陳玉苗

(合肥共達職業(yè)技術(shù)學(xué)院，合肥 231135)

0 引言

機械在運行過程中其穩(wěn)定性受環(huán)境影響較為嚴重，時常因某個零件發(fā)生故障而干擾整機工作運行效率。如何使用高性能檢測技術(shù)，監(jiān)測機械運行狀態(tài)、診斷運行故障，一直是機械研究領(lǐng)域的重點課題。近年來深度神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域得到了廣泛的應(yīng)用與推廣，傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)隱含層數(shù)不足、損失函數(shù)約束性低等問題往往導(dǎo)致機械運行特征識別效果不佳[1]。為此，本文采用改進的稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建包含4層稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)，用于高精度識別運行特征以判斷機械運行狀態(tài)。

文中機械運行信號采集自精密零件滾動軸承，滾動軸承實現(xiàn)了運轉(zhuǎn)中軸與軸座產(chǎn)生的滑動摩擦向滾動摩擦的轉(zhuǎn)換，通過減少摩擦損失來優(yōu)化機械運行效率[2]的作用。預(yù)先識別機械滾動軸承運行特征發(fā)現(xiàn)故障問題，對于減少精密零件損壞意義重大。

1 基于深度神經(jīng)網(wǎng)絡(luò)優(yōu)化的機械運行特征識別方法

1.1 基于小波變換的機械運行信號時頻分析

精密零件滾動軸承運行數(shù)據(jù)采集完畢，首先使用諧波算法去除原始信號中的諧波分量，然后使用小波變換提取機械信號的時頻特征生成時頻分析圖[3]。小波變換基于機械運行信號高頻與低頻特征確定其窗口的尺寸，具有較強的信號特征適應(yīng)性，分析機械運行時頻特征的精確度較高。

定義機械精密零件滾動軸承的分析信號為x(t)，對信號進行連續(xù)小波變換，方法如下：

公式⑴中，設(shè)定尺度因子λ與平移因子μ，前者用于調(diào)節(jié)小波函數(shù)的伸縮，與頻率相對應(yīng)；后者對應(yīng)的是時間變量，調(diào)節(jié)小波函數(shù)位于時間軸上的位置，λ、μ值均為連續(xù)的變量。ψ*(t)是ψ(t)的復(fù)函數(shù)。

本文構(gòu)建基于改進稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)，使用小波變換算法可生成機械運行信號的時頻分析圖，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)對信號特征進行分類，以識別機械運行的狀態(tài)。輸入機械運行的時頻分析圖得到機械運行狀態(tài)類別。

1.2 基于改進稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化

圖1 自編碼器結(jié)構(gòu)

采用優(yōu)化交叉熵作為損失函數(shù)，公式⑵為交叉熵損失函數(shù)表達式：

稀疏自編碼器是賦予自編碼器隱含層稀疏約束，為自編碼損失函數(shù)施加稀疏懲罰項，以學(xué)習(xí)到稀疏特征，避免構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)過度擬合。具體方法是在網(wǎng)絡(luò)訓(xùn)練期間加入權(quán)重衰減項與稀疏正則化項[6]，分別采用G、M表示，改進后交叉熵損失函數(shù)表達式為：

公式⑶中，權(quán)重衰減、稀疏化參數(shù)分別用ψ、β表示。參數(shù)G可以維持權(quán)重衰減處于較小狀態(tài)，避免大權(quán)重帶來的映射平滑[7]；參數(shù)M有助于增強相關(guān)機械運行特征的泛化水平。

本文構(gòu)建的系數(shù)自編碼器包含4個隱含層，首個隱含層輸出即為首個編碼器的輸出，其表達式為：

公式⑷中，W1、b1分別表示首個編碼器的權(quán)重矩陣、偏置值；首個編碼器的值作為第二個編碼器的輸入，以此類推末端(第四層)解碼器輸出即為t4=η(W4t3+b4)，網(wǎng)絡(luò)的最終輸出結(jié)果y4=η(W4t3+b4)。

