樊紅衛(wèi)，馬寧閣，張旭輝，高爍琪，曹現(xiàn)剛，馬宏偉

(1.西安科技大學(xué) 機(jī)械工程學(xué)院， 陜西 西安 710054；2.陜西省礦山機(jī)電裝備智能監(jiān)測重點(diǎn)實(shí)驗(yàn)室， 陜西 西安 710054)

0 引言

機(jī)械設(shè)備在長期運(yùn)行中由于內(nèi)部零件存在相對運(yùn)動，零件表面會出現(xiàn)摩擦磨損。磨損不僅會造成材料損耗，還會降低機(jī)械設(shè)備工作可靠性，增加故障率[1]。煤礦井下環(huán)境復(fù)雜惡劣，且機(jī)械設(shè)備多處于重載工作狀態(tài)，加劇了零件表面磨損，容易引發(fā)生產(chǎn)事故。因此，有必要對機(jī)械設(shè)備磨損狀態(tài)進(jìn)行識別，以便及早發(fā)現(xiàn)設(shè)備潛在故障，從而對設(shè)備進(jìn)行有效維護(hù)。

油液分析技術(shù)是機(jī)械設(shè)備磨損檢測的重要手段，通過分析機(jī)械設(shè)備油液中磨粒的形態(tài)、尺寸等信息，可判定設(shè)備的磨損類型和原因。油液分析技術(shù)包括光譜分析、鐵譜分析、顆粒計數(shù)等[2]，其中鐵譜分析能夠檢測的磨粒尺寸范圍更廣[3]，在獲取磨粒分布圖像方面具有一定優(yōu)勢。鐵譜分析利用高梯度強(qiáng)磁場將油液中的磨粒按一定規(guī)律依次分離，通過對磨粒進(jìn)行定性、定量分析，獲得機(jī)械設(shè)備狀態(tài)信息。

磨粒鐵譜圖像識別[4]是鐵譜分析技術(shù)中的重要研究方向，通過對磨粒鐵譜圖像的預(yù)處理、特征提取等實(shí)現(xiàn)機(jī)械設(shè)備磨損狀態(tài)識別。經(jīng)典的鐵譜圖像智能識別通常采用機(jī)器學(xué)習(xí)算法對磨粒進(jìn)行自動分類，存在較多人工干預(yù)，普適性較差。近年來，隨著深度學(xué)習(xí)[5]在計算機(jī)視覺領(lǐng)域的飛速發(fā)展，基于深度學(xué)習(xí)的圖像識別已成為主流研究方向，具有智能化程度高、適用范圍廣等優(yōu)點(diǎn)。自編碼(Auto-encoding，AE)網(wǎng)絡(luò)是一種典型的深度學(xué)習(xí)方法[6-7]，本文在其基礎(chǔ)上提出一種堆棧降噪自編碼(Stacked Denoised Auto-encoding，SDAE)網(wǎng)絡(luò)，通過該網(wǎng)絡(luò)自動提取磨粒鐵譜圖像的深層特征并進(jìn)行分類，從而實(shí)現(xiàn)機(jī)械設(shè)備磨損狀態(tài)智能識別。

1 基本原理

1.1 AE網(wǎng)絡(luò)

AE網(wǎng)絡(luò)[8]屬于前饋神經(jīng)網(wǎng)絡(luò)中的非循環(huán)神經(jīng)網(wǎng)絡(luò)，是一種3層無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，結(jié)構(gòu)上分為編碼器和解碼器2個部分，如圖1所示。

圖1 AE網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 AE network structure

編碼器將輸入樣本xi(i=1，2，…，n，n為樣本數(shù))通過激活函數(shù)h(·)變換到低維空間。

y=h(xw+b)

(1)

式中：y為隱含層輸出矩陣；x為輸入樣本矩陣，x=[x1x2…xn]；w為編碼器的權(quán)值矩陣；b為編碼器的偏置矩陣。

解碼器將低維空間的信號y通過激活函數(shù)f(·)逆變換到高維空間，進(jìn)而重構(gòu)輸入樣本。

z=f(y)=f(h(xw′+b′))

(2)

式中：z為重構(gòu)后的樣本矩陣，z=[z1z2…zn],zi為重構(gòu)的輸入樣本；w′為解碼器的權(quán)值矩陣；b′為解碼器的偏置矩陣。

1.2 降噪自編碼網(wǎng)絡(luò)

