王曉昆,井陸陽*,白曉瑞,戰(zhàn)衛(wèi)俠,劉云成,王彥松

(1.青島理工大學(xué) 機(jī)械與汽車工程學(xué)院,山東 青島 266520;2.海軍工程大學(xué) 兵器工程學(xué)院,湖北 武漢 430032;3.軟控股份有限公司,山東 青島 266000)

0 引 言

在工程起重機(jī)設(shè)計(jì)過程中,起重機(jī)鋼絲繩通常是其關(guān)鍵的承載和牽引構(gòu)件。由于其所處的工況條件復(fù)雜、工作環(huán)境惡劣,易產(chǎn)生一些損傷,存在嚴(yán)重的安全隱患[1]。

斷絲作為鋼絲繩服役期間極易產(chǎn)生的主要損傷,是影響鋼絲繩安全運(yùn)行的重要因素。在國標(biāo)中,將一個(gè)捻節(jié)距內(nèi)斷絲數(shù)占鋼絲繩總絲數(shù)的比例作為報(bào)廢的重要指標(biāo)。因此,對(duì)鋼絲繩斷絲數(shù)進(jìn)行準(zhǔn)確檢測(cè)已成為急需解決的問題[2]1-3。

目前,電磁檢測(cè)法被公認(rèn)為是對(duì)鋼絲繩進(jìn)行無損檢測(cè)最有效的方法。基于漏磁法的鋼絲繩斷絲損傷定量識(shí)別,實(shí)質(zhì)上是建立損傷信號(hào)的特征信息與損傷程度的空間映射分類準(zhǔn)則。近年來,研究人員用機(jī)器學(xué)習(xí)模型,解析了不同類型損傷信號(hào)的特征信息與損傷程度之間的非線性映射關(guān)系,取得了較好的斷絲識(shí)別效果[3-6]。

趙志科等人[7]為了進(jìn)一步提高極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)的分類精度,提出了一種可變步長(zhǎng)增量式極限學(xué)習(xí)機(jī)(variable step incremental extreme learning machine,VSI-ELM),其利用加州大學(xué)歐文分校提供的樣本集對(duì)ELM算法進(jìn)行了性能測(cè)試,通過回歸和分類實(shí)驗(yàn)分別研究了VSI-ELM模型的性能。張東來等人[8]提出了鋼絲繩斷絲定性和定量分級(jí)檢測(cè)的方案,對(duì)于定性檢測(cè),輸入層和隱含層之間用小波函數(shù)作為權(quán)系數(shù),兩層之間無非線性,適于定性分類;對(duì)于定量檢測(cè),則應(yīng)用小波非線性,神經(jīng)網(wǎng)的輸入是特征向量和小波的內(nèi)積,適于特征與斷絲程度之間定量關(guān)系的逼近。LI X等人[9]針對(duì)鋼絲繩漏磁(magnetic flux leakage,MFL)測(cè)試中信號(hào)去噪效果差、識(shí)別率低、實(shí)時(shí)性差等問題,提出了一種核極限學(xué)習(xí)機(jī)(kernel extreme learning machine,KELM)與壓縮感知相結(jié)合的新算法,其將正則化的正交匹配追蹤(regularized orthogonal matching pursuit,ROMP)引入壓縮傳感小波(compre-ssed sensing wavelet,CSW),并結(jié)合了雙密度小波變換(double-density wavelet transform,DD-DWT)以提高鋼絲繩信號(hào)降噪的效果,最后利用KELM提高了鋼絲繩定量識(shí)別的檢測(cè)精度和效率。

然而,以上這類斷絲定量識(shí)別方法往往需要大量的損傷數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,而在實(shí)際工程中,由于現(xiàn)代機(jī)械制造設(shè)備技術(shù)的進(jìn)步、維護(hù)水平的提升,以及機(jī)械設(shè)備大多時(shí)間處于正常運(yùn)行的狀態(tài),導(dǎo)致鋼絲繩故障信號(hào)的采集難度較大,進(jìn)而對(duì)斷絲定量識(shí)別準(zhǔn)確率產(chǎn)生較大影響[10]。

