李 倩 劉惠康 皮 瑤 喻 青

(*武漢科技大學(xué)教育部冶金自動(dòng)化與檢測(cè)技術(shù)工程研究中心 武漢430081)

(**中鋼集團(tuán)武漢安全環(huán)保研究院 武漢430081)

0 引言

吊車作為工業(yè)生產(chǎn)中最常見的設(shè)備,不僅要保證其高效率的運(yùn)行作業(yè),對(duì)于它的安全問題更是不可忽視。在實(shí)際的工程中,考慮到制動(dòng)器是吊車高效、安全作業(yè)的保障,對(duì)制動(dòng)器進(jìn)行故障診斷引起了相關(guān)學(xué)者的廣泛研究。高峰[1]構(gòu)建了電梯故障診斷專家系統(tǒng),結(jié)合支持向量機(jī)(support vector machine,SVM)完成了電梯故障診斷。何常遠(yuǎn)等人[2]分析了起重機(jī)制動(dòng)系統(tǒng)典型故障及原因,利用Levenberg-Marquardt 算法優(yōu)化的BP(back propagation)神經(jīng)網(wǎng)絡(luò)識(shí)別故障。劉錦榮等人[3]通過構(gòu)建遺傳算法(genetic algorithm,GA)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)(GA-BP)的診斷方法,實(shí)現(xiàn)了提升機(jī)液壓制動(dòng)系統(tǒng)的常見故障診斷。雖然這些方法在過去取得了不錯(cuò)的效果,但隨著故障數(shù)據(jù)的日漸復(fù)雜化和大數(shù)據(jù)化,僅靠傳統(tǒng)的故障診斷方法難以取得很好的效果。比如專家系統(tǒng)只適合應(yīng)用于研究非常透徹的領(lǐng)域,而在研究尚未成熟的領(lǐng)域應(yīng)用則不能保證較高的準(zhǔn)確率。SVM 作為一種基于有限樣本統(tǒng)計(jì)理論的分類方法,只適合解決小樣本、高維數(shù)等問題。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)具有故障診斷準(zhǔn)確率高的優(yōu)點(diǎn),但是存在網(wǎng)絡(luò)收斂速度慢、容易陷入局部最小等問題。

深度學(xué)習(xí)理論的提出,解決了數(shù)據(jù)多且復(fù)雜的難題,越來越多的學(xué)者將其應(yīng)用在不同的研究領(lǐng)域。深度置信網(wǎng)絡(luò)(deep belief network,DBN)作為深層網(wǎng)絡(luò)的典型代表,憑借其強(qiáng)大的數(shù)據(jù)處理和特征提取能力廣泛地應(yīng)用于各種研究中,特別是在手寫體識(shí)別[4-6]、語音識(shí)別[7-8]及圖像處理[9-10]等領(lǐng)域取得了一些成果。通過查詢相關(guān)文獻(xiàn)可以看出,利用深度置信網(wǎng)絡(luò)進(jìn)行故障診斷具有一定優(yōu)勢(shì)。如Tamilselvan 和Wang[11]提出將DBN 理論應(yīng)用到飛機(jī)發(fā)動(dòng)機(jī)的故障診斷中,并對(duì)發(fā)動(dòng)機(jī)結(jié)構(gòu)狀態(tài)進(jìn)行了有效識(shí)別。Duc 和Provost[12]提出通過采集振動(dòng)、壓力、電流信號(hào),利用DBN 網(wǎng)絡(luò)對(duì)往復(fù)式壓縮機(jī)氣閥進(jìn)行故障診斷的方法,并通過實(shí)驗(yàn)證明了此方法的可行性。魯春燕和李煒[13]利用DBN 網(wǎng)絡(luò)對(duì)煉化空壓機(jī)進(jìn)行故障診斷,并與另外兩種傳統(tǒng)方法進(jìn)行對(duì)比后發(fā)現(xiàn)該方法具有較高的準(zhǔn)確率和穩(wěn)定性。

