您當前的位置：檢測資訊 > 生產(chǎn)品管
嘉峪檢測網(wǎng) 2024-11-01 09:48
摘要
振動信號具有豐富的軸承健康狀況信息，因此在軸承故障診斷中得到了廣泛應(yīng)用。然而，由于測量振動信號需要外部感應(yīng)器，這種方式花費高，此外，在無法使用或安裝外部傳感器的機器系統(tǒng)中，基于振動信號的方法是不切實際的。但是電流信號的獲取是非侵入式的，成本較低，因此，基于電機電流信號的軸承故障診斷方法受到了研究人員的廣泛關(guān)注。
然而，該方法的性能仍然不如基于振動信號的方法，特別是在外部軸承（安裝在電動機外部的軸承）的故障診斷情況下。
因此，本文提出了一種基于電機電流信號的故障診斷方法，該方法利用深度學習和信息融合技術(shù)，可應(yīng)用于旋轉(zhuǎn)機械系統(tǒng)的外軸承故障診斷。該方法 ①采用來自電機電流的多個相位的原始信號作為直接輸入，從每個相位的電流信號中提取特征。②然后用卷積神經(jīng)網(wǎng)絡(luò)對每個特征集進行分類。③為了提高分類精度，引入了一種新的決策級信息融合技術(shù)，將所有卷積神經(jīng)網(wǎng)絡(luò)的信息融合在一起。④將決策級信息融合問題轉(zhuǎn)化為簡單的模式分類任務(wù)，通過熟悉的監(jiān)督學習算法即可有效解決。⑤通過對實際軸承故障信號的實驗，驗證了所提故障診斷方法的有效性。
1、 引言
滾動軸承（Rolling element bearings REBs）是旋轉(zhuǎn)機械中最關(guān)鍵的部件之一，旋轉(zhuǎn)機械的精確、可靠運行在很大程度上取決于滾動軸承（REBs）的健康狀況。在大型機械系統(tǒng)中，軸承缺陷占故障的40%，在小型機械系統(tǒng)中占90%。因此，軸承故障的檢測和準確診斷十分重要。
目前，振動信號是最流行的機器健康監(jiān)測方法，因為它們能夠傳達機械系統(tǒng)健康狀況的內(nèi)在信息。振動信號測量需要外部振動傳感器，如加速度計，安裝在軸承殼周圍。通常，振動信號傳感器的成本較高，并且安裝振動傳感器需要直接進入機器。由于這些缺點，基于振動信號的軸承故障監(jiān)測僅限于易于訪問的系統(tǒng)。在需要對近不可及的位置或偏遠位置進行過程監(jiān)控的情況下，如離心泵、低溫泵等，不能應(yīng)用基于振動信號的故障診斷。在工業(yè)上，許多感應(yīng)電動機驅(qū)動的設(shè)備已經(jīng)通過變頻器實現(xiàn)控制目的的電流監(jiān)測或通過電流互感器實現(xiàn)保護目的的電流監(jiān)測。
因此，電機的定子電流通常很容易用于故障診斷的目的，不需要安裝其他類型的傳感器。即使在沒有變頻器和電流互感器的情況下，電流換能器也可以方便地測量電機的定子電流，具有準確、無創(chuàng)、經(jīng)濟的優(yōu)點。
因此，電機電流信號分析因其低成本和非侵入性被認為是一種很有前途的狀態(tài)監(jiān)測技術(shù)。
根據(jù)安裝位置，我們可以區(qū)分兩種類型的軸承：
1、安裝在電機內(nèi)部的軸承（內(nèi)部軸承）
2、安裝在電機外部的軸承（外部軸承）
基于振動信號的方法、和基于電機電流信號的方法、對內(nèi)部軸承的故障診斷進行了廣泛的研究。在外置軸承情況下，基于振動信號的方法比基于電流信號的方法具有更好的精度。
外部軸承的缺陷對電機電流的影響是間接的，因為其特征必須通過轉(zhuǎn)矩振動沿傳動系傳遞。此外，外部軸承的影響是衰減的，并與動力過程的干擾重疊，導致信號噪聲大，難以檢測。
傳統(tǒng)的信號處理和特征提取技術(shù)在利用電機電流信號進行外軸承故障診斷時并不成功。近年來，深度學習技術(shù)被廣泛應(yīng)用于傳統(tǒng)的智能故障診斷。
深度學習算法是一種機器學習算法，它采用具有多層數(shù)據(jù)處理單元的深度架構(gòu)。深度學習具有自動學習多層數(shù)據(jù)抽象的能力，在故障診斷應(yīng)用中從原始信號中提取特征時，具有很高的準確率，優(yōu)于其他傳統(tǒng)的信號處理和特征提取技術(shù)。受此觀點啟發(fā)，本文提出一種利用深度學習從電流信號中提取特征的先進技術(shù)。
目前，單傳感器數(shù)據(jù)被廣泛用于軸承故障診斷。然而，在安裝了多傳感器的機械系統(tǒng)中，多傳感器信號已被用于軸承故障診斷。在安裝了多個傳感器的系統(tǒng)中，這些傳感器測量的信號是無序的，并且與多個源相關(guān)。因此，需要信息融合技術(shù)來有效地融合來自多個傳感器的信息。