仿真數(shù)據(jù)驅(qū)動(dòng)的模式識(shí)別方法是解決故障樣本不足的一種有效途徑,在軸承等機(jī)械設(shè)備故障診斷領(lǐng)域有一定的應(yīng)用。而目前為止,該方法在鋼絲繩故障診斷方面的相關(guān)研究極少。因此,筆者對(duì)鋼絲繩斷絲定量識(shí)別應(yīng)用仿真數(shù)據(jù)驅(qū)動(dòng)的方法展開了一系列研究[11-13]。

首先,筆者使用有限元軟件對(duì)不同損傷類型鋼絲繩進(jìn)行仿真,得到仿真數(shù)據(jù);然后,使用鋼絲繩漏磁檢測(cè)實(shí)驗(yàn)臺(tái)采集與仿真時(shí)損傷類型相同的實(shí)測(cè)數(shù)據(jù);針對(duì)實(shí)驗(yàn)采集過程中存在噪聲等因素干擾導(dǎo)致其與仿真數(shù)據(jù)不匹配的問題,采用小波變換的方式對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行去噪;最后,建立卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,采用仿真數(shù)據(jù)輔助模型訓(xùn)練,并使用早停法抑制模型對(duì)訓(xùn)練集中仿真數(shù)據(jù)的過擬合問題。

模擬實(shí)際工況分別采用無實(shí)測(cè)樣本和少量實(shí)測(cè)樣本兩種實(shí)驗(yàn)形式進(jìn)行驗(yàn)證,在無實(shí)測(cè)樣本工況下,僅使用仿真數(shù)據(jù)訓(xùn)練CNN模型;在少量實(shí)測(cè)樣本工況下,使用仿真數(shù)據(jù)輔助小波去噪處理后的小樣本實(shí)測(cè)數(shù)據(jù)作為CNN模型的訓(xùn)練集。

1 理論背景

1.1 永磁勵(lì)磁原理

永磁勵(lì)磁方式在漏磁檢測(cè)中應(yīng)用較為廣泛,其基本原理如圖1所示。

圖1 漏磁檢測(cè)原理Fig.1 The principle of magnetic flux leakage detection

鋼絲繩在勵(lì)磁器中被永磁鐵磁化至飽和后,銜鐵、永磁體、空氣隙和鋼絲繩形成閉合磁路。在鋼絲繩無損傷時(shí),磁感應(yīng)線會(huì)在鋼絲繩內(nèi)部平行且均勻通過,理想情況下泄露的磁通量基本為零,如圖1(a)所示;當(dāng)鋼絲繩表面出現(xiàn)斷絲損傷時(shí),受損部位鋼絲會(huì)出現(xiàn)斷口,由于損傷部位的磁阻增大,而空氣的磁導(dǎo)率很小,部分磁感應(yīng)線會(huì)泄漏到空氣中形成漏磁場(chǎng),如圖1(b)所示。

通過檢測(cè)距損傷部位一定提離值處的磁感應(yīng)強(qiáng)度大小,從而可以實(shí)現(xiàn)損傷的檢測(cè)的目的[14]。

1.2 有限元仿真原理

COMSOL Multiphysics是一款應(yīng)用廣泛的高級(jí)數(shù)值仿真軟件。為了分析涉及靜態(tài)和低頻范圍的電磁系統(tǒng)和過程,其內(nèi)含的AC/DC模塊通過求解麥克斯韋方程,將工程中的電磁場(chǎng)計(jì)算轉(zhuǎn)變?yōu)辇嫶蟮木仃嚽蠼狻?/p>

在對(duì)鋼絲繩不同損傷的漏磁場(chǎng)分析中,采用有限元數(shù)值仿真的方法,可以模擬任意尺寸的勵(lì)磁檢測(cè)器以及任意類型的損傷,其具有較大的靈活性。因此,可使用有限元軟件進(jìn)行仿真實(shí)驗(yàn),得到所需損傷數(shù)據(jù)。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋神經(jīng)網(wǎng)絡(luò),其典型結(jié)構(gòu)由輸入層、卷積層、池化層與全連接層構(gòu)成。一維卷積神經(jīng)網(wǎng)絡(luò)是指在一維數(shù)據(jù)上進(jìn)行卷積和池化等操作。