在實(shí)際應(yīng)用中，訓(xùn)練樣本經(jīng)常會混入噪聲，導(dǎo)致通過AE網(wǎng)絡(luò)學(xué)習(xí)得到的特征出現(xiàn)偏差。降噪自編碼(Denoised Auto-encoding，DAE)網(wǎng)絡(luò)在AE網(wǎng)絡(luò)的基礎(chǔ)上加入噪聲，通過學(xué)習(xí)含噪聲的數(shù)據(jù)，提取更具魯棒性的特征[9]。DAE網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，引入條件分布CL給定產(chǎn)生損壞樣本的概率，得到加噪后的輸入樣本矩陣x′，利用損失函數(shù)L(x，z)計算重構(gòu)誤差，通過最小化重構(gòu)誤差提取輸入樣本的有效特征。

圖2 DAE網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 DAE network structure

1.3 SDAE網(wǎng)絡(luò)

為提取輸入樣本的深層特征，采用深度網(wǎng)絡(luò)結(jié)構(gòu)[10-11]將DAE逐層堆疊，構(gòu)成SDAE網(wǎng)絡(luò)，如圖3所示。下一個DAE網(wǎng)絡(luò)隱含層的輸入為上一個DAE網(wǎng)絡(luò)隱含層的輸出，網(wǎng)絡(luò)使用無監(jiān)督學(xué)習(xí)[12]的方式完成堆疊過程。SDAE網(wǎng)絡(luò)作為無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，能夠提取輸入樣本的深層特征并進(jìn)行特征編碼，但無法進(jìn)行樣本分類。因此，在SDAE網(wǎng)絡(luò)最后一層添加Softmax分類器，使整個網(wǎng)絡(luò)變成有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。

圖3 SDAE網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 SDAE network structure

2 機(jī)械設(shè)備磨損狀態(tài)識別

基于SDAE網(wǎng)絡(luò)的機(jī)械設(shè)備磨損狀態(tài)識別流程如圖4所示，具體步驟如下。

圖4 機(jī)械設(shè)備磨損狀態(tài)識別流程Fig.4 Flow of wear state recognition of mechanical equipment

(1) 利用鐵譜分析儀獲取磨粒鐵譜圖像[13]，對圖像進(jìn)行灰度化、增強(qiáng)、分割等預(yù)處理，并劃分訓(xùn)練集與測試集。

(2) 搭建SDAE網(wǎng)絡(luò)，根據(jù)訓(xùn)練集輸入樣本的數(shù)據(jù)維度和故障類別分別確定輸入層和輸出層的神經(jīng)元數(shù)量，初始化SDAE網(wǎng)絡(luò)參數(shù)(如激活函數(shù)、優(yōu)化器和學(xué)習(xí)率等)，根據(jù)不同參數(shù)下網(wǎng)絡(luò)訓(xùn)練結(jié)果確定SDAE網(wǎng)絡(luò)最優(yōu)參數(shù)。

(3) 采用逐層貪婪算法[11]訓(xùn)練各個DAE網(wǎng)絡(luò)，將上一個DAE網(wǎng)絡(luò)隱含層的輸出作為下一個DAE網(wǎng)絡(luò)隱含層的輸入，完成SDAE網(wǎng)絡(luò)預(yù)訓(xùn)練。

(4) 在最后一個DAE網(wǎng)絡(luò)隱含層后添加Softmax分類器進(jìn)行訓(xùn)練，得到帶標(biāo)簽的磨粒鐵譜圖像，并使用帶標(biāo)簽的磨粒鐵譜圖像有監(jiān)督微調(diào)SDAE網(wǎng)絡(luò)參數(shù)。

(5) 使用測試集測試SDAE網(wǎng)絡(luò)，若測試準(zhǔn)確率達(dá)到預(yù)定要求則輸出分類結(jié)果，否則轉(zhuǎn)至步驟(2)，繼續(xù)調(diào)整SDAE網(wǎng)絡(luò)參數(shù)。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)平臺

由于煤礦機(jī)械設(shè)備多采用齒輪傳動，為了制備實(shí)驗(yàn)所需的鐵譜圖像，搭建齒輪傳動平臺，如圖5所示。該平臺采用變頻電動機(jī)作為動力源，變頻電動機(jī)的輸出軸依次連接由二級行星齒輪、二級直齒輪構(gòu)成的減速器和用于模擬負(fù)載的磁粉制動器。

圖5 齒輪傳動平臺Fig.5 Gear transmission platform

收集齒輪傳動平臺運(yùn)行一段時間后的油液樣本，通過鐵譜分析平臺(圖6)將油液樣本中的磨粒分離出來，并使磨粒通過磁場沉積在玻璃基片上，完成譜片制作。將譜片置于顯微鏡下觀察，獲取磨粒鐵譜圖像。

