王長華，蔣云剛，李保，吳珂，朱凱

(1. 浙江省機(jī)電設(shè)計(jì)研究院有限公司，浙江 杭州 310051； 2. 浙江大學(xué) 平衡建筑研究中心，浙江 杭州 310007； 3. 杭州運(yùn)河集團(tuán)建設(shè)管理有限公司，浙江 杭州 310000； 4. 中國計(jì)量大學(xué) 質(zhì)量與安全工程學(xué)院，浙江 杭州 310018)

0 引言

隨著自動控制的快速發(fā)展，工業(yè)物聯(lián)網(wǎng)也獲得了廣泛應(yīng)用，可以高效收集大量的牽引設(shè)備運(yùn)行故障，但無法繼續(xù)通過傳統(tǒng)故障分析方法來及時(shí)處理這種大數(shù)據(jù)故障信息[1-4]。采用深度學(xué)習(xí)方法因具備數(shù)據(jù)自我迭代處理及對多種復(fù)雜數(shù)據(jù)都能夠達(dá)到快速準(zhǔn)確提取的效果，這使其成為大數(shù)據(jù)處理領(lǐng)域的一項(xiàng)重要應(yīng)用技術(shù)，已被用于語音信號處理、圖像分析等方面[5-8]。石鑫等[9]選擇深度自編碼網(wǎng)絡(luò)診斷電力變壓器的運(yùn)行故障；王惠中等[10]則根據(jù)LTSM方法在時(shí)間序列提取的獨(dú)特優(yōu)勢，綜合運(yùn)用LTSM與Softmax分類器方法對各類故障信號進(jìn)行診斷分析。

國內(nèi)學(xué)者胡蔦慶等[11]也開展了智能診斷方面的研究工作，利用經(jīng)驗(yàn)?zāi)B(tài)分解方法度數(shù)據(jù)進(jìn)行處理，再通過深度卷積神經(jīng)網(wǎng)達(dá)到診斷的要求。步驟是先對信號實(shí)施EMD處理完成分解過程，將其轉(zhuǎn)換成多個(gè) IMF分量后計(jì)算每個(gè)分量的峭度，再以DCNN對其中峭度較大的6個(gè)分量進(jìn)行特征融合，接著繼續(xù)測定行星齒輪泵齒的振動信號并驗(yàn)證了該方法實(shí)際診斷效果。WU C Z等[12]則利用一維卷積神經(jīng)網(wǎng)絡(luò)來判斷齒輪箱形成的振動信號，結(jié)果發(fā)現(xiàn)該診斷方法能夠達(dá)到高精度的判斷要求。本文測試在行星齒輪泵故障診斷前進(jìn)行，采用經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition, EEMD)和雙向記憶網(wǎng)絡(luò)(bi-directionallong short-time memory, BLSTM)相結(jié)合的模式，對本實(shí)驗(yàn)中4種不同的齒輪泵進(jìn)行故障測試。采用EEMD方法實(shí)施信號分解生成相應(yīng)的IMF分量，將上述參數(shù)輸入模型內(nèi)進(jìn)行訓(xùn)練得到準(zhǔn)確的分類結(jié)果。

1 雙向長短時(shí)記憶網(wǎng)絡(luò)

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)屬于一類遞歸神經(jīng)網(wǎng)絡(luò)，時(shí)間序列輸出取決于前一時(shí)刻與當(dāng)前輸入的共同影響。

t時(shí)刻的RNN網(wǎng)絡(luò)輸出為：

st=f(uxt+wst-1)

(1)

yt=g(vst)

(2)

式中：t-1是上個(gè)時(shí)刻；t是現(xiàn)有時(shí)刻；w為之前隱藏層相對目前隱藏層所占的權(quán)重；x為RNN網(wǎng)絡(luò)輸入；u表示輸入層至隱藏層權(quán)重；y為RNN網(wǎng)絡(luò)預(yù)測結(jié)果；s為隱藏層狀態(tài)輸出。