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Convolutional neural network architecture

CNN實(shí)際上是通過建立多個(gè)濾波器來提取數(shù)據(jù)的局部特征。多網(wǎng)絡(luò)層數(shù)可提取到更深層次的數(shù)據(jù)特征,最后得到具有平移旋轉(zhuǎn)不變性的魯棒特征。

當(dāng)斷絲漏磁發(fā)生時(shí),仿真與實(shí)驗(yàn)在此處采集的磁場(chǎng)密度值都會(huì)增大,其表現(xiàn)出明顯的局部空間特性。利用CNN可有效提取其局部特征,完成數(shù)據(jù)的收斂分析工作[15-18]。

2 鋼絲繩斷絲仿真與實(shí)驗(yàn)

2.1 仿真損傷信號(hào)

筆者使用COMSOL有限元軟件對(duì)鋼絲繩損傷進(jìn)行仿真的流程如圖3所示。

圖3 仿真流程Fig.3 Simulation flow

首先,筆者選擇AC/DC模塊中的磁場(chǎng)、無電流物理場(chǎng),按照設(shè)計(jì)尺寸對(duì)永磁勵(lì)磁裝置和鋼絲繩進(jìn)行建模;然后,定義材料和邊界條件并劃分網(wǎng)格,再進(jìn)行求解器配置后驗(yàn)證模型并求解;求解完成后,可以根據(jù)需要查看磁力線、磁場(chǎng)強(qiáng)度、磁場(chǎng)密度等電磁參數(shù),并進(jìn)行下一步分析。

2.1.1 鋼絲繩永磁勵(lì)磁裝置建模

筆者利用COMSOL有限元軟件的建模功能對(duì)鋼絲繩永磁勵(lì)磁裝置進(jìn)行建模。根據(jù)漏磁原理可知,鋼絲繩被磁化后,當(dāng)內(nèi)部磁感應(yīng)強(qiáng)度較低時(shí),不容易產(chǎn)生漏磁場(chǎng),而鋼絲繩磁化飽和后才能產(chǎn)生較多的漏磁。

直徑24 mm的6×37+FC(FC表示鋼絲繩的繩芯是纖維繩芯)結(jié)構(gòu)鋼絲繩,單絲直徑1.1 mm,破斷負(fù)荷為358 kN,其主要用于各種起重、提升和牽引設(shè)備,且其具有良好的磁化效果。因此,筆者選擇實(shí)驗(yàn)鋼絲繩為6×37+FC結(jié)構(gòu)的直徑24 mm鋼絲繩,銜鐵材料選擇磁導(dǎo)率、飽和磁導(dǎo)密度都較高的工業(yè)純鐵DT4,磁鐵材料為汝鐵硼材料N35。

永磁勵(lì)磁裝置采用多回路周向勵(lì)磁的方法,永磁鐵做成環(huán)狀放置在勵(lì)磁器兩端,銜鐵做成管狀以最大限度的減少漏磁[19]。

其具體結(jié)構(gòu)如圖4所示。

圖4 勵(lì)磁器結(jié)構(gòu)Fig.4 Exciter structureDs為與鋼絲繩有效金屬面積相等的鋼絞線直徑;lm為永磁體沿鋼絲繩軸向的長(zhǎng)度;δ為永磁體與鋼絲繩表面之間的氣隙;Lm為兩永久磁鐵內(nèi)側(cè)間距;hl為銜鐵連接體內(nèi)側(cè)與鋼絲繩表面的徑向間隙;hb為銜鐵連接體壁厚[20]。

