姚鵬飛,涂亞楠,王瑞紅

(黃河交通學(xué)院,河南 武陟 454950)

0 引言

農(nóng)業(yè)機(jī)械故障會(huì)導(dǎo)致生產(chǎn)延遲、經(jīng)濟(jì)損失,嚴(yán)重時(shí)還會(huì)對(duì)人員安全造成一定的隱患。大多數(shù)機(jī)械故障會(huì)改變機(jī)器通常的振動(dòng)、噪音、溫度、功耗及機(jī)油特性等,與手動(dòng)檢測(cè)相比,已經(jīng)開發(fā)了幾種自動(dòng)故障檢測(cè)技術(shù),可以提供快速可靠的故障決策,是機(jī)械使用過(guò)程中故障診斷和各種設(shè)備維修調(diào)度的重要依據(jù)與理論參考。

Yang等人提出了一種基于人工蜂群算法的SVM參數(shù)優(yōu)化的故障診斷方法,研究結(jié)果表明,蜂群算法比粒子群優(yōu)化(PSO)和遺傳算法(GA)具有更高的準(zhǔn)確性,錯(cuò)齒齒輪、切齒和正常齒輪的故障診斷預(yù)測(cè)準(zhǔn)確率為94.33%。Ziani等人研究了美國(guó)海軍CH-46E直升機(jī)齒輪箱的故障,并從振動(dòng)信號(hào)中提取了時(shí)間、頻譜和時(shí)間尺度領(lǐng)域的統(tǒng)計(jì)特征,基于特征選擇算法和SVMs分類器對(duì)故障進(jìn)行完全分類,提高了故障診斷的準(zhǔn)確率。Zheng等人在信號(hào)預(yù)處理的基礎(chǔ)上,通過(guò)局部平均分解(LMD)的融合方法將信號(hào)分解為若干個(gè)乘積函數(shù)(PF),檢測(cè)出齒輪的缺齒和斷齒故障。

隨著人工神經(jīng)網(wǎng)絡(luò)及智能算法的逐漸發(fā)展,ANN開始逐步應(yīng)用于典型齒輪箱系統(tǒng)的齒輪和軸承故障的識(shí)別,并取得了很高的精度。深度學(xué)習(xí)(DL)是一種專業(yè)的分類方法,在農(nóng)業(yè)工程的各種領(lǐng)域中得到了極大的應(yīng)用,如模式識(shí)別、圖像處理和自然語(yǔ)言處理等。Gan和Wang使用深度學(xué)習(xí)方法開發(fā)了一個(gè)滾動(dòng)軸承的自動(dòng)診斷系統(tǒng),該模型在檢測(cè)故障位置方面具有較高的精度。Patel和Giri研究表明,隨機(jī)森林(RF)分類器在檢測(cè)軸承故障方面比ANNs有更好的預(yù)測(cè)精度。Quiroz等人通過(guò)使用隨機(jī)森林和電流信號(hào)處理檢測(cè)同步電機(jī)的轉(zhuǎn)子桿斷裂,故障預(yù)測(cè)準(zhǔn)確率為98.8%。

本研究選取拖拉機(jī)輔助齒輪箱為研究目標(biāo)進(jìn)行故障診斷:首先,收集健康和故障齒輪的振動(dòng)信號(hào),使用離散小波變換(DWT)作為信號(hào)處理,提取有用的統(tǒng)計(jì)特征,基于相關(guān)性的特征選擇(CFS)方法被用來(lái)尋找最佳統(tǒng)計(jì)特征;最后,使用隨機(jī)森林(RF)和多層感知器(MLP) 神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類與故障預(yù)測(cè)。

1 材料與方法

1.1 試驗(yàn)材料

本研究使用拖拉機(jī)變速箱,對(duì)行星齒輪箱進(jìn)行故障檢測(cè)。試驗(yàn)臺(tái)主要包括主齒輪箱后的輔助齒輪箱,三相電動(dòng)機(jī)用作電源(德國(guó)西門子公司),皮帶傳動(dòng)用于連接電動(dòng)機(jī)和齒輪箱輸入軸,電動(dòng)機(jī)固定在底盤底部,并連接緩沖器,以便在高轉(zhuǎn)速下實(shí)現(xiàn)更好的平衡和穩(wěn)定振動(dòng),如圖1所示。對(duì)輔助齒輪箱行星齒輪上手動(dòng)產(chǎn)生的3種常見故障,即缺齒齒輪(MT)、切屑齒輪(CT)和磨損齒輪(WT)進(jìn)行自動(dòng)監(jiān)測(cè),如圖2所示。

