基于软阈值与自编码器的滚动轴承异常检测
时间：2023-01-17 19:55:08 来源：雅意学习网 本文已影响 人 
单龙飞，刘永阔，艾鑫，黄学颖
哈尔滨工程大学 核科学与技术学院，黑龙江 哈尔滨 150001
随着工业技术的飞速发展，一些机械设备在精密性与自动化方面更加发达。由于一些设备在高温、辐射、重载等恶劣的运行环境下工作，紧密接触部件的维护和维修变得更加困难。尤其是齿轮、轴承等关键部件一旦发生故障，就会影响整个机械设备与生产过程的运行，从而导致生产质量下降，甚至会引发一些严重的事故[1]。核电站中存在大量的旋转机械设备，滚动轴承对保证旋转机械设备的安全、可靠运行至关重要，因此开展对滚动轴承的状态监测研究在保证核电站安全性方面具有十分重要的意义。滚动轴承的状态监测与诊断的常用方法有温度法、油样分析法、振动法，其中振动法是最为常用的方法[2-3]。目前有大量学者提出基于振动信号的滚动轴承的异常检测方法。Saari等[4]运用一分类支持向量机对风力涡轮机轴承进行故障检测。李永斌等[5]运用核主元分析(kernel principal component analysis, KPCA)对滚动轴承进行降维，使用T2和Q统计量作为监测量进行异常检测，实验结果能够进行状态监测，但KPCA方法对于数据特征以及主元个数的选取有较大的影响，而且该方法不稳定存在误报的现象。冯辅周等[6]运用排列熵对滚动轴承进行异常检测，能够有效地对异常状态进行识别，排列熵对于故障程度较大的信号检测效果较好，对于早期故障效果较差。近年来，由于深度学习强大的特征提取以及判别能力，其已经成功应用于异常检测和诊断等方面。例如循环神经网络常被用于时间序列预测。自编码器（auto encoder, AE）由于其能够较好地对数据进行降维，保留数据主要特征，常被应用于诊断与监测。王鹏等[7-8]使用自编码器与循环神经网络结合对滚动轴承进行退化趋势预测。尹爱军等[9]使用变分自编码器对轴承进行健康状态评估，虽然在某些情况下是有效的，但仅使用简单重构误差的比较来检测异常，考虑到系统的动态特性，这可能是不够的。针对上述研究启发，本文使用软阈值与自编码器结合的方法对滚动轴承进行特征提取，并使用提取的特征进行异常检测，该方法检测效果稳定，对于早期故障的识别较为敏感。为了验证该方法的有效性，本文使用一分类支持向量机以及排列熵等典型算法与其进行对比分析。
1.1 自动编码器（AE）
自编码器是一种半监督或无监督的人工神经网络，其结构如图1所示。
图1 自编码器结构
自编码器由编码器与解码器构成，其特点是输入节点等于输出节点，一般隐藏层的节点个数小于输入、输出层节点个数，因此它能将高维数据通过非线性方式映射到低维空间。自编码器常用于特征提取与降维。由于自编码器的结构，其输出节点的值与输入节点的值误差越小，特征提取的效果越好[10]。
1.2 软阈值+自动编码器（Soft+AE）
本文通过向自编码器中引入软阈值来对滚动轴承进行异常检测，软阈值是许多信号降噪方法的核心步骤，它是将绝对值低于某个阈值的特征置为零，而高于阈值的特征置为该特征减去阈值[11]：
式中：T为阈值，x为输入数据。
振动信号分析方法是滚动轴承最常用的方法，本文通过振动信号分析方法对轴承进行异常检测。由于轴承在发生故障时其振动信号的频域信息相较于时域信息更加敏感，因此对于数据采用快速傅里叶变换获取频域信号，利用滚动轴承振动信号的频域信息通过自编码器进行异常检测。
