1、5332023年6 月第4 0 卷第6 期机真仿计算文章编号：1 0 0 6-93 4 8(2 0 2 3)0 6-0 5 3 3-0 5基于改进CNN的旋转设备转子振动故障预测仿真朱广贺，朱智强，袁逸萍2（1.新疆师范大学计算机科学技术学院，新疆乌鲁木齐8 3 0 0 0 0；2.新疆大学机械工程学院，新疆乌鲁木齐8 3 0 0 0 0)摘要：避免旋转设备停机维修造成的经济损失，提出基于改进CNN的旋转设备转子振动故障预测仿真。利用采集器、传感器、应用软件等设备构成信号采集系统，采集旋转设备转子的振动信号；利用小波阈值去噪算法确定小波基和分解层数，分解初始信号，去除低频噪声，重构分解后的信号
2、；根据频带能量不同提取不同故障振动特征；建立卷积神经网络模型，确保每个卷积层均与下采样层连接，减少网络复杂度；将预处理后信号作为网络输入，确定学习率和激活函数，通过误差反向传播方式训练网络，优化参数；计算网络误差，当误差值满足设定阈值时停止更新，输出故障预测结果。仿真结果证明，所提方法可以获得清晰的振动信号波形，准确预测出转子可能产生的故障和故障类型，保障旋转设备运行安全。关键词：卷积神经网络；旋转设备：转子振动信号：故障预测小波阈值去噪中图分类号：TK263文献标识码：BSimulation of Rotor Vibration Fault Prediction for RotatingEq
3、uipment Based on Improved CNNZHU Guang-he,ZHU Zhi-qiang,YUAN Yi-ping(1.College of Computer Science and Technology,Xinjiang Normal University,Urumqi Xinjiang 830000,China;2.College of Mechanical Engineering,Xinjiang University,Urumqi Xinjiang 830000,China)ABSTRACT:In order to avoid the economic loss
4、caused by shutdown and maintenance of rotating equipment,this ar-ticle presented a simulation of rotor vibration fault prediction of rotating equipment based on improved CNN.The sig-nal acquisition system was composed of collector,sensor,and application software,collecting vibration signals of rota-
5、ting equipment rotor.Firstly,wavelet threshold denoising algorithm was used to determine the wavelet base and de-composition levels,decompose initial signals,remove low-frequency noise,and reconstruct the decomposed signals.According to different band energy,different fault vibration characteristics
6、 were extracted.After that,a convolutionneural network model was built to ensure that each convolution layer connected with the lower sampling layer,so thatthe network complexity could be reduced.As the network input,the preprocessed signals were used to determinelearning rates and activation functi
