數(shù)據(jù)融合齒輪箱故障診斷方法

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了數(shù)據(jù)融合齒輪箱故障診斷方法范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

摘要：為了解決單通道單維度振動(dòng)信號(hào)輸入不能全面表達(dá)齒輪箱故障特征的問(wèn)題，提出一種基于多傳感器多通道數(shù)據(jù)融合的診斷模型，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于齒輪箱振動(dòng)信號(hào)的特征學(xué)習(xí)和故障分類中。利用連續(xù)小波變換對(duì)多通道數(shù)據(jù)進(jìn)行二維時(shí)頻變換，得到二維時(shí)頻圖像；構(gòu)建神經(jīng)網(wǎng)絡(luò)診斷模型，以多通道的時(shí)頻圖作為輸入，實(shí)現(xiàn)多通道信號(hào)特征的故障分類。通過(guò)動(dòng)力傳動(dòng)綜合故障實(shí)驗(yàn)臺(tái)采集到的多通道振動(dòng)信號(hào)對(duì)所提方法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，所提方法的特征提取能力和故障診斷效果優(yōu)于單維度信號(hào)輸入的診斷方法，具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞：齒輪箱；故障診斷；多傳感器數(shù)據(jù)融合；連續(xù)小波變換；卷積神經(jīng)網(wǎng)絡(luò)

齒輪箱作為旋轉(zhuǎn)機(jī)械中必不可少的結(jié)構(gòu)，其在航空航天、交通運(yùn)輸、工業(yè)生產(chǎn)等領(lǐng)域被廣泛應(yīng)用。由于齒輪箱在復(fù)雜環(huán)境中長(zhǎng)時(shí)間帶負(fù)荷工作，不可避免地會(huì)出現(xiàn)一些運(yùn)行故障，如果不能及時(shí)發(fā)現(xiàn)這些異常，將會(huì)造成不可估量的后果。因此，對(duì)齒輪箱早期工作狀態(tài)進(jìn)行監(jiān)測(cè)和診斷能夠降低各種風(fēng)險(xiǎn)，具有重要的意義。近年來(lái)，深度學(xué)習(xí)方法研究火熱，其中卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）作為典型的深度學(xué)習(xí)方法，具有強(qiáng)大的特征提取和表達(dá)能力，很多學(xué)者已將該方法應(yīng)用到故障診斷領(lǐng)域中。王海龍［1］提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和CNN的滾動(dòng)軸承故障診斷方法，將振動(dòng)信號(hào)分解后的分量與原始輸入信號(hào)構(gòu)成二維特征圖，輸入到CNN中進(jìn)行學(xué)習(xí)訓(xùn)練，進(jìn)而實(shí)現(xiàn)故障診斷；Chen等［2］利用小波分析處理振動(dòng)信號(hào)，然后輸入到CNN中進(jìn)行故障診斷的研究。然而在上述研究中，全部采用的是單通道的振動(dòng)數(shù)據(jù)作為網(wǎng)絡(luò)輸入，無(wú)法充分挖掘振動(dòng)信號(hào)的全方面特征，也沒(méi)有完全發(fā)揮CNN強(qiáng)大的特征提取能力。為了更加充分的提取齒輪箱運(yùn)轉(zhuǎn)過(guò)程中的全方位狀態(tài)，本文結(jié)合深度神經(jīng)網(wǎng)絡(luò)，提出了一種多傳感器多通道信號(hào)采集和多傳感器數(shù)據(jù)融合分析的齒輪箱故障診斷方法。

1原理與方法

1．1連續(xù)小波變換

連續(xù)小波變換（ContinueWaveletTransform，CWT）作為一種時(shí)間與尺度的信號(hào)變換方式，其無(wú)論是時(shí)域信號(hào)還是頻域信息，小波變換均能夠在不同的尺度上較完美的表現(xiàn)出信號(hào)的局部特征［3］。對(duì)于任意的函數(shù)f（t）∈L2（R）的連續(xù)小波變換為：Wf（a，b）＝〈f，ψa，b〉＝｜a｜－1／2∫Rf（t）ψ（t－ba）—————————dta，b∈R，a≠0（1）式中：ψ為母小波或基本小波；ψ（t）———為ψ（t）的共軛表示；〈f，ψa，b〉為內(nèi)積運(yùn)算，結(jié)果Wf（a，b）用來(lái)表示當(dāng)尺度為a、位置偏移為b時(shí)的小波函數(shù)系數(shù)。

