賴華友

(江西銅業(yè)集團(tuán)有限公司 德興銅礦，江西 德興市，334224)

0 前言

近年來隨著我國科技的快速發(fā)展，大量新型技術(shù)涌入工業(yè)、制造業(yè)，傳統(tǒng)的機(jī)械設(shè)備逐漸被智能化、集成化和綜合化的精密機(jī)械產(chǎn)品所取代[1]。但這類機(jī)械設(shè)備面臨工作環(huán)境、部件損耗與人為操作不當(dāng)?shù)惹闆r時，易導(dǎo)致巨大的經(jīng)濟(jì)損失和嚴(yán)重的社會影響[2]。長江三峽工程中一塔吊機(jī)由于底座軸承選型、焊接不當(dāng)而發(fā)生嚴(yán)重倒塌事件，導(dǎo)致3 人死亡，30 余人受傷[3]。因此，針對精密機(jī)械設(shè)備中易發(fā)生故障的關(guān)鍵部件開展實(shí)時狀態(tài)監(jiān)測和故障診斷分析能夠保證設(shè)備安全穩(wěn)定運(yùn)行，提高經(jīng)濟(jì)效益[4]。

由于礦山設(shè)備工作環(huán)境特殊，機(jī)械設(shè)備長期處于這種環(huán)境下工作，極易產(chǎn)生故障。例如機(jī)械鉆頭、滾動軸承等在強(qiáng)應(yīng)力、易腐蝕環(huán)境下，在持續(xù)工作中易引發(fā)機(jī)械設(shè)備故障，若未對故障進(jìn)行及時有效的處理，將為安全、穩(wěn)定生產(chǎn)帶來較大隱患[5]。而滾動軸承作為礦山機(jī)械設(shè)備中的重要部件之一，主要由內(nèi)圈、外圈、滾動體和保持架這4 部分組成，起到支撐和傳遞載荷的作用，具有工作效率高、摩擦阻力小、裝配方便的優(yōu)點(diǎn)[6?7]。但是，極度惡劣的工作狀況使得滾動軸承成為礦山機(jī)械設(shè)備最容易發(fā)生故障的部件。大量數(shù)據(jù)表明，軸承工作失效而導(dǎo)致的機(jī)械設(shè)備故障的情況約占30%[8]。滾動軸承的健康狀態(tài)與機(jī)械設(shè)備的工作性能密切相關(guān)，一旦出現(xiàn)故障，輕則會影響生產(chǎn)效率和質(zhì)量，重則會導(dǎo)致嚴(yán)重的生產(chǎn)事故。因此，對礦山機(jī)械設(shè)備的軸承開展故障診斷和狀態(tài)監(jiān)測，一方面能夠保持其在監(jiān)測狀態(tài)下的良好運(yùn)行狀態(tài)，另一方面在軸承故障診斷技術(shù)的支持下，能夠?qū)崿F(xiàn)對礦上機(jī)械設(shè)備運(yùn)行故障的科學(xué)處理，減少電鏟、挖掘機(jī)、推土機(jī)等礦山設(shè)備運(yùn)行中可能存在的安全隱患，確保維修方式由事后維修轉(zhuǎn)為事前維護(hù)，降低維修費(fèi)用，延長設(shè)備運(yùn)行壽命。

1 礦山設(shè)備故障診斷技術(shù)

1.1 主觀診斷技術(shù)

主觀診斷技術(shù)主要依靠操作者豐富的工作經(jīng)驗(yàn)和扎實(shí)的理論知識來分析、判斷機(jī)械設(shè)備發(fā)生故障可能的位置和原因。采用主觀診斷技術(shù)一定程度上能夠節(jié)約設(shè)備維修前所需的儀器檢查、分析的維修時間[9]。但是診斷效果常常受限于操作者的個人能力，需要操作者對礦山機(jī)械設(shè)備的故障情況、運(yùn)行狀態(tài)有很好的掌握。同時，由于采用主觀診斷技術(shù)進(jìn)行故障診斷時，通常采用肉眼觀察等人力方法，一些特征表現(xiàn)細(xì)微的故障容易被忽略，難以對復(fù)雜的礦山機(jī)械設(shè)備故障進(jìn)行準(zhǔn)確判斷。因此，主觀診斷技術(shù)常與智能診斷技術(shù)和儀器診斷技術(shù)配合使用[10]。

1.2 儀器診斷技術(shù)