7、ons.Moreover,the network was trained by error back propagation,and the parame-ters were optimized.Finally,the network eror was calculated.When the error value met the set threshold,updatestopped and the fault prediction result was output.Simulation results prove that the proposed method can obtain c
8、learvibration signal waveforms and accurately predicts the possible faults and fault types of the rotor,thus ensuring thesafe operation of rotating equipment.KEYWORDS:Convolutional neural network;Rotating equipment;Rotor vibration signal;Fault prediction;Waveletthreshold denoising基金项目：国家自然科学基金项目（7 1
9、 96 1 0 2 9）收稿日期：2 0 2 1-1 1-0 5修回日期：2 0 2 1-1 1-1 05341弓引言当机械系统功率较大时，转子需承受巨大的扭矩，若在高温和激振力作用下，特别容易发生振动故障。振动故障出现之前，系统已经存在少量异常现象，各状态特征值也会有所体现，但没有达到系统报警程度，难以触发报警装置，以至于故障进一步发展，最终损伤设备 2 。因此，将振动当作转子安全监测的重要指标，能够起到保护设备的作用。基于此，一些学者通过振动信号实现转子故障预测。有学者在故障预测中，构建转子弯扭耦合振动数学模型，通过库伦摩擦力模型对其求解，使用拉格朗日方程建立转子运动微分方程；分析电流信号
10、频谱特征，结合电流特征预测转子故障类型。除此之外，还有学者对多振动信号做经验小波变换，提取调幅-调频成分，选取相关系数较大的模糊熵完成信号重构，获取描述故障状态的特征集合；通过特征属性约简删除穴余，将约简结果输人支持向量机中达到故障分类预测目的。以上方法为检修人员提供了处理依据，但振动信号有时会夹杂大量噪声，影响特征提取的准确性，进而降低预测精度。为进一步提高预测效果，本文利用改进卷积神经网络（CN N)方法预测转子故障。该网络结构复杂度低，权值数量较少，减少了传统神经网络数据重构过程，且训练出的模型具有很强泛化能力，但是输出的特征维度较高，计算量大。为此，本文在每一个卷积层之后都添加一个下采
11、样层 3 ，使二者交替产生，降低特征维度，更有利于特征分类。利用该方法进行故障预测，既能保障设备安全，又能减少维修成本，对机械系统发展具有重要意义。2转子振动信号采集和特征提取2.1信号采集系统搭建旋转设备工作的环境通常较为复杂，因此信号采集系统需具备强大的环境适应性。本文设计的采集系统选取TI公司生产的设备作为采集主控器 4 ，由辅助电路构成，并以LabVIEW开发平台为核心组成采集软件。下位机完成信号采集后，通过串行通信手段将信号发送到上位机，由上位机负责信号的接收与显示。整个采集系统结构如图1 所示旋转机械试验台传感器采集器SCI通信（串行通信）驱动软件计算机应用软件图1振动信号采集系统
12、示意图利用上述设计的采集系统可实现转子振动信号采集，但是当受到环境干扰时，信号中会存在噪声，影响振动信号分析。基于此，信号滤波显得十分必要。2.2基于小波阈值去噪的信号预处理小波阈值去噪【5 即为在小波分解过程中，利用有用信号系数高、噪声信号系数低的特点达到信号分解目的。所以设置合理的阈值，将低于阈值的系数设置为0，高于阈值的则保留，再通过逆变换形式实现信号重构。具体步骤如下：步骤一：根据实际采集信号情况，设立合理的小波基和分解层数j,对初始信号s(i)做j级小波分解；步骤二：对于经过分解的高频系数，通过设定阈值量化处理，保持低频系数始终不变，阈值确定公式如下r=n-2i+(n-i);+Z./
