滕繁榮,劉 方*,翟中平,侯超強(qiáng),翟濤濤,劉永斌

(1.安徽大學(xué) 電氣工程與自動(dòng)化學(xué)院,安徽 合肥 230601;2.中國科學(xué)技術(shù)大學(xué) 精密機(jī)械與精密儀器系,安徽 合肥 230027)

0 引 言

輪對軸承是列車的關(guān)鍵部件之一,如其發(fā)生故障,將可能導(dǎo)致列車脫軌事故的發(fā)生。

現(xiàn)有的列車軸承在線健康監(jiān)測技術(shù)主要分為兩類:(1)車載監(jiān)測;(2)軌邊監(jiān)測。前者將傳感器安裝在列車上,后者將傳感器安裝在鐵路兩側(cè)。比較這兩種技術(shù)后可以發(fā)現(xiàn),后者采用的是非接觸式測量,其具有低成本的優(yōu)勢。

目前,常見的軌邊監(jiān)測系統(tǒng)有兩種檢測方法:(1)熱軸承檢測系統(tǒng)(hot bearing inspection system,HBD);(2)軌邊聲學(xué)檢測系統(tǒng)(trackside acoustic detection system,TADS)。在TADS系統(tǒng)中,鐵路兩側(cè)安裝麥克風(fēng),當(dāng)列車經(jīng)過時(shí),軸承發(fā)出的聲音信號被軌道邊的麥克風(fēng)采集,對信號進(jìn)行處理,即可實(shí)現(xiàn)對軸承健康狀況的判別。與熱軸承檢測系統(tǒng)(HBD)相比,軌邊聲學(xué)檢測系統(tǒng)(TADS)具有早期故障檢測的能力和優(yōu)勢[1-3]。

然而,由于列車在高速運(yùn)動(dòng)過程中,多普勒效應(yīng)會(huì)對軸承聲音的信號產(chǎn)生影響,導(dǎo)致其時(shí)域的幅度調(diào)制和頻域的非線性偏移,這會(huì)對列車軸承振動(dòng)信號的有效分析和對軸承故障的精確診斷帶來困難。

目前,信號校正是解決上述問題的主要方法。在信號校正法中,最常用的是時(shí)域插值重采樣(time domain interpolation resampling,TIR)方法[4]。在時(shí)域插值重采樣方法中,多普勒頻移信號被一個(gè)新的時(shí)間序列(根據(jù)聲源和麥克風(fēng)之間的距離變化計(jì)算出來)重新采樣。然而,在采用該方法時(shí),其運(yùn)動(dòng)學(xué)模型的參數(shù)應(yīng)該是已知的,或預(yù)先測得的。引入?yún)?shù)估計(jì)算法可以解決該問題,例如希爾伯特變換(Hilbert transform,HT)[5]和短時(shí)傅里葉變換(short time Fourier transform,STFT)[6]兩種瞬時(shí)頻率估計(jì)(instantaneous frequency estimation,IFE)方法。在這些方法中,可以通過信號的IFE獲得重采樣時(shí)間序列。因此,它是一種基于信號的,無需外部傳感器的校正方法。

然而,當(dāng)背景噪聲較強(qiáng)時(shí),采用上述方法提取瞬時(shí)頻率會(huì)變得困難。

基于匹配追蹤的方法,可以通過Doppler-let變換來實(shí)現(xiàn)估計(jì)參數(shù)[7],但其匹配追蹤算法計(jì)算量較大。在此基礎(chǔ)上,ZHANG Shang-bin等人[8]引入了均勻線性陣列(uniform linear array,ULA)和時(shí)變空間濾波重排(time-varying spatial filter rearrangement,TSFR)策略;與單個(gè)麥克風(fēng)的方法相比,該方法采用了更多麥克風(fēng)同時(shí)捕獲軌邊信號,并且可以設(shè)計(jì)基于多徑信號時(shí)間延遲機(jī)制的TSFR,通過瞬時(shí)能量圖(instantaneous energy map,IEM)來自適應(yīng)消除多普勒效應(yīng)。

在該方法中,信號校正的精度取決于空間濾波的方向性精度。但是,估計(jì)的聲源位置存在誤差,當(dāng)聲源距離麥克風(fēng)較遠(yuǎn)時(shí)會(huì)出現(xiàn)跳變現(xiàn)象。