软阈值与自编码器结合如图2所示，首先将振动信号通过FFT变换到频域，得到频域信息X=(x1,x2,···,xn)，将X输入到软阈值中，其中每一个X中的xi,i∈[1,n]对应一个软阈值，软阈值通过该神经网络训练得到。软阈值能够较好地表征振动信号频域信息X，而且有较好的泛化能力。滚动轴承振动信号经过软阈值处理后，将处理后的信号通过自编码器进行特征提取。在本文中自编码器的中间层h=(h1,h2,···,hn)只有一个神经元h1，利用正常数据进行训练，当故障发生时，中间层h1的 输出与正常时h1的输出有较大的差异，因此通过该神经元h1来进行异常检测。
图2 Soft+AE结构
由于滚动轴承处于健康状况时所收集到的信号相当于周围环境的噪声以及轴承自身的振动信号，这些信号在轴承发生故障时相当于噪声信息。当轴承发生故障且周围环境不变的情况下，其振动信号相当于健康状况下的振动信号（噪声信号）与故障信号的叠加。因此将健康状况下的噪声信号的频域信息通过软阈值与自编码器的处理去除其噪声，当发生故障时，就能够更好地提取故障特征。
输入滚动轴承健康状况下频域数据X：
式中xi表示频率为i的频域值。
软阈值函数式(1)的阈值为
式中ti表示对于频率为i的阈值。
通过软阈值的输出为
由于滚动轴承健康状况下其信号相当于噪声，故对于自编码器输出为
通过自编码器输入输出的强制拟合，相当于在轴承健康状况下，能够较好地去除噪声。
自编码器输入输出损失函数为
软阈值的损失函数为
使用滚动轴承健康状况下的频域数据进行训练，通过软阈值对于输入信号的拟合，并将其软阈值输出的残差y代入自编码器进行训练，将输出Z置为“0”，就能够较好地去除噪声，而且软阈值有较好的泛化能力。当轴承发生故障时，将故障频域信号通过训练好的软阈值与自编码器就能够提取出故障特征。其流程如图3所示。
图3 Soft+AE流程
为了验证该方法的可行性与准确性，本文采用辛辛那提智能维护系统中心(intelligent maintenance systems, IMS)轴承全寿命数据集对模型进行验证。
辛辛那提IMS数据集是用于测试轴承异常检测方法有效的基准数据集，在滚动轴承预测性维护领域得到高度认可，其包括3个子数据集、4个滚动轴承寿命退化数据、8个加速度传感器分别在4个滚动轴承之间以90°的间隔向2个方向排列，实验台结构如图4所示。本文使用子数据集1以及使用最广泛的子数据集2作为验证数据集。子数据集1采样频率为20 kHz每隔10 min采样1 s数据，在实验结束时轴承1发生外圈失效，一共有983个数据文件，每个数据文件为1 s采样数据，故一共983 s采样数据[12]。对于子数据集2采样频率为20 kHz，其每10 min采样一次（前43个文件每5 min记录一次）实验结束时，轴承3出现内圈缺陷，轴承4出现滚子缺陷，该数据集一共有2 156个文件，每个数据文件为1 s采样数据，故一共2 156 s采样数据。
图4 实验台结构
1) 子数据集1
本文采用前100 s的健康数据作为训练数据，用所有数据作为测试数据。经多次实验自编码器结构与参数如表1所示，其中每2 100个数据做一次FFT获得频域数据特征2 048个。软阈值的每次输入的频域特征个数为2 048个，所以软阈值输入神经元个数为2 048个，经过软阈值处理后其输出神经元个数也为2 048个，其输出尺寸如表1所示。将软阈值处理后的频域数据作为特征参数放入AE中进行训练与测试。
表1 自编码器结构数据
用训练数据对软阈值与自编码器进行训练，训练后的软阈值与正常数据和故障数据频域特征如图5所示。从图5(a)中可以看出，在正常状况时，软阈值与正常数据频域信号相近，故经过软阈值处理后的频域信号基本为“0”，而在发生故障时由于频域一些频率会发生较大的变化，导致故障频域特征与软阈值相差较大，故在进行特征提取时最终结果也会发生较大的变化。因此通过该方法能够进行异常检测。
图5 软阈值与频率曲线
