1、内燃机与配件 w w w.n r j p j.c n基于特征提取的航空发动机滚动轴承故障诊断周卓峰,刘 伟,喻 鸣(航空工业西安航空计算技术研究所,陕西 西安 7 1 0 0 6 5)摘 要:航空发动机振动信号复杂,数据量大,其机械系统滚动轴承故障诊断困难重重。在振动信号处理及故障检测领域,利用机器学习强大的自主学习能力在旋转机械故障的诊断方面得到了越来越多的应用。本文提出一种基于特征提取的滚动轴承故障诊断方法,通过特征提取获得更全面数据信息,再将深度信念网络模型用于信号识别,全方位反映航空发动机滚动轴承的运行状态。经实验验证,D B N模型在噪声环境下的平均准确率可达9 9%以上,具有较强的
2、抗噪能力。关键词:旋转机械;滚动轴承;故障诊断;机器学习;特征提取;深度信念网络 中图分类号:V 2 3 文献标识码:A 文章编号:1 6 7 4-9 5 7 X(2 0 2 3)0 8-0 0 4 3-0 3F a u l tD i a g n o s i so fA e r o-e n g i n eR o l l i n gB e a r i n gB a s e do nF e a t u r eE x t r a c t i o nZ h o uZ h u o-f e n g,L i uW e i,Y uM i n g(AV I CX ia nA e r o n a u t i cC
3、 o m p u t i n gT e c h n i q u eR e s e a r c hI n s t i t u t e,X ia n7 1 0 0 6 5,C h i n a)A b s t r a c t:T h ev i b r a t i o ns i g n a l so f a e r o e n g i n ea r ec o m p l e xa n dt h ed a t a i s l a r g e,s o t h e f a u l td i a g n o s i so fm e-c h a n i c a l s y s t e mr o l l i n
4、gb e a r i n gi sd i f f i c u l t.I nt h ef i e l do fv i b r a t i o ns i g n a lp r o c e s s i n ga n df a u l td e t e c t i o n,t h es t r o n gs e l f-l e a r n i n ga b i l i t yo fm a c h i n e l e a r n i n gh a sb e e na p p l i e dm o r ea n dm o r e i nt h ed i a g n o s i so f r o t a
5、t i n gm a-c h i n e r yf a u l t s.I nt h i sp a p e r,af a u l td i a g n o s i sm e t h o do fr o l l i n gb e a r i n g sb a s e do nf e a t u r ee x t r a c t i o nw a sp r o-p o s e d.M o r ec o m p r e h e n s i v ed a t a i n f o r m a t i o nw a so b t a i n e dt h r o u g hf e a t u r ee x
6、 t r a c t i o n,a n dt h e nt h ed e e pb e l i e fn e t w o r km o d e lw a su s e df o rs i g n a l r e c o g n i t i o nt of u l l yr e f l e c t t h er u n n i n gs t a t eo fa e r o-e n g i n er o l l i n gb e a r i n g s.T h ee x p e r i m e n t a l r e s u l t s s h o wt h a t t h e a v e r
7、a g e a c c u r a c yo fD B Nm o d e l i nn o i s ye n v i r o n m e n t c a n r e a c hm o r e t h a n9 9%,a n d i th a ss t r o n ga n t i-n o i s ea b i l i t y.K e y w o r d s:R o t a t i n g m a c h i n e r y;R o l l i n g b e a r i n g;F a u l t d i a g n o s i s;M a c h i n e l e a r n i n g;
8、F e a t u r ee x t r a c t i o n;D B N作者简介:周卓峰(1 9 9 6),男,陕西咸阳人,汉族,硕士研究生,硬件工程师,助理工程师,研究方向为硬件设计、航空发动机、计算机。1 引言旋转机器是以旋转运动为主的机械装置,在交通、制造、冶金、化工、能源及航天等多个领域中有广泛应用1,2。滚动轴承故障是大部分机械装置故障的主要原因。随着先进制造技术的快速发展、以人工智能技术为代表的计算机技术的迅速崛起,国内在轴承故障智能诊断领域的研究,尤其是以数字驱动的特征提取技术进行轴承故障智能诊断的研究正在蓬勃发展3。近几年,机器学习也越来越多的应用在故障诊断的领域,尤其是基
