宋旭彤, 劉卓元, 金 毅, 孫云娜, 丁桂甫

(上海交通大學 微米/納米加工技術國家級重點實驗室，上海 200240)

0 引 言

行星式球磨機是最受青睞的可用于混合、細磨、小樣制備、納米材料分散、新產(chǎn)品研制和小批量生產(chǎn)高新技術材料的設備,被廣泛應用于礦產(chǎn)、電子、化工、環(huán)保等行業(yè),是科研單位、高等院校、企業(yè)實驗室獲取微顆粒研究試樣的理想裝置。生產(chǎn)活動中決定生產(chǎn)效率的重要因素是球磨機的可靠性[1,2]。球磨機的運行健康主要包括3個方面：底盤軸承是否健康、球磨罐與底座是否貼合、球磨罐內部材料是否有沉底或粘罐現(xiàn)象。近年來,行星式球磨機的故障監(jiān)測方法主要關注于球磨機內部軸承的振動分析[3],振動分析的優(yōu)點是相對簡單和方便[3,4]。但在相對惡劣環(huán)境下，如高溫、腐蝕環(huán)境中,安裝振動傳感器來執(zhí)行信號采集和檢測難度系數(shù)極高。而利用聲傳感器可在惡劣情況下采集到所需的信號。

“中國制造2025”給工業(yè)上的智能診斷提出了新的要求,即診斷技術交叉融合化、診斷系統(tǒng)集成化,從而可充分發(fā)揮各自優(yōu)點,進一步提高診斷系統(tǒng)的綜合診斷能力[5]。到目前為止,很多基于數(shù)據(jù)驅動的智能診斷方法應用于故障診斷領域中，如決策樹(decision tree,DT)、梯度提升決策樹(gradient boosting decision tree,GBDT)和支持向量機(support vector machine,SVM)。然而，就目前來看,雖然取得了一定的效果,但是缺乏一定的適應性，準確率及效率仍有待提高[6]。而且,這類淺層機器學習算法很難有效構建故障與信號間復雜的映射關系。因此難以適用于“大數(shù)據(jù)”時代下的故障診斷。

為了避免上述問題,本文提出一種基于小波和自回歸(auto-regressive，AR)模型功率譜預處理與卷積神經(jīng)網(wǎng)絡特征提取機制的球磨機故障診斷方法。在預處理時,將收集到的球磨機工況聲信號降噪處理,去除原始數(shù)據(jù)集的冗余特征?；诰矸e神經(jīng)網(wǎng)絡(convolutional neural network,CNN)在卷積過程中對局部變化不敏感的特點,使CNN具有了較強的抗噪處理能力。通過實驗表明，本文提出的方法具有更高的準確率，并在一定程度上提升了故障診斷的效率。

1 基礎理論

1.1 小波及AR模型功率譜與處理機制

1.1.1 小波降噪基本原理

對于一般的聲傳感器測得的球磨機工況信號,可以表示為如下形式

s(i)=f(i)+σ·e(i),i=0,1,…,n-1

(1)

式中s(i)為含噪聲信號;f(i)為真實信號;e(i)為噪聲信號;σ為系數(shù)。f(i)通常表現(xiàn)為低頻的特征,e(i)通常表現(xiàn)為高頻的特征。小波降噪的本質在于小波變換對信號表現(xiàn)出傳遞特性和對噪聲信號表現(xiàn)出抑制特性。根據(jù)聲信號和噪聲在小波分解尺度上的不同規(guī)律,可以進行有效的信噪分離[7]。

1.1.2 AR模型功率譜原理

AR模型是一個全極點模型,此自回歸模型的輸出是當前輸入和過去輸出的加權和[8],可有下面的差分公式表示

(2)

式中p為AR模型的階數(shù),aj為AR模型的參數(shù),ω(n)為均值為0、方差為σ2的平穩(wěn)白噪聲序列。其輸出的功率譜為

(3)

1.1.3 預處理機制

在球磨機工作后,用麥克風提取信號,將收集到的信號進行Sym小波包降噪濾波,再將濾波后的信號進行AR模型功率譜處理,提取到特征值[9]。據(jù)此預處理后的數(shù)據(jù)來構建特征向量。