1.3 基于優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的機械運行特征識別與分類

采用優(yōu)化后的稀疏自編碼器構(gòu)建高精度的深度神經(jīng)網(wǎng)絡(luò)，用于分類機械滾動軸承運行信號的特征，識別機械運行狀態(tài)。本文稀疏自編碼器由含4個稀疏自編碼器堆疊而成，Softmax分類器與隱含層末端輸出層相連接，由此構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化模型見圖2。

圖2 基于稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化模型

滾動軸承運行狀態(tài)包括故障與正常兩種狀態(tài)，常見故障有裂紋故障、燒傷故障、振動異常、接觸面損傷。深度神經(jīng)網(wǎng)絡(luò)優(yōu)化模型識別機械運行信號特征步驟如下：首先利用小波變換算法生成機械運行信號的時頻圖像；然后將圖像作為樣本輸入訓(xùn)練完成具有合理參數(shù)的網(wǎng)絡(luò)，由隱含層的優(yōu)化稀疏自編碼器提取時頻圖像的特征[8]，根據(jù)圖像特征歸類機械運行狀態(tài)所屬類型輸出。

2 實驗與分析

在實驗室搭建滾動軸承運行測試平臺，用于開展機械運行特征識別與分類測試，以徑向方式采集機械運行信號，信號采樣點布置在滾動軸承支撐結(jié)構(gòu)外部、加載軸承、試驗臺面三個關(guān)鍵位置；采樣過程中選擇最低兩個周期的采樣長度，以確保各個數(shù)據(jù)樣本包含的機械故障運行數(shù)據(jù)趨近完整。測試共采集到5組機械運行信號，其中包含4組故障信號(裂紋故障、燒傷故障、振動異常、接觸面損傷)與1組正常運行信號，每組信號包含70組數(shù)據(jù)。70%采集樣本作為訓(xùn)練數(shù)據(jù)集，30%樣本作為測試數(shù)據(jù)集驗證深度神經(jīng)網(wǎng)絡(luò)識別機械運行特征的性能。

采集機械滾動軸承運行信號后使用諧波去除算法濾除諧波分量，基于小波變換算法獲取機械運行的時頻圖像作為深度神經(jīng)網(wǎng)絡(luò)的輸入，輸出結(jié)果即為機械運行特征的類型，描述了機械運行的所屬狀態(tài)。為了突出本文方法在機械運行特征識別領(lǐng)域的優(yōu)勢，與采用自編碼深度神經(jīng)網(wǎng)絡(luò)模型(方法1)、稀疏自編碼神經(jīng)網(wǎng)絡(luò)模型(方法2)進行對比測試。方法1和方法2識別分類機械運行特征的過程與本文方法基本一致，都是運用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建識別模型，不同的是：方法1采用自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)識別模型過程中采用傳統(tǒng)的自編碼器，沒有對自編碼器進行稀疏處理，本文方法為深度神經(jīng)網(wǎng)絡(luò)的交叉熵損失函數(shù)增加了權(quán)重衰減項與稀疏正則化項，實現(xiàn)自編碼器稀疏約束；方法2在方法1基礎(chǔ)上對自編碼器的損失函數(shù)做了初步稀疏處理，但僅僅增加了稀疏正則化項，和本文方法相比稀疏處理不夠全面，本文方法在傳統(tǒng)損失函數(shù)的基礎(chǔ)上采用了交叉熵形式的損失函數(shù)。

2.1 稀疏自編碼器層數(shù)對機械運行特征識別的影響

稀疏自編碼器數(shù)量影響模型識別效果，為了保證本文構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型識別機械運行狀態(tài)效果最佳，使用不同層數(shù)的稀疏自編碼器網(wǎng)絡(luò)進行測試，稀疏自編碼器數(shù)量取值為1、2、3、4、5，在此基礎(chǔ)上基于測試集進行測試，識別準確率如圖3所示。

