毛 敏 鄭小青 梅鵬飛

(衢州職業(yè)技術(shù)學(xué)院 信息工程學(xué)院,浙江 衢州324000)

1 概述

隨著現(xiàn)代工業(yè)與技術(shù)的快速發(fā)展,旋轉(zhuǎn)機(jī)械的工作過程越來越趨向于高速化、自動化及智能化。滾動軸承是將運(yùn)轉(zhuǎn)的軸與軸座之間的滑動摩擦變?yōu)闈L動摩擦,從而減少摩擦損失的一種精密的關(guān)鍵機(jī)械部件之一,其健康狀況直接影響著整個旋轉(zhuǎn)機(jī)械的工作性能、穩(wěn)定性及壽命周期。由于滾動軸承的運(yùn)轉(zhuǎn)環(huán)境一般都是密閉且是復(fù)雜多變的,在應(yīng)用過程中常伴隨著老化、損壞等問題,產(chǎn)生的各種類型故障將會造成較大的安全事故和巨大的經(jīng)濟(jì)損失。利用精確、高效的故障診斷技術(shù)不僅可以降低維修成本,而且可以提高運(yùn)行設(shè)備的可靠性和穩(wěn)定性。因此,對滾動軸承故障進(jìn)行準(zhǔn)確而及時的診斷尤為重要。

混合域故障特征選擇方面。近年來諸多學(xué)者通過時域、頻域或時頻域等單一特征來表征故障信息,并通過智能方法來診斷故障[1]。Zhao C,Feng Z等提出一種基于時域和時頻域結(jié)合的特征提取方法來診斷故障。為全面提取時域、頻域及時頻域特征,Yan X,Jia M提出一種基于混合域特征構(gòu)建方法。然而,混合域特征集維數(shù)高且計算復(fù)雜,此外冗余特征往往降低診斷可靠性。針對混合域特征的缺陷,Sun C,Wang P,Yan R等通過局部嵌入算法(Locally Linear Embedding,LLE)尋找高維特征所隱藏的低維流形結(jié)構(gòu),使降維后的特征保持原有的拓?fù)浣Y(jié)構(gòu)。但是,數(shù)據(jù)的整體分布在降維后的低維空間會有變形。Yunguang Y,Zhang Y,Wang Q等用線性局部切空間排列(Linear Local Tangent Space Alignment,LLTSA)實(shí)現(xiàn)維數(shù)約簡,但它無法將類別信息融入維數(shù)約簡過程來提高低維特征的可辨識性。Allegretta I,Marangoni B,Manzari P用主成分分析(Principal Component Analysis,PCA)提取特征的協(xié)方差矩陣來降維,但PCA僅考慮全局重構(gòu)信息且沒有利用數(shù)據(jù)內(nèi)、樣本間的相關(guān)性。除了基于特征融合與優(yōu)選的降維方法[2],Xiaoan Y,Minping J等提出最大相關(guān)最小冗余(Max-Relevance Min-Redundancy,MRMR)的特征選擇方法,它能夠自動地從候選多尺度特征中選擇敏感特征在沒有任何先驗(yàn)知識的情況下。Zhu X,Wang Y,Li Y等利用多聚類特征選擇方法(Multi-cluster Feature Selection,MCFS)進(jìn)行特征提取,該方法基于譜回歸的稀疏子空間學(xué)習(xí)同無監(jiān)督特征選擇相結(jié)合。白麗麗,韓振南,任家駿等提出一種基于拉普拉斯分值(Laplacian Score,LS)的特征選擇方法,采用過濾式的特征選擇方式對原始特征集進(jìn)行篩選以得到前N維特征子集。Saman Seifpour等利用MCFS選擇具有較高準(zhǔn)確率的最佳特征子集,使多級睡眠階段分類問題更準(zhǔn)確、更可靠。