后來,LIU Xing-chen等人[9]提出了一種結(jié)合ULA的匹配追蹤算法。多普勒畸變的自適應(yīng)校正可以通過參數(shù)化原子匹配識別參數(shù)來實(shí)現(xiàn)。但由于原子參數(shù)較多,其計(jì)算成本相對較高。

近年來,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在故障診斷領(lǐng)域得到了廣泛的應(yīng)用,是目前使用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一,具有良好函數(shù)逼近能力[10-12]。

筆者嘗試將多普勒效應(yīng)對信號的影響看作傳遞函數(shù)DTF,使用CNN建立直接DTF-1來解決多普勒畸變問題。具體來說,即筆者設(shè)計(jì)一種運(yùn)動(dòng)學(xué)參數(shù)驅(qū)動(dòng)卷積神經(jīng)網(wǎng)絡(luò)(kinematic parameters drive convolutional neural networks,KPD-CNN),以此來構(gòu)建DTF-1。但是CNN的準(zhǔn)確構(gòu)建需要足夠多的代表性樣本(故障類型),這在工程應(yīng)用初期很難滿足,因?yàn)樵趹?yīng)用初期,系統(tǒng)采集到的樣本大部分是健康樣本。因此,樣品不平衡問題將嚴(yán)重影響模型的準(zhǔn)確建立。

安全域分析是近年來系統(tǒng)狀態(tài)評估中常用的一種方法。該方法屬于一種二分類模型,僅使用安全樣本構(gòu)建一個(gè)名為安全域模型(security realm model,SRM)的分類模型[13-15],以有效識別系統(tǒng)狀態(tài)是否安全。該方法最早應(yīng)用于電力系統(tǒng)的安全狀態(tài)評估[16],后來被推廣到網(wǎng)絡(luò)控制、公路交通和電子政務(wù)等領(lǐng)域[17,18]。

近年來,安全域的基本概念被引入軸承故障診斷和鐵路運(yùn)輸?shù)阮I(lǐng)域[19]。最近,SRM內(nèi)核參數(shù)的新優(yōu)化方法被提出,同時(shí)成功地采用了一種源自SRM的指標(biāo),用于對高速列車軸承的健康進(jìn)行評估[20]。在TADS系統(tǒng)應(yīng)用的早期,系統(tǒng)采集的樣本大部分是健康樣本。因此,SRM非常適合現(xiàn)階段的應(yīng)用。

筆者針對TADS聲信號的畸變特點(diǎn),基于SRM方法,提出一種運(yùn)動(dòng)學(xué)參數(shù)驅(qū)動(dòng)安全域模型(kinematic parameters drive security realm model,KPD-SRM),用于在應(yīng)用初期樣本不平衡時(shí)診斷模型的建立。通過這種方法可以不斷積累數(shù)據(jù)樣本;當(dāng)積累了足夠多的具有代表性的數(shù)據(jù)樣本時(shí),就可以使用KPD-CNN模型建立準(zhǔn)確的故障診斷模型。

綜上所述,筆者提出一種KPD-SRM/KPD-CNN的列車軸承智能診斷方法(包含兩個(gè)改進(jìn)的學(xué)習(xí)模型,其中,KPD-SRM用于應(yīng)用初期階段的樣本積累,KPD-CNN用于后期代表性故障樣本積累足夠后的診斷模型的建立)。

1 參數(shù)驅(qū)動(dòng)學(xué)習(xí)模型

1.1 TADS模型

軌邊聲學(xué)檢測系統(tǒng)(TADS)模型如圖1所示。

圖1 TADS的基本示意圖

由于軸承聲源相對麥克風(fēng)運(yùn)動(dòng),麥克風(fēng)采集到的聲源信號會(huì)有多普勒效應(yīng)影響,導(dǎo)致在時(shí)域和頻域中失真,這將嚴(yán)重影響故障診斷的準(zhǔn)確性和有效性。

多普勒效應(yīng)對信號時(shí)域和頻域的影響可以分別表示為:

(1)

(2)

式中:X0—信號初始時(shí)刻麥克風(fēng)與聲源的距離;r—聲源運(yùn)動(dòng)過程中麥克風(fēng)的最近距離;f0—故障頻率;VS—聲源運(yùn)動(dòng)速度;M=VS/c;c—聲音的傳播速度。