針對(duì)前文所述問題,本文提出一種基于深度置信網(wǎng)絡(luò)的吊車制動(dòng)器故障診斷方法。相比于現(xiàn)有的制動(dòng)器故障診斷方法,本文方法的優(yōu)點(diǎn)在于采用堆疊的受限玻爾茲曼機(jī)構(gòu)成的DBN 可以對(duì)數(shù)據(jù)進(jìn)行充分的預(yù)訓(xùn)練,從而更準(zhǔn)確地提取特征;集特征提取器與分類器于一體的結(jié)構(gòu)既解決了過分依賴人工經(jīng)驗(yàn)的問題,又可以通過BP 網(wǎng)絡(luò)的反向微調(diào)使得模型參數(shù)更精準(zhǔn)。除此之外,本文所應(yīng)用的采集吊車制動(dòng)器制動(dòng)正壓力的柔性薄膜傳感器陣列能有效保證每個(gè)檢測(cè)單元的一致性,從而保證了數(shù)據(jù)的準(zhǔn)確性。為了更好地展示深度置信網(wǎng)絡(luò)模型的優(yōu)點(diǎn),本文將該方法分別與基于SVM 和GA-BP 神經(jīng)網(wǎng)絡(luò)的制動(dòng)器故障診斷方法對(duì)比。結(jié)果表明,利用深度置信網(wǎng)絡(luò)進(jìn)行制動(dòng)器故障診斷不僅能獲得更高的診斷精度,而且穩(wěn)定性也比較高。

1 深度置信網(wǎng)絡(luò)基本原理

深度置信網(wǎng)絡(luò)是一種由多個(gè)受限玻爾茲曼機(jī)(restricted Boltzmann machine,RBM)和一個(gè)分類器堆疊起來而構(gòu)成的概率生成模型[14]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示,該模型由2 個(gè)RBM 堆疊而成,每個(gè)RBM 又包含可視層v和隱藏層h?？梢晫觱0代表輸入數(shù)據(jù),數(shù)據(jù)映射到隱藏層h0,構(gòu)成第1 層RBM;同時(shí),h0又作為下一個(gè)RBM 的輸入,數(shù)據(jù)就這樣逐層傳遞,最終在高層提取出具有表征能力的特征表示。

圖1 深度置信網(wǎng)絡(luò)模型

由于DBN 是一種深層神經(jīng)網(wǎng)絡(luò),結(jié)合其自身的結(jié)構(gòu)特點(diǎn),它既可用作非監(jiān)督學(xué)習(xí),又可用于監(jiān)督學(xué)習(xí)。用作非監(jiān)督學(xué)習(xí)時(shí),它的功能類似于自編碼器;而用于監(jiān)督學(xué)習(xí)時(shí),可將它作為一個(gè)分類器來使用[15]。

深度置信網(wǎng)絡(luò)的訓(xùn)練可分為兩個(gè)部分:第一部分為無監(jiān)督的預(yù)訓(xùn)練,該部分的訓(xùn)練通過貪婪算法由低往高地依次訓(xùn)練每個(gè)受限玻爾茲曼機(jī),將低層RBM 的輸出作為下一個(gè)RBM 的輸入,依次訓(xùn)練從而不斷更新網(wǎng)絡(luò)參數(shù)以獲得最佳學(xué)習(xí)特征;第二部分為有監(jiān)督的反向微調(diào)階段,將訓(xùn)練誤差反向地傳遞給每個(gè)RBM,從而進(jìn)行每層RBM 參數(shù)的微調(diào),反復(fù)進(jìn)行這些步驟直至達(dá)到最大迭代次數(shù)為止,此時(shí)的深度置信網(wǎng)絡(luò)模型的參數(shù)也達(dá)到了最優(yōu)。這一過程的核心可概括為利用貪婪學(xué)習(xí)算法不斷提取故障診斷信號(hào)中的故障特征,利用BP 神經(jīng)網(wǎng)絡(luò)反向微調(diào)使得DBN 具有最優(yōu)的故障診斷與預(yù)測(cè)性能。

1.1 受限玻爾茲曼機(jī)的結(jié)構(gòu)與原理

受限玻爾茲曼機(jī)作為一個(gè)典型的能量模型[16],在深度置信網(wǎng)絡(luò)模型的形成與訓(xùn)練中有著重要的用處。RBM 的結(jié)構(gòu)如圖2 所示,每個(gè)RBM 中都包含兩部分,即可視層v和隱藏層h。每個(gè)可視層內(nèi)部單元之間不存在連接,只在可視層與隱藏層的層與層之間有雙向聯(lián)系。

圖2 受限玻爾茲曼機(jī)

包含m個(gè)可視層和n個(gè)隱藏層的RBM,它在某種狀態(tài)(v,h) 下的能量函數(shù)的矩陣-向量形式可以表示為

式中,θ={a,b,w} 表示受限玻爾茲曼機(jī)中的參數(shù),a和b分別為可視層單元和隱藏層單元的偏置向量,w為隱藏層單元和可視層單元之間的權(quán)重。

