2. 交通运输部水运科学研究院,北京 100088
2. China Waterborne Transportation Research Institute, Beijing 100088, China
在船舶的不同机械装置中均会用到电机,电机运行状态与机械装置工作状态息息相关,还会影响船舶航行的安全性[1]。轴承故障是船舶电机故障的最容易出现的故障,因此轴承运行状态直接影响电机运行的稳定性,间接影响船舶航行安全[2-4]。实际船舶电机轴承工作过程中,包含大量的无用信号,直接利用采集到的信号完成故障诊断,会影响故障诊断效果。对抗神经网络在提取数据内在分布方面具备较优的效果,该网络可增强样本数据的真实性,提升数据分类精度。为此研究对抗神经网络算法在船舶电机轴承故障诊断中的应用,滤除轴承振动信号内的无用信号,提取轴承故障信号分量,提升故障诊断效果。
1 船舶电机轴承故障诊断 1.1 故障信号分量提取利用自适应线性神经网络,设计移除非轴承故障分量滤波器,提取船舶电机轴承故障信号分量。令船舶电机轴承振动信号为
通过监督训练法得到
$ {\boldsymbol{P}} = \left[ \begin{array}{c} p\left( k \right) \\ p\left( {k - 1} \right) \\ \vdots \\ p\left( {k - n} \right) \\ \end{array} \right],\;t = p\left( k \right)。$ | (1) |
其中,p (k)和k分别为正常船舶电机轴承采样振动信号及样本数量。
网络训练时,令该指标降至最低[4],提升船舶电机轴承故障信号分量提取效果。网络训练时,利用最小均方算法得到网络权重w与偏置b,由w与b建立网络参数向量
$ F\left( X \right) = E\left[ {t - y{{\left( n \right)}^2}} \right]\eta = E\left[ {{{\left( {t - {X^{\rm{T}}}\varpi } \right)}^2}} \right]\eta。$ | (2) |
式中:
变更式(2)获取:
$ \begin{gathered} F\left( X \right) = E\left[ {{t^2} - 2t{X^{\rm{T}}}\varpi {\varpi ^{\rm{T}}}X} \right]\eta =\\ E\left[ {{t^2}} \right]\eta - 2{X^{\rm{T}}}E\left[ {t\varpi } \right]\eta + {X^{\rm{T}}}E\left[ {\varpi {\varpi ^{\rm{T}}}} \right]X\eta 。\\ \end{gathered} $ | (3) |
设置
$ \begin{gathered} \nabla F\left( X \right) = 0 \Rightarrow \nabla \left( {C - 2{X^{\rm{T}}}h + {X^{\rm{T}}}RX} \right)\eta = 0 \\ \Rightarrow - 2h\eta + 2RX\eta 。\\ \end{gathered} $ | (4) |
进而获取网络参数X,公式如下:
$ X = \frac{h}{R}。$ | (5) |
诊断步骤如下:
步骤1 在生成式对抗神经网络内输入
步骤2 利用
步骤3 在生成器内,输入船舶电机轴承故障信号分量内的噪声数据,获取故障信号分量数据样本,用于训练判别器,训练条件为判别器需精准判断产生的故障信号分量数据样本是假;
步骤4 判别器训练结束后,以判别器的输出为标签,训练生成器,反复训练判别器与生成器,以产生的船舶电机轴承故障信号分量数据标签合理为止,得到各故障信号分量数据的样本标签,实现故障信号分量分类;
步骤5 融合得到的船舶电机轴承故障信号分量数据样本标签和
步骤6 利用注意力与多尺度卷积神经网络(MSEA-CNN),建立船舶电机轴承故障诊断模型;
步骤7 在模型内,输入步骤5获取的训练集A,输出船舶电机轴承故障诊断结果。
1.2.1 轴承故障信号分量分类经过网络学习,输出和
将生成器G与判别器D的分类概率数学熵
$ \begin{split}&L = - \left\{ \begin{gathered} {{E'}_{e\left( n \right){\text{~}}v\left( {e\left( n \right)} \right)}}\log \left[ {1 - v'\left( {z = K + 1\left| {e\left( n \right)} \right.} \right)} \right] \\ + {{E'}_{e\left( n \right){\text{~}}G}}\log \left[ {v'\left( {z = K + 1\left| {e\left( n \right)} \right.} \right)} \right] \end{gathered} \right\} = \\ &- \left( {{{E'}_D} + {{E'}_G}} \right)。\end{split} $ | (6) |
其中:
利用MSEA-CNN网络建立船舶电机轴承故障诊断模型,在该模型内输入船舶电机轴承故障信号分量数据样本标签和
MSEA-CNN网络内主要包含注意力特征加权、多尺度特征提取与故障诊断三部分。第一部分通过注意力机制自动获取,各标签下船舶电机轴承故障信号分量内特征的重要程度,按照该重要程度屏蔽无用特征,凸显有用特征,令MSEA-CNN网络在输入各标签下船舶电机轴承故障信号分量特征内,得到存在较强判别性的信息。
