基于深度自编码网络的鼓风机故障诊断

马海舒， 马宗正

（河南工程学院机械工程学院，郑州451191）

0 引 言

机械设备如果出现运转故障，需要在很短时间内迅速确定故障原因并实施维修，因为一旦机器停止工作将导致生产停顿造成经济损失不可估量［1-3］。然而大概80%的维修时间是耗费在找到导致故障的根源。能够进行早期故障诊断对于避免更大的经济和生产损失至关重要［3］。对于回转机械，如鼓风机，声音或振动信号经常用来判断设备是否出现故障或老化。

信号处理领域非常多的技术已经得到成熟应用，这些方法可以分为3类，时域、频域（例如傅里叶变换）和时频域（例如小波变换和短时傅里叶变换），其中小波变换在故障诊断中信号处理方面表现优异，因为短时傅里叶变换是通过加窗的方式对时域不同时间段的信号进行分析，但是，由于窗长是固定的，所以，分辨率是固定的，并且根据窗长的选择在时域和频域的分辨率上是一个矛盾；而小波变换可以根据尺度的变换和偏移在不同的频段上给出不同的分辨率，这在实际中是非常有用的［4-5］。

经过振动信号处理和特征提取，接下来最重要的是确定故障源。机器学习已经越来越多被专家学者应用在这一领域并取得了很好的效果。支持向量机作为一种非常流行的机器学习算法以其高准确性和泛化能力广泛应用于故障诊断［6］。许多研究者利用隐马尔科夫链对故障进行建模和诊断，在此基础上建立故障定位矩阵，确定故障位置［7］。相当多在线状态监测方法是基于神经网络［8-9］。通过神经网络可以建立提取的信号特征和设备故障之间映射关系，并利用这种映射关系进行故障诊断。深度学习是机器学习领域中新的研究方向，深度学习在机器翻译、自然语言处理、模式识别等众多领域取得突破性进展。深度神经网络是一种具备多层隐藏层深度学习结构，相比于浅层神经网络，其为复杂非线性系统提供建模的能力更高。本文运用傅里叶变换和小波变换从振动信号提取特征，然后利用这些特征训练深度神经网络达到故障诊断的目的。

1 数据采集

实验平台搭建包括鼓风机、Kistler振动传感器、DAQ数据采集卡。鼓风机上3个方向安装了传感器用来采集振动信号（见图1）。通过在鼓风机主轴末端安装金属块（见图2），实验平台可以模拟鼓风机4种不平衡状态，分别以0（正常），0.3，0.6，1.0（完全失衡）表示。正常状态下不安装金属块，启动鼓风机，采集并存储信号。接下来关掉鼓风机，安装第1个金属块在主轴末端，启动鼓风机，采集并存储信号，重复该过程直到所有状态振动信号采集完毕。每种状态采集200个样本，经过数据预处理，特征提取，进行故障诊断。

图1 鼓风机上传感器配置（箭头方向表示传感器安装3个方位）

图2 不同尺寸金属块模拟不平衡程度

2 特征提取

本文采用小波变换对振动信号进行处理。小波变换把振动信号分解为低频部分A1和高频部分D1。分解过程中，属于低频部分丢失的信息被高频部分获取。在下一层分解中，A1继续分解为低频部分A2和高频部分D2。属于低频A2丢失的信息被高频D2获取［10］。经过3层分解，得到一个低频系数A3和3个高频系数D1、D2和D3，图3所示为机器正常工作状态下采集的振动信号经过小波变换所得。通常信号的快速傅里叶变换通过下式计算得到［11］：

图3 经小波变换分解的鼓风机正常工作状态振动信号

分解的信号通过快速傅里叶变换进行进一步处理，经过相关性分析，取信号的均值、方差、峰值作为提取的特征对鼓风机的工作状态进行判断。图4所示为正常工况下傅里叶变换所得信号。本文采用3个振动传感器，经过小波变换和傅里叶变换得到36个特征。

图4 经傅里叶变换处理的鼓风机正常工作状态振动信号

3 深度自编码网络

深度自编码网络结构如图5所示。该结构包括两部分，首先是用于降噪降维处理的4层自编码器（见图6）。从高维度的振动信号特征向量挖掘更深层次的特征，然后经过4层的多层感知器预测鼓风机故障类型。该深度神经网络采用自编码器作为数据预训练。多层感知器神经网络结构隐藏层激活函数采用ReLU函数，输出层激活函数为Sigmoid函数［12-14］。从输入层到输出层，计算过程为

图5 深度自编码网络结构示意图

图6 自编码器结构示意图

式中：wij为相邻两层之间权重向量；b为偏置；f为激活函数。

深度自编码网络结构的训练采用反向传播方法，直到由输入可以得到期望输出为止［15］。神经网络的损失函数用来估计模型预测值和真实值之间的不一致程度，以此来监督神经网络的训练过程朝着正确方向。本文选用均方差函数作为损失函数

式中：m为训练样本数量；yi为目标值；为预测值。

4 实验结果与分析

实验数据分为3组，对于每种故障状态80%的样本作为训练集；10%的样本用来作为验证集；10%的样本作为测试集。由图7可知，训练集、验证集和测试集误差随着训练周期同步降低，说明没有出现过拟合，该神经网络结构具有很好的泛化能力。图中显示在20

图7 深度自编码网络模型训练曲线

个训练周期后达到稳定输出，实验结果表明深度学习模型可以有效收敛并达到稳定输出。

由图8可知，鼓风机正常工作状态，该深度自编码网络模型测试集均方值误差为0.025 8，对于故障状态0.3，其测试集均方值误差为0.016 7，对于故障状态0.6，其测试集均方值误差0.018 3，鼓风机完全失衡状态的测试集均方值误差为0.013 9。实验结果表明该深度学习模型可以准确判断鼓风机故障状态。

图8 深度自编码网络输出曲线

由图9可知，模型预测误差随着样本数量的增大而减小。对于鼓风机正常工作状态和完全失衡状态，在训练样本数量达到40就可以得到准确判断。对于故障状态0.3和0.6，训练样本数量至少达到160以上模型可有较准确判断。实验结果表明，对于鼓风机更多故障状态监测判断需要采集更大的训练样本集。

图9 鼓风机故障诊断误差曲线

5 结 语

本文采用小波变换和傅里叶变换对振动信号提取特征，构建深度自编码网络模型对鼓风机工作状态进行故障诊断。实验结果表明搭建的模型可以有效预测鼓风机工作状态并得到稳定输出。而且，增大样本数据集可以提高该模型故障诊断能力。本文特征提取只采用了峰值特征，将来的工作可以根据需要诊断的故障类型选择其他的有效特征。