一种机器零部件故障检测方法

高园岗 吴青娥 华智力 陈虎 刘磊

摘要：機器设备自动化程度的提高，对开展机器设备零部件故障检测与诊断的研究十分重要。针对故障发生位置的检测问题，在现有研究的基础上，设计了长短时记忆人工神经网络（LSTM）、阶跃差和模块，对滚动轴承的故障序列拟合和检测故障序列点位置，提出了一种基于LSTM的阶跃差和检测方法（LSTM-ES）。实验表明，提出的方法对故障检测具有较高的准确率。

关键词：神经网络；故障诊断；故障检测；数据拟合

中图分类号：TP391.4文献标志码：A文章编号：1008-1739（2018）24-66-3

0引言

在早期工业发展中，人们只能依靠眼、耳和经验去识别故障，其诊断准确率和可靠性较低。深度信念网络是构建深度结构的先驱之一，能够有效解决深层结构相关的优化难题[1]。李巍华[2]把DBN应用于处理轴承振动的原始信号，可以直接通过原始数据对轴承故障进行分类识别。Wei Zhang等[3]提出了一种带有新的训练方法的深度卷积神经网络，验证了该算法具有较高的准确性和稳定性，并且算法中原始数据无需手工提取。Xia M等[4]提出了一种基于CNN的旋转机械故障诊断方法，利用CNN的结构优势来实现多传感器的融合。实验结果表明该方法比传统的旋转机械故障诊断方法具有较高的诊断精度。故障特征依赖性较强需要大量的信号处理和诊断经验，浅层网络结构的建模能力有限。

1模型设计

1.1网络模型

Roux和Bengio[5]提出当模型深度足够深时，模型可以拟合任何函数。长短时记忆神经网络可以自己选择学习和遗忘知识。其前向传播为：

1.2数据模块设计

模块结构主要由输入层、隐藏层、输出层、训练和预测5部分组成，选择优化权重，如图1所示。

由仿真结果知，相比奇异谱分析、多元线性回归和支持向量回归方法，本文方法耗时稍长但拟合损失较好。在数据拟合训练后，检测故障发生时刻对正常数据序列拟合结果如图4所示，对故障数据序列拟合效果如图5所示。

由图4和图5可见，正常数据拟合偏差较小，故障数据拟合偏差较大。调整式（6）中的阶跃信号的宽度并设置合适的阈值就可以准确及时地检测故障发生的时刻。选10个数据点作为阶跃信号的宽度，拟合正常数据与故障数据的差和图如图6所示。

通过观察正常数据与故障数据的差和值可暂定阈值为0.04。

3结束语

在检测故障数据时，选择了网格搜索算法确定模型的超参数；通过调整迭代步长，提出了一种利用阶跃差和与阈值相结合的故障检测方法。实验表明该算法能够有效地检测出故障发生的时刻，下一步工作就是要在提高算法的快速性方面做出努力。

参考文献

[1]冯通.基于深度学习的航空飞行器故障自助检测研究[J].计算机仿真，2015，32（11）：119-122.

[2]李巍华，单外平，曾雪琼.基于深度信念网络的轴承故障分类识别[J].援振动工程学报，2016，29（2）：340-347.

[3] Zhang Wei， Li Chuanhao， Peng Gaoliang， et al. A Deep Convolutional Neural Network with New Training Methods for Bearing Fault Diagnosis under Noisy Environment and Different Working Load[J]. Mechanical Systems and Signal Processing， 2018（100）：439-453.

[4] Xia M， Li T， Xu L， et al. Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks[J]. IEEE/ASME Transactions on Mechatronics， 2017（99）：1-10.

[5] Roux N L， Bengio Y. Representational Power of Restricted Boltzmann Machines and Deep Belief Networks[J]. Neural Computation，2008，20（6）：1631-1649.

[6] Golyandina N， Korobeynikov A， Azen S P. Basic Singular Spectrum Analysis and forecasting with R[J]. Computational Statistics & Data Analysis， 2014， 71（1）：934-954.