馬 波 鄭凡帆

(北京化工大學 1.發(fā)動機健康監(jiān)控及網(wǎng)絡(luò)化教育部重點實驗室； 2.機電工程學院， 北京 100029)

引 言

往復機械、航空發(fā)動機、大型風電裝備等復雜機械設(shè)備在石油開采、煉油化工、航空、電力等領(lǐng)域中占據(jù)重要地位。為保證其安全運行，避免重大損失，必須建立精準的預(yù)警方法。目前，企業(yè)中多數(shù)該類機械設(shè)備已安裝了在線監(jiān)測系統(tǒng)，但大多采用單特征值固定門限報警法，其缺點是：①報警閾值由企業(yè)提供并預(yù)先設(shè)定到監(jiān)測系統(tǒng)中，當機組報警時故障已經(jīng)惡化到一定程度，無法實現(xiàn)早期預(yù)警；②復雜機械設(shè)備激勵源多、傳遞路徑復雜，振動信號呈非平穩(wěn)性和非線性的特點，難以用單一特征表征復雜機械設(shè)備的運行狀態(tài)[1-2]。

為解決現(xiàn)有單特征值門限預(yù)警法的不足，一部分學者從信號處理角度入手，利用小波包分解[3-4]、經(jīng)驗?zāi)B(tài)分解[5]、階比跟蹤[6]、希爾伯特變換[7]等方法提取具備更強表征能力的特征。然而，這些方法提取的故障特征不能保證對所有故障類型都敏感，還需根據(jù)實際故障類型，結(jié)合豐富的工程實踐經(jīng)驗并綜合考慮多種特征參數(shù)，才能取得較好的效果。近年來，深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)等深度學習方法得到極大的發(fā)展[8]，由于這些方法能夠自適應(yīng)地學習特征，有效避免傳統(tǒng)信號處理方法在故障特征提取中存在的問題，被逐步應(yīng)用于設(shè)備故障預(yù)警與診斷工作中。Jia等[9]使用深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對齒輪傳動系統(tǒng)的準確診斷；Zhang等[10]針對振動信號設(shè)計了一種“第一層寬卷積神經(jīng)網(wǎng)絡(luò)”，并在軸承故障診斷中取得了較好的效果。但這些方法均為有監(jiān)督學習模型，模型的訓練需建立在故障樣本較為完備的基礎(chǔ)上，實際工程應(yīng)用難度較大。因此，降噪自動編碼器(denoising autoencoder，DAE)這種基于無監(jiān)督學習模型提取故障特征的方法得以發(fā)展。DAE的訓練無需類別標注，只需尋找出數(shù)據(jù)自身隱含的特征信息[11]，采用正常樣本進行訓練；同時DAE也屬于深度學習模型，通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，經(jīng)由多層的非線性變換將高維的輸入信息組合成高階抽象的低維特征[12]，再通過對訓練數(shù)據(jù)加噪來訓練模型還原原始輸入的能力，從而一定程度上降低環(huán)境擾動的影響，增強特征的魯棒性[13]。

本文基于DAE自適應(yīng)提取故障特征和無監(jiān)督訓練的特性，僅使用歷史正常樣本來訓練DAE模型，學習出歷史正常樣本的特征集合并計算特征基準與報警閾值，同時保留DAE編碼網(wǎng)絡(luò)作為特征自學習模型；然后將監(jiān)測數(shù)據(jù)輸入特征自學習模型得編碼特征，再度量其與基準的距離并與報警閾值對比，發(fā)現(xiàn)設(shè)備故障早期的微弱征兆，實現(xiàn)提前預(yù)警。

1 理論背景

1.1 降噪自動編碼器

自動編碼器(autoencoder, AE)是一種無監(jiān)督神經(jīng)網(wǎng)絡(luò)，分為編碼網(wǎng)絡(luò)與解碼網(wǎng)絡(luò)兩個部分，其結(jié)構(gòu)如圖1所示。AE的輸入層和輸出層相同，通過編碼網(wǎng)絡(luò)可將原始數(shù)據(jù)轉(zhuǎn)化為低維編碼矢量，并經(jīng)過解碼網(wǎng)絡(luò)的解碼重構(gòu)將其變換為原始數(shù)據(jù)。由于在輸出層實現(xiàn)了信號重構(gòu)，可將編碼矢量視為原始數(shù)據(jù)的一種特征表示[14]。

圖1 AE的模型結(jié)構(gòu)Fig.1 The structure of the AE

機械設(shè)備運行環(huán)境干擾因素較多且工況變化復雜，導致相同健康狀態(tài)下的樣本有所波動。因此，本文采用DAE向原始訓練樣本添加含有一定統(tǒng)計特性的噪聲，使之成為“受損”樣本，然后對“受損”樣本進行編碼并重構(gòu)。若重構(gòu)樣本與原始樣本高度相似，則表明模型能夠降低微小隨機擾動的影響，學習出魯棒性特征[13]。

(1)

(2)