圖3 不同稀疏自編碼器下的模型識別準確度

分析圖3可知，不同數(shù)量的稀疏自編碼器對應(yīng)的機械運行特征識別準確度均達到了95%以上，總體來說構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)識別率都達到良好水平。具體分析可知，隨著稀疏自編碼器數(shù)量的變化識別精度出現(xiàn)了先增加再降低的趨勢，稀疏自編碼器數(shù)量為4層時，識別機械運行特征準確度達到了峰值99.2%，當(dāng)稀疏自編碼器再次增加時對應(yīng)的識別準確度僅為95.6%，識別效果出現(xiàn)大幅度波動，下降幅值較大。所以，當(dāng)稀疏自編碼器數(shù)量取值為4層時取得的機械運行特征識別效果最佳，說明本文構(gòu)建的4層稀疏自編碼器深度神經(jīng)網(wǎng)絡(luò)性能較優(yōu)。

2.2 改進深度神經(jīng)網(wǎng)絡(luò)平均識別誤差分析

本文方法以及另外兩種對比方法的機械運行特征識別與分類的相對誤差如表1所示。

表1 三種方法的機械運行特征識別與分類的相對誤差 /%

通過表1數(shù)據(jù)可知，本文方法識別滾動軸承運行特征的相對誤差區(qū)間為2.3%～4.0%，識別機械裂紋故障特征的相對誤差最低僅為2.3%，識別燒傷故障特征的誤差最高，仍沒有超過5%；相比之下，方法1的最低識別誤差為4.5%，識別機械接觸面損傷特征的誤差最大，可達7.8%；方法2識別機械運作特征的誤差在3.7%～5.2%之間。總體而言，本文方法識別5種機械運行特征的精度最高且較為穩(wěn)定。

“振動異?！惫收鲜禽^為常見的機械運行問題，為了明確各方法識別“振動異?！惫收系木唧w情況、掌握各方法的詳細性能，統(tǒng)計了三種方法在70組實驗數(shù)據(jù)上的識別誤差表現(xiàn)，如表2所示。

表2 各方法在“振動異?！惫收蠑?shù)據(jù)上的誤差統(tǒng)計 /%

分析表2數(shù)據(jù)可知，本文方法識別并分類“振動異?！睓C械運行特征的誤差范圍為2.4%～2.7%，誤差波動較小、識別機械運行特征的性能較為穩(wěn)定；方法1識別并分類“振動異常”機械運行特征的最大誤差高達10.2%，并且出現(xiàn)了兩次，最小誤差為4.4%，波動范圍較大且穩(wěn)定性差，不適合投入實際應(yīng)用；另外，方法2識別“振動異?！惫收系钠骄`差雖小，但也出現(xiàn)誤差波動較大的情況，識別效果也不理想。

相比方法1而言，本文方法利用稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，對自編碼器進行稀疏約束，所以取得更優(yōu)的機械運行特征分類效果；相比方法2而言，本文方法在交叉熵損失函數(shù)中加入權(quán)重衰減項與稀疏正則化項，方法2僅僅進行了稀疏處理，并未添加權(quán)重衰減項，因此本文方法很好地對權(quán)重進行合理約束，由此降低機械運作特征識別的誤差。

3 結(jié)論

本文基于改進稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)交叉熵損失函數(shù)中加入權(quán)重衰減項與稀疏正則化項，用于識別精密零件滾動軸承運行特征，判斷機械的運行狀態(tài)。機械運行特征識別與分類測試結(jié)果顯示，4層改進稀疏自編碼器構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)識別效果最優(yōu)，有效提升滾動軸承特征識別的精度，識別穩(wěn)定性較為理想。未來關(guān)于深度神經(jīng)網(wǎng)絡(luò)在機械運行特征識別中的應(yīng)用研究，可著眼于網(wǎng)絡(luò)的 Softmax 分類器改進領(lǐng)域，進一步提升機械運行特征識別與分類的效果及性能。