基于深度學習的齒輪泵故障診斷方法研究

黃 勇，張征凱，曾憲淑，齊 浪

(西安建筑科技大學 機電工程學院，西安 710703)

0 引言

齒輪泵是一種常見的液壓泵，和其他類型的泵相比，齒輪泵具有結構簡單、體積小、重量輕、工作可靠、便于維修、對油液污染不敏感等優(yōu)點，大多數(shù)的液壓設備都采用齒輪泵作為液壓系統(tǒng)的動力元件。另外，齒輪泵作為液壓系統(tǒng)的心臟，它的狀態(tài)性能直接關系著液壓系統(tǒng)乃至整臺液壓機械設備的正常運轉[1-2]。如果設備正在工作的情況下動力系統(tǒng)發(fā)生故障，將會給企業(yè)的生產(chǎn)效率造成極大的影響。因此對齒輪泵進行實時監(jiān)測，及時對它的工作狀態(tài)進行診斷，利用現(xiàn)代化技術對齒輪泵的運轉工況進行有效的診斷分析，將會避免不必要的損失。

隨著人工智能時代的到來，越來越多的科學領域都在研究人工智能對自己行業(yè)發(fā)展會帶來怎樣的影響，國內外許多專家學者都在研究人工智能的核心技術機器學習和深度學習。其中深度學習作為人工智能領域中的一個重要分支，它的模型是搭建各種深度神經(jīng)網(wǎng)絡，通過構建一個多層的表示學習結構，使用一系列非線性變化從原始數(shù)據(jù)中提取出簡單的特征進行組合，從而得到神經(jīng)網(wǎng)絡模型[3]。神經(jīng)網(wǎng)絡的訓練過程主要是將采集到的數(shù)據(jù)進行特征量的提取和歸一化的處理，并將部分數(shù)據(jù)作為訓練數(shù)據(jù)輸入到建立好的神經(jīng)網(wǎng)絡模型中，然后將另一部分數(shù)據(jù)輸入到該模型中進行訓練和預測。本文是在BP神經(jīng)網(wǎng)絡模型的基礎上，利用python語言編寫Keras深度學習框架來搭建一個多層感知器模型用于齒輪泵的故障診斷。

1 BP神經(jīng)網(wǎng)絡對齒輪泵故障的分析

BP神經(jīng)網(wǎng)絡由Mcclelland和Rumelhart等科學家提出的基于多層前饋網(wǎng)絡的反向傳播學習算法，稱之為BP神經(jīng)網(wǎng)絡算法。BP神經(jīng)網(wǎng)絡算法的思想是將模型的學習分為信息正向傳播和誤差反向傳播階段[4]。其中，正向傳播階段是計算模型的輸出，反向階段是根據(jù)誤差減小最快的方向修改模型的參數(shù)，訓練的過程中若模型的輸出與期望輸出之間的誤差不滿足要求的計算精度，模型就會進入反向傳播階段的計算，然后重新計算參數(shù)調整后的模型輸出值，再驗證模型輸出與期望輸出之間的誤差，判斷輸出是否滿足要求，該算法在數(shù)據(jù)預測和分類方面有廣泛的應用。

1.1 信號采集

實驗平臺涉及到的硬件主要有USB4716數(shù)據(jù)采集卡，加速度傳感器，流量傳感器，壓力傳感器，正常工作的新泵，齒輪泵齒輪磨損的舊泵，磁粉制動器，放大器，電磁比例換向閥，電磁比例溢流閥。該實驗平臺用磁粉制動器模擬阻力和溢流閥作為背壓給整個液壓系統(tǒng)加載，通過放大器控制電磁比例換向閥和溢流閥來控制液壓油的流向和流速，通過Labview軟件給數(shù)據(jù)采集卡發(fā)送信號來間接地控制放大器和張力控制器，從而給液壓系統(tǒng)發(fā)送模擬信號。實驗的過程將系統(tǒng)的最大壓力調定到5MPa,分別采集正常信號和齒輪泵齒輪磨損故障信號，采用雙通道數(shù)據(jù)采集。