式中，af、ag為編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的激活函數(shù)，θ={W,b}、θ′={W′,b′}分別為編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的參數(shù)集合，W、b分別為編碼網(wǎng)絡(luò)的權(quán)重和偏置，W′、b′分別為解碼網(wǎng)絡(luò)的權(quán)重和偏置。DAE通過最小化重構(gòu)數(shù)據(jù)m與原始數(shù)據(jù)xm的均方誤差L(m,xm)，使網(wǎng)絡(luò)參數(shù)到達最優(yōu)。均方誤差公式為

(3)

式中，M為訓練樣本集的樣本數(shù)量。

1.2 JS散度

Jensen-Shannon(JS)散度[15]用于衡量兩個不同分布之間的差異，它是對Kullback-Leibler(KL)散度的改進，KL散度公式如下

(4)

式中，p可視為特征基準分布，q可視為實時監(jiān)測數(shù)據(jù)的編碼特征分布，n為特征的維度。對KL散度改進后得到JS散度

(5)

本文采用JS散度作為距離度量指標。

2 模擬實驗

2.1 數(shù)據(jù)分析

圖2 CWRU滾動軸承實驗臺示意圖Fig.2 CWRU rolling bearing test bench

為了適應(yīng)工程現(xiàn)場的復雜環(huán)境，需確保所提方法能夠區(qū)分正常樣本特征與任意故障狀態(tài)下的特征，并降低工況變化及環(huán)境噪聲的干擾，實際工程應(yīng)用中能采集到的故障樣本類別往往較為單一，因此采用凱斯西儲大學(CWRU)滾動軸承數(shù)據(jù)中心的軸承數(shù)據(jù)集進行驗證。CWRU軸承數(shù)據(jù)中心的采集系統(tǒng)如圖2所示。

實驗對象為圖中的A-A′截面所示的滾動球軸承SKF6205，該軸承包含滾動體損傷、外圈損傷和內(nèi)圈損傷，損傷直徑分別為0.177 8 mm、0.355 6 mm和0.533 4 mm，共計9種故障。將通道16的加速度傳感器垂直固定在電機輸出軸支撐軸承上方的殼上采集數(shù)據(jù)，采樣頻率12 kHz。實驗準備了3類數(shù)據(jù)集，每一類數(shù)據(jù)集的工況詳情見表1。

3種工況下的正常樣本頻譜如圖3所示?？梢钥闯?，不同工況下的正常樣本頻譜也存在著一定差異，本文方法旨在學習出魯棒性特征，盡可能消除變工況及環(huán)境干擾的影響。

表1 工況詳情

圖3 不同工況下的正常頻譜圖Fig.3 Examples of normal spectra under different conditions

2.2 模擬及結(jié)果分析

模擬采用的DAE網(wǎng)絡(luò)參數(shù)如表2所示。表中，輸入層和輸出層的節(jié)點數(shù)為一組頻譜的數(shù)據(jù)點數(shù)1 024，輸入層、隱含層1和2構(gòu)成了編碼網(wǎng)絡(luò)，隱含層2、3和輸出層構(gòu)成了解碼網(wǎng)絡(luò)，隱含層2的2個神經(jīng)元節(jié)點為所求特征。

表2 用于軸承實驗的DAE網(wǎng)絡(luò)參數(shù)

圖4 DAE方法與SAE方法學習的特征對比Fig.4 Comparison of the characteristics learned by DAE and SAE

取3類工況的各4 460組正常樣本頻譜作為訓練集，所有健康狀態(tài)頻譜數(shù)據(jù)各1 160組作為測試集，迭代訓練收斂后，利用DAE的編碼網(wǎng)絡(luò)部分學習出測試集的特征如圖4(a)所示；為進一步驗證本文方法具備抗變工況干擾的能力，采用文獻[16]提出的稀疏自編碼(sparse autoencoders，SAE)方法，使用同樣的網(wǎng)絡(luò)結(jié)構(gòu)進行對比實驗，學習出的測試集特征如圖4(b)所示。由圖4(a)可以看出，測試集中正常樣本的特征(標簽0)可以區(qū)別于任意故障狀態(tài)下的特征(標簽1～9)，為實現(xiàn)準確預(yù)警故障提供了保障。

由圖4(b)可以看出，對比方法學習出的正常樣本特征明顯分為3部分，且未完全與故障特征區(qū)分開，無法實現(xiàn)準確預(yù)警。這是由于本文方法在訓練樣本中添加了具備一定統(tǒng)計特性的噪聲，訓練DAE將“受損”的訓練樣本近似還原到初始狀態(tài)，使模型學習更具魯棒性。而SAE不具備DAE的機制，導致其學習到的特征始終都含有與工況、環(huán)境噪聲相關(guān)的信息，正常狀態(tài)下的特征產(chǎn)生明顯波動，無法完整區(qū)分出正常狀態(tài)和故障狀態(tài)。

