基于局域波信息熵的高速自動(dòng)機(jī)故障診斷

都 衡，潘宏俠

（中北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，山西 太原 030051）

基于局域波信息熵的高速自動(dòng)機(jī)故障診斷

都 衡，潘宏俠

（中北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，山西 太原 030051）

針對小口徑火炮自動(dòng)機(jī)工作時(shí)產(chǎn)生的短時(shí)沖擊信號，提出一種將局域波分解與信息熵相結(jié)合提取特征量，并利用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別的診斷方法。首先運(yùn)用具有自適應(yīng)特性的局域波對振動(dòng)信號進(jìn)行分解得到IMF分量，再接著利用信息熵理論提取IMF信息熵、局域波能譜熵及能矩譜熵作為故障特征量，最后將特征向量輸入Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類識(shí)別。實(shí)驗(yàn)結(jié)果表明：該方法能準(zhǔn)確，有效地識(shí)別故障。

人工智能；高速自動(dòng)機(jī)；故障診斷；信息熵；局域波

0 引 言

自動(dòng)機(jī)的運(yùn)動(dòng)比較復(fù)雜，在運(yùn)動(dòng)過程中會(huì)伴隨著激烈、復(fù)雜的撞擊、摩擦、振動(dòng)和跳動(dòng)等。而自動(dòng)機(jī)工作的可靠性在自動(dòng)武器研制過程中尤為重要，據(jù)統(tǒng)計(jì)，輕武器故障80%是由自動(dòng)機(jī)引起的，研制的工作量70%是在解決武器的自動(dòng)機(jī)可靠性問題，貫穿于槍械研制的全過程[1]。針對高速自動(dòng)機(jī)的狀態(tài)監(jiān)測與早期故障診斷是裝備現(xiàn)代化的方向，也是很多學(xué)者關(guān)注研究的熱點(diǎn)。目前，國內(nèi)外對高速自動(dòng)機(jī)可靠性分析研究的較多，但通過試驗(yàn)測試研究自動(dòng)機(jī)故障的很少，一些實(shí)驗(yàn)室臺(tái)架研究，還沒有實(shí)現(xiàn)在線實(shí)時(shí)故障診斷測試；針對供輸彈過程中單一問題研究較多，較系統(tǒng)研究診斷技術(shù)工程實(shí)際應(yīng)用未見報(bào)道。小口徑火炮自動(dòng)機(jī)維修保障手段相對落后，傳統(tǒng)方法采用聽、摸、看和經(jīng)常的大拆大卸、開箱解體方式檢查，維修成本高、周期長，受主觀因素的干擾易造成誤診漏診，遠(yuǎn)遠(yuǎn)不能適應(yīng)現(xiàn)實(shí)裝備研制和維修需要[2]，因而研究一種高效的故障診斷方法顯得尤為重要。

局域波時(shí)頻譜是一種新的分析非平穩(wěn)、非線性信號的時(shí)頻分析方法。信息熵是對系統(tǒng)不確定性程

度的描述，可以對設(shè)備狀態(tài)的變化情況進(jìn)行度量。本文針對自動(dòng)機(jī)工作時(shí)產(chǎn)生的短時(shí)沖擊瞬態(tài)信號,將二者相結(jié)合，運(yùn)用局域波對這種非平穩(wěn)、非線性信號進(jìn)行分解得到IMF（本征模式分量）。在此基礎(chǔ)上運(yùn)用能反映事物復(fù)雜性測度的信息熵對IMF分量進(jìn)行處理，提取IMF信息熵、局域波能譜熵、能矩譜熵作為故障特征進(jìn)行故障診斷。最后建立神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對故障進(jìn)行智能識(shí)別。

1 局域波分解的基本原理

2000年，馬孝江教授[3]通過對非平穩(wěn)信號內(nèi)在特征的深入分析，結(jié)合Huang的思想和EMD算法，首次提出局域波（Local Wave）的概念。局域波分解能基于信號的局部時(shí)變特征自適應(yīng)地分解到具有多分辨率特性、正交的基本模式空間，分解得到的IMF分量反映了信號在基本模式空間中的尺度、模式結(jié)構(gòu)及能量分布。因此本文將研究信號在基本模式空間中的信息特征，從中提取能有效反映系統(tǒng)狀態(tài)的特征量，為故障診斷奠定基礎(chǔ)。為此首先應(yīng)用局域波分析方法對信號進(jìn)行分解。具體算法流程如圖1所示。