1.2 特征向量構建

假設每個本征模態(tài)函數(shù)(intrinsic mode function,IMF)是采樣點為N的時間序列,依據(jù)相關性準則,采用皮爾遜積矩相關系數(shù)計算各個IMF分量同原始信號的相關系數(shù)[10],從而分析IMF的敏感程度,具體數(shù)學表達如式(4)所示。再根據(jù)統(tǒng)計學原理 (即相關系數(shù)大于0.3認為具有相關性)以及CNN各輸入向量維度一致原則,各故障類別均選擇M個IMF。因此,重構的輸入特征向量的維度是M×N

(4)

式中X為原始信號；Y為某個IMF分量,r(X,Y)為X,Y相關系數(shù),Cov(X,Y)為協(xié)方差函數(shù),Var[X]為X的方差。

新的特征向量輸入至CNN,與將全部IMF分量作為輸入樣本的方式相比,可以提升網(wǎng)絡學習復雜信號特征的能力,降低數(shù)據(jù)尺寸[11]。

1.3 CNN

CNN在本質上是多層感知機,屬于神經(jīng)網(wǎng)絡范疇[12]。采用卷積層和采樣層交替設置,構建多個能夠提取輸入數(shù)據(jù)特征的濾波器,逐層挖掘隱藏在數(shù)據(jù)之中的敏感特征[4,13]。本文構建的CNN是由2層卷積層、全連接層以及分類器組成的多層特征提取網(wǎng)絡。卷積層與全連接層接替排列,通過對卷積層的輸出批量歸一化,再傳遞至激活層進行非線性處理。整個網(wǎng)絡持續(xù)提取預處理后的信號中隱含的固有特征,并變換為抽象的深層特征。揭示預處理信號的本質特點,完成特征域到故障類別域的分類。

如圖1,Conv1表示第一層卷積層,卷積核大小為(3,1),卷積核個數(shù)為16,步長為1；Avg_pooling表示池化層；卷積且池化后的特征圖大小為16×300×1；Conv_2表示第二層卷積層,卷積核大小為(3,1),卷積核個數(shù)為32,步長為1；卷積且池化后的特征圖大小為32×30×1；Flatten表示將特征圖展開為960×1大小的特征向量；FC_1表示第一層全連接層,全連后的特征向量大小為512×1；FC_2表示第二層全連接層,全連后的特征向量大小為256×1；FC_3表示第三層全連接層,全連后的特征向量大小為6×1。

圖1 CNN多層提取網(wǎng)絡原理

1.3.1 卷積層

卷積層使用卷積核對輸入信號的局部區(qū)域進行運算,對每層卷積結果進行批量歸一化處理后[4,13],利用函數(shù)Leaky ReLU對結果進行非線性變換以克服梯度彌散現(xiàn)象,如式(5)所示

al(i,j)=f(yl(i,j))

(5)

1.3.2 全連接層

全連接層對提取的特征分類。將最后一個卷積層的輸出展平為一維特征向量,作為全連接層的輸入[14],全連接層的正向傳播公式為

(6)

2 球磨機故障診斷試驗

2.1 球磨機運行

行星式球磨機運轉時,其主要傳動部件是行星輪系,球磨機的轉動過程中,球磨罐通過齒輪傳動繞主軸公轉,同時自轉[2]。底盤可被設置在任意方位高速運行,使所磨的材料更加勻細。底盤及主軸最核心的器件為軸承,軸承的健康程度直接決定了球磨機運行是否順利,球磨機結構如圖2所示。在運行時,球磨罐內研磨體隨之旋轉,在球磨罐內滑動和滾動,從而在球磨罐中研磨材料。操作者容易在球磨罐和基座固定之后立即離開,這極易引起貼合不足的問題。圖3為球磨罐與底盤貼合放置圖。在操作期間,球磨罐與底盤不貼合是工業(yè)生產(chǎn)操作中的常見現(xiàn)象,導致材質疲勞、球磨機傳動齒輪或軸承有所損壞。

圖2 行星式球磨機結構

圖3 球磨罐與底盤貼合放置

為驗證所提方法的可行性,對型號為QM—QX全方位行星式球磨機進行數(shù)據(jù)采集及處理,所有數(shù)據(jù)由VS1053集成的音頻系統(tǒng)采集,由奈奎斯特定律可知,采樣頻率為 50 Hz。數(shù)據(jù)包含了底盤滾動軸承的三種不同健康狀態(tài)：滾動體故障、內圈故障、外圈故障,還有兩種常見故障：球磨罐與底盤松弛及粘罐。每類數(shù)據(jù)集8 000條(包含3 000個采樣點)。表1為實驗樣本詳細信息。

