基于深度降噪自編碼網(wǎng)絡(luò)（DDAE）的軸承退化特征提取

基于深度降噪自編碼網(wǎng)絡(luò)（DDAE）的軸承退化特征提取

Summary：針對(duì)軸承退化問(wèn)題的特征提取，利用深度降噪自編碼網(wǎng)絡(luò)（DDAE）進(jìn)行深度學(xué)習(xí)。提出深度降噪自編碼特征提取法的基本原理，最后以該特征提取方法的實(shí)際案例來(lái)對(duì)軸承退化特征提取進(jìn)行詳解。結(jié)果表明DDAE具有很強(qiáng)的學(xué)習(xí)性能和良好的特征提取效果。Keys：深度降噪自編碼網(wǎng)絡(luò)；軸承退化；特征提取引言軸承退化問(wèn)題是滾動(dòng)軸承在長(zhǎng)期工作環(huán)境中經(jīng)常出現(xiàn)的一種問(wèn)題，在現(xiàn)代工業(yè)生產(chǎn)中普遍存在。對(duì)滾動(dòng)軸承進(jìn)行實(shí)時(shí)檢測(cè)和故障診斷不僅能夠提升機(jī)械的性能和工作穩(wěn)定性，還能夠延長(zhǎng)機(jī)械使用壽命，為機(jī)械加工行業(yè)提供穩(wěn)定可靠的經(jīng)濟(jì)來(lái)源。深度降噪自編碼網(wǎng)絡(luò)（DDAE）作為一種全新的軸承退化特征提取方式目前正在被廣泛應(yīng)用，相關(guān)研究論述也在不斷優(yōu)化DDAE的演算方法。1特征提取方法研究現(xiàn)狀關(guān)于軸承振動(dòng)信息，時(shí)域、高頻區(qū)域和低時(shí)頻區(qū)域等傳統(tǒng)獲取振動(dòng)信息的特征方式使用得最多。而時(shí)域特性則是使用最早、簡(jiǎn)潔有效的一種特性。在1962年，0.GGustafsson與TTallian便開始深入研究軸承所退化，指出了將由加速度感應(yīng)器所收集獲得的信息加以數(shù)據(jù)處理，算出所需檢測(cè)信息的峰值點(diǎn)，之后再與通常的軸承所信息峰值點(diǎn)作比較，進(jìn)而確定軸承類型的優(yōu)劣，這也應(yīng)該是第一個(gè)將信息時(shí)域特性運(yùn)用到軸承所衰退檢測(cè)中的技術(shù)案例。時(shí)域分析主要是在時(shí)間的背景上刻畫振動(dòng)信息的相關(guān)數(shù)據(jù)，同時(shí)保存了振蕩信息的原始或完整數(shù)據(jù)，再繪出小波浪狀進(jìn)行分析，但由于單純的小波分析對(duì)于機(jī)械退化的早期退化現(xiàn)象并不敏感，所以無(wú)法通過(guò)單純的小波分析判斷機(jī)械退化的過(guò)程時(shí)間。常規(guī)的時(shí)域、頻率區(qū)間特性信息中存在著一些問(wèn)題，傳統(tǒng)的時(shí)域映射特性信息如均方根值、方根幅值、絕對(duì)平均數(shù)、方差等的量綱特性參數(shù)，還有波形價(jià)格指數(shù)、脈沖指標(biāo)、裕度指標(biāo)、峭度指數(shù)等無(wú)量綱特性指數(shù)中存在著對(duì)特性信息的挖掘能力有限，檢測(cè)效率不夠等問(wèn)題，易受外部原因影響。采集的振動(dòng)信息主要分為穩(wěn)定信號(hào)和非穩(wěn)定信號(hào)二類，但對(duì)于非穩(wěn)定的振動(dòng)信息，常規(guī)的時(shí)域頻域特征參數(shù)并不足以表達(dá)軸承的退化信息，而頻譜區(qū)間數(shù)據(jù)也并不能適應(yīng)于非穩(wěn)定的沖擊信息，因此不少學(xué)者都認(rèn)為時(shí)頻分析的有效方法，但近些年又進(jìn)行了更深入的探討。