徐彥偉，蔡薇薇，頡潭成，陳立海，劉明明

(1.河南科技大學(xué) 機(jī)電工程學(xué)院，河南 洛陽 471003；2.智能數(shù)控裝備河南省工程實(shí)驗(yàn)室，河南 洛陽 471003)

0 引言

地鐵牽引電機(jī)軸承在高溫、交變負(fù)荷和長(zhǎng)時(shí)間疲勞的惡劣工況下運(yùn)行，其內(nèi)、外圈滾道及滾動(dòng)體上容易出現(xiàn)裂紋、點(diǎn)蝕等局部損傷或缺陷，導(dǎo)致牽引電機(jī)產(chǎn)生噪音和異常振動(dòng)[1]。作為地鐵動(dòng)力系統(tǒng)的關(guān)鍵部件，牽引電機(jī)軸承一旦出現(xiàn)故障，輕則影響地鐵平穩(wěn)行駛，出現(xiàn)運(yùn)行異常，重則損傷設(shè)備，造成牽引電機(jī)卡死、異常停車等險(xiǎn)情，還可能造成重大經(jīng)濟(jì)損失甚至人員傷亡。若能準(zhǔn)確、及時(shí)、智能地識(shí)別牽引電機(jī)軸承運(yùn)行中萌生和演變的故障并及早進(jìn)行維護(hù)，則對(duì)地鐵安全運(yùn)行具有重大意義[2]。

傳統(tǒng)的機(jī)械故障診斷方法主要通過信號(hào)處理與診斷經(jīng)驗(yàn)提取淺層故障特征，然后利用不同的模式識(shí)別方法進(jìn)行分類診斷[3]，例如AMIRAT等[4]采用整體經(jīng)驗(yàn)?zāi)B(tài)分解方法研究風(fēng)輪機(jī)軸承的故障診斷，辜振譜等[5]基于改進(jìn)密度峰值聚類方法對(duì)航空發(fā)動(dòng)機(jī)故障進(jìn)行診斷，王保建等[6]研究支持向量機(jī)在故障智能診斷中的應(yīng)用，這些研究取得了較好的效果，但需要掌握大量的信號(hào)處理技術(shù)和豐富的工程實(shí)踐經(jīng)驗(yàn)進(jìn)行故障特征提取[7-10]，且較少考慮工況變化對(duì)故障診斷結(jié)果的影響。變工況下的滾動(dòng)軸承故障信號(hào)中蘊(yùn)藏著豐富的故障特征信息，近年來，眾多學(xué)者對(duì)變工況下滾動(dòng)軸承故障的特征提取方法進(jìn)行了深入研究，例如趙德尊等[11]研究了基于自適應(yīng)廣義解調(diào)變換的滾動(dòng)軸承時(shí)變非平穩(wěn)故障特征提取方法；高冠琪等[12]通過時(shí)頻擠壓和重采樣階比分析對(duì)軸承故障進(jìn)行診斷；針對(duì)變轉(zhuǎn)速工況，夏均忠等[13]提出基于集成階頻譜相關(guān)的滾動(dòng)軸承故障特征提取方法，唐明等[14]提出一種基于階次解調(diào)譜的滾動(dòng)軸承故障診斷方法，周勇[15]提出一種基于獨(dú)立特征選擇與相關(guān)向量機(jī)的滾動(dòng)軸承故障智能診斷模型。這些變工況下的滾動(dòng)軸承故障診斷方法雖然取得了良好的效果，但是主要集中在信號(hào)的時(shí)頻分析、處理和提取特征等方面。由于在轉(zhuǎn)速、載荷交變的復(fù)雜工況下測(cè)得的地鐵牽引電機(jī)軸承故障信號(hào)，會(huì)因不同類型故障的頻段相互重疊而發(fā)生不同程度的耦合與畸變，容易被調(diào)制呈現(xiàn)出典型的非平穩(wěn)性和非線性，很難通過淺層故障特征對(duì)其二維時(shí)域和頻域信息進(jìn)行全面、準(zhǔn)確地描述，而且很難評(píng)價(jià)所提取的淺層故障特征與所采用的模式識(shí)別算法間的匹配程度。