圖6 鐵譜分析平臺Fig.6 Ferrography analysis platform

鐵譜分析平臺主要參數(shù)見表1。

表1 鐵譜分析平臺主要參數(shù)Table 1 Main parameters of ferrography analysis platform

3.2 實(shí)驗(yàn)數(shù)據(jù)

根據(jù)不同機(jī)械設(shè)備磨損狀態(tài)，可將磨粒分為正常磨粒、切削磨粒、滾動磨粒和嚴(yán)重滑動磨粒，4種磨粒對應(yīng)的鐵譜圖像及特征見表2。

表2 磨粒鐵譜圖像及特征Table 2 Ferrographic images and features of wear particle

鐵譜圖像制備工藝復(fù)雜、周期較長，難以在短時間內(nèi)獲取大量合格的樣本供SDAE網(wǎng)絡(luò)訓(xùn)練，因此需要對樣本進(jìn)行擴(kuò)充。通過背景處理[14]和圖像增強(qiáng)的方式對樣本進(jìn)行平移、旋轉(zhuǎn)、對比度增強(qiáng)和翻轉(zhuǎn)操作，將原始小樣本擴(kuò)充為深度學(xué)習(xí)所需的大樣本。

3.3 SDAE網(wǎng)絡(luò)參數(shù)

選用Tensorflow作為深度學(xué)習(xí)框架，借助Python語言搭建由2個DAE網(wǎng)絡(luò)堆疊組成的SDAE網(wǎng)絡(luò)。設(shè)置輸入層神經(jīng)元個數(shù)為784，第1個DAE網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)為400，第2個DAE網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)為100，輸出層神經(jīng)元個數(shù)為4，損失函數(shù)采用交叉熵。將鐵譜圖像劃分為訓(xùn)練集和測試集，針對SDAE網(wǎng)絡(luò)中激活函數(shù)、優(yōu)化器和學(xué)習(xí)率等關(guān)鍵參數(shù)進(jìn)行研究，最終確定合理的網(wǎng)絡(luò)模型。

3.3.1 激活函數(shù)

激活函數(shù)為神經(jīng)元提供模擬復(fù)雜數(shù)據(jù)集所需的非線性特征[15]，該函數(shù)取所有輸入的加權(quán)和，進(jìn)而生成一個輸出信號。分別設(shè)置激活函數(shù)為Sigmoid，Tanh，Relu，SDAE網(wǎng)絡(luò)訓(xùn)練過程中訓(xùn)練集準(zhǔn)確率如圖7所示，測試集準(zhǔn)確率見表3。

圖7 不同激活函數(shù)下訓(xùn)練集準(zhǔn)確率Fig.7 Accuracy of training set under different activation functions

表3 不同激活函數(shù)下測試集準(zhǔn)確率Table 3 Accuracy of test set under different activation functions

從圖7可看出，在迭代初期采用Relu函數(shù)的網(wǎng)絡(luò)訓(xùn)練集準(zhǔn)確率增長顯著且很快趨于穩(wěn)定，迭代末期訓(xùn)練集準(zhǔn)確率穩(wěn)定在98%左右且未出現(xiàn)劇烈振蕩；采用Sigmoid，Tanh函數(shù)時，在相同周期內(nèi)訓(xùn)練集準(zhǔn)確率從一個較低水平開始持續(xù)增長且最終未能穩(wěn)定在較高水平。從表3可看出，采用Relu函數(shù)的網(wǎng)絡(luò)測試集準(zhǔn)確率最高，達(dá)98.43%。因此選擇Relu函數(shù)作為SDAE網(wǎng)絡(luò)的激活函數(shù)。

3.3.2 優(yōu)化器

優(yōu)化器的任務(wù)是調(diào)整網(wǎng)絡(luò)訓(xùn)練的損失至最小值[16]，即使網(wǎng)絡(luò)的重構(gòu)誤差達(dá)到最小值，進(jìn)而提取輸入樣本的深層特征。分別設(shè)置優(yōu)化器為Adam，Adagrad，F(xiàn)trl，SDAE網(wǎng)絡(luò)訓(xùn)練過程中訓(xùn)練集準(zhǔn)確率如圖8所示，測試集準(zhǔn)確率見表4。

圖8 不同優(yōu)化器下訓(xùn)練集準(zhǔn)確率Fig.8 Accuracy of training set under different optimizers

表4 不同優(yōu)化器下測試集準(zhǔn)確率Table 4 Accuracy of test set under different optimizers