1．2卷積神經(jīng)網(wǎng)絡(luò)

CNN是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，具有挖掘深層次特征的能力。CNN通常由卷積層、激活層和池化層交替連接構(gòu)成特征提取模塊，由全連接層和Softmax函數(shù)構(gòu)成分類器［4］。卷積層負(fù)責(zé)挖掘特征，其運(yùn)算公式：yl（i，j）＝Kli＊Xl（rj）＝∑W－1j′＝0Kl（j′）ixl（j＋j′）（2）式中：Kl（j′）i為第l層的第i個(gè)卷積核的第j′處權(quán)值；xl（j＋j′）為第l層中第j個(gè)被卷積的局部區(qū)域；W為卷積核寬度［5］。池化層在保留特征信息的同時(shí)，進(jìn)行壓縮降維。其平均池化運(yùn)算原理公式為：Pl（t，j）＝1W∑jWt＝（j－1）W＋1al（i，t）（3）式中：al（i，t）為第l層的第t個(gè)神經(jīng)元激活值；W為池化區(qū)域的寬度；Pl（t，j）為池化后的特征［6］。

2多傳感器融合的故障診斷方法

2．1模型設(shè)計(jì)

本文設(shè)計(jì)的是基于多傳感器數(shù)據(jù)融合的故障診斷流程：輸入的信息為多傳感器多通道振動(dòng)信號(hào)經(jīng)CWT變換后的二維時(shí)頻圖，網(wǎng)絡(luò)模型結(jié)構(gòu)采取多通道的輸入方式。將工作過(guò)程可以分為三個(gè)部分：特征數(shù)據(jù)集構(gòu)建、特征融合提取和故障分類診斷［7］。多傳感器數(shù)據(jù)融合網(wǎng)絡(luò)架構(gòu)如圖1所示。多通道特征數(shù)據(jù)集的構(gòu)造大體可分為兩個(gè)步驟：一是從采集到的原始振動(dòng)信號(hào)獲得并加以處理，將n個(gè)通道的信號(hào)分別按照長(zhǎng)度ls進(jìn)行截取操作，預(yù)處理后構(gòu)建m×（ls×n）的信號(hào)樣本數(shù)據(jù)集，其中m為樣本個(gè)數(shù)；二是將截取后的各段信號(hào)分別進(jìn)行CWT分析，構(gòu)成二維的輸入數(shù)據(jù)樣本集。特征融合提?。簩⒔邮軄?lái)自n個(gè)通道的數(shù)據(jù)集，主要依靠卷積池化的堆疊操作實(shí)現(xiàn)。卷積層將對(duì)輸入的n維特征圖進(jìn)行融合，維度提升實(shí)現(xiàn)特征的提取，池化層由局部最大值的方式進(jìn)行抽樣實(shí)現(xiàn)數(shù)據(jù)的降維，同時(shí)提高了非線性特征的魯棒性。故障分類部分：由兩個(gè)全連接層和一個(gè)分類層組成，其中第一個(gè)全連接層是將特征融合提取層末端的二維特征集合面進(jìn)行“展平”，即將二維像素點(diǎn)值轉(zhuǎn)換為首尾相連的一維時(shí)間序列；第二個(gè)全連接層是實(shí)現(xiàn)數(shù)據(jù)的過(guò)度操作，避免數(shù)據(jù)信息過(guò)大造成分類誤差；最后分類層利用Softmax分類器實(shí)現(xiàn)多分類故障的輸出。卷積操作時(shí)均采用3×3的小卷積核設(shè)計(jì)，減少網(wǎng)絡(luò)參數(shù)有利于加深網(wǎng)絡(luò)維度，實(shí)現(xiàn)深層次的特征提取同時(shí)可以在一定程度上可以減少過(guò)擬合。每進(jìn)行兩次卷積操作后進(jìn)行局部最大池化。模型訓(xùn)練的效果除了網(wǎng)絡(luò)模型結(jié)構(gòu)的選取之外，還受到訓(xùn)練參數(shù)的影響。訓(xùn)練批次為64，學(xué)習(xí)率為0．003。模型的具體參數(shù)如表1所示。