論文提出一種可獲取多相電機電流信號的旋轉(zhuǎn)機械系統(tǒng)軸承故障診斷方法。該方法直接使用電機電流的多相原始信號作為輸入，提取各相電流信號的特征，并通過相應(yīng)的深度學習模型進行分類。
結(jié)構(gòu)如下：
第二節(jié)：簡要介紹本工作中使用的深度學習算法卷積神經(jīng)網(wǎng)絡(luò)（CNN）
第三節(jié)：解釋提出的基于監(jiān)督學習的決策級IF
第四節(jié)：闡述提出的軸承故障診斷方法
第五節(jié)：實驗過程
第六節(jié)：總結(jié)全文
2、 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，主要模擬人類大腦視覺系統(tǒng)的運行。
CNN的結(jié)構(gòu)具有三個關(guān)鍵的架構(gòu)思想：局部接受域、權(quán)重共享和空間域的子采樣。因此，CNN適用于處理二維數(shù)據(jù)。
CNN由卷積層（convolutional layer，CL）、池化層（pooling layer， PL）、全連接層（fully-connected layer，F(xiàn)L）和softmax層四層構(gòu)成。
CNN處理二維輸入數(shù)據(jù)的結(jié)構(gòu)如圖1所示：
在卷積層（CL）中處理輸入數(shù)據(jù)的操作可以用以下公式進行數(shù)學建模：
整流線性單元（ReLU）由于計算簡單、速度快，常被用作CLs的啟動函數(shù)。ReLU方程為：
每個卷積層（CL）直接與池化層（PL）相連。池化層（PL）有助于減少數(shù)據(jù)的大小，并使卷積層（CL）學習的數(shù)據(jù)抽象隨著輸入的小平移而變得不變。
池化層（PL）的數(shù)學運算可以用下式表示：
CNN中的全連接層（FL）可以看作是一個正則前饋神經(jīng)網(wǎng)絡(luò)。全連接層（FL）中的神經(jīng)元直接連接到前一層的所有輸出。最后，softmax層起分類器的作用。softmax函數(shù)將一個n維實數(shù)向量變換為一個范圍為(0；1)。softmax函數(shù)的方程為：
3、 提出決策級信息融合方法
IF被定義為融合來自不同輸入的信息或數(shù)據(jù)的過程，以獲得比單獨從每個來源獲得的信息更好的信息。
本節(jié)解釋所提出的決策級IF算法。為了簡單說明，我們考慮旋轉(zhuǎn)機械軸承故障的識別問題。
4、 提出軸承故障診斷方法
本文研究的對象是外軸承，區(qū)別于內(nèi)軸承（電機內(nèi)部）。外部軸承的缺陷以間接的方式影響電機電流，因為它的特征必須通過扭矩振動沿傳動系統(tǒng)傳輸。此外，外部軸承的影響是阻尼的，并與來自供電過程的干擾重疊，導致噪聲和難以檢測的信號。
因此，為了將定子電流作為故障檢測器的輸入，必須開發(fā)一種更有效的特征提取器。
所提出的軸承故障診斷方法示意圖如圖2所示：
首先，同時測量來自電機電流的多相（至少兩相）的信號。每個電機電流相位的測量信號被保存為一個單獨的數(shù)據(jù)集，每個數(shù)據(jù)集將在下一步獨立處理。
對于給定的一個相位的原始電流信號，使用滑動窗口將該信號分成相等的樣本，如圖3所示：
原始測量信號為一維（1−D）形式。為了便于用2−D CNN處理，這些信號通過簡單地將信號幅度陣列重新排列成方陣形式而轉(zhuǎn)換為2−D形式。假設(shè)將每個信號樣本表示為幅度為1 × n²的數(shù)組，則變換結(jié)果為n × n矩陣，如式8所示：
5、 實驗
5.1 試驗臺和數(shù)據(jù)準備
使用的軸承數(shù)據(jù)源由德國帕德博恩大學設(shè)計與驅(qū)動技術(shù)主席KatData Center提供。
試驗臺的設(shè)置如圖5所示：
該試驗臺由五個主要部件組成。左邊是電機、扭矩測量軸、軸承測試模塊、飛輪和負載電機。
在軸承測試模塊中安裝不同缺陷類型的球軸承，生成實驗數(shù)據(jù)。
軸承缺陷是通過加速壽命試驗得到的真實損傷。試驗臺上使用了三種類型的滾珠軸承：外滾圈故障軸承、內(nèi)滾圈故障軸承和健康軸承。通過改變電機的轉(zhuǎn)速(S)、負載電機的負載轉(zhuǎn)矩(M)和作用在測試軸承上的徑向力(F)，可以改變試驗臺的操作。軸承上的徑向力、扭矩測量軸上的負載轉(zhuǎn)矩、軸承模塊內(nèi)的轉(zhuǎn)速和油溫與電機電流和振動信號同步測量。