圖1 EMD分解流程圖

IMF是滿足以下兩個(gè)條件的信號：

（1）整個(gè)信號中零點(diǎn)數(shù)與極點(diǎn)數(shù)相等或最多相差1。

（2）信號上任意一點(diǎn)，由局部極大值點(diǎn)確定的包絡(luò)線和由局部極小值點(diǎn)確定的包絡(luò)線的均值為零，即信號關(guān)于時(shí)間軸局部對稱。

在局域波分解過程中，當(dāng)殘余分量rn（t）成為一個(gè)單調(diào)函數(shù)或常量，或第n階IMF分量cn（t）或其余量rn（t）小于預(yù)設(shè)值時(shí)，分解過程結(jié)束。在實(shí)際情況中，很難保證上下包絡(luò)的均值絕對為零，需要給出“篩分”過程結(jié)束的標(biāo)準(zhǔn)，通常當(dāng)滿足式（1）時(shí)，就可以認(rèn)為滿足IMF的均值為零的條件。

式中：ε——篩分門限，通常將ε的值取0.2～0.3[4]。

2 信息熵特征提取模型

在自信息理論的基礎(chǔ)上，香農(nóng)（Shannon）定義自信息的數(shù)學(xué)期望為信息熵[5]，即信息源的平均信息量：

2.1 IMF信息熵

當(dāng)機(jī)械系統(tǒng)發(fā)生故障時(shí)，其振動(dòng)信號分解的IMF將發(fā)生變化，相應(yīng)的信號尺度、模式結(jié)構(gòu)及能量分布也將發(fā)生改變，IMF凝集了系統(tǒng)狀態(tài)的重要信息，對狀態(tài)變化規(guī)律反映敏感。本文利用值域平均法提取該IMF分量的信息熵作為特征參數(shù)[6]。步驟如下：

（1）設(shè)c（t）為信號x（t）的某個(gè)本征模式分量，c（t）中的最大值賦值為cmax，最小值賦值為cmin。

（2）設(shè)置區(qū)間[cmin，cmax]中的N等分點(diǎn)Bi，[cmin，B1]，…，[Bi，Bi+1]，…，[BN-1，cmax]，這N個(gè)區(qū)間作為特征量的N個(gè)離散值域D∈{D1，D2，…，DN}，當(dāng)某個(gè)樣本的該屬性的值落入[Bi，Bi+1]區(qū)間時(shí)，就認(rèn)為該樣本在該屬性上具有相應(yīng)的離散屬性值Di。

（3）本文已知該離散信號的采樣點(diǎn)總數(shù)n，c（t）落在第i個(gè)區(qū)間的樣本點(diǎn)個(gè)數(shù)為mi，則根據(jù)統(tǒng)計(jì)學(xué)c（t）落在第i個(gè)區(qū)間的概率P（Bi）=mi/n。因此由定義可得該IMF信息熵為

2.2 局域波能譜熵與局域波能矩譜熵

根據(jù)局域波分解原理，在忽略殘余分量的情況下分解前后能量近似守恒，即

式中：Ei——ci（t）的能量，則E=[E1，E1，…，En]為n個(gè)IMF的能譜。各IMF分別包含了不同的頻率成分和頻帶，則E形成了信號能量在頻率域的一種劃分[7]。

為更好地描述各IMF的能量大小及沿時(shí)間軸上的分布特點(diǎn)，在IMF能量的基礎(chǔ)上定義了IMF能量矩，用以改進(jìn)IMF能量的測度[8]。定義如下：

式中：N——信號長度；

Δt——采樣周期。

相應(yīng)的局域波能譜熵定義為

局域波能矩譜熵定義為

式中：Hnp——各IMF能量分布的不確定性；

Hnj——各IMF能量-時(shí)間分布的不確定性[9]。

3 自動(dòng)機(jī)故障診斷分析

3.1 自動(dòng)機(jī)故障實(shí)驗(yàn)

自動(dòng)機(jī)射擊動(dòng)作時(shí)由于火藥氣體燃燒，在激振力的作用下會(huì)產(chǎn)生一定方向和頻率的沖擊振動(dòng)，構(gòu)件的裂紋或松動(dòng)等故障會(huì)影響到其響應(yīng)成分的頻率能量特性。本文結(jié)合自動(dòng)機(jī)本身的運(yùn)動(dòng)特性，針對短時(shí)沖擊信號特點(diǎn)，從信息的定量描述角度提取故障特征進(jìn)行故障診斷。

