首页 > 论文范文 > 工程工业论文 > 重工业论文 > 机械工业论文 > 带式输送机机械故障深度迁移学习诊断方法

带式输送机机械故障深度迁移学习诊断方法

2024-09-03 70 上传者：管理员

摘要：带式输送机早期机械故障诊断面临现场环境噪声干扰和工况多变等问题。提出了基于深度迁移学习的带式输送机早期机械故障诊断模型。首先利用集成经验模态分解（EEMD）对振动信号进行预处理，得到振动信号的时频特征组图和时频统计特征参数集；然后构建了一种ResNet与Transformer相结合的融合特征提取网络，提取振动信号的局部和全局时频特征；设计了基于域对抗神经网络的深度迁移方法对融合特征提取网络进行优化，以提升模型对变工况场景的适应能力；最后设计了基于物联网的带式输送机早期故障诊断和预测性维护系统，能够有效地提升带式输送机的生产效率和管理水平。

关键词：
EEMD
带式输送机
故障诊断
深度学习
迁移学习
加入收藏

带式输送机作为一种结构复杂、长时间重载工作的大型输送装备，其故障不仅会带来重大的经济损失，还会带来严重的安全隐患。因此，对带式输送机进行早期故障诊断并依据诊断结果对其进行预测性维护具有较高的理论和工程价值。

近年来，不少学者围绕带式输送机运行状态传感监测、诊断算法和监控系统开展了研究，并取得了一定的进展。然而，带式输送机系统关键部件的早期故障诊断还面临着环境噪声干扰和工况场景多变等问题。迁移学习具备把在源域中学到的知识应用于目标域的能力，有助于提高模型对邻域无标签数据的预测准确率。

在此基础上，本文提出了结合域对抗神经网络（DANN）的深度迁移学习故障诊断方法，以解决工况变化场景中模型诊断性能退化的问题；设计了基于物联网的带式输送机传感数据综合接入与数据分析诊断系统，实现了带式输送机早期机械故障的在线诊断。

1、故障诊断模型

(1）诊断模型的总体架构

针对带式输送机机械故障诊断问题，本文提出了一种基于集成经验模态分解（EEMD）、深度卷积、Transformer和DANN的深度迁移学习故障诊断模型。首先利用EEMD构建了振动信号的多尺度时频特征组图（EEMD-TFFGs）和全局统计特征矩阵（GSFM）；然后设计了将残差网络（ResNet）和Transformer网络相结合的深度特征提取网络，实现局部和全局时频特征的融合提取；最后通过DANN来优化深度特征提取网络，从而提高了深度特征的跨域不变性和故障状态判别能力。该诊断模型总体架构如图1所示。

图1诊断模型总体架构

本文提出的诊断模型充分发挥了深度融合特征提取和梯度反演对抗策略的优势。本文将通过变工况迁移故障诊断任务实验证明该模型的有效性。

(2）信号时频预处理模块

首先利用EEMD对信号进行分解来得到原始信号的多个IMF分量，每个分量代表了不同的频率成分。考虑到并不是每个IMF分量都能够有效地表达原始信号的时频特性信息，为了剔除IMF中的虚假分量，计算每个IMF分量与原信号x(t）之间的相关系数

式中ci(t）———第i个IMF分量；

E[·]———信号期望值；

D（·）———信号均方值。

相关系数越大，说明分解后的IMF分量与原信号相关性越强，所包含的时频信息越丰富。通过设置相关系数阈值来选取一定数量的IMF分量。

信号时频预处理模块工作流程如图2所示。完成IMF分量选取后，计算每个IMF分量的希尔伯特边际谱（HES），将选取出的每个IMF分量及其HES序列重新排列成矩阵，可以得到1组时频灰度图，即EEMD-TFFGs，便于后续利用ResNet的多层2D卷积核提取EEMD-TFFGs中的局部时频深度特征。

同时，计算每个IMF分量及对应HES的9种统计特征（平均值、标准差、偏斜度、峰度、波峰因数、波形因数、冲击因数、纬度因数、极差），作为振动信号的全局统计特征。具体来说，假设选取了6个IMF分量，6个IMF分量的某个特征（如振幅）被组成1个6维向量，并得到统计特征矩阵A∈R9×6。类似地，可以得到6个IMF分量的HES的统计特征矩阵B∈R9×6。最后，将矩阵A和B串联起来，得到GSFM∈R18×6，作为Transformer网络的输入，以提取全局时频关联特征。

图2信号时频预处理模块工作流程

(3）深度融合特征提取网络

本文提出模型的深度融合特征提取网络包括ResNet和Transformer两部分，如图1所示。首先利用ResNet提取EEMD-TFFGs的局部时频深度特征，利用Transformer编码器提取统计全局特征之间的时频关联特征；然后将局部时频深度特征与全局时频关联特征融合，作为深度融合特征提取网络的输出。

(4）参数优化流程

该模型中分别构建了源域的状态分类损失Ly和源域与目标域深度特征之间的对抗损失Ld，通过最小化损失函数、更新网络参数，保证诊断模型具有较高的故障识别准确率和变工况场景适应能力。