2深度降噪自編碼特征提取法自解碼器是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的一種，這里的神經(jīng)網(wǎng)絡(luò)包含了一組輸入層，一組甚至是幾個(gè)隱藏層，以及一組輸入輸出層，自解碼器結(jié)構(gòu)與其大致相同，只不過(guò)將所有輸入與輸出信息變成了一種編碼(encoder)與解碼(decoder)的方式，在解碼的進(jìn)程中基本保存了信息的所有數(shù)據(jù)特性，然后再利用自編碼的方式將所有信息“還原”，雖然在形式上信息并沒(méi)有發(fā)生變化，但是并沒(méi)有說(shuō)信息完全一致，在此進(jìn)程中，只有盡可能近似地“再現(xiàn)”所有信息，而并沒(méi)有做到完全一致。所以，不少人都會(huì)覺(jué)得這是一種無(wú)監(jiān)控的算法，不過(guò)自編碼器并不是嚴(yán)格意義上的無(wú)監(jiān)控，而應(yīng)該稱為有監(jiān)控，不認(rèn)為有標(biāo)簽，在編碼器中只通過(guò)輸入信息生成標(biāo)簽。3利用深度降噪自編碼網(wǎng)絡(luò)的軸承退化特征提取本試驗(yàn)通過(guò)采用電火花加工人工模擬軸承的單點(diǎn)退化技術(shù)，在軸承類型內(nèi)圈上設(shè)定了最大退化寬度為0.17mm。試驗(yàn)中采用了放置于發(fā)電機(jī)驅(qū)動(dòng)端與風(fēng)機(jī)端之間的振動(dòng)加速度計(jì)傳感器拾取振蕩信息，取樣頻率約為12000Hz。并根據(jù)驅(qū)動(dòng)器端數(shù)據(jù)，記錄下了當(dāng)電動(dòng)機(jī)速度約為1800r/min時(shí)軸承的內(nèi)圈退化狀況。圖1頻譜圖圖2包絡(luò)頻譜圖從圖1可知，退化類型的時(shí)域信號(hào)存在較大的差異。如軸承正常狀態(tài)下的幅值為[0，0.1]，軸承內(nèi)圈輕度退化下的幅值為[0，0.05]，信號(hào)具有明顯的差異性，能夠比較容易的區(qū)分。從軸承類型的頻域信息進(jìn)行大數(shù)據(jù)分析后，對(duì)軸承內(nèi)圈的振動(dòng)信息進(jìn)行了包絡(luò)線譜分析，所得的包絡(luò)線頻譜信息如圖2。從上圖可知軸承內(nèi)圈的退化狀況，從而可以較好的辨認(rèn)出退化類型。當(dāng)內(nèi)圈存在衰退時(shí)期，由于內(nèi)圈與承載力的方向位置相對(duì)比較穩(wěn)定，頻率峰值主要體現(xiàn)為內(nèi)圈的退化類型特征頻率的整數(shù)比頻成分。不過(guò)對(duì)同一退化類型在不同程度的退化，僅從包絡(luò)線譜圖較難以辨別。而在內(nèi)圈的中度退化特征中頻率峰值比較集中，對(duì)干擾影響很大，因此退化特征的高倍頻成分較不易進(jìn)行正確識(shí)別。所以，同時(shí)頻率區(qū)間圖雖然可以對(duì)一些信號(hào)中差別比較顯著的信號(hào)加以正確辨別，不過(guò)也對(duì)一些差別比較不顯著，就如同一個(gè)退化類型在不同程度的退化，僅從時(shí)域分析圖也無(wú)法作出正確判別。選定自轉(zhuǎn)軸向內(nèi)圈旋轉(zhuǎn)約一周的樣本點(diǎn)為下一個(gè)樣本的長(zhǎng)度，首先將截取好的振動(dòng)數(shù)據(jù)采樣集通過(guò)聲音信號(hào)的采集和歸一化處理后形成總數(shù)據(jù)集，退化在正常情況下的聲音信息約300組，從總特征集隨機(jī)選擇約60%樣品用作訓(xùn)練集，其余部分則用作試驗(yàn)集。