基于 CNN-LSTM 的齒輪箱復(fù)合故障狀態(tài)監(jiān)測(cè)研究

王靖岳，高 天，王浩天，王軍年

1沈陽理工大學(xué)汽車與交通學(xué)院 遼寧沈陽 110159 2吉林大學(xué)汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室 吉林長(zhǎng)春 130025 3沈陽航空航天大學(xué)自動(dòng)化學(xué)院 遼寧沈陽 110136

齒 輪箱作為核心傳動(dòng)裝置，廣泛應(yīng)用在汽車、軌道車輛、風(fēng)電機(jī)組等各大領(lǐng)域。隨著大量齒輪箱被投入使用，其在工作中發(fā)生故障的情況也越來越多，齒輪箱的狀態(tài)監(jiān)測(cè)技術(shù)也因此發(fā)展起來。由于監(jiān)測(cè)儀器逐漸趨向于智能化，因此振動(dòng)信號(hào)分析監(jiān)測(cè)方法成為當(dāng)前研究的重點(diǎn)。目前機(jī)械設(shè)備的監(jiān)測(cè)是通過對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行數(shù)據(jù)采集，經(jīng)人工或智能對(duì)比相關(guān)運(yùn)行參數(shù)的閾值指標(biāo)，來判斷設(shè)備的運(yùn)行情況。

目前國內(nèi)在這方面的應(yīng)用技術(shù)已相對(duì)成熟，深度學(xué)習(xí)等智能算法在此領(lǐng)域得到了廣泛的應(yīng)用[1-7]。馬蕓婷等人提出主成分分析結(jié)合 SAE 深度學(xué)習(xí)方法的齒輪故障診斷，準(zhǔn)確率達(dá)到 96% 以上[8]；李亞鑫采用深度對(duì)抗卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了遷移學(xué)習(xí)故障診斷方法[9]；許超設(shè)計(jì)了齒輪箱的狀態(tài)監(jiān)測(cè)軟件，能通過監(jiān)測(cè)齒輪箱的溫度、主軸轉(zhuǎn)速等物理參數(shù)和振動(dòng)參數(shù)來實(shí)現(xiàn)齒輪箱的狀態(tài)監(jiān)測(cè)，并配備有振動(dòng)信號(hào)分析的離線分析系統(tǒng)[10]；竇春紅采用奇異譜增強(qiáng)故障特征，并將多尺度符號(hào)動(dòng)力學(xué)熵引入狀態(tài)監(jiān)測(cè)中，量化地揭示了數(shù)據(jù)的時(shí)空間狀態(tài)[11]；魯統(tǒng)超等人將 CNN-LSTM 組合網(wǎng)絡(luò)結(jié)合高斯混合模型構(gòu)建了一個(gè)航空發(fā)動(dòng)機(jī)故障識(shí)別網(wǎng)絡(luò)[12]，識(shí)別準(zhǔn)確率較高。

齒輪傳動(dòng)系統(tǒng)出現(xiàn)復(fù)合故障時(shí)，傳感器采集到的復(fù)合故障信號(hào)，是各單一故障信號(hào)從各自的故障部位經(jīng)過復(fù)雜的傳遞路徑耦合在一起的混合信號(hào)，其中較弱的周期性特征會(huì)被其他成分淹沒?；旌夏Ｐ妥R(shí)別網(wǎng)絡(luò)能改進(jìn)單一模型的缺點(diǎn)，樣本輸入 CNN 網(wǎng)絡(luò)，通過卷積池化等操作提取數(shù)據(jù)之間的高級(jí)特征，并將特征輸送到 LSTM 網(wǎng)絡(luò)中。

1 神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Network，CNN) 這一概念最早由 Yann Lecun 于 20 世紀(jì) 80 年代提出，是受到生物神經(jīng)學(xué)中感受野的啟發(fā)而發(fā)展起來的一種前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。其作為一種有監(jiān)督深度學(xué)習(xí)算法，端到端的數(shù)據(jù)處理模式，由于特征提取階段不需要人工選擇，而被廣泛應(yīng)用在各個(gè)領(lǐng)域的設(shè)備狀態(tài)監(jiān)測(cè)中[13-14]。

1.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) (Long Short Term Memory Network，LSTM) 是一種變型式的循環(huán)神經(jīng)網(wǎng)絡(luò)[13]。其特點(diǎn)是增加了遺忘門、輸入門和輸出門結(jié)構(gòu)，從而決定記憶權(quán)值，選擇控制單元的狀態(tài)，因此不會(huì)發(fā)生普通循環(huán)網(wǎng)絡(luò)可能出現(xiàn)的梯度消失現(xiàn)象。LSTM 是當(dāng)前發(fā)展較為穩(wěn)定有效的循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)，在處理時(shí)間序列上擁有更高的精度。其網(wǎng)絡(luò)基本單元如圖 1 所示。