3 工程應(yīng)用驗證

3.1 工程現(xiàn)場數(shù)據(jù)簡介

由于CWRU軸承實驗臺的軸承損傷為人為制造，而實際工程中的設(shè)備從正常運行到發(fā)生嚴重故障期間存在劣化過程，故障征兆較為微弱。因此，還需通過實際工程應(yīng)用的案例來驗證本文方法對微弱故障征兆的識別能力。

選取某4缸往復壓縮機為實驗對象，其振動信號監(jiān)測傳感器的測點布局如圖5所示。振動信號由加速度傳感器和速度傳感器進行采集，加速度傳感器安裝在十字頭上方的中體測點處，速度傳感器安裝在曲軸箱殼體上，實驗采用的數(shù)據(jù)為加速度傳感器信號。

圖5 測點布局Fig.5 Layout of the sensor

3.2 故障預(yù)警方法

針對往復式壓縮機的故障預(yù)警工作，提出一套標準化流程，具體如下。

(1)數(shù)據(jù)預(yù)處理

獲取多個測點的歷史正常頻譜樣本集X，并根據(jù)各個測點頻譜數(shù)據(jù)的極值分別進行歸一化處理。相應(yīng)公式如下

(6)

(2)特征自學習模型構(gòu)建

(3)報警閾值計算

利用編碼網(wǎng)絡(luò)，計算歸一化處理后的正常樣本集X′的特征集Z，并計算其均值z0作為基準；計算特征集Z中每一元素z與z0的距離，統(tǒng)計距離的方差σ，并以3σ作為報警閾值Th。

(4)故障預(yù)警

將待測樣本xt根據(jù)流程(1)中的歸一化標準進行歸一化處理，然后輸入到特征自學習模型M中學習出特征z′t并計算其與基準特征z0的距離d，若d超過閾值Th，則觸發(fā)報警；若低于閾值，則獲取下一待測樣本，進入下一報警流程。

圖6 故障預(yù)警流程圖Fig.6 Fault early warning process

故障預(yù)警流程如圖6所示。

3.3 驗證結(jié)果與分析

實驗中采用的DAE網(wǎng)絡(luò)參數(shù)如表3所示。輸入層和輸出層的節(jié)點數(shù)為一組往復壓縮機頻譜信號的采樣點數(shù)，輸入層及隱含層1、2、3構(gòu)成編碼網(wǎng)絡(luò)，隱含層3、4、5和輸出層構(gòu)成解碼網(wǎng)絡(luò)，隱含層3的5個神經(jīng)元節(jié)點為所求特征。

表3 用于往復壓縮機實驗的DAE網(wǎng)絡(luò)參數(shù)

采用歷史正常頻譜來訓練DAE模型，迭代訓練收斂后，保留編碼網(wǎng)絡(luò)部分作為特征自學習模型，并計算歷史正常頻譜的特征集合、基準特征及報警閾值，最后取待測頻譜樣本進行狀態(tài)預(yù)警。

選取發(fā)生了活塞組件磨損、氣閥泄露以及液擊故障的3臺往復壓縮機組作為研究對象，其預(yù)警結(jié)果如圖7所示。可以看出，無論發(fā)生何種故障，利用本文方法的報警系統(tǒng)都在故障發(fā)生前及時發(fā)現(xiàn)了異常狀態(tài)，實現(xiàn)了提前預(yù)警。而現(xiàn)場報警系統(tǒng)采用的單特征值門限報警法無法準確判斷故障發(fā)生前劣化過程的微弱征兆，最終導致故障發(fā)生。

作為對比，采用文獻[17]中的峰值、偏度、歪度、峭度等時域和頻域特征組合作為預(yù)警指標，按3.2節(jié)中的故障預(yù)警流程進行實驗，預(yù)警結(jié)果如圖8所示?？梢钥闯?，對比方法的報警時間點滯后于本文方法，且無法準確反映設(shè)備的劣化趨勢。這是由于對比方法采用相同的特征組合對不同故障進行預(yù)警，難以及時發(fā)現(xiàn)所有故障發(fā)生早期的微弱征兆；而本文方法的預(yù)警原理與故障類型無關(guān)，故具備更強的通用性。

圖7 本文方法對不同故障的預(yù)警結(jié)果Fig.7 The early warning results of different faults obtained using our method

圖8 對比方法對不同故障的預(yù)警結(jié)果Fig.8 Comparison of early warning results for different faults obtained using different method

4 結(jié)論

(1)分析了復雜機械的振動信號特性，針對現(xiàn)有預(yù)警方法的不足提出了一種基于DAE的故障早期預(yù)警方法，該方法無需故障樣本參與訓練，具備較高的工程應(yīng)用價值。

(2)本文方法能夠區(qū)分正常樣本特征與任意故障樣本特征，并降低變工況和環(huán)境噪聲的影響，可為實現(xiàn)故障預(yù)警提供前提保障。

(3)本文方法能通過度量設(shè)備待測樣本編碼特征與正常樣本特征基準的距離，發(fā)現(xiàn)設(shè)備劣化階段的微弱征兆，實現(xiàn)在故障發(fā)生前預(yù)警，從而提高了應(yīng)變能力，降低了故障損失。