通過學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，反復(fù)嵌套特征變換，自動(dòng)學(xué)習(xí)數(shù)據(jù)的內(nèi)部特征，深度學(xué)習(xí)可以主動(dòng)挖掘隱藏于海量原始數(shù)據(jù)中的代表性診斷信息，并直接建立運(yùn)行狀態(tài)與原始數(shù)據(jù)之間的精確映射關(guān)系，以在很大程度上擺脫依賴人工特征設(shè)計(jì)與工程診斷經(jīng)驗(yàn)的思路[16]，在故障診斷領(lǐng)域中的應(yīng)用日益廣泛，例如雷亞國(guó)等[17]利用深度神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)進(jìn)行機(jī)械裝備健康監(jiān)測(cè)，姜洪開等[18]利用深度學(xué)習(xí)對(duì)飛行器故障進(jìn)行智能診斷，金棋等[19]利用深度學(xué)習(xí)對(duì)行星齒輪箱故障進(jìn)行診斷，李川等[20]利用深度學(xué)習(xí)對(duì)3D打印機(jī)故障進(jìn)行診斷。深度學(xué)習(xí)能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)內(nèi)部特征的優(yōu)勢(shì)，使其成功應(yīng)用于滾動(dòng)軸承故障診斷領(lǐng)域，例如陳法法等[1]采用短時(shí)傅里葉變換、張弘斌等[21]采用多通道樣本構(gòu)造方法、陳仁祥等[22]采用離散小波變換，曲建嶺等[23]基于“端到端”的方法，分別結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)，研究了基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷方法。這些方法雖然取得了良好的效果，但是基本上都是用美國(guó)凱斯西儲(chǔ)大學(xué)基于振動(dòng)傳感器采集的試驗(yàn)數(shù)據(jù)進(jìn)行研究。

多傳感器信息融合技術(shù)是根據(jù)一定的準(zhǔn)則，通過計(jì)算機(jī)對(duì)按時(shí)序獲取的多個(gè)傳感器的測(cè)量信息進(jìn)行多方面與多層次綜合處理，得到精確估計(jì)，并及時(shí)對(duì)態(tài)勢(shì)、威脅與重要程度進(jìn)行全面、綜合評(píng)估的決策過程，具有較高的實(shí)時(shí)性、互補(bǔ)性、容錯(cuò)性和經(jīng)濟(jì)性等優(yōu)點(diǎn)[24-26]。近年來，信息融合技術(shù)在滾動(dòng)軸承故障診斷領(lǐng)域中的應(yīng)用日益廣泛[27-28]，但尚未形成統(tǒng)一規(guī)范。

為解決變工況下滾動(dòng)軸承故障診斷過程中，通過時(shí)域、頻域或時(shí)頻域分析提取特征，過于依賴先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)，且泛化能力受約束以及單一傳感器可靠性較低的問題，本文采用CNN對(duì)不同工況下地鐵牽引電機(jī)軸承試驗(yàn)過程中的聲發(fā)射和振動(dòng)信息特征進(jìn)行融合，研究變工況下基于深度學(xué)習(xí)與信息融合的地鐵牽引電機(jī)軸承故障智能診斷方法。

1 地鐵牽引電機(jī)軸承試驗(yàn)與信息采集系統(tǒng)

1.1系統(tǒng)結(jié)構(gòu)

用滾動(dòng)軸承試驗(yàn)臺(tái)、試驗(yàn)軸承、聲發(fā)射和振動(dòng)傳感器、信號(hào)放大與調(diào)理器、數(shù)據(jù)采集卡和計(jì)算機(jī)共同搭建的滾動(dòng)軸承試驗(yàn)與信息采集系統(tǒng)原理如圖1所示。

由河南科技大學(xué)、洛陽軸承研究所和智能數(shù)控裝備河南省工程實(shí)驗(yàn)室聯(lián)合開發(fā)的滾動(dòng)軸承試驗(yàn)平臺(tái)(可徑向加載300 kN、軸向加載200 kN，試驗(yàn)軸承最大允許內(nèi)徑為120 mm)、PCI-8聲發(fā)射儀(信噪比為4.5，頻率范圍為1 kHz～3 MHz，最高采樣頻率為10 M/S)、R50S-TC聲發(fā)射傳感器(測(cè)量范圍為50 kHz～700 kHz，諧振頻率為500 kHz)、LC0151T加速度傳感器(靈敏度為150 mv/g，量程為33 g，分辨率為40 kHz，諧振頻率為0.000 2 kHz，頻率范圍為0.7 Hz～13 kHz)、LC0201-5信號(hào)調(diào)理器、PCI8510數(shù)據(jù)采集卡(采樣頻率為500 kS/s，8通道同步采樣)和NU216地鐵牽引電機(jī)軸承(內(nèi)圈直徑為80 mm，外圈直徑為140 mm，寬度為26 mm)共同搭建的地鐵牽引電機(jī)軸承試驗(yàn)與信息采集系統(tǒng)實(shí)物如圖2所示。

