基于機(jī)器學(xué)習(xí)的自來水設(shè)備過濾軸承故障診斷

摘 要：為進(jìn)一步提高自來水設(shè)備過濾軸承故障檢測效率，本文將機(jī)器學(xué)習(xí)中的聚類算法應(yīng)用于軸承故障診斷中，引入最大均值差異技術(shù)對故障數(shù)據(jù)進(jìn)行預(yù)處理，并提出堆疊自動編碼器（SAE），從軸承的振動信號中學(xué)習(xí)和提取特征。試驗結(jié)果表明，當(dāng)故障直徑為12mm～16mm時，故障識別準(zhǔn)確率均＞95%，最大識別準(zhǔn)確率為99.56%。當(dāng)故障直徑為16mm時，滾珠故障、內(nèi)滾道故障和外滾道故障的識別準(zhǔn)確率分別為98.02%、98.99%和99.56%，機(jī)器學(xué)習(xí)的平均識別精度為96.75%，隨機(jī)森林和蟻群算法的平均識別精度分別為89.75%和86%。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；自來水設(shè)備；軸承故障

中圖分類號：TU 991" " " 文獻(xiàn)標(biāo)志碼：A

在自來水設(shè)備中，軸承是一個關(guān)鍵的零部件，軸承的性能好壞直接影整個機(jī)械設(shè)備的使用壽命[1]。在自來水設(shè)備過濾軸承故障中，內(nèi)外滾道故障是最常見的故障。故障通常發(fā)生在滾珠和滾道間。當(dāng)滾動體滾道表面與其外徑間存在磨損時，會引起一系列振動[2]。因此，必須準(zhǔn)確掌握自來水設(shè)備過濾軸承的運(yùn)行狀態(tài)，及時維護(hù)受損部件。目前，工業(yè)生產(chǎn)中常用的軸承故障分析方法包括包絡(luò)譜分析、小波分析和經(jīng)驗?zāi)B(tài)分解等[3]。王海泉等[4]采用幾何方法解決故障檢測和隔離問題，并驗證所提技術(shù)的實用性。但是該方法只適用于離散系統(tǒng)，因此無法廣泛推廣。隨著機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于機(jī)械故障診斷[5]，該技術(shù)已經(jīng)取得了較大進(jìn)展。對自來水設(shè)備軸承故障診斷模型進(jìn)行訓(xùn)練和測試，可以進(jìn)一步提高其診斷準(zhǔn)確率和識別率?；诖?，本文將機(jī)器學(xué)習(xí)中的聚類算法應(yīng)用于軸承故障診斷，引入最大均值差異技術(shù)對故障數(shù)據(jù)進(jìn)行預(yù)處理，并提出堆疊自動編碼器（SAE），從軸承的振動信號中學(xué)習(xí)和提取特征，同時利用故障識別準(zhǔn)確率和精度評估軸承故障診斷效果。

1 機(jī)器學(xué)習(xí)模型建立

1.1 機(jī)器學(xué)習(xí)（聚類算法）模型建立

聚類分析是一種無監(jiān)督學(xué)習(xí)算法，其目標(biāo)是將數(shù)據(jù)空間劃分為若干個部分，使每個部分中的數(shù)據(jù)具有一定相似性，從而達(dá)到分類的目的。聚類分析可以從大量的數(shù)據(jù)中提取故障特征信息[6]，不需要事先給定分類模式。聚類算法是一種反復(fù)迭代求解的聚類分析方法，也是一種無監(jiān)督學(xué)習(xí)的聚類算法。無監(jiān)督學(xué)習(xí)方法利用數(shù)據(jù)樣本相互間存在相似性與非相似性將數(shù)據(jù)集聚類，更注重分析數(shù)據(jù)集的特征。將聚類算法設(shè)定為2個初始聚類中心，分別取值為3和2，再處理剩余的數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行數(shù)據(jù)分割、重新定義中心、更新簇中心并計算簇類平均值。最后利用聚類結(jié)果進(jìn)行故障診斷[7]。

假設(shè)聚類算法中心具有較高的局部密度，采用高斯函數(shù)方式來求解局部密度。自來水設(shè)備過濾軸承故障數(shù)據(jù)點i的局域密度ρi[8]如公式（1）所示。

