徐衛(wèi)鵬,徐 冰

(1.中煤科工集團 上海有限公司，上海 200030；2.日照職業(yè)技術學院 現(xiàn)代汽車學院， 山東 日照 276825 )

隨著煤礦綜采技術的進步，采煤機截割系統(tǒng)向智能化發(fā)展，且截割工況復雜，生產(chǎn)過程中難以避免地截割硬度為8～10的夾矸、斷層甚至更為堅硬的硫化鐵結核，產(chǎn)生較大沖擊力，對搖臂各組成部件的開發(fā)、生產(chǎn)及維護提出了更苛刻的要求。任何組件特別是軸承的一個微觀損傷或輕微震蕩都可能影響整機的工作性能，降低生產(chǎn)質(zhì)量，甚至引發(fā)嚴重的安全事故。為及時準確地掌握采煤機截割系統(tǒng)的健康信息，監(jiān)測系統(tǒng)需采集大量樣本數(shù)據(jù)，在此背景下，設備健康監(jiān)測技術進入大數(shù)據(jù)時代，文獻[1]以傳感器獲取監(jiān)測樣本數(shù)據(jù)，以機器學習積累訓練經(jīng)驗作為主要技術手段，智能判斷機械健康狀態(tài)作為最終目的。

深度學習概念由Hinton等[2]首次提出，作為人工智能領域的一個重要跨越，深度學習技術因其卓越的數(shù)據(jù)挖掘及特征自適應學習能力[3]在機械狀態(tài)監(jiān)測領域受到青睞。文獻[4]指出，機械故障診斷常用的網(wǎng)絡模型為卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)、自動編碼器(auto-encoder,AE)、深度信念網(wǎng)絡(deep belief network,DBN)和循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network,RNN)。通過適當調(diào)整網(wǎng)絡結構，并結合不同信號處理技術，可對不同應用場景下的故障進行智能診斷。

具備稀疏交互、參數(shù)共享等特點的卷積神經(jīng)網(wǎng)絡可以有效簡化故障診斷模型，減少訓練參數(shù)數(shù)量，提高邊緣檢測效率，使模型具有較強的魯棒性和容錯性。由于這些出色的特性，CNN信號處理能力優(yōu)于全連接網(wǎng)絡，既可降低訓練難度，又可以提高識別準確率。文獻[5] 提出在一維卷積神經(jīng)網(wǎng)絡模型基礎上將振動信號化為灰度圖像的二維優(yōu)化故障診斷方法，利用AMSGrad算法將預測模型準確率提升至98%。文獻[6]提出具有兩個卷積層的卷積神經(jīng)網(wǎng)絡，構建大深度卷積神經(jīng)網(wǎng)絡(wide depth convolutional neural network，WDCNN)模型框架，直接作用于時域振動信號對軸承進行故障診斷，提高了模型的抗噪性能和變載自適應性，提出訓練干擾的卷積神經(jīng)網(wǎng)絡(convolutional neural network with training interference，TICNN)模型，增強了泛化能力。

采煤機搖臂工作環(huán)境惡劣，有效提取軸承振動信息、識別故障類型是該類故障診斷的關鍵。AlexNet經(jīng)典框架對深度學習技術的發(fā)展具有里程碑意義，其基本結構和設計思想是后續(xù)新開發(fā)深度神經(jīng)網(wǎng)絡的基石[7-8]。本研究以經(jīng)典AlexNet為基礎，基于一維卷積神經(jīng)網(wǎng)絡建立適應軸承一維時域信號的故障診斷模型(1D convolutional neural network diagnosis model，1CNN)，該模型由多級交替的卷積層和池化層組成，可完成原始輸入信號特征的自適應提取，并通過全連接層實現(xiàn)故障分類識別，用于較高準確率地識別、診斷復雜工況下采煤機截割部軸承故障及其故障類型，并通過實驗數(shù)據(jù)，驗證了該模型識別準確率。