13、n i=1,nk=1(1)式中,代表分解系数平方,=1,2,且有,，将r元素内的极小值Tmin当作风险值，根据rmin的下角标计算出min，则阈值thr=/min。为最大程度保留振动信号初始特征，利用下述阅值函数 6 量化公式完成量化处理I aj.,I thr(2),b-a(lj,l-thr)2I Wi.k/0)和b（b 0）都表示调节因子。步骤三：对处理后的高频系数与低频系数利用下述公式作重构处理Cj-1,nCin2n+d,(3)1.7式中,h和d分别代表高、低频系数。经过上述处理后，获得小波重构后的信号，此信号与原始信号相比，噪声有效减少，更有利于振动信号特征提取。2.3振动信号特征提取通
14、过振动信号实现转子故障预测，信号特征提取是极为关键的步骤。转子在不同运行状态下的振动信号特征存在显著差异，因此各频带包含的能量也不同，结合频带能量提取故障特征的步骤如下：1确定小波包基 7 ，对信号做3 层小波包分解，获取8个频率下的信号特性；2)计算所有频带的能量总和，假设X(j=0,1，,7)表示每个频带重构后的信号,与其相对的能量描述为E，（j=0，1,7)。因此有Xj,J 1 Xg(t)12dt=1 xx 1(4)式中，x为重构信号X,的离散点幅值。3建立归一化特征矢量，分别令T=E30o,Ea1,E2,E3,E34,E3s,E36,Eg7(5)21E127E=(6)j=0535则经过
15、归一化处理的能量特征表示为E30/E,E3/E,E32/E,T(7)E33/E,E34/E,E3s/E,E36/E,E3/E利用上述过程即可完成转子不同运行状态下的特征提取，将这些特征作为CNN网络的训练依据，输人到网络中。3基于改进CNN的转子振动故障预测3.1CNN网络建立CNN作为具有多层结构的网络，主要由卷积层、下采样层以及全连接层构成。其实质就是利用神经元权值共享形式 8 ,降低参数多样性，使网络更加简便，提升执行效率。1)输入层：将初始样本数据输人到网络中，便于卷积层的特征学习，并对输入数据做预处理，保证数据更加符合网络训练要求。2)卷积层：通过滤波器对上一层的输人特征卷积运算，并
16、添加偏置顶，使用非线性函数获得卷积层最终输出。卷积层的输出表示为=Zxi-1*Wt,+B,(8)X,=f(u)(9)式中X代表第1-1 层中特征j的激活值，W表示1 层特征和前一层特征i的卷积核，B属于偏置值，u描述特征 在1层中的加权和，f（）是激活函数，*表示卷积符号。所有输出均与上层邻近神经元相连接，通过此种连接方式可以训练出样本的特征，减少参数连接，进而改善学习效率。3)下采样层：在该层内，通过下采样函数池化处理输出特征，再对处理后的特征进行加权和偏置计算，获取下采样层输出uf=Bj down(Xxt1)+B,(10)x,=f(u)(11)式中,代表权重系数，down（）是下采样函数。
17、上述权重共享过程虽然降低了预测计算复杂度，但特征维数非常大，容易发生过拟合情况。因此，本文对其进行改进，使所有卷积层后面都具备一个下采样层，降低特征维数。4)全连接层：将所有二维特征变换为一维特征，作为全连接层的输出，利用加权求和的方式得到该层输出X=f(u)(12)ut=xl-1+Bl(13)5）输出层：主要工作是分类和识别CNN模型获得的特征矢量，输出结果。3.2网络训练方式使用反向传播方法训练CNN网络参数，涉及的优化参数包括卷积核参数W、卷积层和全连接层中的权重系数、,以及偏置值B。假设网络真实输出表示为0=0 1,0 2，o。和理想输出Y=y 1,y 2，,y。,运算两者之差E和每层