以E表示網(wǎng)絡(luò)在t時(shí)的總損失，如式(13)所示。

(3)

對網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)通過參數(shù)優(yōu)化算法來完成u、w、v參數(shù)的更新。式(4)給出了參數(shù)w在t時(shí)梯度誤差計(jì)算式。

(4)

在處理深層次網(wǎng)絡(luò)的時(shí)候，當(dāng)選擇參數(shù)優(yōu)化模式實(shí)施更新時(shí)，將會出現(xiàn)局部梯度彌散的結(jié)果，嚴(yán)重時(shí)還會引起梯度爆炸，從而導(dǎo)致產(chǎn)生差異很大的網(wǎng)絡(luò)權(quán)重，表現(xiàn)為網(wǎng)絡(luò)狀態(tài)的大幅波動。

1.2 雙向長短時(shí)記憶網(wǎng)絡(luò)

為得到更加準(zhǔn)確的信息，構(gòu)建得到雙向長短時(shí)記憶網(wǎng)絡(luò)，圖1顯示了BLSTM通過時(shí)間展開計(jì)算的結(jié)果。

圖1 BLSTM網(wǎng)絡(luò)結(jié)構(gòu)

顯然，當(dāng)前輸出受到前向?qū)雍头聪驅(qū)虞敵鼍C合作用，式(5)-式(7)給出了網(wǎng)絡(luò)在t時(shí)的輸出ot。

(5)

(6)

(7)

式中：w為權(quán)重；ht為正向隱藏層輸出；→為網(wǎng)絡(luò)正向輸入；←為網(wǎng)絡(luò)反向輸入。

2 數(shù)據(jù)處理及網(wǎng)絡(luò)設(shè)置

2.1 數(shù)據(jù)集描述

齒輪泵測試平臺如圖2所示。分別對齒輪泵處于不同的運(yùn)行狀態(tài)下形成的信號數(shù)據(jù)進(jìn)行采集分析，采集的齒輪泵4種故障數(shù)據(jù)集描述如表1所示，齒輪泵故障時(shí)域圖如圖3所示。本實(shí)驗(yàn)將采樣頻率設(shè)定在10kHz，電機(jī)轉(zhuǎn)速2500r/min，依次對各齒輪狀態(tài)采集得到300組振動加速度信號，每組中存在900點(diǎn)數(shù)據(jù)。

圖2 現(xiàn)場測試圖片

表1 齒輪泵4種故障數(shù)據(jù)集描述

圖3 齒輪泵故障時(shí)域圖

2.2 EEMD分解

對本實(shí)驗(yàn)采集得到的初始數(shù)據(jù)進(jìn)行EEMD分解獲得IMF分量，再以頻率由高往低的順序排序后，將高斯白噪聲加入，其標(biāo)準(zhǔn)偏差為0.2，迭代次數(shù)上限為25，后續(xù)分量信息造成的影響可以忽略。本次共確定6個(gè)IMF分量，對齒輪不同運(yùn)行狀態(tài)下的信號實(shí)施分解，結(jié)果見圖4。

圖4 不同故障的EEMD分解

利用BLSTM網(wǎng)絡(luò)對初始6個(gè)模態(tài)分量識別，進(jìn)行模型訓(xùn)練時(shí)，由于分量包含了太長的數(shù)據(jù)，需要花費(fèi)更長時(shí)間才能完成訓(xùn)練。為提升訓(xùn)練效率并改善精度，選擇15個(gè)時(shí)域和16個(gè)頻域特征進(jìn)行分析，再將模型輸入維度由1000降低至30，進(jìn)一步優(yōu)化了故障特征。

2.3 參數(shù)設(shè)置

本研究構(gòu)建的雙向長短時(shí)記憶模型包含了1個(gè)Softmax層、1個(gè)全連接層、1個(gè)分類輸出層、1個(gè)BLSTM層。為全連接層設(shè)置了Dropout隨機(jī)失活層，避免模型發(fā)生過擬合的問題，控制失活值保持在恒定的0.65，并設(shè)置更多ReLU激活層來達(dá)到加快網(wǎng)絡(luò)訓(xùn)練的效果。本次模型運(yùn)行環(huán)境為Matlab2019a，具體參數(shù)見表2。