圖1 齒輪箱測(cè)試裝置示意圖Fig.1 Schematic diagram of the gearbox testing device

圖2 齒輪不同故障Fig.2 Different gear failures

1.2 數(shù)據(jù)采集

自動(dòng)狀態(tài)監(jiān)測(cè)(CM)系統(tǒng)分別由數(shù)據(jù)采集、信號(hào)處理、特征提取及故障檢測(cè)組成,如圖3所示。主要工作流程:使用壓電傳感器(VMI-102)測(cè)量基于加速度測(cè)定的振動(dòng)信號(hào);由便攜式數(shù)據(jù)采集系統(tǒng)進(jìn)行數(shù)據(jù)采集,采樣時(shí)間為5s;對(duì)600r/min(空載狀態(tài)下的電機(jī))、1350r/min(最大扭矩狀態(tài)下的電機(jī))和2000r/min(最大功率狀態(tài)下的電機(jī))多個(gè)電機(jī)轉(zhuǎn)速下的數(shù)據(jù)進(jìn)行采集。

1.3 信號(hào)處理與特征提取

原始信號(hào)通過(guò)一系列高通和低通(頻率)濾波器被分解為兩個(gè)高頻帶(細(xì)節(jié))和低頻帶(近似),離散小波變換(DWT)可以在時(shí)頻分析中提供有用的多分辨率數(shù)據(jù),定義為

(1)

其中,j為尺度參數(shù);k為移位參數(shù);φ*為母小波(φ(x))的復(fù)共軛值。在本研究中,Db4(Daubechies)為小波。

圖3 故障識(shí)別程序工作流程圖Fig.3 Fault identification program workflow diagram

數(shù)據(jù)處理采用MatLab對(duì)每個(gè)原始信號(hào)應(yīng)用三級(jí)函數(shù),建立模型,為近似信號(hào)和細(xì)節(jié)信號(hào)計(jì)算了14個(gè)重要的統(tǒng)計(jì)特征,如表1所示。

表1 DWT信號(hào)處理中特征提取及其公式Table 1 Feature extraction and its formula in DWT signal processing

續(xù)表1

1.4 隨機(jī)森林

Leo Breiman在2001年提出的隨機(jī)森林(RF)算法,是一種用于分類的集成學(xué)習(xí)方法。RF由決策樹(DTs)演化而來(lái),是一種流行的基于樹的集成機(jī)器學(xué)習(xí)工具,具有高度的數(shù)據(jù)適應(yīng)性,可以應(yīng)用于分類和回歸任務(wù)的大小問(wèn)題,它實(shí)際上由許多DTs組成。為了對(duì)新實(shí)例進(jìn)行分類,每個(gè)DT都為輸入數(shù)據(jù)提供分類;然后,RF收集分類并選擇投票最多的預(yù)測(cè)作為結(jié)果,在變量數(shù)量遠(yuǎn)大于樣本數(shù)量的情況下,RF具有優(yōu)異的性能。

本研究中,選取10、50、100、200、500棵樹測(cè)試了RF模型的預(yù)測(cè)性能。采用基于相關(guān)性的特征選擇(CFS)方法提取最佳特征,通過(guò)輸入所有特征和選定特征作為模型輸入,研究了RF模型預(yù)測(cè)性能,并采用交叉驗(yàn)證法對(duì)行星齒輪箱常見故障進(jìn)行檢測(cè)和分類,將RF模型與傳統(tǒng)的多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)進(jìn)行模型對(duì)比與分析。

2 模型評(píng)估

為了評(píng)估模型的性能,采用了混淆矩陣,從C.M.中提取的重要參數(shù)包括精密度、回憶度(AVC)、F1得分、ROC曲線下面積(AUC)和總體準(zhǔn)確度。混淆矩陣(C.M.)定義為式(2),即