從圖8可看出，使用Adam優(yōu)化器的網(wǎng)絡(luò)更快達(dá)到穩(wěn)定，訓(xùn)練集準(zhǔn)確率穩(wěn)定在99%左右；Adagrad，F(xiàn)trl優(yōu)化器在整個訓(xùn)練過程的準(zhǔn)確率比Adam優(yōu)化器低。從表4可看出，使用Adam優(yōu)化器的網(wǎng)絡(luò)測試集準(zhǔn)確率最高，達(dá)98.43%。因此選擇Adam作為SDAE網(wǎng)絡(luò)的優(yōu)化器。

3.3.3 學(xué)習(xí)率

學(xué)習(xí)率影響網(wǎng)絡(luò)收斂到局部最小值的速度。若學(xué)習(xí)率設(shè)置過大，網(wǎng)絡(luò)損失梯度相應(yīng)增大，產(chǎn)生較大的波動；若學(xué)習(xí)率設(shè)置過小，網(wǎng)絡(luò)收斂速度降低，所需訓(xùn)練時間過長[17]。分別設(shè)置學(xué)習(xí)率為0.001，0.01，0.1，1，SDAE網(wǎng)絡(luò)訓(xùn)練過程中訓(xùn)練集準(zhǔn)確率如圖9所示，測試集準(zhǔn)確率見表5。

圖9 不同學(xué)習(xí)率下訓(xùn)練集準(zhǔn)確率Fig.9 Accuracy of training set under different learning rates

表5 不同學(xué)習(xí)率下測試集準(zhǔn)確率Table 5 Accuracy of test set under different learning rates

從圖9可看出，當(dāng)學(xué)習(xí)率為0.001時，網(wǎng)絡(luò)在整個迭代周期內(nèi)訓(xùn)練集準(zhǔn)確率高達(dá)98%左右且未出現(xiàn)強(qiáng)幅振蕩；當(dāng)學(xué)習(xí)率為0.01時，整個訓(xùn)練過程的準(zhǔn)確率較學(xué)習(xí)率為0.001時略差；當(dāng)學(xué)習(xí)率為0.1和1時，訓(xùn)練集準(zhǔn)確率很低。從表5可看出，當(dāng)學(xué)習(xí)率為0.001時，測試集準(zhǔn)確率最高，達(dá)98.43%。因此選擇SDAE網(wǎng)絡(luò)的學(xué)習(xí)率為0.001。

3.4 SDAE網(wǎng)絡(luò)性能評價

采用精確率、召回率、F1-score 3個指標(biāo)[18]評價SDAE網(wǎng)絡(luò)對機(jī)械設(shè)備磨損狀態(tài)的識別能力。精確率用于衡量SDAE網(wǎng)絡(luò)對正樣本分類的準(zhǔn)確程度，精確率越高，表明分類結(jié)果越準(zhǔn)確；召回率是針對全體樣本而言，反映分類結(jié)果的全面程度，召回率越高，表明分類結(jié)果越全面；F1-score指標(biāo)為精確率和召回率的綜合結(jié)果，F(xiàn)1-score越高，表明分類綜合性能越好。當(dāng)SDAE網(wǎng)絡(luò)的激活函數(shù)為Relu、優(yōu)化器為Adam、學(xué)習(xí)率為0.001時，網(wǎng)絡(luò)評價結(jié)果見表6。

表6 SDAE網(wǎng)絡(luò)評價結(jié)果Table 6 Evaluation results of SDAE network %

從表6可看出，4類磨粒鐵譜圖像識別的精確率平均值達(dá)95%，表明SDAE網(wǎng)絡(luò)對磨粒鐵譜圖像分類的準(zhǔn)確程度較高，其中對正常磨粒鐵譜圖像的分類效果最好，未出現(xiàn)誤檢現(xiàn)象；召回率平均值為95%，表明SDAE網(wǎng)絡(luò)分類結(jié)果較全面，其中對切削磨粒鐵譜圖像分類時未出現(xiàn)漏檢現(xiàn)象；F1-score平均值為95%，表明SDAE網(wǎng)絡(luò)的分類綜合性能較好。

4 結(jié)語

提出了一種基于SDAE網(wǎng)絡(luò)的機(jī)械設(shè)備磨損狀態(tài)識別方法。通過SDAE網(wǎng)絡(luò)對磨粒鐵譜圖像進(jìn)行深層特征提取，并在有監(jiān)督微調(diào)下對鐵譜圖像進(jìn)行自動分類，實(shí)現(xiàn)了機(jī)械設(shè)備磨損狀態(tài)智能識別。實(shí)驗(yàn)結(jié)果表明，采用Relu激活函數(shù)、Adam優(yōu)化器和0.001學(xué)習(xí)率時，SDAE網(wǎng)絡(luò)性能最佳，識別準(zhǔn)確率為98.43%。