筆者所畫簡(jiǎn)化三維仿真模型如圖5所示。

圖5 簡(jiǎn)化三維仿真模型Fig.5 Simplified 3D simulation model

2.1.2 仿真分析

筆者對(duì)有損傷和無損傷的鋼絲繩分別進(jìn)行了有限元仿真,鋼絲繩表面磁通密度分布如圖6所示。

圖6 鋼絲繩磁通密度分布Fig.6 Magnetic flux density distribution of wire ropes

筆者設(shè)置仿真實(shí)驗(yàn)鋼絲繩斷絲損傷寬口為13 mm,外部斷絲數(shù)量分別為1根、2根、3根。

在距損傷提離值5 mm處的有限元仿真結(jié)果如圖7所示。

圖7 3種損傷的仿真信號(hào)Fig.7 Simulation signals of three kinds of damage

圖7中,曲線為鋼絲繩損傷表面仿真漏磁場(chǎng)減去背景磁場(chǎng)的結(jié)果[3],可以看出:不同斷絲數(shù)量的損傷漏磁強(qiáng)度特征有明顯區(qū)分,改變模型的斷口長(zhǎng)度和斷絲數(shù)量,可得到所需不同損傷程度的數(shù)據(jù)。

2.2 鋼絲繩斷絲實(shí)驗(yàn)

筆者使用6×37+FC結(jié)構(gòu)的鋼絲繩進(jìn)行斷絲試件制作,鋼絲繩試件直徑為24 mm,長(zhǎng)度為5 950 mm,每隔600 mm制作一處斷口寬度為13 mm～15 mm的斷絲損傷。

實(shí)際制作的斷絲如圖8所示。

圖8 鋼絲繩斷絲實(shí)物圖Fig.8 Physical picture of broken wire ropes

該實(shí)驗(yàn)使用的漏磁傳感器如圖9所示。

圖9 漏磁傳感器實(shí)物圖Fig.9 Physical picture of magnetic flux leakage sensor

圖9中,永磁體NdFeB35作為勵(lì)磁源,與導(dǎo)磁銜鐵構(gòu)成勵(lì)磁器,并與被檢測(cè)鋼絲繩構(gòu)成磁回路,霍爾元件嵌在勵(lì)磁器的中間位置[2]41。

實(shí)驗(yàn)使用的鋼絲繩檢測(cè)試驗(yàn)臺(tái)如圖10所示。

圖10 鋼絲繩檢測(cè)試驗(yàn)臺(tái)Fig.10 Wire rope testing test bench

筆者利用該試驗(yàn)臺(tái)采集鋼絲繩斷絲損傷的原始信號(hào),將1根斷絲、2根斷絲、3根斷絲的信號(hào)分別從原始信號(hào)中切割出來,每處斷絲的漏磁信號(hào)切割為包含1 024個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)塊[21]。

切割出來的3種損傷信號(hào)如圖11所示。

圖11 3種損傷的實(shí)驗(yàn)原始信號(hào)Fig.11 Experimental raw signals of the three lesions

由于在漏磁檢測(cè)過程中,鋼絲繩產(chǎn)生的晃動(dòng)、鋼絲繩表面起伏不平,以及外界電磁干擾等,都會(huì)使采集的漏磁信號(hào)夾雜較多的噪聲,導(dǎo)致信號(hào)失真,難以進(jìn)行損傷信號(hào)的特征提取與識(shí)別,而且仿真信號(hào)中噪聲干擾很小。因此,為解決實(shí)測(cè)信號(hào)中存在噪聲干擾導(dǎo)致其與仿真信號(hào)不匹配的問題,筆者需要對(duì)實(shí)測(cè)信號(hào)進(jìn)行去噪處理[22]。

由于具有良好的時(shí)頻局部特性,小波變換在處理含有噪聲的非平穩(wěn)信號(hào)方面具有明顯優(yōu)勢(shì),其適合用于具有突變特性的鋼絲繩斷絲漏磁信號(hào)的去噪處理。

筆者采用小波變換的方式對(duì)實(shí)測(cè)信號(hào)進(jìn)行去噪。小波去噪的過程實(shí)質(zhì)上是先對(duì)原始信號(hào)進(jìn)行小波變換,然后對(duì)得到的頻帶子信號(hào)進(jìn)行閾值收縮處理,最后再按照小波逆變換的過程,將閾值收縮處理后的頻帶子信號(hào)重構(gòu)為可代替原始信號(hào)的新信號(hào)。

在該實(shí)驗(yàn)中,筆者使用“db2”小波函數(shù)對(duì)信號(hào)進(jìn)行分解去噪,結(jié)果如圖12所示。

圖12 小波去噪后的3種損傷實(shí)測(cè)信號(hào)Fig.12 Three kinds of damage measured signals after wavelet denoising