由式(1)可得出在此狀態(tài)下的聯(lián)合概率分布為

其中

Zθ為歸一化因子,也稱配分函數(shù)。

因?yàn)镽BM 中層與層之間條件獨(dú)立,所以可計(jì)算出可視層vi在隱藏層h狀態(tài)下被激活的概率為

同理可得出,隱藏層hj在可視層v狀態(tài)下被激活的概率為

在上式中,vi和ai分別為第i個(gè)可見層單元的狀態(tài)和偏置;bj和hj分別第j個(gè)隱藏層單元的狀態(tài)和偏置;sigmoid(x)表示激活函數(shù),且

1.2 受限玻爾茲曼機(jī)的訓(xùn)練算法

在RBM 的訓(xùn)練過程中,可見單元即被視為數(shù)據(jù)分布的樣本,訓(xùn)練的目的是不斷更新θ={w,a,b}使邊際分布Pθ(v,h) 最大程度上接近真實(shí)觀測(cè)數(shù)據(jù)分布PΣ(v),即生成的觀測(cè)數(shù)據(jù)的對(duì)數(shù)似然需要最大化。文獻(xiàn)[17]表明,對(duì)數(shù)似然的梯度上升可以通過吉布斯抽樣過程有效地近似,對(duì)于RBM 來說就產(chǎn)生了如下的學(xué)習(xí)規(guī)則:

其中,{·}data代表訓(xùn)練數(shù)據(jù)的期望,{·}model代表模型分布下的數(shù)據(jù)期望,η代表學(xué)習(xí)率,且η∈(0,1)。通常情況下,{·}model不易通過計(jì)算獲得,所以會(huì)采取抽樣逼近來獲得。

為了能使網(wǎng)絡(luò)達(dá)到平衡,使用吉布斯采樣近似值通常需要?jiǎng)?chuàng)建足夠的樣本。然而對(duì)比散度算法[17](contrastive divergence,CD)可以有效地解決這個(gè)問題,并且在實(shí)踐中表現(xiàn)非常好。本文采用K步對(duì)比散度算法(CD-K)來逼近{·}model以達(dá)到更新網(wǎng)絡(luò)參數(shù)的效果。

2 基于深度置信網(wǎng)絡(luò)的制動(dòng)器故障診斷

制動(dòng)器的有效制動(dòng)是控制吊運(yùn)設(shè)備正常運(yùn)行的關(guān)鍵以及保障安全的重要防線。因此,采用有效措施監(jiān)測(cè)制動(dòng)器不同工況的數(shù)據(jù)信號(hào),及時(shí)預(yù)報(bào)診斷故障非常重要。而傳統(tǒng)的故障診斷方法,如故障樹、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等,由于過分依靠人工經(jīng)驗(yàn),不能及時(shí)有效地提取故障特征和故障診斷準(zhǔn)確率低等問題而逐漸被深度神經(jīng)網(wǎng)絡(luò)取代。深度置信網(wǎng)絡(luò)作為深度神經(jīng)網(wǎng)路的代表之一,由于其強(qiáng)大的特征提取能力和實(shí)踐效果顯著的優(yōu)點(diǎn)被廣泛應(yīng)用于故障診斷中。本文中的吊車制動(dòng)器故障診斷流程示意圖如圖3 所示。

圖3 吊車制動(dòng)器故障診斷流程圖

采用上述方法進(jìn)行吊車制動(dòng)器故障診斷的一個(gè)優(yōu)點(diǎn)是可以根據(jù)診斷結(jié)果逐漸擴(kuò)大故障特征數(shù)據(jù)的數(shù)據(jù)庫,從而實(shí)現(xiàn)特征數(shù)據(jù)的自學(xué)習(xí)和優(yōu)化,達(dá)到提高故障診斷精度和穩(wěn)定性的目的。

2.1 故障診斷步驟

基于深度置信網(wǎng)絡(luò)的制動(dòng)器故障診斷可以分為以下幾個(gè)步驟。

(1)利用柔性薄膜傳感器陣列獲取吊車制動(dòng)器不同工況時(shí)的制動(dòng)壓力,并進(jìn)行相關(guān)性分析和歸一化處理,劃分測(cè)試樣本和訓(xùn)練樣本。

(2)通過多次測(cè)試得出深度置信網(wǎng)絡(luò)的參數(shù)。如DBN 網(wǎng)絡(luò)層數(shù)、輸入節(jié)點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)以及隱藏層節(jié)點(diǎn)數(shù)、學(xué)習(xí)率和迭代次數(shù)。

(3)利用訓(xùn)練數(shù)據(jù)作為輸入,對(duì)每個(gè)RBM 進(jìn)行無監(jiān)督的訓(xùn)練,直至第N個(gè)RBM 訓(xùn)練完為止。

