杰，陳雪峰，何正嘉，等. 基于相對特征和多變量支持向量機的滾動軸承剩余壽命預測［J］. 機械工程學報，2013，49（2）：183-189.

［8］ 曾柯，柏林. 齒輪箱故障非線性特征測度及狀態TWSVM辨識研究［J］. 振動與沖擊，2018，37（15）：179-184，198.

［9］ 陳保家，黃偉，李立軍，等. 最大重疊離散小波包變換邊際譜特征在齒輪故障診斷中的應用［J］. 西安交通大學學報，2020，54（2）：1-9.

［10］ 戚曉利，王振亞，吳保林，等. 基于ACMPE、ISSL-Isomap和GWO-SVM的行星齒輪箱故障診斷［J］. 航空動力學報，2019，34（4）：744-755.

［11］ ALI J B，FNAIECH N，SAIDI L，et al. Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals［J］. Applied Acoustics，2015，89：16-27.

［12］ HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas，NV，USA： IEEE，2016：770-778.

［13］ ZHAO M H，KANG M，TANG B P，et al. Deep residual networks with dynamically weighted wavelet coefficients for fault diagnosis of planetary gearboxes［J］. IEEE Transactions on Industrial Electronics，2018，65（5）：4290-4300.

［14］ 謝祥穎，劉虎，王棟，等. 基于深度殘差網絡的光伏故障診斷模型研究［J］. 計算機工程與科學，2021，43（12）：2223-2230.

［15］ 徐卓飛，武麗花，黃卿，等. 基于深度殘差網絡的滾動軸承故障診斷方法［J］. 機械設計與研究，2021，37（3）：78-83.

［16］ 彭彬森，夏虹，王志超，等. 深度神經網絡在滾動軸承故障診斷中的應用［J］. 哈爾濱工業大學學報，2021，53（6）：155-162.