1.2 試驗(yàn)軸承與缺陷預(yù)制

試驗(yàn)軸承為NU216圓柱滾子軸承。采用大族YLP-MDF-152型三維光纖激光打標(biāo)機(jī)，分別在軸承的內(nèi)圈、外圈和滾動(dòng)體上制作裂紋和點(diǎn)蝕缺陷，共計(jì)6種類型(缺陷尺寸：裂紋寬度為30 μm，點(diǎn)蝕直徑為40 μm，深度均為激光能量的30%)。圖3所示為預(yù)制軸承的外圈缺陷。

1.3 試驗(yàn)參數(shù)與試驗(yàn)方案

實(shí)際工況下地鐵牽引電機(jī)軸承穩(wěn)定運(yùn)行時(shí)的徑向載荷為7 kN，轉(zhuǎn)速為4 800 rpm，由于加載軸承轉(zhuǎn)速限制，試驗(yàn)平臺(tái)的最高轉(zhuǎn)速設(shè)置為2 400 rpm。理論上，地鐵牽引電機(jī)軸承的多種缺陷在相同的轉(zhuǎn)速和載荷下產(chǎn)生的信號(hào)特征應(yīng)存在區(qū)別，而地鐵車輛運(yùn)行過程中反復(fù)進(jìn)行提速、相對(duì)勻速、減速，而且站點(diǎn)間隔、客流量和坡度亦不斷變化，在分析地鐵牽引電機(jī)軸承信號(hào)時(shí)，如果采用同種載荷和轉(zhuǎn)速下的數(shù)據(jù)，則會(huì)大幅減少有效數(shù)據(jù);另外，轉(zhuǎn)速載荷的變化有可能使不同缺陷的地鐵牽引電機(jī)軸承在某些轉(zhuǎn)速和載荷下產(chǎn)生類似的信號(hào)特征，從而進(jìn)一步影響診斷結(jié)果。因此，設(shè)置3種載荷和轉(zhuǎn)速來模擬地鐵牽引電機(jī)軸承高速、中速、低速和大載荷、中載荷、低載荷下的工況。根據(jù)實(shí)際工況，以地鐵牽引電機(jī)軸承穩(wěn)定運(yùn)行時(shí)徑向載荷的1/4為波動(dòng)值，取整后按梯度當(dāng)量動(dòng)載荷5 kN，7 kN，9 kN進(jìn)行試驗(yàn)，同時(shí)選取梯度轉(zhuǎn)速800 rpm(低速)，1 600 rpm(中速)，2 400 rpm(高速)為試驗(yàn)轉(zhuǎn)速。試驗(yàn)中存在的變量為故障類型、轉(zhuǎn)速、載荷，一共54種子試驗(yàn)(6×3×3=54)，試驗(yàn)安排如表1所示。

表1 試驗(yàn)安排表

續(xù)表1

引入載荷和轉(zhuǎn)速的變化，以適用已知工況(轉(zhuǎn)速和載荷)樣本與未知工況樣本之間的診斷(或跨工況樣本之間的診斷)，并期望實(shí)現(xiàn)自適應(yīng)工況的診斷。

2 信號(hào)分析與特征選擇

2.1 測(cè)試信號(hào)分析

在2 400 rpm，7 kN的工況下采集6種故障類型軸承的振動(dòng)信號(hào)，得到的頻率分布如圖4所示。

從圖4可見，6種故障類型軸承的信號(hào)在5 000 Hz～10 000 Hz頻段有明顯的差異，在0 Hz～5 000 Hz和10 000 Hz～25 000 Hz段差異細(xì)微。

然而，在實(shí)際工況下，由于地鐵出入站，以及地鐵軌道坡度和乘客數(shù)量發(fā)生變化，載荷與速度亦會(huì)發(fā)生變化。采集外圈裂紋故障軸承在相同轉(zhuǎn)速(2 400 rpm)、不同載荷(5 kN，7 kN，9 kN)試驗(yàn)條件下的振動(dòng)信號(hào)，得到的頻率分布如圖5所示；采集外圈裂紋故障軸承在不同轉(zhuǎn)速(800 rpm，1 600 rpm，2 400 rpm)、相同載荷(5 kN)試驗(yàn)條件下的振動(dòng)信號(hào)，得到的頻率分布如圖6所示。

從圖5和圖6可見，轉(zhuǎn)速變化比載荷變化對(duì)信號(hào)的影響大；對(duì)同種故障軸承，不同轉(zhuǎn)速和載荷下，頻率分布和幅值差異明顯。全局看，轉(zhuǎn)速、載荷帶來的差異可使不同故障類型軸承之間的差異出現(xiàn)重疊。