2．2應(yīng)用流程

基于多傳感器數(shù)據(jù)融合的齒輪箱故障診斷方法，通過(guò)布置在齒輪箱箱壁不同監(jiān)測(cè)點(diǎn)不同通道的傳感器采集振動(dòng)信號(hào)，利用獲取的信號(hào)對(duì)設(shè)計(jì)的診斷流程進(jìn)行有監(jiān)督的訓(xùn)練，將訓(xùn)練好的模型經(jīng)測(cè)試集進(jìn)行性能評(píng)估。診斷流程方法的具體步驟如下：（1）齒輪箱箱壁采集多通道的振動(dòng)信號(hào)，作為數(shù)據(jù)集，并劃分訓(xùn)練集與測(cè)試集。（2）將每一個(gè)通道的振動(dòng)信號(hào)進(jìn)行預(yù)處理，并通過(guò)CWT進(jìn)行時(shí)頻分析，生成二維特征圖。（3）搭建用來(lái)進(jìn)行故障特征融合提取的網(wǎng)絡(luò)模型架構(gòu)，決定網(wǎng)絡(luò)結(jié)構(gòu)、初始化網(wǎng)絡(luò)的參數(shù)和偏置。（4）將訓(xùn)練樣本集輸入到網(wǎng)絡(luò)模型中，通過(guò)正向傳播進(jìn)行訓(xùn)練，反向傳播求得訓(xùn)練誤差，進(jìn)而使得參數(shù)更新，直到網(wǎng)絡(luò)收斂。（5）將測(cè)試樣本集輸入到參數(shù)已經(jīng)優(yōu)化好的網(wǎng)絡(luò)模型中，判斷測(cè)試集樣本的準(zhǔn)確程度。確定網(wǎng)絡(luò)整體的輸出。即步驟1、步驟2為多通道數(shù)據(jù)集構(gòu)造，步驟3、步驟4為多數(shù)據(jù)融合特征提取過(guò)程。

3實(shí)驗(yàn)處理與分析

3．1多傳感器數(shù)據(jù)集構(gòu)建

本節(jié)以動(dòng)力傳動(dòng)綜合故障實(shí)驗(yàn)臺(tái)為依托，針對(duì)多通道信息數(shù)據(jù)融合的特征提取方法，采取了多個(gè)傳感器一起布置的方式，見(jiàn)圖2。圖中共放置了三個(gè)加速度傳感器，箱蓋上傳感器為軸向、徑向和垂向三通道采集，軸承端蓋頂端處傳感器采用軸向和徑向兩個(gè)通道，端蓋側(cè)方傳感器是軸向通道采集。采取多傳感器放置在齒輪箱的不同位置和不同方向，確保齒輪箱運(yùn)轉(zhuǎn)一次就可以獲得包含多種信息的振動(dòng)信號(hào)。研究所使用的數(shù)據(jù)是由布置在箱頂上傳感器的三個(gè)通道和端蓋上傳感器的軸向通道采集獲得的。將采集到的共四個(gè)通道數(shù)據(jù)，按一定比例隨機(jī)選取分成訓(xùn)練集與測(cè)試集，最終得到的數(shù)據(jù)集為：訓(xùn)練集9000，測(cè)試集900，信號(hào)長(zhǎng)度1024。類別標(biāo)簽見(jiàn)表2。

3．2信號(hào)時(shí)頻分析

針對(duì)CNN擅長(zhǎng)對(duì)圖像進(jìn)行處理的特點(diǎn)，將預(yù)處理后的數(shù)據(jù)進(jìn)行CWT生成二維特征圖。為有效的分析數(shù)據(jù)，確定使用復(fù)Morlet小波，尺度因子為256。圖3展示了4個(gè)通道下針對(duì)內(nèi)圈和裂紋復(fù)合信號(hào)經(jīng)CWT變換后的時(shí)頻圖，為方便其輸入進(jìn)行了維度壓縮，壓縮后的大小為64＊64。