（1）

式中：dij表示數(shù)據(jù)點i與數(shù)據(jù)點j間的距離；dc表示截止距離。

1.2 數(shù)據(jù)預(yù)處理

為避免數(shù)據(jù)采集過程中可能存在的誤差，當(dāng)搭建自來水設(shè)備過濾軸承數(shù)據(jù)采集平臺時，需要將數(shù)據(jù)分為訓(xùn)練集和測試集，并對數(shù)據(jù)進(jìn)行預(yù)處理，以降低數(shù)據(jù)的復(fù)雜性。為減少訓(xùn)練集數(shù)據(jù)量，可以選擇最小化的目標(biāo)函數(shù)，以在一定程度上降低計算成本。另外還可以糾正一些不符合標(biāo)準(zhǔn)的數(shù)據(jù)，包括缺失值、重復(fù)值和不符合標(biāo)準(zhǔn)的特征等。例如，某自來水設(shè)備中的過濾軸承可能會出現(xiàn)故障，但是在故障數(shù)據(jù)中卻沒有該故障。對這種不符合標(biāo)準(zhǔn)的數(shù)據(jù)進(jìn)行糾正，可以有效減少模型的訓(xùn)練時間。其中，最簡單有效的方法是將所有缺失值補(bǔ)全。

當(dāng)不同故障源域數(shù)據(jù)差異較大，并且過濾軸承在實際運(yùn)行中出現(xiàn)的故障數(shù)據(jù)多、數(shù)據(jù)維度較高時，自來水設(shè)備過濾軸承故障目標(biāo)域數(shù)據(jù)與不同源域數(shù)據(jù)間會存在不同程度的相關(guān)性。因此本文使用最大均值差異技術(shù)（MMD）計算故障目標(biāo)域數(shù)據(jù)與源域數(shù)據(jù)間的相關(guān)性，并使故障數(shù)據(jù)降維，提高過濾軸承故障處理效率。目標(biāo)域數(shù)據(jù)和源域數(shù)據(jù)間的最大均值差異（MMD）值越小，其相關(guān)性就越大。因此，MMD值越小的源域數(shù)據(jù)對目標(biāo)域的影響越大，源域數(shù)據(jù)的權(quán)重也就越高。目標(biāo)域與源域間的相關(guān)性由反演MMD值得到，如公式（2）所示，并利用公式（3）計算每個源域的權(quán)重。

（2）

（3）

式中：ri為目標(biāo)域與源域間的相關(guān)性；xsi為源域數(shù)據(jù)；xt為目標(biāo)域數(shù)據(jù)；K為源域的數(shù)量；wi為源域的權(quán)重。

選出權(quán)重較高的源域，并從源域中隨機(jī)抽取相同比例的樣本組成新的源域。假設(shè)有4個源域數(shù)據(jù)，分別為源域數(shù)據(jù)1、源域數(shù)據(jù)2、源域數(shù)據(jù)3和源域數(shù)據(jù)4。公式（2）和公式（3）用于計算目標(biāo)域數(shù)據(jù)和4個源域數(shù)據(jù)間的權(quán)重。假設(shè)源域數(shù)據(jù)4的權(quán)重遠(yuǎn)小于其他源域數(shù)據(jù)的權(quán)重，因此放棄源域數(shù)據(jù)4。然后隨機(jī)抽取源域數(shù)據(jù)1、源域數(shù)據(jù)2和源域數(shù)據(jù)3中三分之一的數(shù)據(jù)，組合成混合工況數(shù)據(jù)。將混合工況數(shù)據(jù)作為新的源域來訓(xùn)練本文模型。新的源域數(shù)據(jù)有利于提取自來水設(shè)備過濾軸承故障的共同特征，增加故障數(shù)據(jù)多樣性。此外，當(dāng)生成新的源域數(shù)據(jù)時，可以消除與目標(biāo)域數(shù)據(jù)差異較大的源域，緩解不同源域間存在較大差異的問題，進(jìn)一步提高自來水設(shè)備過濾軸承故障的識別準(zhǔn)確率。