多普勒效應(yīng)對信號在時(shí)域和頻域的影響是由{r,X0,VS,c,f0}這5個(gè)變量決定的。在這些變量中,f0是由信號本身的特性決定的;而聲速c是1個(gè)與環(huán)境有關(guān)的物理量,在實(shí)際應(yīng)用中可以看作是1個(gè)常數(shù)值。所以多普勒效應(yīng)對信號的影響可以用以下3個(gè)參數(shù)來描述:γ={r,X0,VS}。

因此,可以通過公式來描述多普勒效應(yīng)對信號的影響:

DTF=f(r,X0,Vs)

(3)

通過進(jìn)一步分析可以發(fā)現(xiàn),對于同一類型的列車,r是一個(gè)固定值。而在實(shí)際應(yīng)用中,X0也可以設(shè)置為固定值。例如,可以在圖1中的A點(diǎn)和B點(diǎn)設(shè)置距離檢測傳感器,利用位置檢測傳感器脈沖信號截取軸承信號。因此,對于同一類型的列車,多普勒效應(yīng)的影響主要由VS決定。

筆者使用仿真分析來研究多普勒效應(yīng)對信號的影響。根據(jù)圖1所示模型進(jìn)行仿真,仿真參數(shù)設(shè)置如下:X0=10 m,r=1 m,c=340 m/s。聲源移動(dòng)速度VS為15 m/s和100 m/s之間,以5 m/s的間隔設(shè)置總共18個(gè)值。軸承信號的多普勒調(diào)制是通過多普勒發(fā)生器來實(shí)現(xiàn)的。在仿真中,選擇美國凱斯西儲(chǔ)大學(xué)提供的軸承信號作為聲源信號[21]。

軸承信號在麥克風(fēng)相對軸承靜止的狀態(tài)下采集,數(shù)據(jù)信號包含健康狀況(Healthy)以及3種故障:外圈故障(outer ring failure,ORF)、內(nèi)圈故障(inner ring failure,IRF)和滾子故障(roller failure,RF),3種故障對應(yīng)故障尺寸為0.177 8 mm、0.355 6 mm和0.533 4 mm,共10種軸承信號樣本,如表1所示。

表1 軸承信號

經(jīng)短時(shí)傅里葉變換得到的部分模擬信號的時(shí)頻分布,如圖2所示。

圖2 多普勒頻移軸承信號的時(shí)頻分布圖

從圖2中可以看出:多普勒效應(yīng)給信號時(shí)、頻域帶來了失真,并且隨著速度的增加,失真程度增加。

在故障診斷領(lǐng)域中,通常利用信號的特征來表示故障的相關(guān)信息。

該方法中共有8個(gè)統(tǒng)計(jì)特征,分別是波形因數(shù)(waveform factor,WF)、方差(μ)、余量因數(shù)(margin factor,MF)、峰度(kurtosis,K)、頻率集中度(frequency concentration,FC)、脈沖因數(shù)(impulse factor,IF)、波峰因數(shù)(crest factor,CF)、頻率標(biāo)準(zhǔn)偏差(frequency standard deviation,FSD),如表2所示。

表2 8種統(tǒng)計(jì)特征

為了消除多普勒效應(yīng)對軸承信號的影響,可以利用DTF的反函數(shù)DTF-1來進(jìn)行消除,這樣就可以直接根據(jù)采集到的原始信號進(jìn)行故障診斷,不需要事先對信號進(jìn)行校正。

筆者所提出方法的詳細(xì)過程如圖3所示。

圖3 筆者所提方法的詳細(xì)過程XD—軌道旁的麥克風(fēng)收集的具有多普勒效應(yīng)的聲音信號;γ—描述系統(tǒng)運(yùn)動(dòng)學(xué)模型的參數(shù)集

在現(xiàn)有方法中,為了解決XD的多普勒效應(yīng),需要先對XD進(jìn)行信號校正。而筆者所提方法不需要進(jìn)行多普勒失真校正,而是直接從采集的信號XD中提取特征FD,利用DTF-1進(jìn)一步消除了多普勒效應(yīng)影響,從而得到靜態(tài)采集的聲源信號中的特征向量F;然后,通過傳統(tǒng)的診斷模型進(jìn)行故障決策。