3．3多傳感器數(shù)據(jù)融合故障診斷

訓(xùn)練集4個(gè)通道的數(shù)據(jù)輸入到設(shè)計(jì)的網(wǎng)絡(luò)模型中進(jìn)行多次迭代訓(xùn)練，通過(guò)正向訓(xùn)練和反向傳播算法，對(duì)網(wǎng)絡(luò)模型參數(shù)進(jìn)行尋優(yōu)。為了進(jìn)一步防止網(wǎng)絡(luò)訓(xùn)練發(fā)生過(guò)擬合現(xiàn)象，減少訓(xùn)練時(shí)間，提高訓(xùn)練效率。本文設(shè)置了不同組迭代次數(shù)，表3為每組迭代次數(shù)后的分類準(zhǔn)確率和損失率。可以發(fā)現(xiàn)本種方法在經(jīng)過(guò)15次迭代次數(shù)后，就有了很好的效果，測(cè)試集的準(zhǔn)確率能夠達(dá)到90％；再后續(xù)的迭代過(guò)程中，訓(xùn)練集準(zhǔn)確率基本上都接近或達(dá)到100％，測(cè)試集準(zhǔn)確率也在99％及以上。由此可以分析出，該種方法沒(méi)有進(jìn)行太多次迭代就能看到效果，有著較強(qiáng)的融合多通道信息的特征提取能力。為了進(jìn)一步分析網(wǎng)絡(luò)的正向訓(xùn)練和反向傳播的性能，將訓(xùn)練過(guò)程前30次迭代情況的損失和準(zhǔn)確率細(xì)節(jié)進(jìn)行展示，發(fā)展趨勢(shì)見(jiàn)圖4。通過(guò)圖中可以看出，該網(wǎng)絡(luò)遵循正常的訓(xùn)練策略，準(zhǔn)確率隨著迭代次數(shù)的增加總體呈現(xiàn)上升的趨勢(shì)。為了更加清晰地展現(xiàn)各工況的分類效果，通過(guò)混淆矩陣對(duì)訓(xùn)練結(jié)果進(jìn)行詳細(xì)的分析，如圖5所示?？梢园l(fā)現(xiàn)只有類別3中0．01概率的部分被預(yù)測(cè)分類到類別四中，其他類別都完美的進(jìn)行了分類。

3．4單傳感器數(shù)據(jù)診斷方法

為驗(yàn)證多傳感器數(shù)據(jù)融合診斷方法能夠更全面、更完整地分析信號(hào)特征，表征設(shè)備的運(yùn)行狀態(tài)，設(shè)計(jì)了單傳感器單通道振動(dòng)數(shù)據(jù)的故障診斷實(shí)驗(yàn)。針對(duì)不同測(cè)點(diǎn)的四通道數(shù)據(jù)，共進(jìn)行4組實(shí)驗(yàn)與本文所提的方法進(jìn)行對(duì)比。網(wǎng)絡(luò)的輸入更新為單通道一維信號(hào)，之后特征提取部分均與多通道網(wǎng)絡(luò)融合的參數(shù)設(shè)置一致。每種方法重復(fù)進(jìn)行實(shí)驗(yàn)，計(jì)算每種狀態(tài)分類準(zhǔn)確率的平均值，結(jié)果如表4所示。通過(guò)表4發(fā)現(xiàn)，單傳感器單通道的信號(hào)輸入到相同的網(wǎng)絡(luò)模型中，測(cè)試后的平均準(zhǔn)確率為97．59％，雖然表現(xiàn)出了較好的特征提取能力，但總體仍低于本章所提出的診斷方法。因此，基于多通道數(shù)據(jù)融合的特征提取網(wǎng)絡(luò)模型能夠較全面的對(duì)齒輪箱的運(yùn)行狀態(tài)進(jìn)行分析，具有很好的效果。

4結(jié)束語(yǔ)

為了全面分析齒輪箱的工作狀態(tài)，融合多方位的振動(dòng)信息，提出了一種借用多通道傳感器進(jìn)行信號(hào)采集，并利用CNN進(jìn)行特征提取的診斷流程。實(shí)驗(yàn)結(jié)果表明，該種方法有效的利用了多傳感器多通道信號(hào)輸入的優(yōu)勢(shì)，診斷能力明顯高于單通道信號(hào)輸入；CNN能夠更好的融合多傳感器多通道的信息進(jìn)行特征提取，提出的方法具有很高的診斷準(zhǔn)確率。

作者:夏晗鐸 郝如江 程旺單位 石家莊鐵道大學(xué)機(jī)械工程學(xué)院