1.3 堆疊式自動編碼器（SAE）

堆疊式自動編碼器采用無監(jiān)督訓(xùn)練方法，可以自主學(xué)習(xí)數(shù)據(jù)特征，有效避免人工對故障數(shù)據(jù)進(jìn)行分類的問題。堆疊式自動編碼器是由編碼器堆疊而成的神經(jīng)網(wǎng)絡(luò)。該方法基于統(tǒng)計學(xué)原理，由自編碼器生成一組新的、無關(guān)的向量，并訓(xùn)練這些向量，使其能夠從原始數(shù)據(jù)中學(xué)習(xí)到對原始數(shù)據(jù)更準(zhǔn)確的表示。編碼器經(jīng)過訓(xùn)練和學(xué)習(xí)來調(diào)整網(wǎng)絡(luò)權(quán)重，最終使網(wǎng)絡(luò)輸出等于網(wǎng)絡(luò)輸入。SAE中所使用的損失函數(shù)是線性函數(shù)，在訓(xùn)練過程中，需要使用學(xué)習(xí)率、學(xué)習(xí)速率、正則化因子和優(yōu)化算法來更新模型參數(shù)。堆疊式自動編碼器網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，原始數(shù)據(jù)從輸入層到隱藏層的傳輸過程稱為編碼，從隱藏層到輸出層的傳輸過程稱為解碼。

機(jī)器學(xué)習(xí)模型中的聚類算法對初始中心點十分敏感，如果初始中心點選取不當(dāng)，會導(dǎo)致整個聚類結(jié)果不準(zhǔn)確。因此需要控制隱藏層的神經(jīng)元數(shù)量，進(jìn)一步提高過濾軸承故障特征提取效率，從復(fù)雜的過濾軸承輸入信號中學(xué)習(xí)特征信息，并對原始數(shù)據(jù)進(jìn)行有效壓縮。此時，隱藏層的神經(jīng)元數(shù)量會少于輸入層的節(jié)點數(shù)量。高維原始數(shù)據(jù)在隱藏層中被壓縮，會進(jìn)一步減輕編碼器學(xué)習(xí)原始數(shù)據(jù)特征的難度。還可以限制神經(jīng)元數(shù)量，降低軸承故障數(shù)據(jù)維度。但是網(wǎng)絡(luò)在隱藏層能學(xué)習(xí)到的特征較少，在保證隱藏層特征多樣性的基礎(chǔ)上，本文引入稀疏約束的方法來改進(jìn)堆疊式自動編碼器。其主要思想是限制神經(jīng)元的活動，降低輸入數(shù)據(jù)的維度?；跈C(jī)器學(xué)習(xí)模型的故障檢測步驟如下所示。1） 將原始信號導(dǎo)入機(jī)器學(xué)習(xí)算法（聚類算法）中，進(jìn)行降噪處理和信號重構(gòu)，再將重構(gòu)后的信號輸入機(jī)器學(xué)習(xí)模型中進(jìn)行特征提取。2） 利用機(jī)器學(xué)習(xí)模型預(yù)測自來水設(shè)備過濾軸承故障原始信號，并引入堆疊式自動編碼器，得到故障特征值。3） 利用機(jī)器學(xué)習(xí)模型對故障特征值進(jìn)行訓(xùn)練，將訓(xùn)練好的網(wǎng)絡(luò)用于過濾軸承的故障診斷。4） 分別測試測試集和診斷集，測試集包括10個不同工況的樣本，每個工況樣本有4個不同的故障樣本。5） 比較不同模型的故障識別性能，選擇合適的聚類算法參數(shù)。6） 通過多次試驗確定聚類算法模型參數(shù)。