使用测试数据对模型进行测试，测试结果如图6所示，在524 s（第524个文件）时可以检测出滚动轴承发生异常。由于在正常状况下，本文所使用的方法有一些随机误差，故使用3σ原则来确定正常数据提取特征的上下阈值。正常状况下异常分数(无量纲)变化都在阈值内，当发生故障时就会超过阈值。
图6 Soft+AE异常检测
本文采用一分类支持向量机、排列熵等典型异常检测算法进行对比。一分类支持向量机异常检测所选的10个时域特征参数包括方差、平均幅值、能量、均方根、方根幅值、标准差、峭度、峰值、最大值和最小值，这些参数能够较好地反映滚动轴承健康状况到异常状况的变化。例如450～700 s数据的方差与均方根在滚动轴承健康状况与异常状况下的变化如图7所示，在图7中蓝色为健康状况，红色为异常状况，这些特征在532 s时发生明显变化，说明在发生异常时这些特征参数都会发生较为明显的变化。
图7 特征变化曲线
对于一分类支持向量机算法，采用滚动轴承前100 s数据作为训练数据，使用（全部）983 s数据作为测试数据，当测试结果为“1”时为健康状况，当测试结果为“-1”时为异常状况。其测试结果如图8(a)所示，从图8(a)中可以看出，在532 s滚动轴承检测出发生异常时，一分类支持向量机会一段震荡现象，这是由于在刚开始发生故障时其特征参数与健康状况下的特征参数区分度较小，故会发生震荡现象。在第544 s时预测结果恒定为“-1”，轴承状况为异常状态。
图8 一分类支持向量机与排列熵异常检测
对于排列熵算法经实验选择滑动时窗为“3”截取数据，其诊断结果如图8(b)所示，从图8(b)中可以看出，在531 s时滚动轴承检测出发生异常，但在之后的一些时间段内排列熵诊断的异常分数与健康状况重叠，故排列熵的诊断结果较差。
2) 子数据集2
将子数据集1作为验证数据对模型进行验证，该数据在实验结束时轴承3以及轴承4发生故障，本文仅用轴承3的全寿命数据对模型进行验证。将数据集1的前50 s数据作为训练数据对Soft+AE以及一分类支持向量机进行训练。使用轴承3所有数据作为测试数据对模型进行测试。测试结果如图9所示，在图9(a)中可以看出滚动轴承3在104 s时发生故障超过阈值，之前的轴承健康数据在3σ阈值范围内。图9(b)为一分类支持向量机，从图9(b)中可以看出在145 s时可以诊断出故障，但在145 s之前时间段内有误诊断。对于图9(c)排列熵的异常检测，从图9(c)中可以看出，排列熵并不能有效地进行诊断。
图9 子数据集1异常检测
本文提出了基于软阈值与自动编码器的异常检测方法，并应用于滚动轴承的异常检测中。在子数据集2中可以看出，Soft+AE算法诊断轴承失效时间为524 s而且诊断效果较为稳定；
而一分类支持向量机与排列熵诊断轴承失效时间为544 s与531 s，这2种方法在一些情况下有误诊断现象。在子数据集1中Soft+AE算法诊断轴承失效时间为104 s，诊断效果稳定；
而一分类支持向量机诊断轴承失效时间为145 s，而且有误诊断现象；
排列熵在子数据集1中诊断效果较差。故本文证明了软阈值+自编码器方法在轴承异常状态检测方面有较好的效果，仅需要正常数据作为训练数据就能够进行异常检测。从检测失效时间上可以看出Soft+AE算法在子数据集1与子数据集2中诊断轴承的失效时间相较于一分类支持向量机与排列熵更早，说明能够更早地发现异常，因此在本数据集中该方法灵敏性更高，在工业上有一定的推广价值。
——编码器演艺科技(2020年7期)2020-08-13一种海上浮式风电基础频域动力响应分析新技术振动工程学报(2019年2期)2019-05-13智慧农业物联网节点故障处理分析物联网技术(2016年11期)2017-01-12关心健康状况的问答阅读(中年级）(2009年6期)2009-07-16