(4)利用BP 算法實(shí)現(xiàn)對(duì)整個(gè)DBN 網(wǎng)絡(luò)的有監(jiān)督的反向微調(diào)訓(xùn)練過程。

(5)DBN 模型訓(xùn)練完畢后,輸入測(cè)試樣本數(shù)據(jù),對(duì)吊車制動(dòng)器進(jìn)行故障識(shí)別與分類。

根據(jù)上述故障診斷步驟可以看出,深度置信網(wǎng)絡(luò)模型能將無監(jiān)督地逐層訓(xùn)練受限玻爾茲曼機(jī)和有監(jiān)督地反向微調(diào)相結(jié)合,同時(shí)完成特征提取和故障分類識(shí)別的任務(wù),這就是相比傳統(tǒng)故障診斷方法而言深層神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)所在。

2.2 數(shù)據(jù)獲取方式

本文的制動(dòng)正壓力由一種柔性薄膜傳感器采集獲得,其結(jié)構(gòu)示意圖如圖4 所示。該傳感器陣列不同于一般的測(cè)力計(jì)、應(yīng)變儀,通常能獲得力的測(cè)量精度在±5%～±25%,現(xiàn)有傳感器制造技術(shù)不能保證陣列中各傳感器的一致性,而該薄膜傳感器陣列采用陣列可變電阻測(cè)量校正方法,使得陣列中每個(gè)檢測(cè)單元的分壓比一致。

圖4 柔性薄膜壓力傳感器結(jié)構(gòu)示意圖

柔性薄膜壓力傳感器在承壓時(shí),壓力值與器件的電導(dǎo)率有良好的正相關(guān)性,利用該特性設(shè)計(jì)單元力檢測(cè)算法。采用柔性薄膜傳感器陣列壓力檢測(cè)技術(shù)檢測(cè)制動(dòng)面承壓狀況,根據(jù)實(shí)時(shí)檢測(cè)的制動(dòng)器制動(dòng)面壓力大小及分布情況,結(jié)合制動(dòng)器控制指令即可對(duì)制動(dòng)器工作狀態(tài)、設(shè)備缺陷或故障做出判斷。

3 具體實(shí)例及驗(yàn)證

本文的數(shù)據(jù)來源于中鋼集團(tuán)武漢安全環(huán)保研究院的AHYDT-RX2018 型鼓式制動(dòng)器,并在國家橋門式起重機(jī)機(jī)械產(chǎn)品質(zhì)量監(jiān)督檢測(cè)中心進(jìn)行現(xiàn)場(chǎng)實(shí)驗(yàn)采集數(shù)據(jù)。在制動(dòng)器左右兩側(cè)的摩擦襯墊與制動(dòng)閘瓦之間放置2 個(gè)柔性薄膜傳感器陣列,以實(shí)時(shí)檢測(cè)制動(dòng)面受力大小及力的分布。壓力傳感器陣列信號(hào)采集采用分布式I/O 設(shè)備,通過MODBUS 現(xiàn)場(chǎng)總線與制動(dòng)系統(tǒng)監(jiān)控主控制器TPC1162Hi 工業(yè)平板計(jì)算機(jī)交互信息。同時(shí),通過MCGS 嵌入式組態(tài)軟件進(jìn)行數(shù)據(jù)處理和圖像顯示以及實(shí)時(shí)進(jìn)行故障預(yù)報(bào)。

實(shí)驗(yàn)中通過控制吊車制動(dòng)器的閉合和打開模擬各類故障,分別采集吊車制動(dòng)器不同運(yùn)行狀態(tài)下的監(jiān)測(cè)數(shù)據(jù)。為了充分提取特征數(shù)據(jù)的故障信號(hào),每種運(yùn)行狀態(tài)實(shí)驗(yàn)40 次,按照80%和20%的比例隨機(jī)劃分訓(xùn)練樣本和測(cè)試樣本,每種運(yùn)行狀態(tài)可以通過傳感器陣列采集到3840 個(gè)壓力值,吊車制動(dòng)盤常見的運(yùn)行狀態(tài)如表1 所示。

表1 吊車制動(dòng)器的幾種常見運(yùn)行狀態(tài)及樣本數(shù)