2 結(jié)果與討論

2.1 試驗環(huán)境設(shè)定

本文數(shù)據(jù)來自自來水設(shè)備過濾軸承數(shù)據(jù)集。由電機(jī)、扭矩傳感器和功率測試儀進(jìn)行數(shù)據(jù)采集。電機(jī)負(fù)載為0?kW～3?kW，電機(jī)轉(zhuǎn)速為1797r/min～1730r/min。過濾軸承振動信號包括正常數(shù)據(jù)、驅(qū)動端加速度數(shù)據(jù)和基礎(chǔ)數(shù)據(jù)。本文僅采集驅(qū)動端故障數(shù)據(jù)并對其進(jìn)行分析，采樣頻率為12kHz。針對內(nèi)滾道、外滾道和滾動體引入4種不同的故障直徑，故障直徑分別為10mm、12mm、14mm和16mm。過濾軸承可分為3種故障工況狀態(tài)，即內(nèi)滾道故障、滾珠故障和外滾道故障。計算機(jī)運(yùn)行環(huán)境配置如下：Intel Core i7-10700 CPU，頻率為2.9GHz，RAM為16G，64位Windows10操作系統(tǒng)。自來水設(shè)備過濾軸承故障數(shù)據(jù)采集平臺開發(fā)采用Python語言。

2.2 故障準(zhǔn)確率變化

為進(jìn)一步驗證機(jī)器學(xué)習(xí)模型在電機(jī)故障診斷中的有效性，本文將自動編碼器獲得的數(shù)據(jù)特性發(fā)送到softmax分類器進(jìn)行訓(xùn)練，得到電機(jī)軸承的故障類型輸出。進(jìn)而對不同故障工況進(jìn)行仿真分析，對于每種類型的故障工況，均選擇1000組數(shù)據(jù)作為訓(xùn)練集，200組數(shù)據(jù)作為測試集。基于機(jī)器學(xué)習(xí)的軸承故障識別準(zhǔn)確率如圖2所示。

由圖2可知，當(dāng)故障直徑為10mm時，內(nèi)滾道故障的準(zhǔn)確率識別較低，準(zhǔn)確率僅為89.56%，比滾珠故障、外滾道故障分別下降7.40%、7.24%。主要原因是內(nèi)滾道發(fā)生的故障直徑較小，因此故障特征較小，并且內(nèi)滾道在自來水設(shè)備過濾軸承的內(nèi)部，故障檢測難度較大，因此內(nèi)滾道的故障識別準(zhǔn)確率較低。隨著故障直徑增加，機(jī)器學(xué)習(xí)模型可以識別更多的故障特征，并利用最大均值差異技術(shù)緩解不同源域間存在較大差異的問題，提高自來水設(shè)備過濾軸承故障的識別準(zhǔn)確率。當(dāng)故障直徑為12mm～16mm時，故障識別準(zhǔn)確率均＞95%，最大識別準(zhǔn)確率為99.56%，說明聚類算法在收斂速度和準(zhǔn)確率方面均具有良好效果。當(dāng)故障直徑為16mm時，滾珠故障、內(nèi)滾道故障和外滾道故障的識別準(zhǔn)確率分別為98.02%、98.99%和99.56%。在故障直徑相同的條件下，滾珠故障的識別準(zhǔn)確率高于內(nèi)滾道故障與外滾道故障。主要原因是當(dāng)滾珠發(fā)生故障時，其特征較明顯，因此識別準(zhǔn)確率較高。試驗結(jié)果表明，本文構(gòu)建的機(jī)器學(xué)習(xí)模型具有較高的自來水設(shè)備過濾軸承故障識別能力。使用該算法對自來水設(shè)備過濾軸承進(jìn)行故障診斷是可行、有效的，能夠提高設(shè)備運(yùn)行效率，并降低成本。