ELM神經(jīng)網(wǎng)絡(luò)故障診斷模型構(gòu)建方面。ELM是一種針對前饋神經(jīng)網(wǎng)絡(luò)而設(shè)計的機(jī)器學(xué)習(xí)算法[3],ELM的學(xué)習(xí)效率與計算復(fù)雜度低,同時克服了梯度下降算法的缺點(diǎn)而得到了廣泛的應(yīng)用。然而,傳統(tǒng)ELM參數(shù)設(shè)置直接影響其分類結(jié)果[4]。目前,基于啟發(fā)式優(yōu)化算法來優(yōu)化ELM參數(shù)的模型屢見不鮮。粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法通過群體中個體間的協(xié)作和信息共享來尋找最優(yōu)解。Wang Z,Zhang D,Gong D等為ELM設(shè)定出了最佳網(wǎng)絡(luò)參數(shù),避免了ELM隨機(jī)產(chǎn)生輸入層權(quán)值和隱含層閾值造成的網(wǎng)絡(luò)不穩(wěn)定問題。遺傳算法(Genetic Algorithm,GA)是一類通過模擬自然進(jìn)化過程來搜索最優(yōu)解的方法。鄭茂輝,劉少非等通過優(yōu)化ELM的輸入權(quán)值矩陣和隱含層偏置,來改善由網(wǎng)絡(luò)參數(shù)隨機(jī)生成而帶來的模型輸出不穩(wěn)定、分類精度偏低的問題。蜻蜓算法(Dragonfly algorithm,DA)是一種以蜻蜓奇跡虎尋食和躲避天敵為理論基礎(chǔ)的新式群智能算法[5],可利用DA算法優(yōu)化ELM故障診斷和識別模型。鯨魚優(yōu)化算法(Whale Optimization Algorithm,WOA)采用隨機(jī)或最佳搜索代理來模擬捕獵行為,并使用螺旋來模擬座頭鯨的泡泡網(wǎng)攻擊機(jī)制[6]。該算法與其它群智能優(yōu)化算法相比,具有明顯的區(qū)別。在ELM參數(shù)選取中,智能優(yōu)化算法被證明是有效的。但上述智能算法以及蝙蝠算法[7](Bat Algorithm,BA)、蝗蟲群優(yōu)化算法[8](Grasshopper Optimization Algorithm,GOA)、灰狼優(yōu)化算法[9](Grey Wolf Optimizer,GWO)等均存在求解精度低、易早熟停滯等問題。為此,Islam M S,Islam M R提出模擬退火算法(Simulated Annealing,SA),將退火思想引入到組合優(yōu)化領(lǐng)域能有效的解決局部最優(yōu)解問題。Gupta S,Deep K提出一種不易陷入局部極小值的隨機(jī)游走算法(Random Walk,RW)。劉漢,康國欽,李凱等提出差分進(jìn)化算法(Differential Evolution,DE),是一種高效的全局優(yōu)化算法等。對于ELM神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化,目前仍有較大改進(jìn)空間。

因此,本文提出基于MCFS的特征降維方法選取可以準(zhǔn)確反映設(shè)備運(yùn)行狀態(tài)的特征,并使用DEGWO對ELM進(jìn)行參數(shù)優(yōu)化,得到自適應(yīng)模型。最終,實(shí)現(xiàn)滾動軸承的故障診斷。

2 軸承故障診斷方法技術(shù)路線

本文利用基于高維特征選擇的方法對滾動軸承振動信號混合域特征進(jìn)行降維,利用優(yōu)化ELM構(gòu)建最優(yōu)故障診斷模型。于此同時,根據(jù)不同情況下的故障信號建立最優(yōu)特征空間,從而進(jìn)一步提高分類識別精度。該方法通過以下五方面實(shí)現(xiàn):

2.5.1 優(yōu)化Ⅰ-利用特征選擇(即降維)算法對混合域高維特征進(jìn)行選擇。通過逐一分析法,根據(jù)實(shí)際分類效果構(gòu)建滾動軸承故障最優(yōu)特征空間。算法相關(guān)思路及處理方法主要包括:(1)獲取混合域特征集；(2)選取降維方法進(jìn)行特征優(yōu)選；(3)依次選取前d(d=1,2,...,M)維特征空間,利用ELM模型進(jìn)行訓(xùn)練與測試；(4)根據(jù)分類效果更新優(yōu)選特征空間；(5)最后,經(jīng)過綜合分析得到最優(yōu)特征空間。

圖1 基于自適應(yīng)ELM的軸承故障診斷總技術(shù)路線

為驗(yàn)證選取的最優(yōu)特征空間表征效果,利用優(yōu)化改進(jìn)的ELM模型進(jìn)行分類識別。其中,Xj代表模型的輸入變量,即滾動軸承最優(yōu)特征空間；Ti代表模型的輸出變量,即滾動軸承的故障類型,如不同程度的內(nèi)圈、外圈及滾動體故障等。根據(jù)ELM模型訓(xùn)練與測試,最優(yōu)特征空間表征效果得以驗(yàn)證。

