翁澤文 力 寧,2 袁俊馬 劉懷順 孫鑫暉 郝木明 司佳鑫

( 1.中國航發(fā)湖南動力機械研究所 湖南株洲 412002；2.直升機傳動技術國防科技重點實驗室 湖南株洲 412002；3.中國石油大學(華東)新能源學院 山東青島 266580)

液膜密封作為非接觸式機械密封的核心技術之一，在航空航天、石化等領域流體機械的動密封中應用前景廣闊。隨著流體機械的發(fā)展，高壓、高溫、高速、零泄漏等極端密封參數(shù)及復雜工況對設備的安全、性能、壽命等提出了更高要求。密封端面摩擦狀態(tài)與設備的壽命及可靠性直接相關，因而密封狀態(tài)的監(jiān)測成為近期國內外研究的熱點[1-3]。

為實現(xiàn)對液膜密封狀態(tài)的即時識別，早期多采取對密封結構具有破壞性的植入式監(jiān)測手段[4]，雖在學術研究上有一定的使用價值，卻難以滿足工程應用領域的使用要求。為此，急需研究一種可行的無損監(jiān)測技術。聲發(fā)射作為一種新型的無損監(jiān)測技術，在諸多工程監(jiān)測中表現(xiàn)出色，在機械密封的監(jiān)測中也取得了良好效果。文獻[5-6]的研究表明，不同磨損階段的聲發(fā)射能量與摩擦因數(shù)和磨損率之間存在對應關系，因此通過對聲發(fā)射信號的評估，可以確定出密封接觸的發(fā)生和持續(xù)時間。由于聲發(fā)射信號往往是非平穩(wěn)非線性信號，時域分析或者頻域分析只能用單一維度分析聲發(fā)射信號，因此能夠同時兼顧時域和頻域信號特征的時頻分析方法在發(fā)展中被不斷發(fā)展豐富充實[7-9]。此外，從液膜密封狀態(tài)的智能化監(jiān)測角度分析，現(xiàn)有分析技術的多數(shù)研究仍以人為考察特定狀態(tài)為主，輔以數(shù)值模擬驗證，該方法可用于機制研究，卻難以適用于工程應用，液膜密封狀態(tài)監(jiān)測缺乏機器決策特性。以卷積神經(jīng)網(wǎng)絡為代表的深度學習方法在該方面具有較高開發(fā)潛力[10-12]。

綜上，針對液膜密封摩擦狀態(tài)監(jiān)測領域無損監(jiān)測方法、數(shù)據(jù)處理方法及智能化預警開發(fā)不足的情況，在前人研究的基礎上，本文作者提出一種基于聲發(fā)射時頻分析與卷積神經(jīng)網(wǎng)絡的液膜密封摩擦狀態(tài)識別方法，實現(xiàn)液膜密封摩擦狀態(tài)識別；同時，為探究不同時頻分析方法對所構建的卷積神經(jīng)網(wǎng)絡模型性能的影響，確定針對液膜密封摩擦狀態(tài)識別的最佳網(wǎng)絡模型，選擇短時傅立葉變換、小波變換以及S變換3種穩(wěn)定且應用廣泛的時頻分析方法作為研究對象進行討論。

1 聲發(fā)射時頻分析方法

1.1 短時傅立葉變換

短時傅立葉變換(STFT)是由傅立葉變換開發(fā)而來的一種瞬時頻率估計方法，對輸入信號加窗函數(shù)，通過窗函數(shù)在時間軸上的移動，對信號進行逐段分析得到信號的一組局部“頻譜”，分析非平穩(wěn)信號在不同時間段內的頻率變化情況。其定義為

(1)

式中：x(τ)為原始時域信號；h(t-τ)為分析窗函數(shù)；τ為窗函數(shù)中心。

文中使用海明窗作為窗函數(shù)，其函數(shù)表達式如下：

(2)

1.2 小波變換

小波變換具有自適應窗口的時頻分析功能，其基本理論是將輸入信號由一系列小波基表示，這一系列小波基都是由一個母小波通過平移和伸縮得到，一定程度上解決了時間分辨率和頻率分辨率不可兼得的問題。對于信號x(t)，其小波變換的定義式為

(3)

式中：b為平移因子，作用與短時傅立葉變換的窗函數(shù)類似；a為伸縮因子，控制小波長度；ψ[(t-b)/a]為母小波ψ(t)通過平移和伸縮得到的一系列小波基的數(shù)學統(tǒng)一表達式，常用的母小波主要有Morlet小波和Haar小波，文中采用Morlet母小波進行分析。

1.3 S變換

S變換是一種加調諧高斯窗的特殊傅立葉變換，其開發(fā)的目的與小波變換相似，同樣在一定程度上克服了時頻分辨率不足的情況。使用S變換可以使窗函數(shù)在低頻處提供較高的頻率分辨率，而在高頻處可獲得較高的時間分辨率。對于信號x(t)，其S變換的定義式為