儀器診斷技術(shù)主要利用先進(jìn)的診斷儀器對機(jī)械設(shè)備進(jìn)行故障診斷，一旦機(jī)械設(shè)備發(fā)生故障，采用相關(guān)儀器對設(shè)備的機(jī)電組件進(jìn)行監(jiān)測后，將監(jiān)測結(jié)果與設(shè)備出廠時設(shè)定的波動閾值相比對，確認(rèn)設(shè)備是否發(fā)生故障以及故障類型[11]。儀器診斷技術(shù)剛出現(xiàn)時主要針對輕微故障診斷，當(dāng)主觀診斷法存在限制時，用以彌補(bǔ)其缺陷。但隨著科技水平的不斷提高，診斷設(shè)備逐漸趨于全面，診斷精度逐漸提高[12]，該技術(shù)將會在礦山設(shè)備故障診斷和維修中起到重要作用。

1.3 數(shù)學(xué)模型診斷技術(shù)

數(shù)學(xué)模型診斷技術(shù)在應(yīng)用時，首先根據(jù)相關(guān)數(shù)學(xué)知識和設(shè)備運(yùn)行原理，再結(jié)合實(shí)際生產(chǎn)環(huán)境和設(shè)備運(yùn)行數(shù)據(jù)，構(gòu)建合理、可靠、有效的機(jī)械設(shè)備數(shù)學(xué)模型。模型建立后，對模型的標(biāo)準(zhǔn)數(shù)據(jù)和實(shí)際數(shù)據(jù)進(jìn)行對比，確定是否存在故障。數(shù)學(xué)模型建模耗時較長，便攜性較弱[13]，但其診斷技術(shù)的可靠性比儀器診斷技術(shù)更強(qiáng)，一旦構(gòu)建好科學(xué)的模型后，能夠?qū)υO(shè)備故障提供有效快速的診斷，進(jìn)而及時提出準(zhǔn)確的處理方法。

1.4 智能診斷技術(shù)

隨著人工智能、機(jī)器學(xué)習(xí)的迅猛發(fā)展，智能診斷技術(shù)在許多領(lǐng)域已經(jīng)取得了很好的應(yīng)用。隨著礦山機(jī)械設(shè)備的高度集成化、信息化與智能化，在設(shè)備運(yùn)行時常常能夠獲取大量監(jiān)測數(shù)據(jù)。采用智能診斷技術(shù)，結(jié)合設(shè)備實(shí)際運(yùn)行情況和運(yùn)行數(shù)據(jù)，建立完善而科學(xué)的故障診斷系統(tǒng)，根據(jù)診斷系統(tǒng)進(jìn)行相關(guān)數(shù)據(jù)的比較和分析，及時確定故障類型?，F(xiàn)有智能診斷方法包括專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊診斷法等[14?15]。而神經(jīng)網(wǎng)絡(luò)憑借其非線性映射能力強(qiáng)，自學(xué)習(xí)能力高且對先驗(yàn)知識低等優(yōu)點(diǎn)在故障診斷領(lǐng)域得到廣泛應(yīng)用，因此本文針對機(jī)械設(shè)備軸承故障重點(diǎn)介紹卷積神經(jīng)網(wǎng)絡(luò)方法。

2 卷積神經(jīng)網(wǎng)絡(luò)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

20 世紀(jì)60 年代，Hubel 和Wiesel[16]研究貓腦皮層中感受視野的神經(jīng)元在處理圖像時，每一段神經(jīng)元只負(fù)責(zé)處理一小塊區(qū)域的視覺圖像，這種特殊的網(wǎng)絡(luò)結(jié)構(gòu)可以有效降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性?；谶@種網(wǎng)絡(luò)結(jié)構(gòu)，提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括輸入層、卷積層、激活層、池化層和全連接層，如圖1 所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)根據(jù)輸入數(shù)據(jù)類型，可以分為一維、二維和三維卷積神經(jīng)網(wǎng)絡(luò)，二維神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于圖像處理、計(jì)算機(jī)視覺等領(lǐng)域，三維卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于視頻處理和行為識別等領(lǐng)域[17]。為了避免過擬合導(dǎo)致數(shù)據(jù)的一些正常波動被識別為故障，本文采用一維卷積神經(jīng)網(wǎng)絡(luò)處理軸承運(yùn)行的一維時序數(shù)據(jù)。

2.2 一維卷積神經(jīng)網(wǎng)絡(luò)

2.2.1 一維卷積層

卷積層是構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)的重要部分，卷積層是用卷積核對輸入信號的局部特征進(jìn)行卷積計(jì)算，并產(chǎn)生相應(yīng)的特征。假設(shè)卷積層輸入數(shù)據(jù)為i×1 維矩陣A=[a1，a2，…，ai]T，設(shè)置濾波器為j×1 維矩陣B=[b1，b2，…，bj]T，一般設(shè)置濾波器的維度小于原始數(shù)據(jù)，卷積過程步長為一固定值o，卷積計(jì)算過程見式（1）。