9、于神经网络的故障诊断。在旋转轴承状态监测的大数据时代4,旋转机械常产生撞击、速度突变、结构变形及摩擦变化等,使得振动信号往往具有非平稳性与非线性,如何提取到有效的故障信息并进行故障模式提取成为当下的研究热点之一。2 振动信号数据处理为了提高模型的抗噪能力,利用基于快速傅里叶变换的频域分析和基于小波包分解的时频域分析对原始数据集进行人工特征提取。旋转机械故障诊断首先是获取故障振动信号,其次对信号进行特征提取,最后进行故障类型识别。特征提取的质量直接影响故障诊断的最终结果,信号处理技术是提取振动信号特征最一般的方法之一,需要找到适当有效且通用的信号 处 理 方 法,提 取 信 号 的 最 重 要
10、特 征 进 行 模 式识别。信号分成时域和频域。时域分析根据信号波形分析振动信号的成分和特征,并在时间轴上显示振动信号数据。傅立叶变换是频域分析的基本理论,振动信号时域到频域的转换即由振动信号的时域特性导出相应的频域特性。基于频域的故障诊断中基于傅立叶变换的振动信号提取方法应用广泛。本文通过快速傅里叶变换获得轴承数据的频域特征。通过将原始振动数据集振动信号经三重小波包分解,再从8个重组带中提取的1 0个敏感特征值获得轴承数据的时频特征。本文 所 用 数 据 集 以 凯 斯 西 储 大 学 在B e a r i n gD a t aC e n t e r上提供的滚动轴承测试数据为对象来开展。3
11、理论模型3.1 受限玻尔兹曼机图1 R BM结构图深度置信网络的基本组件为受限玻尔兹曼机器(R BM),R BM由可视层和隐藏层组成。它完全没有层内的连接,且层之间全部互相连接。可视层为输入数据,隐藏层通过可视层得到的深层抽象特征。图1所示为一个R BM的结构图。图2为训练示意图。34DOI:10.19475/ki.issn1674-957x.2023.08.0122 0 2 3年第8期图2 R BM训练示意图对比散度算法是R B M的基本算法。C D算法将训练样本作为可视层节点的状态进行可视层和隐藏层的状态转换。通过多次转换和参数更新,使样本以最大概率产生。图3 深度信念网络模型结构图3.2
12、 深度信念网络深度信念网络是通过累 积 几 个R BM构 建的。其结构示意图如图3所示。该 模 型 结 构 图表 示 的 是 一 个 由 三 个R BM构成的D B N模型。它包含一个可视层v和三个隐藏层h 1,h 2,h 3,以及一个标签层L a b e l。D B N学习主要包括两个过程。第一步是预训练阶段。使用受限玻尔兹曼机进行无监督的逐层预训练,挖掘出初始数据中隐藏的高维特征。第二步骤是微调阶段,该微调阶段是有监督的学习过程。最后用全连接层预测结果,并与训练样本的标签进行比较采用反向传播算法来微调参数,建立数据特征与标签状态之间的复杂非线性关系,实现模型的准确分类。4 实验分析4.1
13、基于频域数据的模型对比实验通过快速傅里叶变换获得了滚动轴承振动信号的频域特征数据集,使用深度信念网络、全连接神经网络和一维卷积神经网络,模型参数如下。深度信念网络:框架为5 0 0 3 0 0 1 0 0 5 0 1 0,由三层R B M堆叠,最后一层是激活函数为s o f t m a x的全连接层,预训练阶段的小批量个数为1 0 0,迭代次数取5 0,微调阶段小批量个数取1 0 0,迭代次数为1 0 0。模型的损失函数选择分类交叉熵(c a t e g o r i c a l c r o s s e n t r o p y)。优化算法选择A d a m。全连接神经网络:框架为5 0 03 0
14、 01 0 05 01 0,每层皆为全连接神经网络,激活函数为s o f t m a x,训练时的小批量次数取1 0 0,迭代次数也取1 0 0。模型的损失函数选择分类交叉熵(c a t e g o r i c a l c r o s se n t r o p y)。优化算法选择A d a m。图4 基于频域数据的对比实验进行实验对比的结果见图4。通过1 0 0次迭代训练,三个模型在测试集上都达到了9 9%的准确率。深度信念网络可以更快的拟合数据,深度信念网络更适合学习基于快速傅里叶变换的频域数据。4.2 基于时域数据的模型对比实验利用模型学习基于小波包分解获得的特征数据集上的时频域特征。针对
15、该数据集,使用深度信念网络、全连接神经网络和一维卷积神经网络进行对比实验。进行实验时,发现通过数据预处理获得的特征数据集在三个模型下难以拟合,迭代一百次后在测试集上的准确率分别为:5 6.4 9%、4 7.9 9%、4 0.2 5%。其在验证集上的折线图也表现了训练过程极其不稳定且难以拟合的问题,结果如图5所示。分析原因有,这些数据集本来就是进行了数据长度的压缩,每个数据都代表了大量时域及频域的特征,故经过最大最小归一化处理后破坏了这种特征,使得数据整体失去了其规律性,从而变得难以拟合。故选择不进行归一化处理直接使用特征数据集进行实验。经过一百次迭代后,测试集上的准确率分别为:9 3.9 9%
16、、9 6.2 5%、9 2.5%。通过每一个迭代次数下验证集的表现绘制出的折线图如图6示。在本次实验中,全连接神经网络表现最为优异,拟合速度最快,且最终的准确率也最高。深度信念网络的预训练阶段,是基于受限玻尔兹曼机的无监督学习。受限玻尔兹曼机是基于能量函数推导出概率分布,以此为基础进行无监督训练的。所以受限玻尔兹曼机每个神经元上的数值是有其物理意义的,即该层神经元被激活的概率,故受限玻尔兹曼机的输入必须是又0-1之间的数值组成。而由于该特征数据集进行归一化后会破坏数据的特征(上一个实验已经证明),故将该数据输入深度信念网络中本身即是不合理的。该实验可得,深度信念网络D B N能够很好地学习到基于快速傅里叶傅里叶变换得到的频域数据的特征,而高度浓缩的时频域特征数据集使用简单的全连接神经网络效果反而更好。图5 基于时域特征数据集的实验44内燃机与配件 w w w.n r j p j.c n图6 不进行归一化的实验4.3 基于噪声下的轴承故障诊断模型实验为了判断模型的抗噪能力,给数据集中的振动信号添加噪声,模拟环境中的噪声污染。本文将对数据集A(负载为1 h p)中的信号添加不同程度的加性高