聲發(fā)射信號(hào)與振動(dòng)信號(hào)情況相似，不再詳述。

2.2 特征選擇

當(dāng)軸承故障較小甚至微弱時(shí)，信噪比過低，提取的信號(hào)特征不能反映故障的真實(shí)情況，可預(yù)定頻率區(qū)間，用濾波器對(duì)信號(hào)進(jìn)行處理后再提取特征。本文各種故障類型的軸承在全頻段均存在差異，常規(guī)濾波方法不能很好地描述各種故障類型軸承之間的差異。小波包分解[29-32]是一種在時(shí)域和頻域均存在良好局部特性的分析方法，本文首先采用8層小波包分解方法將原始信號(hào)分成256個(gè)頻段，然后根據(jù)試驗(yàn)得出的頻率分布選擇特征。故障軸承在運(yùn)轉(zhuǎn)過程中會(huì)產(chǎn)生比正常軸承更強(qiáng)的信號(hào)，這一特性可以從宏觀角度用信號(hào)能量以均方根值(Rms)體現(xiàn)；軸承故障在一段信號(hào)里間斷出現(xiàn)，這一特性可用對(duì)沖擊性信號(hào)敏感的峭度(Kr)來捕捉；故障軸承可以視作運(yùn)轉(zhuǎn)后產(chǎn)生磨損的軸承，磨損情況可用裕度(C)描述。因此，本文選取均方根值、峭度值和裕度值作為初始特征值，組合后形成初始特征向量：

(1)

(2)

(3)

考慮到原始信號(hào)的影響，初始特征向量zm中一共有(256+1)×3×2=1 542個(gè)元素。初始特征向量zm經(jīng)歸一化處理后，得到特征向量Zm。

3 信息融合

信息融合是在一定準(zhǔn)則下，利用計(jì)算機(jī)對(duì)按時(shí)序獲取的若干傳感器的測(cè)量信息進(jìn)行自動(dòng)分析和綜合處理，從而完成決策和估計(jì)任務(wù)的信息處理過程，相比單信息源信號(hào)處理技術(shù)，信息融合技術(shù)更加可靠、有效[3,33]。根據(jù)融合的層次可將信息融合分為數(shù)據(jù)層融合、特征層融合和決策層融合。其中，特征層融合是先對(duì)信息進(jìn)行預(yù)處理并提取特征，然后再對(duì)特征信息進(jìn)行融合，不但保留了輸入信息的重要特征，而且可以極大減少運(yùn)算量。與數(shù)據(jù)層融合相比，特征層數(shù)據(jù)量雖然沒有數(shù)據(jù)層多，但是數(shù)據(jù)量仍然較大。由于CNN能夠自適應(yīng)地提取診斷對(duì)象的特征，本文選用CNN在特征層對(duì)信息進(jìn)行融合。

CNN可以直接處理原始信號(hào)。然而，振動(dòng)傳感器和聲發(fā)射傳感器采集到的信號(hào)量綱不同，即便是單一傳感器信號(hào)提取的特征，在不同尺度上的量級(jí)也不盡相同，因此在信息融合之前必須對(duì)原始信號(hào)進(jìn)行比較嚴(yán)格的預(yù)處理。

本文首先采用小波包分解對(duì)原始信號(hào)進(jìn)行處理，得到具有不同頻率信息的多段信號(hào)；然后對(duì)產(chǎn)生的多段信號(hào)進(jìn)行處理，將各種特征量化后得到原始特征，再將原始特征組合后形成特征向量。設(shè)處理單傳感器采集到的信號(hào)得到的特征向量為zi(i∈1,2,…,n)，多傳感器綜合得到的特征向量為A，A與zi之間的關(guān)系如式(4)所示，A內(nèi)元素如式(5)所示：

A=[z1,z2,…,zm]T；

(4)

(5)

式中：n為提取的特征值個(gè)數(shù)；m表示多個(gè)樣本。

特征向量矩陣A內(nèi)各元素的量綱仍然不統(tǒng)一，不符合神經(jīng)網(wǎng)絡(luò)處理的數(shù)據(jù)格式。因?yàn)樯窠?jīng)網(wǎng)絡(luò)著重捕捉不同類型數(shù)據(jù)之間的差異，且特征向量之間只比較相同位置的元素，所以將各元素的值由絕對(duì)值轉(zhuǎn)換成相對(duì)值后才能符合神經(jīng)網(wǎng)絡(luò)的要求。設(shè)每列元素的集合為Nj(j∈1,2,…,n)，歸一化轉(zhuǎn)換后的特征矩陣為B，Nj與B之間的關(guān)系如式(6)所示；B內(nèi)元素為bij，其表達(dá)式如式(7)所示：