(4)

2 卷積神經(jīng)網(wǎng)絡

文中卷積神經(jīng)網(wǎng)絡的算法輸入為原始時域信號變換后的時頻信號，經(jīng)卷積、池化、激活函數(shù)等操作，將數(shù)據(jù)逐層抽象為自身任務所需的最終特征表示，最后以特征到任務目標的映射作為結束。卷積神經(jīng)網(wǎng)絡結構組建方式很多，但基本結構相似，一般由輸入層、卷積層、池化層、全連接層和輸出層構成，如圖1所示。

圖1 CNN網(wǎng)絡結構

卷積層由數(shù)個特征面組成，每個特征面由多個神經(jīng)元構成，神經(jīng)元通過卷積核與其上一層特征面的局部區(qū)域連接共享權重，其一般數(shù)學模型如下：

(5)

池化層同樣由數(shù)個特征面組成，每個特征面與其上層的特征面唯一對應，通過“降采樣”降低特征面的分辨率來取得具有空間不變性的特征，可表示為

(6)

全連接層與BP神經(jīng)網(wǎng)絡類似，將最后一層卷積層輸出的級聯(lián)特征圖進行全連接，表示為

h(x)=f(bo+wox)

(7)

式中:x為特征向量；wo為權重；bo為偏置；f(*)為激活函數(shù)。

激活函數(shù)通常使用飽和非線性函數(shù)，如tanh函數(shù)[13]、sigmoid函數(shù)[14]等。但在多層的神經(jīng)網(wǎng)絡采用梯度下降算法時，會出現(xiàn)梯度消失或者梯度爆炸問題。對比飽和線性函數(shù)，不飽和線性函數(shù)可以解決梯度消失或者梯度爆炸問題，并且可以加快收斂速度。文中采用ReLU函數(shù)[15]，表達式為

ReLU(x)=max(0,x)

(8)

(9)

式中:θ=[θ1,θ2,…,θk]T為Softmax分類器參數(shù)向量；O為最終預測結果，所有預測結果之和為1。

3 液膜密封摩擦狀態(tài)識別

液膜密封運行由于載荷、轉速、黏度等工況條件的變化，會經(jīng)歷不同的摩擦狀態(tài)，即干摩擦、邊界摩擦、混合摩擦、流體摩擦，如圖2所示，4種摩擦機制將導致端面間的聲發(fā)射現(xiàn)象。液膜密封的理想狀態(tài)是讓密封端面一直處于流體摩擦，此時由于端面間流體潤滑的作用，端面摩擦因數(shù)最小，液膜密封的使用壽命最長，而干摩擦則是液膜密封需要避免的一種摩擦狀態(tài)。

圖2 摩擦狀態(tài)示意

基于聲發(fā)射時頻分析與卷積神經(jīng)網(wǎng)絡的液膜密封摩擦狀態(tài)識別流程如圖3所示，描述如下：

Step 1：通過實驗采集4種摩擦狀態(tài)下的聲發(fā)射信號；

Step 2：對聲發(fā)射摩擦信號以0.1 s為單位進行短時傅立葉變換、S變換、小波變換獲取時頻譜，如圖4所示；

Step 3：對時頻譜進行數(shù)據(jù)增強以增加樣本多樣性，定義圖像像素為118×118；

Step 4：將短時傅立葉變換時頻譜75%數(shù)據(jù)量作為卷積神經(jīng)網(wǎng)絡的訓練集與驗證集，剩余25%作為測試集；

Step 5：超參數(shù)尋優(yōu)確定合適的卷積神經(jīng)網(wǎng)絡結構；

Step 6：對S變換、小波變換獲取時頻譜依次按照確定的網(wǎng)絡結構重復Step 4，對比3種時頻分析方法對識別性能的影響。

圖3 摩擦狀態(tài)識別流程

圖4 部分圖像樣本的構建流程

4 實驗及結果分析

4.1 實驗裝置

液膜密封實驗裝置如圖5、圖6所示，液膜密封結構如圖7所示，其中補償環(huán)為螺旋人字槽型，材質為9Cr18不銹鋼，非補償環(huán)材質為M298k碳石墨，液膜密封結構參數(shù)如表1所示。聲發(fā)射信號通過Fujicera-AE144SA40聲發(fā)射傳感器(諧振頻率為144 kHz)采集，聲信號經(jīng)40 dB前置放大器和信電分離器傳至聲發(fā)射采集卡。

圖5 密封實驗裝置示意

圖6 密封實驗裝置

圖7 密封環(huán)結構

表1 液膜密封結構參數(shù)

4.2 網(wǎng)絡參數(shù)尋優(yōu)