1.2 數(shù)據(jù)的特征提取

本文采用時域信號特征提取法，利用信號的數(shù)字特征作為時域特征量來反應齒輪泵的工作狀態(tài)，實驗數(shù)據(jù)的采集過程利用Labview軟件和USB4716數(shù)據(jù)采集卡進行采集，實驗數(shù)據(jù)的處理過程是將采集到的電壓信號通過線性關系轉換成壓力值，并將這些參數(shù)經(jīng)過一系列的特征提取和歸一化處理得到特征值，并建立樣本庫。分別選用均值、均方根、偏度、峭度、波形因子、峰值因子、裕度因子作為特征量對數(shù)據(jù)進行分析處理。實驗室所采集到的信號x(t)是一組離散的時間序列X={xi},每一個特征量參數(shù)指標為：

均值：

(1)

均方根：

(2)

偏度：

(3)

式中，μ是均值，δ為標準差，E是均值操作。

峭度：

(4)

波形因子：

(5)

峰值因子：

(6)

裕度因子：

(7)

將實驗數(shù)據(jù)代入到上述公式(1)～式(7)進行計算。表1是齒輪泵在正常工作情況下和齒輪泵齒輪磨損情況下歸一化處理后的部分數(shù)字信號量。

表1 信號特征值

從表1的部分數(shù)據(jù)可以觀察到齒輪泵在正常和故障狀態(tài)下信號的峭度和脈沖因子的數(shù)據(jù)相差較大，因此選擇齒輪泵的峭度和脈沖因子作為特征因子進行訓練、驗證和診斷。

1.3 BP神經(jīng)網(wǎng)絡模型的建立

傳統(tǒng)的神經(jīng)元模型如圖1a所示，本文建立的神經(jīng)網(wǎng)絡結構模型為典型的三層BP神經(jīng)網(wǎng)絡結構，如圖1b所示。

(a) 神經(jīng)元模型

(b) 典型的三層BP神經(jīng)網(wǎng)絡模型 圖1 神經(jīng)網(wǎng)絡模型

由圖1b可以看出神經(jīng)網(wǎng)絡訓練的正向傳播中，輸入信號通過輸入層、隱藏層到輸出層，逐層傳遞計算每層神經(jīng)元的實際輸出值。如公式(8)所示：

net=?To+b

(8)

其中，ω為各層的權重向量，是上一層的輸出向量，b為閾值，o為輸入樣本訓練集。

若正向傳播結束后，實際輸出與期望輸出相差高于所設定的誤差容限值，則進行誤差反向傳播。直到誤差取值在誤差容限值范圍內，表明當前模型的計算結果達到需要的計算精度，即可結束模型訓練。否則，需要進入誤差反向傳播過程，修改神經(jīng)網(wǎng)絡的內部連接權值。經(jīng)過修改連接權值，得到新的模型。將樣本數(shù)據(jù)代入新的模型，按流程重新計算模型輸出與期望輸出之間的誤差結果。如果結果小于期望誤差，表明當前模型的輸出有效，模型的訓練完成；否則，再次進行誤差反向傳播，繼續(xù)訓練，直到最終得到滿足精度要求的隱含層連接權值和輸出層連接權值[6]。

1.4 實驗結果與分析

利用BP神經(jīng)網(wǎng)絡對齒輪泵進行故障診斷分析，過程包括樣本訓練、驗證和診斷。從樣本庫中隨機抽取300組正常，300組故障數(shù)據(jù)，其中280組數(shù)據(jù)用來對模型進行訓練，20組數(shù)據(jù)用來對模型進行驗證，接著從樣本庫中隨機抽取10組數(shù)據(jù)進行訓練，圖2為樣本分類的結果。