1 卷積神經(jīng)網(wǎng)絡和AlexNet經(jīng)典架構

1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是以一定深度卷積運算為特點的前饋神經(jīng)網(wǎng)絡[9]，主要含有濾波級網(wǎng)絡和分類級網(wǎng)絡。其中，濾波級網(wǎng)絡提取原始輸入信號的特征，分類級網(wǎng)絡對學習到的特征進行分類處理，兩級網(wǎng)絡參數(shù)通過訓練數(shù)據(jù)確定。濾波級網(wǎng)絡包含3類基本單元[10-11]：對輸入信號局部特征進行卷積計算的卷積層，對卷積輸出值進行非線性變換的激活層，降維運算的池化層；分類級網(wǎng)絡由全連接層構成。

全連接層將末端池化層的輸出鋪展成一維特征向量作為全連接層的輸入，采用ReLu作為激活函數(shù)的隱含層與采用Softmax函數(shù)作為激活函數(shù)的輸出層進行全連接，如圖1所示。采用Softmax函數(shù)的目標為將輸入的神經(jīng)單元轉換為和是1的概率分布函數(shù)，便于后續(xù)多分類目標函數(shù)的建立。

圖1 全連接層工作原理

通過求解目標函數(shù)最優(yōu)值，得到訓練邏輯回歸模型的參數(shù)。對數(shù)似然代價函數(shù)與Softmax的組合和交叉熵與Sigmoid函數(shù)的組合非常相似，在二分類時可將對數(shù)似然代價函數(shù)簡化為交叉熵代價函數(shù)，用于衡量兩個分布的一致性[12]。

假設CNN通過Softmax函數(shù)實際輸出值為q，目標分布為p，當目標分類為j時pj=1，否則pj=0。交叉熵代價函數(shù)為：

式中m為輸入小批量的大小。

1.2 AlexNet經(jīng)典架構

與LeNet-5相比，AlexNet由5個卷積層及3個全連接層組成，具有更深的網(wǎng)絡結構[13-14]。圖2為AlexNet的架構示意圖。

圖2 AlexNet架構示意圖

文獻[15-16]指出，AlexNet在增加學習深度的同時對訓練模型提出改進：對樣本隨機添加操作，擴大訓練數(shù)據(jù)集，避免對某一屬性產(chǎn)生過度依耐性；使用Dropout抑制過擬合；采用RELU激活函數(shù)解決梯度消失問題。

2 搖臂軸承故障診斷的神經(jīng)網(wǎng)絡

本研究提出1CNN搖臂故障診斷模型由3個卷積池化層組成，通過卷積池化層間相互交替，并通過全連接層故障診斷。通過對神經(jīng)網(wǎng)絡的合理卷積來完成振動信號特征的自適應提取，同時有效防止訓練過程中梯度消失現(xiàn)象，進而通過卷積神經(jīng)網(wǎng)絡給出故障診斷結果。

2.1 1CNN基本結構

1CNN基本結構如圖3所示，由3個卷積層、3個池化層、2個全連接層以及1個輸出層構成，其結構參數(shù)如表1所示。1CNN較經(jīng)典AlexNet具有如下優(yōu)勢：

圖3 1CNN基本結構

表1 1CNN結構參數(shù)

1) 采用直接作用于時域信號的一維卷積核和池化核，降低勞動強度，提高工作效率，對前幾個卷積層采用大尺寸卷積核，并隨著網(wǎng)絡深度的增加而減小卷積核尺寸；

2) 采用L2正則化，保證訓練速率。

2.2 樣本構造

1CNN采用滑窗法獲取訓練和測試樣本，以滿足模型深度特性需求的較多樣本數(shù)據(jù)。圖4所示為軸承振動時域信號，為保證數(shù)據(jù)樣本的有效性，滑窗長度大于軸承旋轉一周的時間?；暗囊苿硬介L通常小于樣本長度，截取樣本之間有相互重疊部分，當移動步長為滑窗長度的0.8倍時，故障診斷率相對較高[17-18]。

圖4 滑窗法構造樣本

1CNN設置的滑窗長度為150 ms，移動步長為120 ms，采用此方法可增加樣本量，同時保證截取時的特征連續(xù)性。

2.3 1CNN故障診斷模型建立

1CNN引入一種改進Adam算法，將超參數(shù)設置為隨時間改變的變量，保證尋優(yōu)過程中學習率始終保持為非負數(shù)。該算法解決了經(jīng)典Adam算法訓練得到的模型在整體分布中是過擬合的，且尋優(yōu)過程中學習率可能出現(xiàn)劇烈震蕩、極易不收斂的難題[19-20]，同時對卷積神經(jīng)網(wǎng)絡中的參數(shù)及超參數(shù)的選擇要求沒有隨機梯度下降法(stochastic gradient descent,SGD)那么苛刻。