但是,DTF-1很難在數(shù)學(xué)上建立表達(dá)式,因?yàn)檫@涉及到聲學(xué)理論。在實(shí)際工程應(yīng)用中,軸承聲源信號也很難準(zhǔn)確地用數(shù)學(xué)表達(dá)式表示。

鑒于卷積神經(jīng)網(wǎng)絡(luò)在變量間函數(shù)關(guān)系未知的前提下,可以通過數(shù)據(jù)樣本的學(xué)習(xí),建立兩個(gè)變量間的函數(shù)關(guān)系。因此,在該研究中,筆者嘗試使用卷積神經(jīng)網(wǎng)絡(luò)建立DTF-1。

1.2 基于參數(shù)驅(qū)動(dòng)的學(xué)習(xí)模型

傳統(tǒng)的CNN是構(gòu)建特征與故障診斷決策之間的關(guān)系,而筆者采用運(yùn)動(dòng)學(xué)模型與傳統(tǒng)的特征共同構(gòu)建信號特征與故障診斷決策之間的關(guān)系,因此,將其命名為運(yùn)動(dòng)學(xué)參數(shù)驅(qū)動(dòng)CNN,如圖4所示。

圖4 運(yùn)動(dòng)學(xué)參數(shù)驅(qū)動(dòng)CNN

KPD-CNN作為一種有監(jiān)督的機(jī)器學(xué)習(xí)方法,需要大量具有不同軸承故障類型和不同故障級別的數(shù)據(jù)集。但在工程應(yīng)用初期,采集的樣本大多為健康樣本,很難獲得足夠有代表性的數(shù)據(jù)樣本,數(shù)據(jù)集不平衡的問題會(huì)影響KPD-CNN的準(zhǔn)確建立。

為了解決數(shù)據(jù)集不平衡問題,筆者提出了一種基于支持向量數(shù)據(jù)描述(support vector data description,SVDD)的KPD-SRM方法。SRM是一個(gè)二分類模型,健康樣本的特征向量構(gòu)建一個(gè)最小安全區(qū)域,當(dāng)測試樣本的特征向量在該空間內(nèi)時(shí),認(rèn)為該樣本是健康樣本,反之則認(rèn)為是故障樣本。

筆者利用決策函數(shù)來判斷樣本是否屬于安全區(qū),即:

f(x)=sign[Bound(x)],x=(F,γ)

(4)

式中:F=(F1,F2,…,Fn)—樣本的特征向量;n—特征個(gè)數(shù);Bound(x)—邊界函數(shù)。

筆者添加運(yùn)動(dòng)學(xué)參數(shù)γ={r,X0,VS},構(gòu)造新的特征向量D={x1,x2,…,xn+3}。其中：D—TADS系統(tǒng)工程應(yīng)用早期采集的健康樣本的特征向量和運(yùn)動(dòng)學(xué)參數(shù)。

筆者采用SVDD獲取半徑最小的超球面,并盡可能地包含所有的健康樣本。

超球面應(yīng)滿足下式:

(5)

式中:Φ(xi)—樣本的核空間映射;ξi—松弛變量;C—用于平衡T和ξi的懲罰參數(shù)。

通過拉格朗日乘子,可以得到拉格朗日函數(shù):

(6)

根據(jù)Wolfe對偶定理,可以等價(jià)于下式:

(7)

其中:κ(xi,xj)=(Φ(xi),Φ(xj))。

一般采用徑向基函數(shù)作為核函數(shù)。通過求解上式,可以得到a的最優(yōu)解為∑αi*Φ(xj)。

半徑T是球心a到支持向量xk的距離,即:

T2=‖Φ(xp)-a‖2=

(8)

式中:xp—對應(yīng)于0<αi

如果測試樣本到a的距離小于T,則認(rèn)為是安全的;否則,則認(rèn)為是不安全的。

結(jié)合上述2種學(xué)習(xí)模型,筆者提出了KPD-SRM/KPD-CNN方法,如圖5所示。

圖5 基于參數(shù)驅(qū)動(dòng)的學(xué)習(xí)模型

圖5中,第一個(gè)模型用于初始階段故障診斷,并積累樣本;當(dāng)積累了足夠多的多類代表性數(shù)據(jù)樣本時(shí),用第二個(gè)模型進(jìn)行故障診斷。

與現(xiàn)有方法不同,該方法不需要預(yù)先進(jìn)行信號校正。該方法具有以下優(yōu)點(diǎn):