圖2 實(shí)驗(yàn)臺(tái)架及測試系統(tǒng)結(jié)構(gòu)圖

故障實(shí)驗(yàn)以W85自動(dòng)機(jī)作為實(shí)驗(yàn)對象，在靶場射擊實(shí)驗(yàn)臺(tái)上進(jìn)行射擊測試，實(shí)驗(yàn)臺(tái)架及測試系統(tǒng)整體結(jié)構(gòu)如圖2所示。采用電火花線切割的方法在自動(dòng)機(jī)備件上預(yù)制裂紋槽，使裂紋在射擊過程中自動(dòng)地產(chǎn)生和擴(kuò)展。實(shí)驗(yàn)時(shí)在閉鎖片上分別對稱設(shè)置兩種不同的故障：故障1在閉鎖片閉鎖斜面的圓角處、沿其半徑方向設(shè)置0.5mm深的裂紋槽；故障2沿經(jīng)過閉鎖片回轉(zhuǎn)圓心且垂直于閉鎖片內(nèi)平面的方向設(shè)置0.5mm深的裂紋槽。閉鎖片裂紋位置及局部放大圖如圖3所示。在槍尾上方和機(jī)箱左側(cè)分別布置三向壓電式加速度傳感器，對小口徑火炮自動(dòng)機(jī)高速動(dòng)作和撞擊過程產(chǎn)生的沖擊振動(dòng)進(jìn)行測試。運(yùn)用計(jì)算機(jī)便攜式DASP系統(tǒng)采集記錄兩個(gè)測點(diǎn)位置的3組沖擊加速度響應(yīng)信號，形成三向6路數(shù)據(jù)采集系統(tǒng)。分別對故障1、故障2、正常3種工況下的多次單發(fā)與三連發(fā)射擊進(jìn)行信號采集。3種工況下三連發(fā)射擊時(shí)槍尾上方傳感器的振動(dòng)信號時(shí)域波形如圖4所示。

圖3 閉鎖片上裂紋故障及局部放大圖

圖4 各工況下自動(dòng)機(jī)振動(dòng)信號時(shí)域圖

3.2 故障診斷與結(jié)果分析

對所采集記錄的沖擊響應(yīng)信號做零均值化、濾波、重采樣、野點(diǎn)剔除等預(yù)處理之后，將自動(dòng)機(jī)3種工況的振動(dòng)信號分別進(jìn)行局域波分解，提取各個(gè)狀態(tài)信號的IMF分量。經(jīng)過分析，提取各個(gè)狀態(tài)信號的前10個(gè)IMF分量就已經(jīng)涵蓋了自動(dòng)機(jī)振動(dòng)信號最顯著、最重要的故障特征。槍尾上方X向加速度振動(dòng)信號

EMD分解結(jié)果如圖5所示。運(yùn)用信息熵理論對各個(gè)IMF分量進(jìn)行處理并提取IMF信息熵、域波能譜熵與局域波能矩譜熵作為故障診斷的特征向量，然后將特征向量輸入Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別。自動(dòng)機(jī)故障診斷整體思路流程如圖6所示。

圖5 自動(dòng)機(jī)故障1振動(dòng)信號EMD分解結(jié)果

建立Elman神經(jīng)網(wǎng)絡(luò)，由于在提取IMF信息熵時(shí)所分區(qū)間個(gè)數(shù)為10，因而IMF信息熵特征量為10。此外還有局域波能譜熵與局域波能矩譜熵兩特征量，總的故障特征量為12，所以神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元為12。3種故障狀況，所以神經(jīng)網(wǎng)絡(luò)的輸出神經(jīng)元個(gè)數(shù)為3，分別為（1，0，0）對應(yīng)故障1；（0，1，0）對應(yīng)故障2；（0，0，1）對應(yīng)正常。理論上Elman網(wǎng)絡(luò)中間層的神經(jīng)元數(shù)目是任意選定的，但是隨著問題復(fù)雜性的不斷提高，需要在中間層增加更多的神經(jīng)元以使網(wǎng)絡(luò)精度更高，速度更快。經(jīng)反復(fù)試驗(yàn),選定中間層神經(jīng)元個(gè)數(shù)為28時(shí)，網(wǎng)絡(luò)精度高，速度快。隱含層神經(jīng)網(wǎng)元的傳遞函數(shù)采用S型正切函數(shù)tansig（），輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig（），訓(xùn)練次數(shù)為500，訓(xùn)練目標(biāo)為0.0001。提取3種工況三連發(fā)射擊時(shí)的15組特征量作為訓(xùn)練樣本，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以3種故障狀況下機(jī)箱左側(cè)面X向（身管軸線方向）振動(dòng)信號提取的特征量為例，歸一化后如表1所示。同樣提取3種工況三連發(fā)射擊時(shí)的15組特征量作為測試樣本，輸入訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行故障識(shí)別。如果認(rèn)為0.9以上為故障，根據(jù)統(tǒng)計(jì)該網(wǎng)絡(luò)診斷準(zhǔn)確率在95%以上。表2為以3種故障狀況下槍尾

