机电设备中智能故障检测诊断技术的运用

高 寒

(合肥工大共达工程检测试验有限公司,合肥 230051)

水利工程飞速发展,开展机电设备自动化运维势在必行。基于水利工程机电设备系统的特点,传统的故障检测诊断技术受到限制,整体应用效果较差,不能满足发展需求。基于DBN模型结构智能故障诊断技术,以人工智能技术为基础构建KPCA-DBN模型,开展自动化故障分类、诊断分析,提升故障诊断精度,为提升水利工程机电设备故障运维质量奠定基础。

1 基于DBN结构的智能故障检测诊断技术

DBN是由众多玻尔兹曼机(Restricted Boltzmann Machine)组成的神经网络,故DBN训练在一定意义上也是玻尔兹曼机训练。多玻尔兹曼机的隐层及可视层均是神经网络,两者功能不同,其中可视层主要负责接收输入,隐层用于提取数据特征,两者在神经网络系统内部没有直接接触,但通过神经网络wji可实现可视层与隐层的连接。多玻尔兹曼机训练是实现最小化能量函数,通过调节神经网络结构参数实现优化神经网络系统的作用,增加重构的可视层与真实值相同概率[1]。

通过堆积多个多玻尔兹曼机组成DBN神经网络,在进行无监督训练期间,最下层的多玻尔兹曼机接收原始数据,逐渐向上训练,每层输出的数据直接进入下一层,直达计算至最高层,最低层原始数据信息转化为具有高层特点的数据。在这一训练模式下,DBN模型的最高层添加特征数据,通过传统的误差反向传播算法实现对神经网络的有效监督,优化网络调试训练,通过权重及偏置调整拟合特征数据的属性,提升DBN诊断模型分类的准确性[2]。

2 基于KPCA—DBN的水利机电设备滚动轴承故障诊断

采用实验验证方式对水利机电设备滚动轴承故障进行KPCA—DBN智能故障检测诊断,进一步验证DBN模型应用的有效性。以KPCA为载体获取数据源非线性特征,基于水利机电设备滚动轴承与振动信号样本进行矩阵极端,基于数据信息提出KPCA—DBN智能故障检测诊断。研究KPCA—DBN模型中的σ、贡献率、dropout等元素对诊断性能的影响,并将正确的故障数据与KPCA—DBN模型检测数据进行对比,验证KPCA—DBN模型智能故障检测诊断的可行性[3]。

2.1 基于KPCA—DBN的机电设备滚动轴承故障诊断

KPCA特征提取模块。原始振动信号数据空间映射到特征空间,以KPCA进行水利机电设备特征提取,分析滚动轴承振动信号中的运行特征,通过KPCA非线性特征保留及降维特点,将滚动轴承与振动信号m划分为样本X:

非线性映射函数将水利滚动轴承设备故障特征转化到特征空间中,通过核函数映射提取特征空间的平均值0,进而得出矩阵K:

核矩阵的简化计算。KPCA—DBN模型以高斯核函数K为基础,将数据代入公式中,开展核矩阵计算:

其中,σ2代表高斯核函数参数,‖x-xi‖2表示距离,两者直接影响KPCA—DBN模型特征提取。需结合实际情况,保证数据参数选择的合理性[4]。

为了降低KPCA矩阵计算开销,利用MATLAB提升矩阵计算速度,将K值代入矩阵公式中,对水利滚动轴承时域振动样本两相进行计算,如下:

‖xi-xj‖2=(xi1-xj1)2+(xi2-xj2)2

+…+(xin-xjn)2

因此使用高斯核函数时,对振动信号矩阵X产生的影响如下:

k(X,X)=2XXT-S-ST

S=[S1…S1]∈Rm×m

利用高斯核函数对水利继电滚动轴承原始特征空间进行映射,并在特征空间中完成数据处理[5]。数据处理期间及时调整矩阵结构,计算得出Kμj:

Kμj→K-ImK-KIm-ImKIm

2.2 整体算法

水利继电设备滚动轴承智能故障检测诊断严格按照图1流程开展。

图1 KPCA—DBN模型的滚动轴承故障诊断流程Fig.1 Fault diagnosis flow of rolling bearing based on KPCA—DBN model

2.3 实验数据集处理

为了保证智能故障检测诊断质量,提升实验数据处理重视程度,数据主要为轴承数据中心振动轴承信号数据,如表1所示。样本数据在不同转速获取,数据集E、F分被代表12 000、12 120数目。

表1 数据集E和数据集F的描述

通过KPCA—DBN模型对数据集E、F进行故障检测诊断分析。以7∶3的比例划分数据集E,得到8400×s训练集及3600×s训练集,3∶1比例下得到数据集F,得到9090×s训练集及3030×s测试集。将其输入DBN模型中,获得完整的KPCA—DBN模型[6]。

2.4 实验及结果分析

在水利机电设备滚动轴承KPCA—DBN模型故障诊断中,DBN模型包含两个RBM,节点为s。实验硬件设备包括发动机、扭矩传感器、动力发电机等,超参数设置如表2所示。选取高斯函数40、贡献率89%等,将KPCA—DBN模型代入数据集E中进行故障诊断,将数据集E进行KPCA数据处理后得出数据分散点图,利用点图区分数据集E故障数据信息。

表2 KPCA—DBN超参数设置

数据处理完成后,将数据划分到不同的数据集中,再将数据信息输入到DBN模型中进行统一训练,最终完成KPCA—DBN模型故障诊断。数据集E数据诊断结果如表3。

表3 不同方法分类正确率

2.5 σ对KPCA—DBN模型故障诊断的影响

实验发现,高斯核函数对KPCA—DBN模型故障诊断有一定的影响,当累积贡献值达到89%、dropout等于0.1且其他条件相同时,仅改变高斯核函数,KPCA—DBN模型故障诊断数据如表4所示。在KPCA数据处理期间,数据集的纬度与高斯核函数关系密切,高斯核函数值变大,数据集纬度减小,当高斯函数上涨5%时,数据集纬度由158萎缩至129,故障检测诊断精准度也会受到影响。

表4 不同高斯核函数下KPCA—DBN故障诊断正确率

当高斯核函数取36时,数据集纬度为151,KPCA—DBN模型故障诊断数据精度降至最低59.02%。当高斯核函数取39时,KPCA—DBN模型故障诊断数据精度为70.29%。而当高斯核函数取35时,KPCA—DBN模型故障诊断数据精度高达99.42%,诊断数据精度较高,更加贴近水利机电设备滚动轴承实际故障问题。

3 结束语

随着智能化技术的发展,水利工程机电设备故障运维区域实现了智能化发展,利用人工智能代替传统人工处理,提升了机电设备故障处理效果。以KPCA—DBN模型为水利工程机电设备智能故障检测载体,按照矩形计算,可减少水利机电设备滚动轴承故障数据误差,推动水利工程机电设备故障智能检测诊断的发展。