B=(N1,N2,…,Nn)；

(6)

(7)

此時(shí)bij內(nèi)的最大值

(8)

因此，Nj內(nèi)元素的數(shù)值范圍為(0,Fj-1]。轉(zhuǎn)換后的特征矩陣B內(nèi)的元素為

(9)

轉(zhuǎn)換后的特征值均大于0，各列元素的最大值Fj仍不確定，需進(jìn)一步對(duì)B內(nèi)的元素bij進(jìn)行歸一化后才能輸入神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)的歸一化方法通常是將全部數(shù)據(jù)經(jīng)線性或非線性處理后轉(zhuǎn)換至特定區(qū)間，該方法處理的前提是已知數(shù)據(jù)的數(shù)值范圍，數(shù)據(jù)可以相互比較。然而本文數(shù)據(jù)由兩種傳感器采集而來，而且由3種特征值排列組成，每列數(shù)據(jù)Nj的數(shù)值范圍為(0,Fj-1]，此處Fj的數(shù)值大小并不確定，即不同列數(shù)據(jù)之間的數(shù)值范圍不同，因此不能相互比較。逐列處理后的數(shù)據(jù)仍能體現(xiàn)不同行數(shù)據(jù)之間的差異，因此采用逐列歸一化的方式將特征值進(jìn)一步轉(zhuǎn)換至同一數(shù)值范圍，供神經(jīng)網(wǎng)絡(luò)使用。本文采用的逐列處理歸一化方法與傳統(tǒng)歸一化方法的區(qū)別如圖7所示。

設(shè)特征矩陣B中的每列元素為Mj，歸一化后的信號(hào)為cij，則bij與cij之間的轉(zhuǎn)換關(guān)系為

(10)

4 卷積神經(jīng)網(wǎng)絡(luò)

CNN是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，其采用非監(jiān)督或半監(jiān)督的學(xué)習(xí)方式，可以按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類，自動(dòng)、準(zhǔn)確地識(shí)別出相同種類信號(hào)的共性特征和不同種類信號(hào)的差異化特征，從而獲取圖像數(shù)據(jù)的高層抽象化表達(dá)，克服傳統(tǒng)的提取特征過于依賴先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)、精度不高、難以泛化的缺點(diǎn)[34]。

圖8所示為本文采用的CNN結(jié)構(gòu)[35-36]，其包括輸入層、卷積層、池化層、全連接層和輸出層，卷積層、池化層和全連接層組成隱含層。卷積層為特征提取層，采用局部鏈接與權(quán)值共享，用多個(gè)卷積核從數(shù)據(jù)中提取特征。本文兩個(gè)傳感器的數(shù)據(jù)特征融合后得到的特征向量Zm中一共有1 542個(gè)元素，因?yàn)椴捎玫氖嵌SCNN，所以需要對(duì)Zm內(nèi)的元素進(jìn)行補(bǔ)0操作，補(bǔ)充為1 600個(gè)元素，再轉(zhuǎn)換成40×40的矩陣，作為二維CNN的輸入。卷積層內(nèi)部包含多個(gè)大小為3×3的卷積核，卷積核的移動(dòng)步長(zhǎng)取1，每個(gè)卷積核元素對(duì)應(yīng)一個(gè)權(quán)重矩陣；卷積層內(nèi)的每個(gè)神經(jīng)元都連接上一層中位置接近區(qū)域的多個(gè)神經(jīng)元，區(qū)域大小為卷積核的大小，卷積層的主要作用是提取輸入數(shù)據(jù)的特征。

卷積層可以用數(shù)學(xué)函數(shù)描述，設(shè)卷積層的輸入為

z(l+1)=w(l)+x(l)+b(l)。

(11)

式中w(l)為第l層的卷積核；x(l)為上一層的輸出，

x(l+1)=f(z(1)),

(12)

f為激活函數(shù);b(l)為偏置。

如果在卷積層后面直接跟分類器，則可能會(huì)因輸入維度過高而導(dǎo)致過擬合現(xiàn)象，因此需加池化層進(jìn)行降維。如果定義池化函數(shù)為lower，則

(13)

式中：wl+1為權(quán)重；bl+1為函數(shù)的偏置。

池化層對(duì)卷積層提取到的特征圖進(jìn)行選擇和信息過濾，并將特征圖中單個(gè)點(diǎn)的結(jié)果替換為其相鄰區(qū)域的特征圖統(tǒng)計(jì)量，可以減少最后全連接層的節(jié)點(diǎn)數(shù)。本文采用2×2池化矩陣來減少最后全連接層的節(jié)點(diǎn)數(shù)，移動(dòng)步長(zhǎng)為2。