(1)與現(xiàn)有的信號校正方法相比,除了聲源速度外,無需進(jìn)行參數(shù)測量;(2)采用機(jī)器學(xué)習(xí)方法,可以利用歷史數(shù)據(jù)提高診斷準(zhǔn)確率,并隨著監(jiān)測樣本的增加而不斷提高;(3)提出的參數(shù)驅(qū)動(dòng)模型可以有效解決初始應(yīng)用中的樣本不平衡問題。

2 仿真驗(yàn)證

2.1 KPD-SRM有效性

為了驗(yàn)證上述基于參數(shù)驅(qū)動(dòng)的學(xué)習(xí)模型的有效性,筆者對仿真數(shù)據(jù)進(jìn)行分析。

為了測試KPD-SRM模型/方法的有效性,筆者進(jìn)行3個(gè)案例的分析:

(1)使用傳統(tǒng)SRM分析無多普勒效應(yīng)的軸承信號;(2)使用傳統(tǒng)SRM分析有多普勒效應(yīng)的軸承信號;(3)使用KPD-SRM分析具有多普勒效應(yīng)的軸承信號。

其中:案例(1)的數(shù)據(jù)集包含10種類型軸承信號,每種類型有50個(gè)樣本,命名為數(shù)據(jù)集A;案例(2)的數(shù)據(jù)集包含10種類型軸承信號,每種類別180個(gè)樣本(18種不同速度下的軸承信號),命名為數(shù)據(jù)集B。

筆者使用數(shù)據(jù)集A的40個(gè)健康樣本作為訓(xùn)練數(shù)據(jù)集,構(gòu)建安全區(qū)域,其余10個(gè)健康樣本和450個(gè)失效樣本作為測試數(shù)據(jù)集;通過網(wǎng)絡(luò)搜索算法,得到訓(xùn)練后的SRM的最優(yōu)懲罰參數(shù)C為0.29。SRM測試集的準(zhǔn)確率為99.1%。

由于SRM是高維的,無法直接可視化,因此,筆者選擇了8個(gè)特征中的2個(gè)來重新訓(xùn)練模型。

SRM的降維可視化如圖6所示。

圖6 SRM的降維可視化

其中,圖6(a)顯示了使用F2和F8作為輸入向量構(gòu)建的SRM;圖中,圓圈代表訓(xùn)練樣本分布,正方形代表支持向量點(diǎn)。在案例(2)、案例(3)中,訓(xùn)練集與測試集與案例(1)中保持同樣的比例;

圖6(b)顯示了受多普勒效應(yīng)影響后識別率下降到90.3%,說明多普勒效應(yīng)降低了特征的可分離性。

由于案例(3)中使用的KPD-SRM同時(shí)使用聲源速度和統(tǒng)計(jì)特征作為輸入,使識別率提高到97.5%。

由此可見,筆者所提KPD-SRM方法是有效的。

上述仿真分析驗(yàn)證了筆者所提出的KPD-SRM的有效性,KPD-SRM只能區(qū)分樣品是否有故障,不能區(qū)分故障的具體類型或程度。當(dāng)積累了足夠多的代表性故障樣本時(shí),可以使用KPD-CNN建立多分類模型。

2.2 KPD-CNN有效性

接下來,筆者使用仿真分析驗(yàn)證上述KPD-CNN方法的有效性。

同樣,下面筆者對3個(gè)案例進(jìn)行對比分析:

(1)使用傳統(tǒng)的CNN分析數(shù)據(jù)集A(沒有多普勒效應(yīng));(2)使用傳統(tǒng)的CNN分析數(shù)據(jù)集B(具有多普勒效應(yīng));(3)使用筆者所提出的KPD-CNN分析數(shù)據(jù)集B(具有多普勒效應(yīng))。

t-SNE對特征分布的降維可視化,如圖7所示。

圖7(a)中,利用t-SNE將構(gòu)建的CNN模型中學(xué)習(xí)特征可視化為二維?？梢钥闯?案例(1)中不同的故障類別和故障之間有很大的可分性。同一類別的特征聚類良好。測試樣本識別率達(dá)到100%;

在案例(2)和案例(3)中,數(shù)據(jù)集B通過KPD-CNN進(jìn)行測試,分別如圖7(b)和圖7(c)所示。通過對比圖7(a)和圖7(b)可以看出,在多普勒效應(yīng)的影響下,其中4個(gè)(第3、5、7、9號)故障類型重疊。這導(dǎo)致分類準(zhǔn)確度下降到85%;