通过卷积核处理A获取船舶电机轴承故障信号分量特征
$ \omega = \sigma \left( {f\left( {A'} \right)\zeta } \right) = \left[ {{\omega _1},{\omega _2}, \cdots ,{\omega _l}} \right]。$ | (7) |
式中:f为卷积操作;ζ为常数;l为各特征通道内特征值数量。
通过ReLu函数
$ M = \delta \left( {f'\left( {A'} \right)\zeta } \right) = \left[ {{m_1},{m_2}, \cdots ,{m_l}} \right]。$ | (8) |
式中:
相乘
依据残差学习理论,在保留O的情况下,添加残差连接,提升船舶电机轴承故障诊断模型的性能,即将
第二部分负责提取各标签船舶电机轴承故障信号分量的多尺度特征,在该部分添加注意力机制,提升特征提取效果。该部分先通过大卷积核提取大的轴承故障特征接受域,以该接受域为低频滤波器,提取船舶电机轴承故障信号分量的低频特征;然后以各种大小的卷积核为各故障信号分量频率的滤波器,得到各频段的故障信号分量特征。船舶电机轴承故障信号分量特征提取的尺度为4个,得到各个尺度下的船舶电机轴故障信号分量特征;最后堆叠提取的特征,得到多尺度船舶电机轴承故障信号分量特征集,该特征集的大小是
第三部分负责诊断船舶电机轴承故障,完成多尺度船舶电机轴承故障信号分量特征提取后,通过全局平均池化操作,缩减全连接层的输入参数,获取更加有效的全局船舶电机轴承故障信号分量特征,公式如下:
$ \hat A\left( i \right) = \frac{{\lambda \displaystyle\sum\limits_{j = 1}^l {{{A'}_{i,j}}} }}{l}。$ | (9) |
其中,i为特征通道编号;j为特征值编号;
在全连接层内输入
以误差反向传播方式,通过
以某船舶电机轴承实验平台采集的振动数据为实验对象,利用本文方法对这些振动数据进行故障诊断,船舶电机轴承实验平台如图1所示,通过加速度传感器,采集船舶电机轴承故障诊断需要的振动信号,采集频率为50 kHz。
通过电火花机点蚀操作船舶电机轴承,模拟船舶电机轴承的各种故障,通过不同电火花机马力,设计不同船舶电机轴承故障工况,分别为1 hp,3 hp,5 hp,记作工况1、工况2、工况3,每种工况中均存在5种轴承运行状态,分别是内圈损坏、外圈损坏、滚珠损坏、定子损坏、转子损坏。每种故障均有不同程度的损伤直径。
利用本文方法在采集的各工况下船舶电机轴承振动信号内,提取故障信号分量,以工况1为例,各故障信号分量提取结果如图2所示。
可知,本文方法可有效在船舶电机轴承振动信号内,提取船舶电机轴承故障信号分量,同时各种轴承故障信号分量均可有效提取,为后续船舶电机轴承故障诊断提供有效的故障信号分量,加快故障诊断速度。
利用提取的船舶电机轴承故障信号分量,继续利用本文方法提取各故障标签下的轴承故障信号分量特征,利用相关系数分析本文方法特征提取效果,2个特征间的相关系数越小,说明两者间的相关性越差,特征提取效果越佳,最高相关系数需低于0.6,分析本文方法各故障标签下的轴承故障信号分量特征提取效果,分析结果如图3所示,以内圈损坏故障标签下的故障信号分量为例。
可知,本文方法提取的船舶电机轴承故障信号分量特征,两两特征间(除相同特征除外)的相关系数均在0.2~0.4,均低于0.6,仅有相同特征间的相关系数是1.0,说明本文方法提取的特征间相关性较差,代表提取的特征识别度较高,即特征提取效果较优。实验证明:本文方法提取的船舶电机轴承故障信号分量特征间的相关系数较低,说明本文方法具备较优的特征提取效果。
依据提取的各故障标签下的轴承故障信号分量特征,完成船舶电机轴承故障诊断,分析在不同工况及不同损伤直径时,本文方法的船舶电机轴承故障诊断效果,船舶电机轴承故障诊断结果如表1所示。
可知,在不同工况及不同损伤直径时,本文方法均可有效输出船舶电机轴承故障诊断结果,工况1的电火花机马力最小,模拟的电机轴承故障程度最轻,损伤直径越小,电机轴承故障程度也最轻;对比表1可知,本文方法仅在工况1中,损伤直径是0.2 mm时,将内圈损坏故障诊断为外圈损坏故障,其故障诊断结果均与实际故障相符,说明本文方法在电机轴承故障程度较轻时,依旧能够完成船舶电机轴承故障诊断,且故障诊断精度较高。
3 结 语船舶电机轴承故障属于一种交叉性学科,涵盖的知识非常多,为提升轴承故障诊断效果,加强船舶航行安全,研究对抗神经网络算法在船舶电机轴承故障诊断中的应用,精准诊断船舶故障,确保船舶航行时不会令电机突然停机,保证船舶能够安全航行。
[1] |
张仲懿, 姚玉南, 梁言. 基于贝叶斯网络的船舶发电机运行过热故障分析[J]. 武汉理工大学学报(交通科学与工程版), 2019, 43(2): 311-315. |
[2] |
杨晓珍, 周继续, 邓举明. 基于改进贝叶斯分类的电机轴承故障诊断系统研究[J]. 机床与液压, 2020, 48(20): 172-175. DOI:10.3969/j.issn.1001-3881.2020.20.040 |
[3] |
姜磊, 朱明斯, 李飞龙. 基于AMD和小波阈值去噪的电机轴承故障诊断[J]. 机械设计与制造, 2021(9): 47-50. DOI:10.3969/j.issn.1001-3997.2021.09.011 |
[4] |
张习习, 顾幸生. 基于集成学习概率神经网络的电机轴承故障诊断[J]. 华东理工大学学报(自然科学版), 2020, 46(1): 68-76. DOI:10.14135/j.cnki.1006-3080.20181206001 |