卷積層可以提取數(shù)據(jù)的特征，整個(gè)卷積層的輸出可以看做一個(gè)新的數(shù)據(jù)矩陣，其中包含輸入數(shù)據(jù)的特征信息，因此可以再添加第二個(gè)卷積層，用來提取更深層次的特征，兩個(gè)卷積層中間添加一個(gè)池化層用于數(shù)據(jù)降維。經(jīng)過第一層卷積層后，數(shù)據(jù)由原來的40×40減少到38×38，接著經(jīng)過一個(gè)池化層，由于池化層池化矩陣的移動(dòng)步長(zhǎng)為2，數(shù)據(jù)由38×38矩陣轉(zhuǎn)換為19×19矩陣，完成數(shù)據(jù)降維；接著進(jìn)入第二個(gè)卷積層，數(shù)據(jù)由19×19減少至17×17；隨后再添加一個(gè)池化層，池化矩陣的參數(shù)和前一個(gè)池化層的參數(shù)保持一致，池化層邊界采用補(bǔ)0填充，此時(shí)數(shù)據(jù)由17×17減少至9×9。經(jīng)過兩個(gè)卷積層和池化層后，完成特征的深度提取，同時(shí)大大減小了數(shù)據(jù)維度。

全連接層是CNN隱含層的最后部分，通過對(duì)提取的特征進(jìn)行非線性組合得到輸出；輸出層一般采用Softmax分類器，這種分類器在多分類中的效果非常好。全連接層和輸出層可對(duì)樣本進(jìn)行分類，得到當(dāng)前樣本屬于不同種類的概率分布。

本文構(gòu)建的CNN結(jié)構(gòu)參數(shù)包括網(wǎng)絡(luò)層數(shù)、卷積核大小、滑動(dòng)步長(zhǎng)、學(xué)習(xí)率和訓(xùn)練次數(shù)等。根據(jù)輸入層元素的個(gè)數(shù)，選定卷積層為2層，池化層為2層，全連接層為1層，輸出層采用Softmax分類器。卷積核設(shè)置為3×3，滑動(dòng)步長(zhǎng)設(shè)置為1，學(xué)習(xí)率為0.001，激活函數(shù)為relu。訓(xùn)練次數(shù)(Epochs)設(shè)置過高會(huì)大幅延長(zhǎng)訓(xùn)練時(shí)間甚至導(dǎo)致過擬合，設(shè)置過低則會(huì)影響識(shí)別準(zhǔn)確率，故需測(cè)試后才能確定。本文選取轉(zhuǎn)速為800 rpm時(shí)，載荷分別為5 kN，7 kN的數(shù)據(jù)為訓(xùn)練集數(shù)據(jù)，載荷為9 kN的數(shù)據(jù)為測(cè)試集數(shù)據(jù)，通過單工況變化初步測(cè)試得到的診斷誤差率和準(zhǔn)確率曲線如圖9和圖10所示，可見在訓(xùn)練次數(shù)為15時(shí)首次達(dá)到理想狀態(tài)，此后經(jīng)歷多次起伏，因此訓(xùn)練次數(shù)為25即可滿足精度要求。

5 基于CNN與信息融合的軸承故障診斷方法

為實(shí)現(xiàn)不同工況、不同類型地鐵牽引電機(jī)軸承故障的智能診斷，首先采用已知工況和故障類型的信號(hào)作為樣本輸入CNN模型進(jìn)行訓(xùn)練，然后對(duì)未知工況、故障類型的軸承信號(hào)進(jìn)行智能診斷。基于深度學(xué)習(xí)與信息融合的地鐵牽引電機(jī)軸承故障智能診斷流程如圖11所示，主要包括以下步驟：①采集信號(hào)；②信號(hào)預(yù)處理；③提取特征并對(duì)其歸一化；④基于CNN進(jìn)行信息融合并訓(xùn)練深度學(xué)習(xí)模型；⑤對(duì)測(cè)試樣本進(jìn)行測(cè)試和診斷；⑥輸出結(jié)果，完成對(duì)軸承故障的智能診斷。

本文用Google開發(fā)的TensorFlow模塊作為CNN的基礎(chǔ)環(huán)境，用Python 3.5作為軟件編程環(huán)境。根據(jù)測(cè)試集與訓(xùn)練集的關(guān)系，分為如圖12所示的4種推導(dǎo)模式進(jìn)行智能診斷。