圖2 樣本分類結果

從圖2可以看出，經(jīng)過BP神經(jīng)網(wǎng)絡的訓練過程已經(jīng)將兩種不同的工作狀態(tài)進行了正確分類。為了能夠準確診斷出齒輪泵是否已經(jīng)發(fā)生故障，將已經(jīng)訓練好的神經(jīng)網(wǎng)絡模型進行驗證，圖3為隨機選取的20組數(shù)據(jù)進行驗證。

圖3 樣本驗證結果

圖4 齒輪泵齒輪磨損診斷結果

圖5 齒輪泵齒輪正常診斷結果

圖6 誤差結果輸出

圖4、圖5中橫坐標為峭度歸一化參數(shù)值，縱坐標為脈沖因子歸一化參數(shù)值。其中圖4、圖5為在未知壓力輸出信號的前提下診斷出齒輪泵的工作狀態(tài)。從圖4、圖5中可以看出，標記的綠點分布在故障點和正常點的周圍，表明診斷的輸出結果與實際的工作情況相吻合，BP神經(jīng)網(wǎng)絡作為故障預測模型能夠達到診斷目標。從圖6中可以看出，算法開始后，權重誤差顯著下降，至大約80次迭代開始緩慢下降，直到100次左右迭代接近最優(yōu)，最后才逐漸平穩(wěn)。通過誤差的變化趨勢說明BP神經(jīng)網(wǎng)絡算法對此數(shù)據(jù)集的分類訓練在第100次達到最優(yōu)。

2 深度學習對齒輪泵故障的分析

2006年，Hinton在刊物《Nature》上第一次提出了深度學習的概念，整篇文章主要表達兩個觀點：第一，含有多個隱層的網(wǎng)絡結構相對于單隱層的網(wǎng)絡結構對特征有更好的學習能力，所學到的特征更能體現(xiàn)出數(shù)據(jù)的本質，有利于分類。第二，通過“逐層初始化”的方法來解決深度神經(jīng)網(wǎng)絡的訓練問題[7-8]。BP神經(jīng)網(wǎng)絡就是典型的單隱藏層神經(jīng)網(wǎng)絡結構，模型構建過程較為復雜，收斂速度比較慢，主要由學習率(步長)進行控制，正如之前訓練樣本的過程中需要不斷的調整誤差容限值、學習率、最大的迭代次數(shù)等參數(shù)才能達到最終的分類效果。針對BP神經(jīng)網(wǎng)絡在樣本訓練過程中存在的不足，本文擬使用深度神經(jīng)網(wǎng)絡搭建多層感知器模型對齒輪泵進行故障診斷分析。

2.1 多層感知器模型的建立

構建的多層感知器模型是在單隱層神經(jīng)網(wǎng)絡的基礎上多增加一個或者多個隱藏層，模型的搭建過程使用Keras深度學習框架進行構建。圖7表示4層神經(jīng)網(wǎng)絡模型：將數(shù)據(jù)進行預處理產(chǎn)生8個特征字段作為輸入層(8個神經(jīng)元)，隱藏層1(40個神經(jīng)元)，隱藏層2(30個神經(jīng)元)，輸出層(1個神經(jīng)元)。

圖7 4層神經(jīng)網(wǎng)絡網(wǎng)絡模型

2.2 實驗結果與分析

訓練多層感知器模型的輸入數(shù)據(jù)仍采用訓練BP神經(jīng)網(wǎng)絡所用的300組數(shù)據(jù)，接著在相同樣本數(shù)據(jù)的基礎上，訓練并評估模型的準確率，然后使用訓練完成的模型來判斷齒輪泵齒輪是否發(fā)生故障。