從圖7(c)可以看出:KPD-CNN的分類準(zhǔn)確率提高到96%。

圖7 t-SNE對特征分布的降維可視化

各類故障基本完全分類識別。仿真分析結(jié)果對比如表3所示。

表3 仿真分析結(jié)果對比

從表3中可以發(fā)現(xiàn):(1)在多普勒效應(yīng)的影響下,如果直接從信號中提取特征進(jìn)行故障診斷,識別率會(huì)顯著降低;(2)筆者所提出的參數(shù)驅(qū)動(dòng)學(xué)習(xí)模型能夠有效構(gòu)建信號特征、運(yùn)動(dòng)學(xué)參數(shù)和診斷結(jié)果之間的函數(shù)關(guān)系,識別率分別從90.3%、85%提高到97.5%、96%。

2.3 KPD-CNN優(yōu)越性

為了進(jìn)一步驗(yàn)證該KPD-CNN方法的優(yōu)越性,筆者采用經(jīng)典的支持向量機(jī)(support vector machines,SVM)方法[22]和K近鄰(K-nearest neighbors,KNN)方法[23]對上述相同情況進(jìn)行處理,并將結(jié)果進(jìn)行比較。

筆者構(gòu)建運(yùn)動(dòng)學(xué)參數(shù)驅(qū)動(dòng)的支持向量機(jī)(kinematic parameters drive support vector machines,KPD-SVM)和運(yùn)動(dòng)學(xué)參數(shù)驅(qū)動(dòng)的K近鄰(kinematic parameters drive K-nearest neighbors,KPD-KNN);然后,將這兩個(gè)網(wǎng)絡(luò)用于處理數(shù)據(jù)集B(具有多普勒效應(yīng)),并與筆者所提出的KPD-CNN、傳統(tǒng)SVM和KNN的結(jié)果進(jìn)行比較,結(jié)果如表4所示。

表4 與其他方法的比較

首先,從識別率的比較可以看到:在不使用3個(gè)參數(shù)作為輸入的情況下,3個(gè)網(wǎng)絡(luò)的識別率分別達(dá)到了20.0%、31.7%和85.0%;使用3個(gè)參數(shù)作為輸入后,3個(gè)網(wǎng)絡(luò)的識別率分別提高到了30.7%、44.6%和96.0%。

由此可見,運(yùn)動(dòng)參數(shù)的輸入確實(shí)可以有效提高網(wǎng)絡(luò)的識別率;同時(shí),可以看到采用KPD-CNN的識別率達(dá)到了最高;

其次,筆者還比較了3種方法的效率:在使用這3個(gè)參數(shù)作為輸入之前,3種方法的花費(fèi)時(shí)間分別為7.253 2 s、8.971 4 s和72.694 2 s;使用這3個(gè)參數(shù)作為輸入后,這些方法的花費(fèi)時(shí)間分別為8.226 2 s、10.001 2 s和80.987 4 s。

通過對比可以發(fā)現(xiàn)：KPD-CNN雖然計(jì)算效率相對較低,但是達(dá)到了最高的故障識別率。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)裝置

為了進(jìn)一步證明基于參數(shù)驅(qū)動(dòng)的學(xué)習(xí)模型的有效性,接下來筆者通過實(shí)驗(yàn)來加以驗(yàn)證。

由于使用真實(shí)列車進(jìn)行實(shí)驗(yàn)的高風(fēng)險(xiǎn)和高成本,筆者選擇使用仿真實(shí)驗(yàn)。

仿真實(shí)驗(yàn)的裝置和麥克風(fēng)陣列,如圖8所示。

圖8 實(shí)驗(yàn)裝置與麥克風(fēng)陣列

圖8(a)中:實(shí)驗(yàn)使用汽車上的揚(yáng)聲器作為軸承聲源,通過汽車的高速運(yùn)動(dòng)可以實(shí)現(xiàn)多普勒效應(yīng),可以控制車速來獲得不同的聲源運(yùn)動(dòng)速度信號。實(shí)驗(yàn)使用了7種不同速度。利用光電傳感器檢測前后輪的到達(dá)時(shí)間,利用前后輪到達(dá)的時(shí)間差計(jì)算出車速。光電傳感器的信號也可用于截取信號進(jìn)行分析。