18、灵敏度 92(y-0.）(（1 4)1E(W,k,B)(Y-0)2=22k=18=w（)。（o f-y）输出层=*W。（u）下采样层(15)(8,=tf(u）u p(8)】卷积层式中,8 为传递误差 1 0 通过网络参数更新 ，保证输出值与理想值更加接近aEW=W-AW=W-naE=-=-n(16)aE0=w-A=waEB=B-AB=B-naB式中，n表示最优学习速率 1 2 O3.3预测过程实现利用上述构建的CNN模型，将预处理后的振动信号作为模型输人，经过模型训练获得最终预测结果的具体步骤描述为：步骤一：采集N转子振动信号X(t)Xz(t)，X(t),添加信号类别标签 1 3 T,T2,T
19、；步骤二：确定网络结构和激活函数；步骤三：选择模型中学习率、训练次数等模型参数，同时根据理想值不断优化参数；步骤四：通过反向误差传播方式训练网络 1 4 ，更新网络参数；步骤五：运算诊断误差 1 5 ，若该值满足要求，继续执行下一步，反之回到步骤三；步骤六：储存训练结束的参数，再将新的预测样本输入到模型中，直至样本全部预测完成，输出最终预测结果。4仿真数据分析与研究实验将1.5 千瓦的电动机当作仿真目标，电机转速为1800r/min，轴承类型为双列滚子轴承，且在轴承上安装加速传感器采集振动信号，传感器安装位置如图2 所示。实验过加速度传感器轴承A轴承B轴承C电机图2传感器位置示意图536程中，
20、通过在转子上拧人不同重量的钢条来获取不同程度下的振动信号为了准确采集不同故障类型的振动信号，需要模拟转子所有故障产生的条件。故障类型包括不平衡、不对中和动静摩擦三种。其中，不平衡是因灰尘较多，部件掉落引起转子质量分布不均，如果转子生成离心力，则会形成不平衡故障；在不对中故障模拟过程中,变换偏心轴距，使转子与电机的转轴中心不在同一条直线上；仿真动静摩擦故障时，需要将碰摩螺钉和转轴相互摩擦，生成摩擦力。按照以上方式，利用本文提出的振动信号采集和预处理方法，获取不同故障下的振动信号，如图3-5 所示。0.30.20.10-0.1-0.2-0.3L20406080100120140160180采样点数
21、量/个初始振动波形0.30.2H0.10-0.1-0.2F-0.3L20406080100120140160180采样点数量/个预处理后的振动波形图3不平衡故障振动波形0.30.20.10-0.1-0.2-0.3L20406080100120140160180采样点数量/个初始振动波形0.30.2H0.10-0.1-0.2F-0.3L20406080100120140160180采样点数量/个预处理后的振动波形图4不对中故障振动波形0.30.20.1-0.1-0.2-0.320406080100120140160180采样点数量/个初始振动波形0.30.20.1-0.1-0.2-0.3L204
22、06080100120140160180采样点数量/个预处理后的振动波形图5动静碰摩故障振动波形图由图3-5 所示，原始故障波形由于噪声影响，基本上看不出波形变化趋势，经过小波值去噪后，不同故障波形走势十分清晰，仅在极少部分峰值处存在一些噪声，但并不影响故障波形判断。因此，证明了所提振动信号采集和预处理算法获得的不同故障波形差异显著，有利于特征提取，将这些特征输人到神经网络模型中，会获得更好的故障预测结果。提取故障波形后，需要将这些特征代人到算法中。为了探究算法对不同特征的聚类情况，对比本文方法、电流特征预测算法和支持向量机算法的实验结果，得到的结果如图6所示。963-12-8-404812-
23、12-8-404812x轴轴(a)初始故障特征向量分布情况（b）电流特征预测特征向量分布情况99663300-612912-8404-12-8048812轴轴（c）支持向量机征向量分布情况（d）本文方法特征向量分布图6不同算法故障特征值聚类情况537图6 中，正方形、圆形、三角形与星形分别表示转子的正常、不平衡、不对中以及动静碰摩故障特征向量。由此能够看出，电流特征预测算法虽然大体上能够区分不同故障特征，但是特征与特征之间类别差距不大，而且会出现特征错误聚类现象；支持向量机方法可以保证聚类的正确性，但类内差异较大；所提方法更有利于分类，确保了类间差异最大，类内差异最小，更加方便神经网络预测转子