2.5.2 優(yōu)化Ⅱ-改進(jìn)群智能算法優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)模型。該模型將集成全局搜索最優(yōu)的能力和ELM強(qiáng)學(xué)習(xí)的能力。利用經(jīng)改進(jìn)后的群智能算法,把最優(yōu)輸入權(quán)值、偏置問題轉(zhuǎn)化為種群的尋優(yōu)問題。以此構(gòu)建最優(yōu)ELM神經(jīng)網(wǎng)絡(luò)故障診斷模型,從而更進(jìn)一步的提高滾動軸承故障分類與識別效果。其算法詳細(xì)的流程圖,如圖2所示。

圖2 優(yōu)化Ⅱ算法流程圖

算法相關(guān)思路及處理方法主要包括:(1)種群初始化；(2)個體適應(yīng)度評價；(3)種群進(jìn)化；(4)ELM神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測；(5)結(jié)合滾動軸承故障最優(yōu)特征空間,獲取最優(yōu)ELM神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過優(yōu)化改進(jìn)后的ELM神經(jīng)網(wǎng)絡(luò)模型,將更進(jìn)一步提高模型的預(yù)測精度與泛化能力。

3 基于自適應(yīng)ELM的軸承故障診斷

本文實(shí)驗(yàn)數(shù)據(jù)由凱斯西儲大學(xué)的電氣工程實(shí)驗(yàn)室獲得[10]。實(shí)驗(yàn)平臺由電機(jī)、轉(zhuǎn)矩傳感器、功率計及電子控制設(shè)備構(gòu)成。本文將隨機(jī)選取最具代表性的驅(qū)動端振動信號(其中,電機(jī)轉(zhuǎn)速為1750r/min,采樣頻率為12kHz)作為數(shù)據(jù)樣本。內(nèi)圈、外圈和滾動體的三種故障直徑分別為0.007 inches,0.014 inches和0.021 inches,共四大類(10類)故障,相應(yīng)的故障標(biāo)簽分別為IR7、IR14、IR21、OR7、OR14、OR21、B7、B14、B21。每類故障信號平均分割為60組樣本,包括40組訓(xùn)練樣本、20組測試樣本。為優(yōu)選特征向量,根據(jù)MCFS算法對混合域特征進(jìn)行優(yōu)化排序,結(jié)果如表1所示。

表1 基于MCFS的前15維特征向量

上述算法可選取前10維作為最優(yōu)特征向量,但基于DEGWO-ELM模型對比GWO-ELM模型具有較高的分類準(zhǔn)確率。由圖3、圖4可知,DEGWO-ELM軸承故障診斷模型識別效果明顯高于GWO-ELM模型。

圖3 基于GWO-ELM模型的預(yù)測分類圖

圖4 基于DEGWO-ELM模型的預(yù)測分類圖

綜上所述,本文方法在最少的迭代次數(shù)內(nèi)得到最優(yōu) ωi與bi,并達(dá)到了最優(yōu)識別精度,適用性得到充分論證。其原因在于面對復(fù)雜的滾動軸承故障分類模型參數(shù)優(yōu)化問題,GWO易陷入局部最優(yōu)；而DEGWO使用嵌入趨優(yōu)算子的算法進(jìn)行搜索,實(shí)現(xiàn)在更短的時間內(nèi)獲取更高的優(yōu)化精度與更快的收斂速度。再利用具有自適應(yīng)調(diào)節(jié)參數(shù)功能的DE策略進(jìn)一步提高GWO對復(fù)雜優(yōu)化函數(shù)的尋優(yōu)性能,從而得到自適應(yīng)ELM模型。

4 結(jié)論

一種基于混合特征與自適應(yīng)ELM的滾動軸承故障診斷方法被提出在本文中,其有效性及優(yōu)越性得到充分驗(yàn)證。針對滾動軸承振動信號混合域高維特征,利用MCFS算法進(jìn)行降維,能保證在選取最小特征維數(shù)下達(dá)到最佳識別精度,并實(shí)現(xiàn)最佳特征空間的構(gòu)建。同時,基于DE與GWO相結(jié)合的優(yōu)化方法,可提高全局搜索能力,有效避免早熟停滯、陷入局部最優(yōu)等問題。相比于GWO的其他參數(shù)設(shè)置,基于本文參數(shù)設(shè)置方法所得到的尋優(yōu)效果最佳。以此構(gòu)建的DEGWO-ELM方法,可較好的解決GWO所存在的局部收斂和收斂精度低的問題在自適應(yīng)基礎(chǔ)上。同時,得到的分類識別精度均優(yōu)于原GWO-ELM自適應(yīng)方法及傳統(tǒng)ELM方法。