圖8(b)所示的3×5自由場麥克風(fēng)陣列用于捕獲聲音信號。實(shí)驗(yàn)中選擇了4種故障類型的軸承信號作為聲源,包括IRF、ORF、RF和Healthy狀態(tài)。實(shí)驗(yàn)中麥克風(fēng)控制在距離聲源運(yùn)動(dòng)距離最近的1 m處。

3.2 實(shí)驗(yàn)結(jié)果與分析

為了方便對比分析,筆者首先使用傳統(tǒng)的SRM對不受多普勒效應(yīng)影響的聲源信號進(jìn)行分析(每種故障類型50個(gè)樣本,共200個(gè)樣本)。

在進(jìn)行特征計(jì)算之前,筆者使用帶寬為1 kHz～4 kHz的巴特沃斯帶通濾波器來消除輪胎噪聲、氣動(dòng)噪聲等背景噪聲;然后選取40個(gè)健康樣本作為訓(xùn)練樣本構(gòu)建SRM,其余10個(gè)健康樣本和150個(gè)異常樣本用于測試。訓(xùn)練后的SRM的最優(yōu)懲罰參數(shù)C為0.1。

在實(shí)驗(yàn)分析中訓(xùn)練的SRM的降維可視化圖,如圖9所示。

圖9 在實(shí)驗(yàn)分析中訓(xùn)練的SRM的降維可視化圖

其中,圖9(a)顯示了訓(xùn)練后的SRM的降維可視化。測試準(zhǔn)確率為97.5%;

然后筆者分別使用SRM和KPD-SRM分析具有多普勒效應(yīng)的樣本,分析的樣本對應(yīng)4種故障,每種故障包含7種速度的30個(gè)樣本。健康樣本總數(shù)的80%作為訓(xùn)練數(shù)據(jù),其余20%和其他故障類型的630個(gè)樣本用于測試。訓(xùn)練后的SRM的最佳懲罰參數(shù)分別為0.37和0.42;

圖9(b,c)顯示了構(gòu)建的SRM和KPD-SRM的視覺結(jié)果?？梢园l(fā)現(xiàn):在多普勒效應(yīng)的影響下,如果直接使用傳統(tǒng)的SRM建模方法,測試準(zhǔn)確率從97.5%下降到88%;當(dāng)使用提出的KPD-SRM方法時(shí),識別率提高到93.5%。

筆者使用實(shí)驗(yàn)數(shù)據(jù)來驗(yàn)證KPD-CNN的有效性。為了比較分析,筆者首先使用CNN對沒有多普勒效應(yīng)的樣本進(jìn)行分析。共分析4種故障類型,每種故障類型100個(gè)樣本,訓(xùn)練集和測試集樣本比例為7 ∶3。

筆者使用t-SNE降維可視化圖,如圖10所示。

從圖10(a)中可以看出:特征的可分性很高,訓(xùn)練模型的識別準(zhǔn)確率達(dá)到了100%;

然后,筆者使用CNN和KPD-CNN來分析受多普勒效應(yīng)影響的樣本。分析樣本共包含840個(gè)樣本,從樣本中隨機(jī)抽取588個(gè)樣本進(jìn)行訓(xùn)練,其余252個(gè)樣本用于測試。

筆者使用t-SNE降維可視化如圖10(b,c)所示。通過比較圖10(a,b),可以發(fā)現(xiàn)：圖10(b)中的不同類型相互重疊,說明在多普勒效應(yīng)的影響下,可分離性明顯降低,導(dǎo)致識別準(zhǔn)確率下降到82%;

通過對比圖10(b,c)可以發(fā)現(xiàn)：圖10(c)中的特征可分性得到了明顯的提升,識別準(zhǔn)確率也提高到了97%。

圖10 在實(shí)驗(yàn)分析中通過t-SNE對特征分布的降維可視化圖

上述不同方法的識別準(zhǔn)確率對比結(jié)果如表5所示。

表5 實(shí)驗(yàn)分析結(jié)果對比

通過以上實(shí)驗(yàn)分析,進(jìn)一步證實(shí)了多普勒效應(yīng)對信號特征可分離性的影響,也證實(shí)了基于參數(shù)驅(qū)動(dòng)的學(xué)習(xí)模型的有效性。實(shí)驗(yàn)方案分析中提出的參數(shù)驅(qū)動(dòng)學(xué)習(xí)模型的識別準(zhǔn)確率分別達(dá)到了93.5%和97%。