表1 歸一化后作為訓(xùn)練樣本的部分特征向量

表2 神經(jīng)網(wǎng)絡(luò)診斷的部分結(jié)果

圖6 小口徑火炮自動(dòng)機(jī)故障診斷整體思路流程圖

上方X向（身管軸線方向）振動(dòng)信號為例的故障識(shí)別結(jié)果。

4 結(jié)束語

本文針對高速自動(dòng)機(jī)工作時(shí)的沖擊響應(yīng)信號，提出將局域波分解與信息熵有效結(jié)合，運(yùn)用信息技術(shù)和現(xiàn)代信號分析方法構(gòu)建一種能夠精確表征信號特征的信息熵提取模型。針對自動(dòng)機(jī)故障診斷的特點(diǎn)，建立了不同空間信息熵特征提取模型，提取IMF信息熵、局域波能譜熵和能矩譜熵作為特征量，最后將所提取的特征量輸入Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。結(jié)果證明所建立故障診斷模型故障識(shí)別率高達(dá)95%，能有效識(shí)別故障，從而為自動(dòng)機(jī)沖擊振動(dòng)信號特征提取和系統(tǒng)故障診斷提供了一種方法。

[1]林淵.武器自動(dòng)機(jī)運(yùn)動(dòng)規(guī)律信號降噪方法的研究[D].太原：中北大學(xué)，2009.

[2]潘銘志，潘宏俠，趙潤鵬，等.自動(dòng)機(jī)機(jī)箱振動(dòng)分析與診斷研究[J].火炮發(fā)射與控制學(xué)報(bào)，2012（2）：67-70.

[3]別鋒鋒.基于局域波時(shí)頻譜的往復(fù)機(jī)故障智能診斷方法研究[D].大連：大連理工大學(xué)，2006.

[4]于德介，程軍圣，楊宇.Hilbert-Huang變換在齒輪故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào)，2005，41（6）：102-107.

[5]謝平.故障診斷中信息熵特征提取及融合方法研究[D].秦皇島：燕山大學(xué)，2006.

[6]韓中合，韓悅，朱霄珣.基于IMF信息熵與SVM的轉(zhuǎn)子振動(dòng)故障智能診斷方法[J].華北電力大學(xué)學(xué)報(bào)，2012，39（4）：81-85.

[7]Yang Y，Yu D J，Cheng J S.A roller bearing fault diagnosis method based on EMD energy entropy and ANN[J].Journal of Sound and Vibration，2006（294）：269-277.

[8]秦太龍，楊勇，程珩，等.基于IMF能量矩和神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J].振動(dòng)、測試與診斷，2008，28（3）：229-232.

[9]楊先勇.基于信號局部特征提取的機(jī)械故障診斷方法研究[D].杭州：浙江大學(xué)，2009.

High-speed automaton fault diagnosis based on local wave information entropy

DU Heng，PAN Hong-xia
（Mechanical Engineering and Automation College，North University of China，Taiyuan 030051，China）

As short-term impact signal will produce when small caliber gun’s automaton works，a diagnostic method forthiscase hasbeen proposed with the localwave decomposition and information entropy combined extract feature vectors and using Elman neural network recognition fault.Firstly，the local wave with self adaptive feature is used to break down the vibration signal into a series of IMF components.Then it takes advantage of the information entropy theory to extract the IMF information entropy，local wave energy spectrum entropy and energy moment spectrum entropy as the fault feature.Finally，the feature vector is input to the Elman neural network for fault classification and recognition.The experimental results show that the method can identify the fault accurately and effectively.

artificial intelligence；high-speed automaton；fault diagnosis；information entropy；local wave

TH117；TP206+.3；TP183；TN911.7

：A

：1674-5124（2014）01-0115-04

10.11857/j.issn.1674-5124.2014.01.029

2013-06-25；

：2013-08-02

國家自然科學(xué)基金項(xiàng)目（51175480）

都 衡（1987-），男，山西臨汾市人，碩士研究生，專業(yè)方向?yàn)闄C(jī)電系統(tǒng)故障診斷。