表2 BLSTM網(wǎng)絡(luò)

測試時(shí)設(shè)定批量為100，學(xué)習(xí)率0.01，選擇Adam算法完成尋優(yōu)計(jì)算。通過控制梯度閾值=1以防止梯度爆炸的情況；以輪數(shù)代表訓(xùn)練次數(shù)，共訓(xùn)練50次，每個(gè)周期結(jié)束后再對網(wǎng)絡(luò)開展1次迭代計(jì)算。表3為本實(shí)驗(yàn)的網(wǎng)絡(luò)超參數(shù)。

表3 BLSTM網(wǎng)絡(luò)超參數(shù)設(shè)置

3 實(shí)物實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)結(jié)果

以上述實(shí)驗(yàn)實(shí)測獲得信號處理后數(shù)據(jù)為研究對象，隨機(jī)選擇比例為80%的數(shù)據(jù)實(shí)施訓(xùn)練，再測試剩余30%比例的數(shù)據(jù)。圖5給出了模型訓(xùn)練與驗(yàn)證過程，可以看到在不同迭代次數(shù)下驗(yàn)證誤差變化情況。通過測試發(fā)現(xiàn)該模型精度達(dá)到95.3%，進(jìn)行迭代計(jì)算時(shí)形成了波動變化的訓(xùn)練曲線，可以推斷該模型并沒有達(dá)到穩(wěn)定預(yù)測的效果。以圖6的混淆矩陣模型準(zhǔn)確識別齒面形成的磨損缺陷和缺齒情況，斷齒識別率94.1%，最低的是齒根裂紋故障識別率，只達(dá)到86.5%。同時(shí)發(fā)現(xiàn)齒根裂紋只達(dá)到了一個(gè)較低的識別率，這是由于齒根裂紋會被誤判為斷齒而引起結(jié)果偏差。

圖5 BLSTM網(wǎng)絡(luò)訓(xùn)練損失隨迭代次數(shù)的變化

圖6 BLSTM網(wǎng)絡(luò)驗(yàn)證數(shù)據(jù)混淆矩陣

3.2 對比分析

圖7顯示了未進(jìn)行EEMD處理和經(jīng)過EEMD處理的兩種不同模型對應(yīng)的迭代精度?？梢钥吹?，未經(jīng)EEMD處理的模型表現(xiàn)出了不穩(wěn)定的測試結(jié)果，實(shí)際精度只有70%，EEMD處理后模型精度與穩(wěn)定性都發(fā)生了大幅上升。因此，BLSTM模型在時(shí)序信號處理方面具有明顯優(yōu)勢，本次測試的初始信號呈現(xiàn)相對紊亂的時(shí)序特性，不能達(dá)到準(zhǔn)確識別的效果。先對信號EEMD分解后，可以促進(jìn)所有分量都獲得更優(yōu)的時(shí)序性，促使模型診斷精度得到顯著提升。

圖7 EEMD處理前后網(wǎng)絡(luò)精度隨迭代次數(shù)的變化

4 結(jié)語

1)本網(wǎng)絡(luò)損失<1%，可以推斷該網(wǎng)絡(luò)滿足良好穩(wěn)定性的條件，可以實(shí)現(xiàn)精確識別齒面磨損和缺齒的問題，斷齒、正常齒的輪識別率都達(dá)到了93%以上，齒根裂紋故障識別率達(dá)到了87.2%。

2)經(jīng)過EEMD處理的網(wǎng)絡(luò)穩(wěn)定性與精度顯著提升。到達(dá)后期迭代階段時(shí)，BLSTM網(wǎng)絡(luò)擬合速度開始變快，精度也獲得提升。