4.2.1 批量尺寸影響

批量尺寸(Batchsize)即卷積神經(jīng)網(wǎng)絡用于訓練的每批數(shù)據(jù)量的大小，其取值會對模型的準確率及效率產生影響。實驗結果如圖8所示，圖例中形如“Y-X”表示卷積核數(shù)量組合，其中，“Y”表示第一層卷積核數(shù)量值，“X”表示第二層卷積核數(shù)量。所定義的其他模型結構如表2所示。

表2 模型結構及網(wǎng)絡參數(shù)

根據(jù)圖8(b)，在批量尺寸達到256之前，批量尺寸越大，其確定的梯度下降方向越準確，因此收斂效率越高；批量尺寸達到256之后，訓練效率開始降低。參考圖8(a)，模型的識別準確率在批量尺寸達到16后趨于穩(wěn)定，故將實驗的批量尺寸值設置為256。

圖8 批量尺寸對模型性能的影響

4.2.2 迭代次數(shù)影響

迭代次數(shù)對模型性能影響的實驗結果如圖9所示。圖中僅示出了前30次訓練結果，隨著迭代次數(shù)的增加，模型的識別準確率相應提高，當?shù)螖?shù)達到10之后，模型的識別準確率已經(jīng)達到98.1%上，識別準確率已趨于穩(wěn)定。為保證模型擬合完全，保守起見，文中將迭代次數(shù)確定為15。

圖9 迭代次數(shù)對模型性能的影響

4.3 3種時頻分析方法對識別性能的影響

3種時頻分析方法下迭代次數(shù)與準確率關系的實驗結果如圖10所示。從整體趨勢來看，短時傅立葉變換+CNN的收斂速度最快，到第7次訓練時準確率已基本穩(wěn)定，而小波變換+CNN與S變換+CNN準確率達到穩(wěn)定的迭代次數(shù)分別為9和11；從訓練結果來看，上述3種方法最終的識別準確率分別為99.51%、99.03%、99.09%，均取得了較為理想的效果。

為比較3種時頻分析方法的穩(wěn)定性，設計20次試驗觀察模型識別結果。經(jīng)計算，3種時頻方法下的平均識別耗時分別為13.79、14.02、13.71 s，相差較小。20次試驗的準確率情況如圖11所示，可以看出短時傅立葉變換+CNN的準確率無大幅波動，其準確率均值為98.71%，標準差為0.006；而小波變換和S變換樣本的準確率均出現(xiàn)不同程度的波動，尤其是在第9及第18次實驗，分別低至84.27%、91.75%。經(jīng)計算，20次實驗中小波變換+CNN和S變換+CNN的準確率均值分別為96.90%、98.32%，標準差分別為0.032、0.019。從上述分析可知，短時傅立葉變換+CNN的效果更具優(yōu)勢。

圖10 3種時頻分析方法下迭代次數(shù)與準確率的關系

圖11 3種時頻分析方法對模型穩(wěn)定性的影響

4.4 識別性能分析

將構建的卷積神經(jīng)網(wǎng)絡模型與BP神經(jīng)網(wǎng)絡、超平面SVM、LeNet5網(wǎng)絡(輸入圖像大小為32×32)對比，各取10次結果的平均值作為量化依據(jù)，結果如表3所示。

表3中，文中構建的卷積神經(jīng)網(wǎng)絡模型在4種方法中取得了最高的測試準確率。LeNet5網(wǎng)絡的測試準確率也較高，但略低于文中方法，究其原因有二，一是文中的聲發(fā)射信號時頻譜樣本不適用于LeNet5網(wǎng)絡參數(shù)，二是時頻譜圖的壓縮過程伴隨著部分有效特征丟失，導致LeNet5網(wǎng)絡的準確度下降。BP神經(jīng)網(wǎng)絡以及超平面SVM的測試準確率較差，原因有二，一是卷積神經(jīng)網(wǎng)絡相對于BP神經(jīng)網(wǎng)絡以及超平面SVM有算法優(yōu)勢，二是相對于文中方法，BP神經(jīng)網(wǎng)絡以及超平面SVM缺少了短時傅立葉變換的時頻特征提取環(huán)節(jié)，有效時頻信息未經(jīng)有效利用，這也從側面說明了在使用模式識別方法之前，對信號進行時頻特征提取是有必要的。

表3 不同識別方法的結果對比

5 結論

(1)基于聲發(fā)射時頻分析與卷積神經(jīng)網(wǎng)絡可以滿足液膜密封摩擦狀態(tài)識別的需求.

(2)研究短時傅立葉變換、小波變換、S變換3種時頻分析方法構建樣本對卷積神經(jīng)網(wǎng)絡識別性能的影響，結果表明，短時傅立葉變換的識別效果最優(yōu)，S變換次之，小波變換的識別效果最差。

(3)對比不同識別算法的識別效果，發(fā)現(xiàn)文中的卷積神經(jīng)網(wǎng)絡模型識別準確率明顯高于BP神經(jīng)網(wǎng)絡、超平面SVM、LeNet5網(wǎng)絡等。