《Results in Engineering》:Enhanced approach for gears-bearings defect diagnosis based on optimized artificial neural network model and features selection graphical technique
编辑推荐:
本研究提出了一种高性能人工神经网络(Artificial Neural Network, ANN)系统,该系统采用灰-田口(Grey-Taguchi)多目标优化技术进行优化,用于精确诊断旋转机械中的单一及复合齿轮-轴承故障。所提出的方法将自动特征提取与鲁棒的特
本研究提出了一种高性能人工神经网络(Artificial Neural Network, ANN)系统,该系统采用灰-田口(Grey-Taguchi)多目标优化技术进行优化,用于精确诊断旋转机械中的单一及复合齿轮-轴承故障。所提出的方法将自动特征提取与鲁棒的特征选择框架相结合,该框架融合了基于全局单因素方差分析(global one-way ANOVA)的类间判别分析、效应量(effect size)估计、费希尔得分(Fisher scores)以及一对多(One-vs-Rest)策略。为进一步增强可解释性并确保测量稳定性,研究人员利用箱线图(box-and-whisker plots)对所选特征进行了图形化验证。为应对非平稳工业噪声,研究采用最小均方(Least Mean Squares, LMS)自适应滤波器抑制无关成分,同时保留与故障相关的脉冲和调制振动特征。实验验证基于在磁制动条件下运行的机械故障模拟器(Machine Fault Simulator, MFS)上采集的三轴振动测量数据,有效模拟了真实的噪声环境。优化后的模型在39个训练周期内达到了98.593%的全局相关系数(global correlation coefficient, RG)、0.019799的均方误差(mean squared error, MSE)以及98.40%的总体宏平均F1分数(macro-averaged F1-score)。纳入最具判别性的特征进一步提升了诊断性能,总体宏平均F1分数达到99.64%(RG=99.955%)。这些结果证明了所提方法在噪声及复合故障场景下高级状态监测中的鲁棒性、可靠性和实用性。
旋转机械在发电、交通运输及制造等众多工业领域中广泛应用,是保障工业过程高效平稳运行的关键设备。当前生产行业对设备高可用性和不间断运行的需求日益增长,但旋转机械易受故障影响,即便微小故障也可能导致效率下降、机械松动、意外停机、维护成本增加,甚至造成重大经济损失和人员安全风险。故障类型涵盖磨损、齿轮与轴承故障、质量不平衡、联轴器不对中等,因此早期检测对确保可靠安全运行至关重要。振动分析(Vibration Analysis, VA)是预测性维护中最常用的技术之一,能够捕捉机械动态行为并检测指示故障的异常振动。然而,传统振动诊断方法依赖专家经验,耗时且成本高,且旋转机械数据的固复杂性对准确诊断构成重大挑战。将人工智能(Artificial Intelligence, AI)技术与振动分析相结合已成为故障诊断领域的变革性方法,其中人工神经网络(ANN)、深度神经网络(Deep Neural Network, DNN)、支持向量机(Support Vector Machine, SVM)、粒子群优化(Particle Swarm Optimization, PSO)、深度学习(Deep Learning, DL)等方法展现出提升检测精度、可靠性和效率的潜力。
尽管智能故障诊断取得显著进展,现有研究仍存在关键局限:传统机器学习方法依赖手工特征且多采用单传感器测量,诊断能力通常限于单一轴承或齿轮故障,在可变工况、噪声或复合故障场景下性能下降;深度学习方法虽分类精度高,但网络架构复杂、计算成本高、训练需求大,且作为黑箱模型物理可解释性有限;信号分解和自适应特征提取技术虽能增强噪声鲁棒性,但需精细参数调谐且计算开销高;多传感器融合和注意力机制模型虽能利用互补信息提升性能,却显著增加系统复杂度和成本。此外,尽管多轴振动数据日益普及,许多研究仍依赖单传感器输入,可能遗漏正交方向上的关键故障特征。现有研究大多聚焦单一部件故障,未能充分解决真实工业条件下复合齿轮-轴承故障交互作用的问题,在诊断精度、计算效率、鲁棒性和可解释性之间取得平衡的研究明显不足。