同樣,為了進(jìn)一步驗(yàn)證KPD-CNN方法的先進(jìn)性,筆者使用仿真方案中提到的另外2種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行對比分析,結(jié)果如表6所示。

表6 與其他方法的比較

首先,由識別準(zhǔn)確率的比較可以看到:在不使用3個(gè)運(yùn)動(dòng)參數(shù)作為輸入的情況下,3個(gè)網(wǎng)絡(luò)的識別準(zhǔn)確率分別達(dá)到了72.7%、64.4%和82.0%;使用這3個(gè)參數(shù)作為輸入后,3個(gè)網(wǎng)絡(luò)的識別準(zhǔn)確率分別提高到了89.9%、88.9%和97.0%。這再次證明了參數(shù)的輸入確實(shí)可以有效提高網(wǎng)絡(luò)的識別準(zhǔn)確率;同時(shí),也可以看到筆者所提出的KPD-CNN的識別準(zhǔn)確率達(dá)到了最高;

其次,在使用3個(gè)參數(shù)作為輸入之前,3種方法的構(gòu)建時(shí)間分別為3.621 4 s、6.465 0 s和25.220 4 s。以這3個(gè)參數(shù)作為輸入后,這些方法的構(gòu)建時(shí)間分別為4.974 6 s、7.751 4 s和30.141 6 s。

通過以上實(shí)驗(yàn)方案的對比分析,可以進(jìn)一步證明,雖然KPD-CNN在計(jì)算效率上沒有優(yōu)勢,但可以達(dá)到最高的識別準(zhǔn)確率。

4 結(jié)束語

在軌邊聲學(xué)檢測(TADS)過程中,列車軸承信號由于多普勒效應(yīng)的影響,會(huì)導(dǎo)致其軸承故障診斷準(zhǔn)確性下降,為此,筆者提出了一種基于參數(shù)驅(qū)動(dòng)學(xué)習(xí)模型的列車軸承聲學(xué)智能故障診斷方法。

該學(xué)習(xí)模型中的第一個(gè)模型KPD-SRM用于初始階段診斷,并積累樣本;當(dāng)積累了足夠多的多類代表性數(shù)據(jù)樣本時(shí),用第二個(gè)模型KPD-CNN進(jìn)行故障診斷。為了驗(yàn)證上述模型的有效性,筆者分別采用仿真和實(shí)驗(yàn)的方式對其進(jìn)行了驗(yàn)證。為了驗(yàn)證其優(yōu)越性,筆者又將其與其他方法進(jìn)行了對比。

研究結(jié)果表明:

(1)仿真分析的故障診斷準(zhǔn)確率分別達(dá)到97.5%和96%,實(shí)驗(yàn)分析的故障診斷準(zhǔn)確率分別達(dá)到93.5%和97%,因此,可以證明KPD-CNN方法是有效的;

(2)該方法不需要預(yù)先信號校正來消除多普勒效應(yīng)的影響,也可準(zhǔn)確地進(jìn)行故障診斷,這為TADS技術(shù)提供了新的思路;

(3)由于機(jī)器學(xué)習(xí)方法的引入,可以利用歷史數(shù)據(jù)來提高診斷準(zhǔn)確率,并且準(zhǔn)確率會(huì)隨著監(jiān)測樣本的增加而不斷提高;

(4)該方法所采用的安全域技術(shù)可以解決工程實(shí)踐中無法避免的樣本不平衡問題,具有良好的實(shí)際工程應(yīng)用前景。

與現(xiàn)有方法相比,KPD-CNN方法無需信號校正,可以解決樣本不平衡問題;采用機(jī)器學(xué)習(xí)方法,利用歷史數(shù)據(jù)提高診斷準(zhǔn)確率,并且準(zhǔn)確率會(huì)隨著監(jiān)測樣本的增加而不斷提高。

在后續(xù)的工作中,筆者將繼續(xù)對上述故障診斷模型進(jìn)行改進(jìn)和優(yōu)化,不斷提高故障診斷的精度,并利用實(shí)測數(shù)據(jù)對該診斷方法的有效性進(jìn)行驗(yàn)證,對算法進(jìn)行改進(jìn)。