卷積層最大的特點(diǎn)是權(quán)值共享和局部感受視野，通過這個特點(diǎn)能夠極大地減少卷積層的網(wǎng)絡(luò)參數(shù)，避免卷積神經(jīng)網(wǎng)絡(luò)因參數(shù)過多而發(fā)生過擬合問題，并節(jié)約神經(jīng)網(wǎng)絡(luò)運(yùn)行資源。

2.2.2 激活層

當(dāng)輸入樣本經(jīng)過卷積層進(jìn)行卷積計(jì)算后，會將每個卷積輸出的邏輯值作為激活層的輸入，經(jīng)過激活函數(shù)的非線性變換，增加卷積后特征的可識別性。3 種常見的激活函數(shù)[18]，即Sigmoid 函數(shù)、Tanh函數(shù)和ReLu 函數(shù)，其數(shù)學(xué)表達(dá)式如下（卷積層輸出為x，激活層輸出為y）：

2.2.3 池化層

池化層被設(shè)置于激活層后，其目的是降低卷積、激活后的數(shù)據(jù)數(shù)量，減少模型參數(shù)，提高模型計(jì)算效率，避免模型出現(xiàn)過擬合現(xiàn)象。池化方法主要分為兩種，最大值池化和平均值池化[19]，其實(shí)質(zhì)為以一定寬度、一定步長在卷積層上滑動，獲取該寬度窗口下輸入數(shù)據(jù)的均值或最大值。

最大值池化計(jì)算方式為：

平均值池化計(jì)算方式為：

池化層的輸入數(shù)據(jù)為矩陣X=[x1,x2,…,xq]T，池化步長為t。

2.3 dropout 技術(shù)

由于神經(jīng)網(wǎng)絡(luò)含有大量的神經(jīng)元，其中包含大量的參數(shù)，因此數(shù)據(jù)集尤其是一些較小的數(shù)據(jù)集容易出現(xiàn)過擬合現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)模型在訓(xùn)練集上的準(zhǔn)確率與測試集上的準(zhǔn)確率之間存在較大差距。而dropout 技術(shù)作為一種防止過擬合方法，被廣泛用于神經(jīng)網(wǎng)絡(luò)之中。其核心思想在于，讓神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練過程中，隨機(jī)將部分神經(jīng)元節(jié)點(diǎn)的權(quán)值置0，并且在每次迭代過程中，被抑制的神經(jīng)元節(jié)點(diǎn)互不相同，因此每個神經(jīng)元節(jié)點(diǎn)對于整個網(wǎng)絡(luò)的貢獻(xiàn)率依舊相同。dropout 技術(shù)作為一種能給神經(jīng)網(wǎng)絡(luò)模型提供正則化作用的防過擬合技術(shù)，能夠有效改進(jìn)模型的表現(xiàn)性能，在計(jì)算機(jī)視覺、自然語言處理中得到了廣泛的應(yīng)用。

3 故障診斷試驗(yàn)與分析

3.1 數(shù)據(jù)集介紹

為驗(yàn)證一維卷積神經(jīng)網(wǎng)絡(luò)對于軸承故障診斷與異常分析的效果，本文選取經(jīng)典的滾動軸承公開數(shù)據(jù)集CWRU 進(jìn)行了相關(guān)試驗(yàn)，其整體軸承數(shù)據(jù)采集系統(tǒng)如圖2 所示。在試驗(yàn)過程中，選取了其中驅(qū)動端滾軸SKF6205 在12 kHz 的采樣頻率下采集的信號作為試驗(yàn)對象。

圖2 CWRU 軸承數(shù)據(jù)采集系統(tǒng)

SKF6205 軸承的故障類型分為滾珠故障、外圈故障與內(nèi)圈故障3種，故障直徑分為0.1778，0.3556，0.5334，0.772 mm 4 種。由于0.772 mm 故障直徑對應(yīng)的數(shù)據(jù)不夠全面，本文最終選了0.1778，0.3556，0.5334 mm 3 種故障直徑對應(yīng)的故障數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)。因此，包含正常軸承數(shù)據(jù)在內(nèi)，試驗(yàn)所構(gòu)建的數(shù)據(jù)集共包含10 個類別。具體而言，對應(yīng)每個類別的軸承數(shù)據(jù)，按照2048 個信號點(diǎn)作為一個訓(xùn)練樣本的方法，將所有數(shù)據(jù)分割為多個不相互重疊的訓(xùn)練樣本，并將其按照7:3 的比例劃分為訓(xùn)練集與測試集。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置

首先構(gòu)建了一個一維卷積神經(jīng)網(wǎng)絡(luò)，包含兩個卷積層、一個全連接層以及一個Softmax 層，并且每個卷積層及全連接層之后都添加了一個Relu 激活函數(shù)，以引入神經(jīng)網(wǎng)絡(luò)的非線性特征。具體而言，網(wǎng)絡(luò)模型中的第一層卷積核大小為125，步長為16，第二層卷積核的大小為15，步長為4，全連接層的神經(jīng)元個數(shù)為64，最后網(wǎng)絡(luò)模型輸出10 個類別的識別概率，并將其中概率取值最高的類別作為模型對該樣本所預(yù)測的類別。