由圖12可以看出:該小波函數(shù)對(duì)鋼絲繩損傷信號(hào)具有良好的分解效果[23]。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的鋼絲斷絲定量識(shí)別

針對(duì)工程實(shí)際中無實(shí)測(cè)樣本和少量實(shí)測(cè)樣本工況問題,筆者分別提出了將仿真數(shù)據(jù)作為訓(xùn)練集和將仿真數(shù)據(jù)輔助小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集的方法,以提高鋼絲繩斷絲定量識(shí)別效果。

接下來,筆者對(duì)兩種工況分別進(jìn)行驗(yàn)證。

3.1 以仿真數(shù)據(jù)作為訓(xùn)練集

為證明僅以仿真數(shù)據(jù)作為訓(xùn)練集的有效性,在無實(shí)測(cè)樣本工況下,筆者僅使用仿真數(shù)據(jù)作為模型的輸入,將實(shí)測(cè)數(shù)據(jù)用于測(cè)試,并與沒有訓(xùn)練的隨機(jī)初始化參數(shù)模型及測(cè)試集中實(shí)測(cè)數(shù)據(jù)去噪前后的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。

具體實(shí)驗(yàn)流程如圖13所示(所提方法以粗體顯示)。

圖13 無實(shí)測(cè)樣本工況下實(shí)驗(yàn)流程Fig.13 The experimental process under the condition of no measured samples

3.1.1 數(shù)據(jù)配置

根據(jù)2.1節(jié)所介紹的仿真方法,筆者將模型斷口長(zhǎng)度分別設(shè)為13 mm、13.1 mm、13.2 mm直到15 mm,即每次增加0.1 mm;仿真的每個(gè)損傷樣本為含1 024個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)塊,得到共21組仿真樣本。其中,每組包括1根斷絲、2根斷絲、3根斷絲和無損傷4個(gè)樣本,將21組仿真樣本作為模型的訓(xùn)練集;測(cè)試集使用25組實(shí)測(cè)樣本,其中每組包括的樣本分類情況與仿真樣本一致。

各類樣本個(gè)數(shù)和標(biāo)簽如表1所示。

表1 不同故障樣本個(gè)數(shù)組成及標(biāo)簽命名Table 1 Number composition and label naming of different fault samples

3.1.2 模型結(jié)構(gòu)

在網(wǎng)絡(luò)的訓(xùn)練過程中,訓(xùn)練環(huán)境為CPU,筆者將初始學(xué)習(xí)率設(shè)置為0.000 4,Batch-size為4。

為了增加實(shí)驗(yàn)的隨機(jī)性,提高網(wǎng)絡(luò)模型的泛化能力,采用shuffle-batch方法打亂樣本[24-25],經(jīng)過多次訓(xùn)練,最終得到了最優(yōu)網(wǎng)絡(luò)的各項(xiàng)主要參數(shù),如表2所示。

表2 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)Table 2 Convolutional neural network parameters

3.1.3 結(jié)果比較與分析

筆者將模型的訓(xùn)練次數(shù)設(shè)置為50次,得到了訓(xùn)練集的損失值曲線,如圖14所示。

圖14 訓(xùn)練集損失值曲線Fig.14 Training set loss value curve

從圖14中可以看出:訓(xùn)練損失值在迭代35次之后就已收斂,此時(shí)重復(fù)實(shí)驗(yàn)10次得到的平均準(zhǔn)確率為72.2%。

通過分析發(fā)現(xiàn),在模型訓(xùn)練過程中,隨著訓(xùn)練次數(shù)的不斷增加,訓(xùn)練集的學(xué)習(xí)效果越來越好,錯(cuò)誤越來越少;但當(dāng)模型訓(xùn)練到一定程度過后,測(cè)試集的準(zhǔn)確率會(huì)下降,此時(shí)模型就出現(xiàn)了過擬合。

為了使訓(xùn)練的模型具有更好的泛化能力,筆者使用早停法將訓(xùn)練次數(shù)設(shè)為22,經(jīng)過10次訓(xùn)練取平均值得到的準(zhǔn)確率達(dá)84.5%。在無實(shí)測(cè)樣本且不使用仿真樣本訓(xùn)練模型的情況下,準(zhǔn)確率只有27.5%。