24、故障状态。不同算法对于转子四种运行状态的预测情况如表1 所示。表1转子振动故障预测结果表不同方法预测结果实验次数实际状态电流特征支持向量本文/次预测算法机算法算法1正常正常正常正常2正常正常正常正常3不平衡不平衡动静碰摩不平衡4不平衡动静碰摩不平衡不平衡5不对中不对中不对中不对中6不对中不对中不对中不对中7动静碰摩不平衡，动静碰摩动静碰摩8动静碰摩动静碰摩不平衡动静碰摩分析表1 可知，在八组仿真中，本文方法表现出很好的预测效果，预测结果与实际故障均吻合。由故障特征模型图可知，不平衡和动静碰摩的波形较为相似，其中不平衡的波形有规律可循，而动静碰摩波形是随机的，没有规律。其它方法在预测这两种故障时
25、均出现失误现象。而本文方法由于特征提取效果较好，容易区分各类故障特征，因此预测结果准确。5丝结论本文研究了一种基于改进NCC的旋转设备转子振动故障预测算法。利用振动信号采集系统获取转子振动信息，经过预处理提取信号特征，将特征输人到构建好的卷积神经网络模型中，经过训练减少误差，最终输出预测结果。仿真结果证明，所提算法对于故障特征有很好的聚类效果，因此更有利于故障类型预测。但是神经网络模型中各参数选择和样本确定仍没有统一标准，需通过大量实验获取，如何通过自适应方式设定网络参数是需要进一步研究的话题参考文献：【1 余刃，谢旭阳，秦法涛，等.一种用于旋转设备运行状态无线监测的智能无线振动传感器设计 J
26、.核动力工程，2 0 2 0，4 1(3):221-226.2陈长盛，周璞，周相荣.典型旋转类设备振动传递路径分析方法 J.船舶工程,2 0 1 9,4 1（2）：2 2 9-2 3 2+2 4 8.3陈征，温广瑞，张志芬，等.集成轴心轨迹信息摘及盒维数的转子故障程度判别与故障预示 J.西安交通大学学报，2 0 1 9,5 3(2):40-46,62.4许伯强，孙丽玲.基于ESPRIT与Duffing系统的笼型异步电动机转子断条故障检测 J.电力自动化设备，2 0 2 0，4 0（2）：1 1 7-123.5赵凯辉，陈跃，张昌凡，等.PMSM失磁故障的有限集模型预测容错控制J.电子测量与仪器学
27、报，2 0 1 9,3 3（7）：7 9-8 7.6杨新，于佐东，张志远，等.基于多特征提取与核极限学习机的汽轮机转子故障诊断 J.汽轮机技术，2 0 2 0,6 2（2）：1 3 7-1 4 2.7刘洋，刘晓波，梁珊.基于傅里叶分解方法的航空发动机转子故障诊断 J.中国机械工程，2 0 1 9,3 0（1 8）：2 1 5 6-2 1 6 3.8杨梅，孙宏强，郝静.基于RMO的感应电动机转子断条故障检测 J.电气传动2 0 2 0,5 0（8）：1 1 9-1 2 4.9姜万录，李金虎，李振宝，等。基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法 J.机床与液压，2020,4
28、8(21):182-188,196.10周生通，祁强，周新建，等.轴弯曲与不平衡柔性转子共振稳态响应随机分析 J.计算力学学报,2 0 2 0,3 7（1）：2 0-2 7.11周小龙，刘薇娜，姜振海，等.改进的HHT方法及其在旋转机械故障诊断中的应用 J.振动与冲击,2 0 2 0,3 9（7）：1 8 9-1 95.12孙泽金，赵荣珍.基于EEMD能量矩与邻域粗糙集的转子故障数据集分类方法 J.计算机应用研究，2 0 2 0,3 7（2）：4 6 0-464.13刘炯，纪跃波.行波旋转型超声波电动机定转子接触滑移分析 J.微特电机,2 0 1 9,4 7(5：2 9-3 1+3 5.14张
29、立智，徐卫晓，井陆阳，等基于二维深度卷积网络的旋转机械故障诊断 J.机械强度，2 0 2 0,4 2（5）：1 0 3 9-1 0 4 4.15杨一晴，马宏伟，樊红卫，等.煤矿旋转机械在线故障诊断及预警系统设计 J.工矿自动化，2 0 1 9,4 5（1 0）：1 0 4-1 0 8.作者简介朱广贺（1 98 4-），男（汉族），新疆伊犁人，硕士，讲师，研究方向：大数据分析、人工智能。朱智强（1 993-），男（汉族），新疆伊犁人，硕士，软件设计师，研究方向：大数据分析、人工智能。袁逸萍（1 97 3-），女（汉族），新疆乌鲁木齐人，博士，教授，研究方向：数字化设计与制造、智能工厂、工业大数据。