在本試驗中，考慮三種試驗條件，如表1所示:
如表2所示，對于每種軸承工況，建立了五種不同的軸承代碼進行數(shù)據(jù)測量：
對于每個軸承代碼，進行了20次測量。每次測量結(jié)果保存為MATLAB文件，該文件包含振動信號（VS）、一相電流信號（CS1）和二相電流信號（CS2）。
5.2 信號分析
采用包絡(luò)譜分析方法對軸承正常信號、外圈故障信號和內(nèi)圈故障信號三種電流信號進行分析。包絡(luò)信號的功率譜如圖6所示：
可以觀察到，很難從當前信號中提取出用于外軸承故障診斷的特征。因此，為了利用電流信號診斷軸承故障，需要開發(fā)有效的特征學習方法。
5.3 實驗結(jié)果
實驗流程如圖7所示：
電流信號和振動信號下cnn的訓練過程分別如圖8和圖9所示：
為了提高基于cs的方法的性能，我們使用了第三節(jié)中提出的中頻技術(shù)來提高故障檢測的準確性。由于所提出的IF技術(shù)是基于監(jiān)督學習的，我們?yōu)檫@個問題建立了單獨的訓練集和測試集。將訓練集1 （CS1數(shù)據(jù)集）的所有樣本輸入到相應(yīng)的診斷模型CNN1中。
該算法的思想是將高維數(shù)據(jù)點以一種尊重點之間相似性的方式嵌入低維數(shù)據(jù)點。將tSNE技術(shù)應(yīng)用于三個數(shù)據(jù)集：原始電流信號階段1、原始電流信號階段2和通過該方法提取的特征集。
三個數(shù)據(jù)集的二維嵌入如圖10所示：
從原始電流信號階段1和階段2中提取的特征可視化如圖3所示。可以觀察到，這個可視化中的數(shù)據(jù)點是明顯分開的。因此，利用所提出的網(wǎng)絡(luò)提取的特征可以很容易地識別數(shù)據(jù)點的標簽。
為了更深入地評價所提出的軸承故障診斷方法，我們考慮了另外三種試驗臺的運行條件。數(shù)據(jù)集A、B、C分別來自于表1所示的三種工況，在之前的實驗中使用的是工況1對應(yīng)的數(shù)據(jù)集A。然后，我們對數(shù)據(jù)集B和c進行了相同的實驗。實驗結(jié)果如圖11和表VI所示。
可以看出，在基于電流信號的方法中，如果單獨使用單個電流1相或2相，故障檢測精度較低。然而，如果使用中頻技術(shù)合并當前信號的兩相信息，則精度顯著提高。與精度高達99:47%的基于振動信號的方法相比，該方法的性能略低。
與基于電機電流信號的方法相比，我們提出的方法具有更好的性能。如第1節(jié)所述，在使用與本文相同的軸承數(shù)據(jù)源的情況下，這些作品采用了傳統(tǒng)的特征提取方法，其故障檢測準確率分別為93:3%和91:42%，并不能達到令人滿意的效果。
6、 結(jié)論
由于現(xiàn)有的基于電流信號的工作不能提供令人滿意的性能，外部軸承故障診斷通常采用基于振動信號的方法。然而，基于振動信號的方法有兩個主要缺點：需要外部昂貴的振動傳感器，并且需要直接訪問機器。
本文提出了一種基于電流信號的軸承故障診斷方法，該方法采用深度學習算法CNN和決策級中頻技術(shù)。該方法不僅具有成本效益和無創(chuàng)性，而且取得了令人滿意的性能。此外，使用深度學習從原始信號中提取特征不需要手工提取特征。由于這些優(yōu)點，所提出的軸承故障診斷方法在實際應(yīng)用中具有廣闊的應(yīng)用前景。
在這項工作中，使用公共軸承數(shù)據(jù)源作為基準數(shù)據(jù)來評估所提出的方法。使用基準數(shù)據(jù)使我們能夠?qū)Ｗ⒂谠摲椒ǖ奶卣鲗W習和分類方面，而無需考慮信號測量的準確性。然而，測量精度對故障診斷過程的結(jié)果有著深遠的影響。因此，在實際的故障診斷系統(tǒng)中，測量精度是必須考慮的問題。
參考文獻：
Hoang D T, Kang H J. A motor current signal-based bearing fault diagnosis using deep learning and information fusion[J]. IEEE Transactions on Instrumentation and Measurement, 2019, 69(6): 3325-3333.
來源：滾動軸承故障診斷與壽命