無實(shí)測(cè)樣本工況下,訓(xùn)練集使用仿真樣本,而測(cè)試集使用沒有進(jìn)行小波去噪的實(shí)測(cè)樣本,進(jìn)行10次實(shí)驗(yàn)后得到的平均準(zhǔn)確率為53.6%,使用早停法的平均準(zhǔn)確率為69.3%,將其結(jié)果與去噪后的結(jié)果對(duì)比,如表3所示。

表3 無實(shí)測(cè)樣本工況下不同方法識(shí)別結(jié)果Table 3 Identification results of different methods under the condition of no measured samples

由表3可知:筆者使用仿真樣本作為訓(xùn)練集,去噪后的實(shí)測(cè)樣本作為測(cè)試集,并使用CNN模型進(jìn)行分類,其準(zhǔn)確率高達(dá)84.5%,高于其他方法以及分類模型,表明相對(duì)于傳統(tǒng)的斷絲識(shí)別方法,卷積神經(jīng)網(wǎng)絡(luò)大大提高了鋼絲繩斷絲分類準(zhǔn)確率。

早停法能夠較好地抑制仿真樣本為訓(xùn)練集實(shí)驗(yàn)中的過擬合問題;僅使用仿真樣本做訓(xùn)練集能有效輔助CNN模型訓(xùn)練,進(jìn)而大幅度提升斷絲定量識(shí)別準(zhǔn)確率。

3.2 以仿真數(shù)據(jù)輔助小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集

在少量實(shí)測(cè)樣本工況下,因損傷數(shù)據(jù)不足導(dǎo)致模型訓(xùn)練不充分,進(jìn)而嚴(yán)重影響斷絲定量識(shí)別效果。

筆者將仿真數(shù)據(jù)輔助小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集和只有小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集,將其與實(shí)測(cè)數(shù)據(jù)去噪前后作對(duì)比實(shí)驗(yàn),以證明將仿真數(shù)據(jù)輔助小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集的準(zhǔn)確率更高。

具體實(shí)驗(yàn)流程如圖15所示。

圖15 少量實(shí)測(cè)樣本工況下實(shí)驗(yàn)流程Fig.15 The experimental process under the condition of a small number of measured samples

3.2.1 數(shù)據(jù)配置

在只有少量實(shí)測(cè)樣本工況下,訓(xùn)練集使用20組仿真樣本和5組實(shí)測(cè)樣本,測(cè)試集使用25組實(shí)測(cè)樣本。各類樣本個(gè)數(shù)和標(biāo)簽如表4所示。

表4 不同故障樣本個(gè)數(shù)組成及標(biāo)簽命名Table 4 Number composition and label naming of different fault samples

3.2.2 模型結(jié)構(gòu)

在以仿真數(shù)據(jù)輔助小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集的實(shí)驗(yàn)中,模型結(jié)構(gòu)配置與3.1.2節(jié)相同,主要參數(shù)詳見表2。

3.2.3 結(jié)果比較與分析

在少量實(shí)測(cè)樣本的工況下,僅使用5組去噪后的實(shí)測(cè)樣本做訓(xùn)練集時(shí),由于模型訓(xùn)練的不充分,得到的準(zhǔn)確率為90.2%。

為了使模型訓(xùn)練更充分,筆者將20組仿真樣本和5組去噪后的實(shí)測(cè)樣本一起作為訓(xùn)練集,即使用仿真樣本輔助少量的實(shí)測(cè)樣本進(jìn)行模型訓(xùn)練。

由于每次訓(xùn)練時(shí)卷積神經(jīng)網(wǎng)絡(luò)的初始值是隨機(jī)的,為了驗(yàn)證該實(shí)驗(yàn)結(jié)果的可靠性,筆者重復(fù)以上操作10次,得到平均準(zhǔn)確率為97.5%,而使用早停法的準(zhǔn)確率為97.4%,兩者相差很小。