为应对上述局限,本研究提出了一种优化ANN诊断模型,专门用于检测旋转机械中的单一及复合故障。该系统集成全自动特征提取与选择机制,直接从原始振动信号中识别、精炼和更新最具信息量的特征,减少繁重的手工工程。补充以基于箱线图的图形化特征选择策略,提供可解释性并识别稳定、高影响的统计特征。诊断工作流进一步通过LMS自适应滤波和灰-田口优化方法的集成得以强化:LMS滤波器自适应抑制振动信号中的非期望成分以增强噪声鲁棒性;灰-田口方法则保证ANN模型的最优参数配置,提升分类一致性和收敛性。实验验证采用机械故障模拟器(MFS)在受控负载条件下通过磁离合器(制动器)获取的多传感器三轴振动测量数据,负载施加方式确保实验环境紧密复现真实工业运行状态,引入真实的应力分布和动态效应。三轴振动测量的使用具有重要价值:沿三个正交方向捕捉振动能够更完整地表征系统动态响应,揭示单传感器设置中可能遗漏的细微故障特征,增强故障类别区分能力,尤其对于复杂的交互式齿轮-轴承故障场景具有显著 robustness 提升。
研究所采用的关键技术方法包括:最小均方(LMS)自适应滤波用于非平稳噪声抑制;基于全局单因素方差分析(ANOVA)、效应量估计(η2)和费希尔得分的类间判别分析结合一对多策略进行特征选择与排序;箱线图进行图形化特征验证与筛选;灰-田口多目标优化方法确定ANN最优架构(隐藏层数、各隐藏层神经元数、激活函数);Levenberg-Marquardt和反向传播算法训练ANN;以及One-Hot编码处理分类输出。
**振动信号分析与LMS自适应滤波**
研究人员首先分析了健康状态及各类故障下的振动信号时域波形和频谱特征。健康状态下振动信号较为平稳;小齿轮单齿缺失故障呈现显著的周期性冲击,冲击间隔对应故障周期即啮合频率的倒数;小齿轮中磨损故障同样表现为周期性冲击响应;轴承外圈故障波形振幅调制不明显,而外圈静止、内圈和滚球转动导致其故障经过和离开负载区时形成振幅调制。通过对原始信号应用快速傅里叶变换(FFT)和汉宁窗,频谱分析揭示了各故障特征频率及其谐波:小齿轮故障在啮合频率及其倍频处出现峰值;轴承外圈故障频率谐波振幅高于内圈和滚球故障,且外圈故障频率首先出现;内圈故障频谱中BPFI谐波两侧存在内圈旋转频率边频带,由故障进出负载区的幅度调制引起;滚球故障频谱中BSF及其谐波难以区分,存在保持架旋转频率边频带。为处理工业环境中未知且变化的噪声条件,研究选用LMS自适应滤波器替代传统滤波方法,其能够自动适应变化的噪声特性,有效增强轴承和齿轮信号中与故障相关的成分。
**基于灰-田口方法的ANN架构优化**
研究人员采用多层感知器(MLP)进行诊断,输入层11个神经元对应提取的11个时域特征,输出层12个神经元对应12种健康状态。为确定最优ANN架构,以隐藏层数(A)、各隐藏层神经元数(B)、输入层激活函数(C)、隐藏层激活函数(D)和输出层激活函数(E)为独立变量,以训练相关系数(R
T)、验证相关系数(R
V)、全局相关系数(R
G)、均方误差(MSE)和训练周期数(E
p)为响应变量,构建L27(3
13)正交表进行灰-田口多目标优化。通过灰关联分析将多响应问题转化为单目标问题,确定最优参数组合为A1B3C1D1E3(隐藏层数=2、每层神经元数=19、输入层激活函数=tansig、隐藏层激活函数=tansig、输出层激活函数=Elliotsig)。方差分析显示输出层和隐藏层激活函数及其平方项对灰关联度影响最显著,贡献率分别为60.24%和7.27%。验证实验确认预测灰关联度与实验值误差在95%置信区间内。优化后ANN在39个训练周期内达到全局相关系数98.593%、MSE为0.019799。