2.3 故障識別精度對比變化

機(jī)器學(xué)習(xí)模型具有較好的識別準(zhǔn)確率，可準(zhǔn)確識別內(nèi)滾道故障、滾珠故障和外滾道故障。為進(jìn)一步探究機(jī)器學(xué)習(xí)模型的檢測精度，本節(jié)將機(jī)器學(xué)習(xí)、蟻群算法和隨機(jī)森林算法的故障檢測精度進(jìn)行比較，如圖3所示。從圖3可以看出，機(jī)器學(xué)習(xí)的平均識別精度為96.75%，隨機(jī)森林和蟻群算法分別為89.75%和86%。在內(nèi)滾道發(fā)生故障的情況下，機(jī)器學(xué)習(xí)的識別精度為95%，蟻群算法和隨機(jī)森林分別為86%和92%。而當(dāng)滾珠發(fā)生故障時，3個算法模型的識別精度均為91%以上，進(jìn)一步表明滾珠的故障特征較明顯，因此3種算法的識別精度均較高。當(dāng)外滾道發(fā)生故障時，機(jī)器學(xué)習(xí)的識別精度為97%，比蟻群算法和隨機(jī)森林方法分別提高15.46%和8.25%，蟻群算法和隨機(jī)森林算法的識別精度低于87%，無法對自來水設(shè)備過濾軸承故障進(jìn)行高效監(jiān)控。主要原因是機(jī)器學(xué)習(xí)能夠利用自編碼器生成一組新的、無關(guān)的向量，并訓(xùn)練這些向量，使其能夠從原始數(shù)據(jù)中學(xué)習(xí)到對原始數(shù)據(jù)更準(zhǔn)確的表示。因此，機(jī)器學(xué)習(xí)模型中的聚類算法可用于自來水設(shè)備過濾軸承的故障診斷，滿足實際設(shè)備檢測需求。在上述試驗中，根據(jù)本文提出的故障診斷方法能夠?qū)^濾軸承故障進(jìn)行有效識別，其識別精度為97.84%。在實際應(yīng)用中，由于時間、人力和精力有限等問題，一般很難準(zhǔn)確識別過濾軸承所有狀態(tài)下的故障，本文所提方法可以在一定程度上減少人工干預(yù)，使自來水設(shè)備過濾軸承故障診斷結(jié)果更客觀、準(zhǔn)確。而且經(jīng)過訓(xùn)練學(xué)習(xí)后的機(jī)器學(xué)習(xí)模型也可以直接應(yīng)用于其他類型的設(shè)備故障診斷中。

3 結(jié)論

在相同故障直徑條件下，滾珠故障的識別準(zhǔn)確率高于內(nèi)滾道故障和外滾道故障。機(jī)器學(xué)習(xí)模型具有較好的識別準(zhǔn)確率，可準(zhǔn)確識別內(nèi)滾道故障、滾珠故障和外滾道故障，其識別精度遠(yuǎn)高于蟻群算法和隨機(jī)森林算法，蟻群算法和隨機(jī)森林算法無法對自來水設(shè)備過濾軸承故障進(jìn)行高效監(jiān)控。因此，機(jī)器學(xué)習(xí)模型能夠用于自來水設(shè)備過濾軸承的故障診斷，并滿足實際設(shè)備檢測需求。

參考文獻(xiàn)

[1]甄冬，孫赫明，馮國金，等.基于包絡(luò)譜語義構(gòu)建的零樣本滾動軸承復(fù)合故障診斷方法[J].振動與沖擊，2024，43（14）：189-200，283.

[2]劉敏，程軍圣，謝小平，等.基于改進(jìn)的辛周期模態(tài)分解的滾動軸承復(fù)合故障診斷方法[J].振動與沖擊，2024，43（14）：47-56.

[3]瞿紅春，韓松鈺，賈柏誼，等.基于GADF融合RDSAN的跨工況軸承故障診斷[J].組合機(jī)床與自動化加工技術(shù)，2024（7）：182-187.

[4]王海泉，王亞輝，楊岳毅，等.樣本不均衡情況下的航空發(fā)動機(jī)軸承故障診斷方法[J].鄭州航空工業(yè)管理學(xué)院學(xué)報，2024，42（4）：5-11.

[5]彭國良，鄭近德，潘海洋，等.集成全息希爾伯特譜分析及其在滾動軸承故障診斷中的應(yīng)用[J].振動與沖擊，2024，43（13）：98-105，125.

[6]胡文浩，吳金龍，董建林.基于混合域特征優(yōu)選的電機(jī)軸承故障診斷[J].機(jī)械工程與自動化，2024（4）：32-35.

[7]甄冬，孫赫明，馮國金，等.基于包絡(luò)譜語義構(gòu)建的零樣本滾動軸承復(fù)合故障診斷方法[J].振動與沖擊，2024，43（14）：189-200，283.

[8]劉敏，程軍圣，謝小平，等.基于改進(jìn)的辛周期模態(tài)分解的滾動軸承復(fù)合故障診斷方法[J].振動與沖擊，2024，43（14）：47-56.