圖1 LSTM 結(jié)構(gòu)示意Fig.1 Structural sketch of LSTM

2 基于 CNN 和 LSTM 的齒輪箱復(fù)合故障狀態(tài)監(jiān)測(cè)研究

單獨(dú)神經(jīng)網(wǎng)絡(luò)在機(jī)械設(shè)備故障診斷中的應(yīng)用局限在于處理復(fù)雜問題時(shí)的運(yùn)算速度普遍較慢，難以適應(yīng)工業(yè)需求，準(zhǔn)確率未能達(dá)到預(yù)期，網(wǎng)絡(luò)的穩(wěn)定性較差。針對(duì)上述問題，學(xué)者們開始研究將多種神經(jīng)網(wǎng)絡(luò)組合成為新的深度學(xué)習(xí)算法，將 CNN 結(jié)合 LSTM 的網(wǎng)絡(luò)結(jié)構(gòu)提出來，并廣泛應(yīng)用于工業(yè)設(shè)備故障特征的研究。

筆者構(gòu)建了一個(gè) 12 層神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)體系結(jié)構(gòu)組成如圖 2 所示，將折疊層和卷積核合并為卷積層。其工作原理如下：一維時(shí)間序列經(jīng)第 1 層輸入層輸入后到達(dá)第 1 個(gè)卷積層，卷積核為 2×1；然后連接 ReLU 激活層，再經(jīng)過第 2 個(gè)卷積層，卷積核為 2×1；再經(jīng)過第 2 個(gè) ReLU 激活層，此時(shí)數(shù)據(jù)為 32 個(gè)特征圖；隨后接序列反折疊層，其作用是將目前多維的數(shù)據(jù)一維化，即將特征圖轉(zhuǎn)換為一維序列，以便輸入 LSTM 網(wǎng)絡(luò)層；經(jīng)過 LSTM 后連接全連接層，然后連接 Softmax 激活層；最后輸出網(wǎng)絡(luò)對(duì)測(cè)試集狀態(tài)監(jiān)測(cè)的準(zhǔn)確率。

圖2 網(wǎng)絡(luò)的層數(shù)及結(jié)構(gòu)圖Fig.2 Number of layers and structure of network

3 試驗(yàn)驗(yàn)證

筆者的研究數(shù)據(jù)來自于 HFXZ-I 型齒輪箱復(fù)合故障試驗(yàn)臺(tái)，如圖 3 所示，該試驗(yàn)臺(tái)主要由驅(qū)動(dòng)電動(dòng)機(jī)、平行齒輪箱、磁粉制動(dòng)器等組成。

圖3 齒輪箱試驗(yàn)臺(tái)Fig.3 Gearbox test bench

選擇齒輪箱試驗(yàn)臺(tái)正常狀態(tài)和 3 種故障狀態(tài)的振動(dòng)信號(hào)作為分析對(duì)象。3 種故障狀態(tài)分別是齒輪輪齒磨損故障、軸承外圈故障以及 2 個(gè)故障同時(shí)存在的復(fù)合故障。因此共可以分為 4 種工作狀態(tài)：即正常工作狀態(tài)、齒輪故障狀態(tài)，軸承故障狀態(tài)以及復(fù)合故障狀態(tài)，狀態(tài)代碼分別設(shè)為 1、2、3、4。齒輪箱振動(dòng)信號(hào)的時(shí)域波形如圖 4 所示。

圖4 齒輪箱振動(dòng)信號(hào)時(shí)域波形圖Fig.4 Time domain waveform of vibration signal of gearbox

首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。一維振動(dòng)信號(hào)經(jīng)過預(yù)處理后的 4 種工作狀態(tài)共劃分成 3 960 個(gè)樣本，并隨機(jī)打亂。每個(gè)樣本的形式為 [10，1，1]，按 7∶3 的比例分成訓(xùn)練集和測(cè)試集。設(shè)置最大訓(xùn)練次數(shù)為 100，初始學(xué)習(xí)率為 0.01，正則化參數(shù)為 0.000 1，學(xué)習(xí)下降因子為 0.1，并設(shè)置為每經(jīng)過 60 次訓(xùn)練進(jìn)行一次迭代，學(xué)習(xí)率變?yōu)?0.1 倍。最后，輸出 CNN-LSTM 網(wǎng)絡(luò)對(duì)齒輪箱 4 種工作狀態(tài)的狀態(tài)識(shí)別準(zhǔn)確度，將測(cè)試集中正常工況設(shè)為 1，單故障分別設(shè)為 2 和 3，復(fù)合故障狀態(tài)設(shè)為 4，測(cè)試網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率。為確保減少偶然性，將同樣數(shù)據(jù)狀態(tài)檢測(cè)流程進(jìn)行 3 次，取其平均值。