將數(shù)據(jù)輸入到DBN 網(wǎng)絡(luò)之前,對(duì)數(shù)據(jù)進(jìn)行歸一化處理,本文使用的歸一化公式為

其中,Xmin和Xmax分別為所采集的壓力值的最小值和最大值。

3.1 迭代次數(shù)的確定

在訓(xùn)練深度置信網(wǎng)絡(luò)的過程中,為了提高網(wǎng)絡(luò)的診斷精度,需要不斷更新網(wǎng)絡(luò)參數(shù),而這一過程需要通過迭代來完成,迭代次數(shù)即DBN 的訓(xùn)練次數(shù)。為了得到最合適的迭代次數(shù),分別取不同的迭代次數(shù)判斷其故障診斷能力。由圖5 可以看出,隨著迭代次數(shù)的增加,故障診斷誤差不斷減小,最后基本趨于穩(wěn)定;當(dāng)?shù)螖?shù)為500 次時(shí),診斷誤差基本趨于穩(wěn)定?？紤]到隨著迭代次數(shù)的增加模型的訓(xùn)練時(shí)間也大幅度增加,從而導(dǎo)致故障診斷實(shí)時(shí)性效果不好。于是,在本文中,該DBN 模型的迭代次數(shù)取500 次。

圖5 不同迭代次數(shù)的故障診斷誤差

3.2 受限玻爾茲曼機(jī)個(gè)數(shù)的確定

為了確定受限玻爾茲曼機(jī)個(gè)數(shù)(即隱藏層層數(shù))對(duì)故障診斷精度的影響,通過搭建N(N=1,2,3,4,5)層深度置信網(wǎng)絡(luò)模型,利用一樣的訓(xùn)練樣本集和測(cè)試樣本集對(duì)該模型進(jìn)行實(shí)驗(yàn)。為了保證實(shí)驗(yàn)結(jié)果的可靠性,每次實(shí)驗(yàn)進(jìn)行10 次模擬,得出的準(zhǔn)確率取平均值。N層DBN 網(wǎng)絡(luò)的故障診斷準(zhǔn)確率如圖6 所示。其中,4 層DBN 網(wǎng)絡(luò)的平均故障診斷率最高。

圖6 不同層數(shù)DBN 的診斷準(zhǔn)確率

經(jīng)過以上過程的不斷訓(xùn)練,最后在本文中采用的深度置信網(wǎng)絡(luò)一共包含4 層,其中2 層為隱藏層,每層神經(jīng)元的個(gè)數(shù)分別為4、24、24、5,迭代次數(shù)為500次,學(xué)習(xí)率為0.1。

3.3 診斷結(jié)果分析

為了更好地展示利用DBN 網(wǎng)絡(luò)進(jìn)行故障診斷的優(yōu)點(diǎn),本文分別利用GA-BP 和SVM 的訓(xùn)練集和測(cè)試集做了多次相同的實(shí)驗(yàn),這兩種方法的故障診斷準(zhǔn)確率如圖7 所示。

圖7 3 種故障診斷方法準(zhǔn)確率對(duì)比

結(jié)合圖7 和表2 可以看出,DBN 故障診斷平均準(zhǔn)確率高達(dá)92.14%,明顯高于GA-BP 神經(jīng)網(wǎng)絡(luò)和SVM;且DBN 準(zhǔn)確率方差也明顯低于GA-BP 和SVM,這說明利用DBN 進(jìn)行吊車制動(dòng)器故障診斷的穩(wěn)定性較高。以上實(shí)驗(yàn)有效地證實(shí)了利用深度置信網(wǎng)絡(luò)對(duì)吊車制動(dòng)器進(jìn)行故障診斷的優(yōu)越性。

表2 不同方法的診斷結(jié)果

4 結(jié)論

本文提出一種基于深度置信網(wǎng)絡(luò)的吊車制動(dòng)器故障診斷方法。該方法基于深層神經(jīng)網(wǎng)絡(luò)模型,充分展示了強(qiáng)大的數(shù)據(jù)提取能力,減少了預(yù)先對(duì)制動(dòng)器本身進(jìn)行建模的要求。實(shí)驗(yàn)結(jié)果表明,將深度置信網(wǎng)絡(luò)應(yīng)用于吊車制動(dòng)器故障診斷取得了較高的診斷精度,克服了傳統(tǒng)故障診斷方法對(duì)于故障信號(hào)預(yù)處理及人工經(jīng)驗(yàn)的依賴;基于DBN 故障診斷模型的搭建與調(diào)試涉及到診斷對(duì)象的影響,在本次實(shí)驗(yàn)中,適合該吊車制動(dòng)器的DBN 包含2 個(gè)隱含層。

雖然這次的實(shí)驗(yàn)取得了較好的診斷效果,但調(diào)節(jié)DBN 網(wǎng)絡(luò)初始參數(shù)耗費(fèi)了太多時(shí)間。今后,可將利用一種優(yōu)化算法自適應(yīng)地調(diào)節(jié)DBN 網(wǎng)絡(luò)參數(shù)作為本文的進(jìn)一步研究方向。