以編碼形式將滑窗法截取的數(shù)據(jù)樣本貼上對應的故障狀態(tài)標簽，隨機打亂，以9∶1的比例劃分訓練集和測試集。模型參數(shù)初始化后，將訓練集輸入到模型中進行反復迭代，達到預期目標或最大迭代次數(shù)時停止；把測試集輸入訓練后的模型，通過對比輸出預測標簽與真實標簽確定模型的識別準確率，評估模型網(wǎng)絡性能。如果未達到預期性能，則對網(wǎng)絡各項參數(shù)指標進行優(yōu)化，重新訓練。

采用Python在Tensor flow環(huán)境下搭建卷積神經(jīng)網(wǎng)絡,訓練時由Xavier函數(shù)設置網(wǎng)絡權重初始值，偏置為0，通過指數(shù)衰減法得到Adam算法的學習率，設置初始值為10-3，衰減率為0.95。全連接層中Dropout和L2正則化系數(shù)分別為0.5和2×10-4，對網(wǎng)絡模型進行6 000輪訓練。

3 模型訓練與驗證

3.1 模擬故障試驗

為驗證模型的有效性和優(yōu)越性，設計了軸承試驗方案。圖5為TDSH機械故障綜合試驗臺實樣圖，該實驗臺由傳動系統(tǒng)、控制系統(tǒng)、測試及采集系統(tǒng)等部分組成，采用瑞典ABB公司制造的變頻電動機，電動機連接聯(lián)軸器驅動軸，左右兩組軸承同時支撐旋轉軸，通過替換故障軸承來提取不同故障的振動信號，可測試軸承內(nèi)圈、軸承外圈、滾子等故障。試驗臺上安置兩處軸承座，靠近電機側軸承座交替安裝外圈損壞、內(nèi)圈損壞和滾子損壞的軸承，離電機遠側安裝無故障軸承。

圖5 機械故障綜合試驗臺

本試驗以MG650/1750-WD采煤機截割系統(tǒng)SKF6008-2Z深溝球滾動軸承為對象，通過電火花加工模擬軸承外圈、內(nèi)圈及滾子故障現(xiàn)象，通過加速度傳感器獲得滾動軸承的振動信號并通過東華測試生產(chǎn)的16通道數(shù)據(jù)采集儀將振動信號采集并存儲到計算機中，系統(tǒng)采樣頻率為30 kHz，轉速為1 500 rpm。

試驗過程中，軸承處于空載狀態(tài)。試驗軸承工作狀態(tài)可分為正常、軸承外圈故障、內(nèi)圈故障及滾子故障4類，每一類故障狀態(tài)按照點蝕直徑劃分為0.18、0.36和0.54 mm 3個等級，深度均為0.2 mm。即每類故障狀態(tài)按故障狀態(tài)細分為3種狀態(tài)，加上正常形態(tài)共計10種工作狀態(tài)。試驗共進行10次，每次試驗時間為20 min。首先對使用正常軸承試驗20 min，采集正常狀態(tài)下軸承的振動信號；然后打開分體式軸承座，更換上內(nèi)圈點蝕故障0.18 mm軸承，試驗20 min,采集該故障形態(tài)下的軸承振動信號；通過該方式，依次對內(nèi)圈點蝕故障0.36 mm、內(nèi)圈點蝕故障0.54 mm、外圈點蝕故障0.18 mm、外圈點蝕故障0.36 mm、外圈點蝕故障0.54 mm、滾子點蝕故障0.18 mm、滾子點蝕故障0.36 mm、滾子點蝕故障0.54 mm形態(tài)的軸承試驗，并采集到相應狀態(tài)下的振動信號。