表1 實驗樣本基本信息

2.2 預處理結果

不同的工況狀態(tài)信號隱藏著不同頻帶的特征,此處以瑪瑙罐貼合不緊密的情況為代表,其小波降噪圖像為圖4。

圖4 小波6層去噪時域信號

本文應選取小波降噪及AR功率譜處理后統(tǒng)一維度的信號數(shù)據(jù)構建特征分量。根據(jù)小波降噪原理,獲取Sym6層降噪后的信號,從圖4可以看出,第3層信號原始信號相似性最強,信號圖像曲線較平滑且相位失真小,完整保留了原始信號特點。

原始信號相關選取第3層信號分量進行AR功率譜變換,由圖5可看出,經(jīng)過處理后的信號可以較大程度反映原始信號的固有特征?？紤]到CNN的訓練過程必須輸入統(tǒng)一的樣本維度。

圖5 AR模型功率譜圖像

2.3 CNN初始化

本文方法是利用CNN對小波降噪及AR功率譜預處理后的信號進行特征提取和學習,因此診斷的準確率較大程度取決于CNN的參數(shù)設置。經(jīng)多次調整模型參數(shù),最終確定CNN主要參數(shù)設置為：第1層卷積核尺寸3×1,卷積核個數(shù)為16個；第2層卷積核尺寸大小不變,卷積核個數(shù)為32個。進入全連層,神經(jīng)元個數(shù)分別為512,256,6。

激活函數(shù)為LeakReLU,批處理個數(shù)為40,優(yōu)化器選用Adam,學習率為0.000 1,訓練迭代次數(shù)為50。

2.4 實驗結果

從8類數(shù)據(jù)集各隨機選出70 %的數(shù)據(jù)作為訓練集(每類5 600條),剩下30 %的數(shù)據(jù)作為測試集(每類2 100條)。每次從訓練集選擇200條數(shù)據(jù)進行訓練,訓練集迭代50輪后結束訓練。然后使用訓練好的CNN模型對測試集進行故障分類診斷,并與未引入預處理機制的CNN模型作比較。圖6為本文提出方法和CNN的訓練實驗結果診斷準確率的對比,可以看出,本文模型準確率在第20次訓練就已經(jīng)達到了95.451 93 %,準確率在穩(wěn)步提升且訓練時間少,用時不到200 s。而未引入預處理機制的CNN模型存在過擬合現(xiàn)象,訓練時間是本文方法的6倍,準確率最高僅能達到91.7 %。可見,引入小波及AR功率譜預處理機制可以提升CNN學習復雜特征的能力,減少模型訓練的時間,提高整體模型的準確率,極大增強了魯棒性,并有利于分析球磨機工作系統(tǒng)的健康狀況,達到故障預診的目的。

圖6 預測準確率

2.5 對比試驗

其余深度學習方法診斷結果如表2所示,可以看出,本文方法的準確率最高、診斷效果更佳且更穩(wěn)定。GBDT等傳統(tǒng)的深度學習方法,其在解決簡單問題的準確率有一定幅度的提升,但在解決復雜問題時仍表現(xiàn)出系統(tǒng)的低智性,體現(xiàn)其診斷能力不足。本文方法的診斷能力更強,具有更好的泛化特性。

表2 4種模型的診斷結果 %

3 結 論

本文提出基于CNN并引入小波及AR功率譜預處理機制的球磨機故障診斷方法,并將其應用于球磨機故障預警監(jiān)測,旨在取得更高的分類準確率。實驗結果表明,本文方法對于在復雜的工作環(huán)境下采樣信號能夠保留更多的目標特征,克服了之前惡劣情況下振動信號的收集不易及復雜的工況信號中包含有效的故障本質信息較少的問題,能夠較好地適用于球磨機復雜的工作背景。理論分析及實驗結果表明,本文提出的方法可以較好地檢測球磨機的健康狀態(tài),達到故障預診的目的。

與其它方法相比,預處理提取的特征更具有代表性,降低了診斷成本,減少了訓練時間,并具有更高、更穩(wěn)定的故障識別率。