(2)

(3)

(4)

(5)

其中,TP、FP、TN和FN分別是真陽(yáng)性、假陽(yáng)性、真陰性和假陰性的數(shù)量。選取均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、相對(duì)絕對(duì)誤差(RAE)對(duì)RF模型進(jìn)行誤差評(píng)估。

3 結(jié)果與分析

圖4顯示了振動(dòng)信號(hào)的原始樣本,DWT提供了一個(gè)近似的信號(hào)和3個(gè)細(xì)節(jié)信號(hào),從每個(gè)信號(hào)中提取了14個(gè)特征,最終得到了56個(gè)特征。通過(guò)應(yīng)用CFS方法去除弱的特征,選擇了6個(gè)重要的特征,降低90%特征維度及處理時(shí)間和模型的復(fù)雜性。

(a)正常

(b) MT故障

(c) CT故障

(d) WT故障圖4 電機(jī)轉(zhuǎn)速為600r/min時(shí)齒輪箱不同狀態(tài)下的振動(dòng)信號(hào)Fig.4 Vibration signals of the gearbox in different states at motor speed of 600r/min

選取不同的特征集和森林中不同數(shù)量的樹訓(xùn)練RF模型,不同數(shù)量的樹對(duì)RF模型精度的影響如圖5所示。使用所有56個(gè)特征和100棵樹來(lái)訓(xùn)練RF模型,總體準(zhǔn)確率、RMSE、MAE和RAE分別為86.2%、0.24、0.15和41.2%;然后,使用最佳的6個(gè)特征訓(xùn)練RF,分類性能分別達(dá)到92.5%、0.21、0.10和27.06%,選取不同特征時(shí)RF模型預(yù)測(cè)結(jié)果分析如表2所示。

圖5 在電機(jī)轉(zhuǎn)速為600r/min時(shí),使用不同樹數(shù)和特征選擇對(duì) 拖拉機(jī)輔助齒輪箱進(jìn)行故障檢測(cè)的RF模型精度結(jié)果Fig.5 RF model accuracy results for fault detection of tractor auxiliary gearbox using different number of trees and feature selection at motor speed of 600r/min

表2 不同特征選取下RF模型故障診斷的性能Table 2 Performance of RF model fault diagnosis under different feature selections

將RF模型與MLP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)對(duì)比,通過(guò)5倍交叉驗(yàn)證和所有特征和CFS選擇的重要特征作為輸入(見表3),無(wú)特征選擇的MLP的總準(zhǔn)確度、RMSE、MAE和RAE分別為82.5%、0.27、0.12和32.89%。通過(guò)使用CFS方法,這些數(shù)值分別為86.25%、0.24、0.10和28.49%,研究結(jié)果表明,通過(guò)CFS優(yōu)化的MLP模型可以很好地識(shí)別正常的齒輪樣本,但對(duì)有缺陷的齒輪樣本的識(shí)別精度略低(見表4),RF模型預(yù)測(cè)的準(zhǔn)確性高于MLP神經(jīng)網(wǎng)絡(luò)模型。

表3 MLP模型故障診斷性能Table 3 MLP model fault diagnosis performance

續(xù)表3

表4 RF模型和MLP模型性能對(duì)比Table 4 RF model and MLP model performance comparison

4 結(jié)論

在不同的電機(jī)條件下(600、1350 、2000r/min)下,基于離散小波變換(DWT)進(jìn)行信號(hào)處理,通過(guò)相關(guān)性特征選擇(CFS)方法進(jìn)行特征選取,采用隨機(jī)森林(RF)和多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類。研究結(jié)果表明:在電機(jī)轉(zhuǎn)速為600r/min時(shí),通過(guò)特征選擇的RF模型達(dá)到了92.5%的準(zhǔn)確率,誤差RMSE僅為0.21,MLP模型預(yù)測(cè)準(zhǔn)確率僅為86.25%,誤差RMSE達(dá)到0.24,證明RF模型在故障診斷方面優(yōu)于MLP模型。