其中任意一次的 CNN-LSTM 網(wǎng)絡(luò)運(yùn)行的監(jiān)測(cè)準(zhǔn)確率變化圖、損失函數(shù)變化圖和測(cè)試集的監(jiān)測(cè)準(zhǔn)確率如圖 5 所示。

圖5 CNN-LSTM 網(wǎng)絡(luò)運(yùn)行結(jié)果Fig.5 Operation results of CNN-LSTM

由圖 5 可以看出，運(yùn)行的工作狀態(tài)監(jiān)測(cè)準(zhǔn)確率達(dá)到 86.1%。分析測(cè)試集的監(jiān)測(cè)結(jié)果發(fā)現(xiàn)，只有監(jiān)測(cè)系統(tǒng)對(duì)于正常工作狀態(tài)的判別非常精確，復(fù)合故障狀態(tài)的判別結(jié)果較為精準(zhǔn)，只有少許誤差，而另外 2 次的運(yùn)行準(zhǔn)確率分別為 87.1% 和 86.3%。3 次運(yùn)行的平均準(zhǔn)確率為 86.4%。一般來說，對(duì)于不同類別復(fù)合故障工作狀態(tài)的識(shí)別正確率達(dá)到 85.0% 以上就足以證明該模型的實(shí)用性和穩(wěn)定性。

為證明 CNN-LSTM 方法的有效性，分別用同樣的數(shù)據(jù)進(jìn)行 CNN 模型分析和 LSTM 模型分析。同樣的數(shù)據(jù)進(jìn)行 3 次測(cè)試，取準(zhǔn)確率的平均值，其中 1 次訓(xùn)練過程如圖 6 所示。分析測(cè)試集的檢測(cè)結(jié)果發(fā)現(xiàn)，LSTM 網(wǎng)絡(luò)對(duì)于軸承單故障形式的判別誤差較大，對(duì)于復(fù)雜調(diào)制信號(hào)的特征不能有效學(xué)習(xí)，其他狀態(tài)的監(jiān)測(cè)則相對(duì)精確。其余 2 次的 LSTM 網(wǎng)絡(luò)監(jiān)測(cè)準(zhǔn)確率分別為 81.0% 和 78.0%，可以看出僅靠 LSTM 網(wǎng)絡(luò)達(dá)成監(jiān)測(cè)功能穩(wěn)定性較差，平均準(zhǔn)確率為 80.3%。

圖6 LSTM 網(wǎng)絡(luò)監(jiān)測(cè)結(jié)果Fig.6 Monitoring results of LSTM

僅使用 CNN 網(wǎng)絡(luò)同樣運(yùn)行 3 次，其中 1 組訓(xùn)練過程和結(jié)果如圖 7 所示。其余 2 次的 CNN 網(wǎng)絡(luò)監(jiān)測(cè)準(zhǔn)確率分別為 0.78% 和 0.83%，平均準(zhǔn)確率只有 0.76%，學(xué)習(xí)率曲線與損失率曲線都不理想，訓(xùn)練成果較差，可能由于輸入的數(shù)據(jù)導(dǎo)致梯度問題，穩(wěn)定性遠(yuǎn)低于組合網(wǎng)絡(luò)。

圖7 CNN 構(gòu)建的網(wǎng)絡(luò)監(jiān)測(cè)結(jié)果Fig.7 Monitoring results of network built by CNN

4 結(jié)語

通過在 CNN 和 LSTM 兩種網(wǎng)絡(luò)模型理論基礎(chǔ)上建立 CNN-LSTM 齒輪箱狀態(tài)監(jiān)測(cè)模型，對(duì)齒輪箱試驗(yàn)臺(tái)采集的復(fù)合故障數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試，平均準(zhǔn)確率達(dá)到 86.4%，證明了該模型的有效性與穩(wěn)定性。而僅用 LSTM 構(gòu)建的檢測(cè)模型和僅用 CNN 構(gòu)建的監(jiān)測(cè)模型準(zhǔn)確率均低于組合網(wǎng)絡(luò)。