各選取1 000個不同工作狀態(tài)的軸承振動信號樣本，采用分層采樣法劃分10個等分子集，其中9個子集應用于訓練，1個子集供測試使用，并以編碼的形式貼上標簽。表2為試驗數(shù)據(jù)集的樣本數(shù)量。

表2 實驗數(shù)據(jù)集描述

3.2 1CNN模型診斷

通過各狀態(tài)軸承振動時域信號波形圖(圖6)，難以直觀地分辨不同工作狀態(tài)的波形，既不能區(qū)分軸承是否存在故障，更不能分辨損傷類型和程度。

圖6 軸承振動時域頻譜圖

為了驗證1CNN模型對軸承故障識別能力，在配置I7-9700K處理器和Quadro P2000顯卡的計算機硬件環(huán)境下，將維度為500的軸承時域信號導入模型輸入層對模型進行訓練。模型訓練完成后，分別用訓練樣本和測試樣本評估模型網(wǎng)絡性能，并將結果分別定義為訓練精度和測試精度，共進行50次試驗，并取其中10次結果的平均值為試驗結果。

圖7為故障診斷實驗結果，模型訓練平均精度為99.83%，測試精度最低為99.58%，平均值為99.67%。1CNN模型的訓練時間和測試時間均控制在35 s以內(nèi)。試驗結果表明：1CNN方法可較精確地識別軸承故障類型及損傷程度，具有較強的魯棒性和實時性。

圖7 故障診斷實驗結果

為驗證1CNN診斷模型在軸承故障診斷領域的優(yōu)勢，在訓練集與測試集的比例為9∶1的前提下，與支持向量機(support vector machine,SVM)、卷積神經(jīng)網(wǎng)絡經(jīng)典AlexNet構架、LeNet-5、粒子群優(yōu)化算法的支持向量機(particle swarm optimization-SVM,PSO-SVM)以及BP神經(jīng)網(wǎng)絡與1DCNN進行對比，其中，SVM、PSO-SVM以及BP為淺層結構，AlexNet、LeNet-5以及1CNN為深度網(wǎng)絡且采用Tensorflow的Keras庫實現(xiàn)。AlexNet的輸入維度為45；SVM以徑向基核函數(shù)作為設計核心；LeNet-5由兩個交替的卷積池化層以及兩個全連接層組成，其中卷積和池化層均為非零項；BP神經(jīng)網(wǎng)絡采用神經(jīng)單元數(shù)為500的全連接層結合Softmax分類器實現(xiàn)，激活函數(shù)為Sigmoid。表3為1CNN與其他模型的精度對比。

表3 1CNN與其他模型精度對比分析

由表3可以看出，1CNN、AlexNet以及PSO-SVM在訓練集上均取得98%以上的準確率，而在測試集上僅1CNN的準確率達到98%以上。經(jīng)典AlexNet算法的訓練精度和測試精度分別為98.34%和97.2%，1CNN無論訓練精度還是測試精度都比AlexNet算法有顯著提高，表明此算法更適用于一維時域信號的處理。與SVM及BP等淺層網(wǎng)絡相比，1CNN測試精度準確率有明顯優(yōu)勢，原因在于淺層模型學習特征能力有限，不具備良好的分類特性。PSO-SVM在訓練集上與1CNN、AlexNet不相上下，但在測試集上不盡如人意。與同類型LeNet-5相比，1CNN在訓練和測試精度上都有提升，表明網(wǎng)絡深度的增加可以有效提高模型的故障評估性能。

4 結論

1) 以經(jīng)典AlexNet為基礎，基于一維卷積神經(jīng)網(wǎng)絡建立了適應一維時域信號的采煤機搖臂軸承故障多層級相互交替的診斷模型1CNN，該模型可自適應提取原始輸入信號特征，精準識別軸承故障類型。

2) 通過軸承故障診斷試驗，驗證了故障診斷模型1CNN的準確性。結果表明，1CNN無論是在訓練集還是測試集上的精度都超過99.5%，更適合基于一維時域信號的故障診斷應用場景，1CNN可以有效識別采煤機搖臂軸承故障類型及損傷程度。

3) 訓練完成后的1CNN模型，無需重新學習訓練，即可直接識別診斷同型號采煤機搖臂內(nèi)軸承的同類型故障。