由于卷積神經(jīng)網(wǎng)絡(luò)中含有大量的參數(shù)，容易出現(xiàn)過擬合的現(xiàn)象。本文在一維卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，進(jìn)一步研究了dropout 技術(shù)能否進(jìn)一步改進(jìn)模型的性能，分別將dropout 率設(shè)為0.1，0.2，0.3，0.4，0.5，構(gòu)建了5 種基于不同dropout 率的改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行相關(guān)對比試驗(yàn)。此外，本文的試驗(yàn)均基于開源的深度學(xué)習(xí)框架pytorch 實(shí)現(xiàn)，在訓(xùn)練過程中，每個批次的訓(xùn)練數(shù)據(jù)batch_size被設(shè)定為16，優(yōu)化算法采用隨機(jī)梯度算法，迭代的次數(shù)被設(shè)定為3000。

3.3 試驗(yàn)結(jié)果與分析

基礎(chǔ)一維卷積神經(jīng)網(wǎng)絡(luò)和基于dropout 技術(shù)改進(jìn)的一維卷積神經(jīng)網(wǎng)絡(luò)模型，在訓(xùn)練集和測試集上的診斷準(zhǔn)確率見表1。從表1 可以看出，基礎(chǔ)一維卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練集上的故障診斷準(zhǔn)確率能達(dá)到100%，在測試集上的故障診斷準(zhǔn)確率僅為83.2%。而引入dropout 技術(shù)后的改進(jìn)模型，都較基礎(chǔ)模型而言，在測試集上的診斷準(zhǔn)確率得到有效提高。并且當(dāng)dropout 設(shè)為0.3 時，一維卷積神經(jīng)網(wǎng)絡(luò)的表現(xiàn)性能最佳，在測試集上的故障準(zhǔn)確率高達(dá)92.9%。

表1 故障診斷準(zhǔn)確率

為了進(jìn)一步探究基于dropout 技術(shù)的一維卷積神經(jīng)網(wǎng)絡(luò)的有效性，對基礎(chǔ)一維卷積神經(jīng)網(wǎng)絡(luò)與dropout 率設(shè)為0.3 的改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)，在測試集和訓(xùn)練集上的3000 次迭代過程進(jìn)行了具體對比分析，模型訓(xùn)練結(jié)果對比如圖3 所示，其中實(shí)線代表基礎(chǔ)一維卷積神經(jīng)網(wǎng)絡(luò)，虛線代表基于dropout技術(shù)的改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)。從圖3 可以看出，在引入dropout 技術(shù)后，模型在測試集上的識別準(zhǔn)確率得到有效改進(jìn)。此外，相比于基礎(chǔ)模型，改進(jìn)模型的優(yōu)化擬合時間更長，損失函數(shù)優(yōu)化過程更慢，說明dropout 技術(shù)能給網(wǎng)絡(luò)模型起到正則化作用，從而有效抑制模型過擬合?？傮w而言，各網(wǎng)絡(luò)模型在軸承數(shù)據(jù)集上都達(dá)到了較高的識別準(zhǔn)確率，充分驗(yàn)證了一維卷積神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用于礦山設(shè)備的軸承故障與異常分析。

圖3 模型訓(xùn)練結(jié)果對比

4 結(jié)論

基于礦山設(shè)備故障診斷的研究背景，構(gòu)建了一維卷積神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上引入了dropout 技術(shù)構(gòu)建了相應(yīng)的改進(jìn)模型，并在CWRU 軸承數(shù)據(jù)集上進(jìn)行了相關(guān)的試驗(yàn)。試結(jié)果表明，一維卷積神經(jīng)網(wǎng)絡(luò)能夠較為準(zhǔn)確地診斷出軸承的故障狀態(tài)，表明了一維卷積神經(jīng)網(wǎng)絡(luò)對于軸承故障診斷具有較好的應(yīng)用前景，同時通過試驗(yàn)發(fā)現(xiàn)，dropout 技術(shù)能夠抑制一維卷積神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)過擬合的現(xiàn)象，進(jìn)一步改進(jìn)模型性能。在此次試驗(yàn)中，各網(wǎng)絡(luò)模型在訓(xùn)練集上的診斷準(zhǔn)確率都達(dá)到了100%，而在測試集上的診斷準(zhǔn)確率仍然有一定的提升空間。因此在未來的工作中，將采取其他的樣本分割方法，以構(gòu)造更大的數(shù)據(jù)集進(jìn)行相關(guān)試驗(yàn)，進(jìn)一步提高一維卷積神經(jīng)網(wǎng)絡(luò)的表現(xiàn)性能。