在測(cè)試集的結(jié)果中我們可以發(fā)現(xiàn)，系統(tǒng)的進(jìn)入層結(jié)點(diǎn)數(shù)為18，產(chǎn)出層結(jié)點(diǎn)數(shù)為7，可以通過(guò)DDAE算法來(lái)對(duì)網(wǎng)絡(luò)中各個(gè)隱含層次的結(jié)點(diǎn)數(shù)、稀疏數(shù)據(jù)與輸入數(shù)據(jù)設(shè)定比例，將最大的迭代時(shí)間設(shè)為150s，誤差范圍為4%。圖3DDAE特征提取降噪DDAE自編碼的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為20-20-25，即0.2684-0.3317-0.1514，權(quán)重衰減系數(shù)為α=1*10-3，稀疏懲罰系數(shù)ξ=3，因此DAE以及Soft-max分類層的數(shù)據(jù)更新的最大迭代次數(shù)設(shè)定為100，微調(diào)的最大迭代次數(shù)設(shè)定為150。表1單隱含層中不同隱含層單元數(shù)實(shí)驗(yàn)結(jié)果隱層單元數(shù)識(shí)別率（%）訓(xùn)練時(shí)間（s）2073.3338.393077.7838.744093.8940.22從表1的實(shí)驗(yàn)結(jié)果可知：?jiǎn)坞[層的網(wǎng)絡(luò)中，隨著隱層單元數(shù)的增加需要的訓(xùn)練時(shí)間也越來(lái)越長(zhǎng)。網(wǎng)絡(luò)的識(shí)別率隨著隱層單元數(shù)的增加，識(shí)別率部分有明顯的增長(zhǎng)趨勢(shì)。如當(dāng)隱層單元數(shù)從20增加到30時(shí)，識(shí)別率也從73.33%增加到了77.78%，當(dāng)隱層單元數(shù)在40時(shí)，此時(shí)網(wǎng)絡(luò)的識(shí)別率大約在94%左右，維持在此較高位置，此時(shí)網(wǎng)絡(luò)具有足夠的隱層單元。4結(jié)論本文提出了一種基于深度學(xué)習(xí)和DDAE識(shí)別的軸承退化特征提取方法，通過(guò)DDAE網(wǎng)絡(luò)對(duì)軸承內(nèi)圈的原始數(shù)據(jù)進(jìn)行頻譜分析，擺脫了傳統(tǒng)退化特征提取中大量信號(hào)處理的依賴，獲得較高的軸承退化特征提取效率，故障診斷精度也有所提升。Reference：[1]韓輝,程德權(quán),徐赫.基于堆疊降噪自編碼的給水泵軸承故障診斷[J].機(jī)電工程技術(shù),2021.[2]胡俊.基于堆棧降噪自編碼的軸承故障診斷方法研究[D].江西.華東交通大學(xué);2018.[3]朱喆,許少華.降噪自編碼器深度卷積過(guò)程神經(jīng)網(wǎng)絡(luò)及在時(shí)變信號(hào)分類中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用,2020,40(3):698-703.[4]陳林.基于深度學(xué)習(xí)的電機(jī)軸承故障診斷方法研究[D].遼寧.沈陽(yáng)理工大學(xué);2019.[5]呂勛.基于深度去噪自編碼器的網(wǎng)絡(luò)異常檢測(cè)方法研究[D].南華大學(xué),2020.[6]王鵬,鄧?yán)?湯寶平,等.基于自編碼器和門限循環(huán)單元神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)[J].