**特征选择与判别分析**
研究人员采用综合特征选择框架:首先通过箱线图进行图形化验证,识别最相关且稳定的特征。通过分析各时域特征在不同测点和方向上的箱线图,发现峰度因子(kurtosis factor)在D点轴向方向、波形因子(shape factor)在E点垂直方向能够区分所有健康状态;而偏度因子(skewness factor)等特征在部分故障类别重叠,单独使用不足以 robust 区分所有故障类型。基于全局单因素方差分析的统计筛选显示,均方根因子(T4)、脉冲因子(T11)、偏度因子(T6)、裕度因子(T9)、峰度因子(T7)和波形因子(T10)具有最高的F值和效应量η2,统计显著性最强(p<0.01);而均值(T1)、标准差(T2)和方根幅值(T3)的p值大于0.05,判别能力有限。通过一对多策略的类间分析进一步发现,不同故障类型的主导判别特征存在差异:T4对外圈故障最具区分度,T10对内圈故障更重要,T6对滚球故障敏感,而复合故障主要由T7、T9等脉冲相关高阶特征表征。费希尔得分和效应量分析确认了特征的统计稳定性和类间分离能力。最终保留均方根、脉冲因子、偏度、裕度、峰度和波形因子作为主要判别指标,绝对最大值和峰值因子作为补充。统计验证表明所有11个特征在α=0.05水平上均显著拒绝"特征无法区分故障类别"的原假设。
**模型性能评估与验证**
研究人员采用宏平均F1分数(macro-averaged F1-score)作为主要评估指标,该指标对12个类别(健康状态、5种单一故障、6种复合故障)平等加权,避免类别不平衡导致的评估偏差,并设定±0.2的绝对不确定度容差区间。使用原始11维特征集时,优化ANN训练集F1分数为98.73%,验证集为98.09%,总体宏平均F1分数达98.40%。纳入经统计和图形分析筛选的最相关特征后,训练集F1分数提升至99.72%,验证集达99.58%,总体宏平均F1分数达到99.64%,全局相关系数提升至99.955%,MSE降至0.00055517,在60个训练周期内收敛。与文献对比,该性能略优于Medina等(2022)的99.3%和Khoualdia等(2017)的97.42%,与Li等(2022)的98.22%-100%精度相当,但本研究处理的复合故障复杂度更高。结果表明,时域统计特征经LMS滤波增强和优化选择后,能够有效编码复合故障的非线性交互作用,即使在无频域分析条件下仍能实现高精度的复合故障识别。
**研究结论**
本研究提出了一种基于灰-田口优化ANN的齿轮-轴承单一及复合故障诊断系统,集成了自动特征提取、LMS自适应滤波、统计判别特征选择和图形化验证方法。研究通过机械故障模拟器在磁制动负载条件下获取的三轴振动数据进行了实验验证,灰-田口方法被证明特别适用于ANN架构的离散设计变量优化。最具判别性的特征包括均方根、脉冲因子、偏度、裕度、峰度、波形因子,辅以绝对最大值和峰值因子,多特征组合较单一指标具有更优的类间分离能力。该框架结合优化ANN分类、LMS自适应滤波和多传感器测量,能够在噪声环境和复杂故障条件下可靠运行:优化的ANN模型在39个训练周期内达到98.593%的全局相关系数、0.019799的均方误差和98.40%的总体宏平均F1分数;纳入最具判别性的特征后,性能进一步提升至99.64%的总体宏平均F1分数(全局相关系数99.955%)。这些结果凸显了该方法在工业状态监测应用中的实用性和潜力。
研究的局限性在于:数据集在受控实验室条件下采集,未能完全捕捉真实工业系统的负载变化和环境扰动;依赖11个手工时域特征可能限制其在不同机械、转速和负载条件下的适应性;监督ANN模型需要充足的标注样本,未解决小样本学习问题。未来工作将扩展至变负载、速度波动、环境噪声和渐进退化场景,探索频域和时频特征家族,集成少样本学习策略,并研究迁移学习、域适应和可解释AI技术以增强泛化能力、减少标注数据依赖并提升诊断可解释性。此外,整合温度、声发射或扭矩等额外传感器模态并应用多传感器融合技术,可进一步增强对复杂故障和早期退化阶段的 robustness 和可靠性。