使用仿真樣本輔助少量的實(shí)測(cè)樣本進(jìn)行實(shí)驗(yàn)時(shí),訓(xùn)練集和測(cè)試集中的實(shí)測(cè)樣本均采用沒有進(jìn)行小波去噪的數(shù)據(jù)。該實(shí)驗(yàn)結(jié)果取10次平均后的準(zhǔn)確率為86.7%,使用早停法的10次平均準(zhǔn)確率結(jié)果為86.5%。

去噪前后對(duì)比結(jié)果如表5所示。

表5 少量實(shí)測(cè)樣本工況下不同方法識(shí)別結(jié)果Table 5 Identification results of different methods under the condition of a small number of measured samples

由表5可知:使用仿真數(shù)據(jù)輔助小樣本實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練集,并使用CNN模型進(jìn)行斷絲分類的準(zhǔn)確率高達(dá)97.5%,表明相比于卷積神經(jīng)網(wǎng)絡(luò),反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)模型以及支持向量回歸(support vector regression, SVR)模型的分類準(zhǔn)確率普遍較低。

仿真數(shù)據(jù)可以有效輔助去噪后的小樣本實(shí)測(cè)數(shù)據(jù),使CNN模型訓(xùn)練得更充分,進(jìn)而提高鋼絲繩斷絲定量識(shí)別的準(zhǔn)確率。

早停法在少量實(shí)測(cè)樣本工況下的作用甚微。

4 結(jié)束語

仿真數(shù)據(jù)驅(qū)動(dòng)的模式識(shí)別方法能夠有效地解決故障樣本不足的問題,然而目前為止尚未有相關(guān)研究成果公開發(fā)表過其在鋼絲繩故障診斷領(lǐng)域的應(yīng)用。

針對(duì)工程應(yīng)用中起重機(jī)鋼絲繩故障樣本存在不足甚至嚴(yán)重缺乏的問題,筆者提出了一種仿真數(shù)據(jù)驅(qū)動(dòng)的鋼絲繩斷絲定量識(shí)別方法,使用仿真數(shù)據(jù)輔助CNN模型訓(xùn)練,實(shí)現(xiàn)了鋼絲繩斷絲的定量識(shí)別目的。在無實(shí)測(cè)樣本和少量實(shí)測(cè)樣本兩種實(shí)驗(yàn)形式下,驗(yàn)證了該方法的有效性,并得出以下結(jié)論:

1)在無實(shí)測(cè)樣本工況和少量實(shí)測(cè)樣本工況下,仿真數(shù)據(jù)驅(qū)動(dòng)的鋼絲繩斷絲定量識(shí)別方法準(zhǔn)確率分別高達(dá)84.5%和97.5%,證明了該方法能夠有效地識(shí)別鋼絲繩損傷,為鋼絲繩損傷檢測(cè)中存在的故障樣本不足問題提供了新的解決思路;

2)在無實(shí)測(cè)樣本和少量實(shí)測(cè)樣本工況下,由于仿真數(shù)據(jù)不含有噪聲等其他因素干擾,分別對(duì)比了小波變換去噪前后實(shí)測(cè)數(shù)據(jù)的結(jié)果,證明了小波去噪能夠有效提高仿真數(shù)據(jù)驅(qū)動(dòng)的鋼絲繩斷絲定量識(shí)別方法的準(zhǔn)確率;

3)在無實(shí)測(cè)樣本工況下,僅使用仿真數(shù)據(jù)作為訓(xùn)練集會(huì)出現(xiàn)過擬合問題,使用早停法提前結(jié)束訓(xùn)練,能使模型獲得更好的泛化性能,進(jìn)而提高斷絲定量識(shí)別的準(zhǔn)確率。

在斷絲損傷距離較遠(yuǎn)時(shí),該研究方法能達(dá)到很好的定量識(shí)別效果。但在實(shí)際工況應(yīng)用中,當(dāng)損傷距離很近時(shí),可能會(huì)出現(xiàn)采集到的兩處損傷信號(hào)疊加的情況。

今后,筆者將進(jìn)一步豐富斷絲信號(hào)數(shù)據(jù)集,補(bǔ)充斷絲損傷在不同位置以及不同直徑鋼絲繩下的采集結(jié)果,以進(jìn)一步提高該方法的實(shí)用性。