圖12a所示為測(cè)試集樣本大于訓(xùn)練集樣本區(qū)間的上限；圖12b所示為測(cè)試集樣本在訓(xùn)練集樣本區(qū)間內(nèi)；圖12c所示為測(cè)試集樣本小于訓(xùn)練集樣本區(qū)間的下限；圖12d所示為測(cè)試集樣本區(qū)間等于訓(xùn)練集樣本區(qū)間。

地鐵車輛的實(shí)際工況差異主要為轉(zhuǎn)速和載荷，這兩種因素對(duì)軸承的故障信號(hào)影響較大。本文通過改變轉(zhuǎn)速和載荷模擬高低中3種工況以及兩種因素的混合工況，來驗(yàn)證多種工況下本文診斷方法的魯棒性。表2所示為8種基本診斷模式。

表2 8種基本診斷模式

續(xù)表2

試驗(yàn)中共有6種故障軸承，在9種工況下分別對(duì)每種故障軸承進(jìn)行4次信號(hào)采集，共采集216個(gè)樣本。

5.1 單工況故障診斷

基于表2所示的8種基本診斷模式，分別控制轉(zhuǎn)速和載荷不變，采用CNN進(jìn)行單工況故障診斷，診斷結(jié)果如表3所示。

表3 單工況故障診斷正確率

表3中訓(xùn)練集與測(cè)試集的關(guān)系涵蓋了實(shí)際試驗(yàn)過程中的多種情況，在訓(xùn)練集涵蓋工況與測(cè)試集涵蓋工況相同的條件下，訓(xùn)練集與測(cè)試集的樣本比例為3∶1(每種軸承的4個(gè)樣本中，3個(gè)為訓(xùn)練集，其余1個(gè)為測(cè)試集)，其余為2∶1(訓(xùn)練集為2種工況，測(cè)試集為1種工況)。從測(cè)試集與訓(xùn)練集的工況關(guān)系來看，當(dāng)測(cè)試集樣本涵蓋工況類型與訓(xùn)練集樣本涵蓋工況類型相同時(shí)，診斷準(zhǔn)確率平均值達(dá)到100%；當(dāng)測(cè)試集樣本在訓(xùn)練集樣本區(qū)間內(nèi)時(shí)，診斷準(zhǔn)確率的平均值達(dá)到97.92%；當(dāng)測(cè)試集樣本大于訓(xùn)練集樣本區(qū)間的上限時(shí)，診斷準(zhǔn)確率的平均值達(dá)到94.44%；當(dāng)測(cè)試集樣本小于訓(xùn)練集樣本區(qū)間的下限時(shí)，診斷準(zhǔn)確率的平均值達(dá)到74.31%。

從各傳感器的診斷結(jié)果來看，采用信息融合技術(shù)得出的診斷準(zhǔn)確率平均值達(dá)到91.67%；單獨(dú)使用振動(dòng)傳感器作為信息源時(shí)，診斷準(zhǔn)確率平均值達(dá)到88.08%；單獨(dú)使用聲發(fā)射傳感器作為信息源時(shí)，診斷準(zhǔn)確率平均值達(dá)到74.31%。

表3中序號(hào)為23的診斷準(zhǔn)確率較低，此時(shí)采用信息融合技術(shù)的診斷準(zhǔn)確率小于單一信息源診斷準(zhǔn)確率，與單一信息源診斷準(zhǔn)確率較低且測(cè)試集樣本小于訓(xùn)練集樣本區(qū)間有關(guān)。

5.2 復(fù)合工況故障診斷

實(shí)際運(yùn)行過程中，還可能出現(xiàn)如表4所示的復(fù)合變化工況，在其診斷中訓(xùn)練集和測(cè)試集會(huì)同時(shí)摻有載荷和轉(zhuǎn)速的變化。復(fù)合變化工況的診斷結(jié)果亦如表4所示。

表4 多工況故障診斷正確率

從表4測(cè)試集與訓(xùn)練集的工況關(guān)系來看，當(dāng)測(cè)試集樣本在訓(xùn)練集樣本區(qū)間內(nèi)時(shí)，診斷準(zhǔn)確率平均值達(dá)到95.14%；當(dāng)測(cè)試集樣本大于訓(xùn)練集樣本區(qū)間的上限時(shí)，診斷準(zhǔn)確率平均值達(dá)到90.28%；當(dāng)測(cè)試集樣本小于訓(xùn)練集樣本區(qū)間的下限時(shí)，診斷準(zhǔn)確率平均值達(dá)到65.28%。