在域对抗学习训练中，域判别器Gd用于识别样本数据是属于源域还是目标域，对抗损失函数

式中n———类别的数量；

fis、fit———源域、目标域特征。

Ld用于2个优化目标，分别用来更新深度特征提取网络和域判别器Gd的网络参数。梯度反向层（GRL）使2个网络形成对抗关系，并通过反向传播进行优化，达到纳什均衡。

故障状态分类器由全连接层和Softmax激活函数组成，输出源域数据的类别预测。交叉熵用于计算故障分类损失Ly，衡量预测标签和源域真实标签之间的差异，状态分类损失函数

式中M———样本的数量；

F（·）———符号函数（0或1);

pic———样本属于类别c的预测概率。

结合式（2）、式（3），该模型的联合优化目标

式中λ———GRL的超参数。

2、实验设置及结果分析

为了验证和分析本文所提出模型在变工况场景下的故障诊断效果，采用齿轮箱故障数据集对该模型进行实验验证。该数据集包含5种状态，即缺口故障、断齿故障、齿根裂纹故障、齿面磨损故障和健康状态。同时，数据集中设置了2种转速-负载情况，分别为20 r/s-0和30 r/s-2 hp，分别表示为数据集G1和G2。在G1和G2的工作条件下，收集上述5种状态的数据，每个工作条件下设置250个数据样本，样本长度为4 096。

为了验证本文提出模型的有效性，设置了不同设备、不同转速-负载之间的迁移实验，工况迁移任务的具体设置为G1→G2和G2→G1（箭头前为源域数据，箭头后为目标域数据）。此外还引入了多种迁移诊断模型进行对比实验，各模型的具体描述如表1所示。

表1各模型的具体描述

不同工况迁移任务下的多种模型对比实验结果如表2所示，本文提出的模型（NW6）可以获得比其他模型更高的平均精度，可达到92.2%。

表2多种模型的分类精度对比（%）

为了进一步证明本文提出模型的有效性，对该模型的样本标签、预测标签和深度特征分别进行了t-SNE和混淆矩阵对比分析，如图3所示。由图3可知，该模型提取的深度特征具有较好的类别可分性，使得测试集样本深度特征之间的类内距更小、类间距更大。

图3混淆矩阵和t-SNE图

3、带式输送机早期故障在线诊断系统设计

基于深度迁移学习的带式输送机早期机械故障在线诊断系统架构如图4所示。结合智能传感、物联网等技术完成带式输送机关键部件振动、温度、声音等多源传感信号的采集；传感数据通过现场总线、以太网、WiFi、5G、NB-IOT等有线/无线方式的接入现场边缘计算终端，经过边缘终端处理后通过井下骨干以太环网统一接入诊断系统平台端服务器集群。该平台集成了多源异构数据管理、信号分析、深度学习、迁移学习等数据管理与分析模块，通过诊断模型的在线计算完成带式输送机系统关键部件健康状态的监测和早期故障的诊断。该平台可以提供在线诊断、远程运维、协同管控、全生命周期管理等应用服务。

图4带式输送机早期机械故障在线诊断系统架构

4、结语

针对带式输送机机械故障诊断面临的工况场景多变、样本不足等问题，本文提出了一种基于时频分析和深度迁移学习的故障诊断模型。通过EEMD对振动信号进行预处理，为深度学习网络提供表征故障机理的时频信息。在此基础上，将ResNet与Transformer编码器相结合，完成时频信息的局部特征和全局特征的融合提取。同时，引入DANN来最小化源域和目标域数据之间深层特征的分布差异，提高模型的场景泛化能力。实验结果表明，该模型具有较高的故障诊断精度和较好的工况迁移适应能力。

参考文献:

[1]陈岩.带式输送机传动滚筒轴承故障智能诊断[J].工矿自动化,2023,49(S1):56-59+137.

[2]杨春雨,曹博仕,张鑫,等.带式输送机系统故障诊断方法综述[J].工矿自动化,2023,49(6):149-158.

[3]马宏伟,毛清华,张旭辉.矿用强力带式输送机智能监控技术研究进展[J].振动.测试与诊断,2016,36(2):213-219+396.

[4]苏浩,杨鑫,向玲,等.基于深度对比迁移学习的变工况下机械故障诊断[J].振动工程学报,2023,36(3):845-853.

[5]张西宁,余迪,刘书语.基于迁移学习的小样本轴承故障诊断方法研究[J].西安交通大学学报,2021,55(10):30-37.

[6]韩越.带式输送机驱动滚筒轴承故障特征提取分析研究[J].煤矿机械,2021,42(10):162-165.

[7]王艳新,闫静,王建华,等.基于域对抗迁移卷积神经网络的小样本GIS绝缘缺陷智能诊断方法[J].电工技术学报,2022,37(9):2150-2160.

[8]刘永明,叶国文,赵转哲,等.基于EEMD-PSO-ELM的RV减速器故障诊断模型[J].计算机集成制造系统,2023,29(1):224-235.

基金资助:国家重点研发计划项目(2017YFC0804400;2017YFC0804401);

文章来源:刘文峰,王荣振,董杰,等.带式输送机机械故障深度迁移学习诊断方法[J].煤矿机械,2024,45(09):153-156.