訓練開始之前將300組樣本數(shù)據(jù)分成：90%作為訓練數(shù)據(jù)，10%作為驗證數(shù)據(jù)。齒輪泵正常工作和齒輪泵齒輪磨損狀態(tài)下工作總共有600組數(shù)據(jù)，所以將歸一化之后的數(shù)據(jù)分成：600×90%=540作為訓練樣本數(shù)據(jù)，600×10%=60最為驗證數(shù)據(jù)。訓練過程中設置每一批次輸入18組樣本數(shù)據(jù)，共執(zhí)行30個訓練周期，每個周期訓練完成之后，計算訓練周期之后訓練、驗證的準確率和誤差，圖8為周期數(shù)與準確率的關系曲線圖，圖9為周期數(shù)與誤差的關系曲線圖。

圖8 周期數(shù)與準確率關系曲線

圖9 周期數(shù)與誤差關系曲線圖

從圖8的顯示曲線可以看出，無論是“acc訓練準確率”還是“val_acc驗證準確率”在第運行到第18個周期之前準確率越來越高，18個周期之后準確率基本上趨于穩(wěn)定。從圖9的顯示曲線可以看出，無論是訓練還是驗證過程，誤差都在越來越小，整個訓練和驗證的過程表明模型的輸出可靠。接著評估單隱藏層神經(jīng)元的個數(shù)和多隱藏層神經(jīng)元的層數(shù)對模型準確率的影響。

從圖10的顯示曲線可以看出，隨著隱藏層神經(jīng)元個數(shù)的增加，模型的準確率逐漸的增加，直到神經(jīng)元的個數(shù)達到40個，模型的準確率可以達到67%。結果表明單隱藏層神經(jīng)網(wǎng)絡對樣本的訓練效果不好，達不到診斷的效果。選擇單隱藏層神經(jīng)元的個數(shù)為40個，增加隱藏層的層數(shù)來訓練模型。從圖11的顯示曲線可以看出，隨著隱藏層個數(shù)增加，模型的準確率顯著增加，直到最后可以達到99%。結果表明多層感知器模型對樣本的訓練效果更好，更能滿足于齒輪泵故障診斷的分析和應用。

圖10 神經(jīng)元個數(shù)與模型準確率關系曲線

圖11 隱藏層層數(shù)與模型準確率關系曲線

隨機從樣本庫中抽取兩組數(shù)據(jù)進行診斷。分別用0標記齒輪泵正常樣本，1標記齒輪泵齒輪磨損的樣本，診斷結果如表2所示。

表2 預測結果

表2中前5組數(shù)據(jù)用0進行標記，發(fā)生故障的模型準確率較低，說明此時齒輪泵正常工作，后5組數(shù)據(jù)用1進行標記，發(fā)生故障的模型準確率較高，說明此時齒輪泵齒輪已經(jīng)磨損，與正常情況相符合。本文提出的評估多層感知器模型準確率的方法較BP神經(jīng)網(wǎng)絡對齒輪泵的故障進行診斷有了較大的提高。當設定隱含層的層數(shù)為3個時，其準確率可達到95.56%，設定隱含層的層數(shù)為4個時，其準確率可達到99.27%，而當隱含層設定6個時，其準確率可達到99.9%。結果表明多層感知器模型能夠更加高效地診斷出齒輪泵是否已經(jīng)發(fā)生故障。

3 結束語

本文使用深度神經(jīng)網(wǎng)絡構建多層感知器模型，模型的實現(xiàn)過程使用Python語言進行編寫，模型的搭建過程使用Keras深度學習框架進行構建，通過評估該模型準確率的方式來診斷齒輪泵的工作狀態(tài)。以實驗室的液壓實驗臺作為載體，齒輪泵作為研究對象，經(jīng)過大量實驗數(shù)據(jù)的采集，將提取特征量之后的實驗數(shù)據(jù)作為樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡模型和多層感知器模型進行實驗驗證，使用訓練完成的模型對齒輪泵進行故障診斷。診斷結果表明多層感知器模型輸出結果與預測結果較吻合，可以用于液壓設備中齒輪泵的故障診斷分析，具有良好的實際使用價值。