從各傳感器的診斷結(jié)果來看，使用信息融合技術(shù)得出的診斷準(zhǔn)確率平均值達(dá)到83.57%；當(dāng)單獨(dú)使用振動(dòng)傳感器作為信息源時(shí)，診斷準(zhǔn)確率平均值達(dá)到80.79%；當(dāng)單獨(dú)使用聲發(fā)射傳感器作為信息源時(shí)，診斷準(zhǔn)確率平均值達(dá)到70.14%。表4中序號(hào)為3的診斷準(zhǔn)確率較低，與單一工況下的診斷結(jié)果類似，且原因相同。

5.3 泛工況故障診斷

表3和表4中的訓(xùn)練集和測(cè)試集均未泛化至全部工況，故令訓(xùn)練集和測(cè)試集同時(shí)包含54個(gè)類型的試驗(yàn)數(shù)據(jù)，得出的診斷結(jié)果如圖13所示。圖中，縱軸表示軸承的實(shí)際故障類型，其對(duì)應(yīng)6種故障類型(A為內(nèi)圈裂紋，B為內(nèi)圈點(diǎn)蝕，C為外圈裂紋，D為外圈點(diǎn)蝕，E為滾動(dòng)體裂紋，F(xiàn)為滾動(dòng)體點(diǎn)蝕)，每種故障類型內(nèi)含9種工況，被測(cè)樣本共54種信號(hào)；橫軸表示神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)6種故障類型的概率。最終輸出類型為行最大值所在的類型，因此當(dāng)診斷正確時(shí)，概率值所在塊的列故障類型與行故障類型相同。

CNN輸出的為概率值(范圍為0%～100%)，對(duì)未知信號(hào)的輸出值有6個(gè)，即故障為內(nèi)圈裂紋的概率值a、故障為內(nèi)圈點(diǎn)蝕的概率值b、故障為外圈裂紋的概率值c、故障為外圈點(diǎn)蝕的概率值d、故障為滾動(dòng)體裂紋的概率值e、故障為滾動(dòng)體點(diǎn)蝕的概率值f。若a為其中的最大值，則最終判斷結(jié)果為A類型；若a值的大小遠(yuǎn)超其他值，則神經(jīng)網(wǎng)絡(luò)的置信度較高；若a值的大小與其余值相差不大，則神經(jīng)網(wǎng)絡(luò)的置信度較低。從圖13可見，未采用信息融合技術(shù)時(shí)，在基于振動(dòng)傳感器與基于聲發(fā)射傳感器的診斷模式下，對(duì)內(nèi)圈裂紋和內(nèi)圈點(diǎn)蝕故障類型均出現(xiàn)誤判，且診斷準(zhǔn)確率均未達(dá)到100%，整體置信度較低；采用信息融合技術(shù)后，不但診斷準(zhǔn)確率提升至100%，而且置信度也更高。

6 結(jié)束語

針對(duì)變工況下滾動(dòng)軸承故障診斷過程中的時(shí)頻特征自適應(yīng)提取與智能診斷問題，本文提出一種變工況下基于信息融合的地鐵牽引電機(jī)軸承故障診斷方法。

本文搭建了地鐵牽引電機(jī)軸承試驗(yàn)與多信息數(shù)據(jù)采集系統(tǒng)，在不同工況下進(jìn)行了試驗(yàn)，用小波包分解方法對(duì)試驗(yàn)過程中采集到的振動(dòng)和聲發(fā)射原始信號(hào)進(jìn)行分解并提取特征，對(duì)振動(dòng)、聲發(fā)射信號(hào)的特征信息進(jìn)行融合并用已知工況、故障類型的信號(hào)對(duì)CNN進(jìn)行訓(xùn)練，最后對(duì)地鐵牽引電機(jī)軸承測(cè)試樣本數(shù)據(jù)進(jìn)行了單工況、復(fù)合工況、泛工況下的故障診斷。結(jié)果表明:①轉(zhuǎn)速對(duì)診斷結(jié)果影響較大，載荷對(duì)診斷結(jié)果影響較??；②增大訓(xùn)練樣本中各種工況涵蓋的區(qū)間可有效提高準(zhǔn)確率；③當(dāng)訓(xùn)練樣本工況涵蓋被測(cè)樣本工況時(shí)，診斷準(zhǔn)確率可達(dá)100%。

本文僅考慮了地鐵牽引電機(jī)軸承3個(gè)部位的故障，后續(xù)可對(duì)軸承保持架故障以及磨損、變形等故障進(jìn)行研究。另外，本文采用實(shí)驗(yàn)室搭建的平臺(tái)展開研究，若加入能施加振動(dòng)載荷及沖擊載荷的器件，將更接近地鐵工況。