基于Pajek的瀝青攤鋪機故障網(wǎng)絡分析與診斷

唐紅雨， 田 磐， 王志英

(1．鎮(zhèn)江高等?？茖W校 電子與信息工程系， 江蘇 鎮(zhèn)江 212003；2.江蘇科技大學 經(jīng)濟管理學院， 江蘇 鎮(zhèn)江 212003)

0 引 言

近年來，隨著我國交通基礎設施投資規(guī)模加大，高等級公路的規(guī)?？焖傧蚯巴七M?？萍嫉陌l(fā)展和施工周期的因素促進公路施工機械技術水平飛速發(fā)展，而施工機械技術水平對公路建設有著重要的影響。瀝青攤鋪機是用來將攪拌和好的瀝青骨料混合物均勻地攤鋪在路基或基層上的專用設備，也是主要的路面施工機械，是一個復雜的機電液設備。在施工過程中，受到各種因素的影響，容易出現(xiàn)故障，若不能及時排除，將造成損失。因而建立故障預警機制，對瀝青攤鋪機的故障網(wǎng)絡進行分析和診斷，有著重要的實際意義。

攤鋪機的故障診斷技術已經(jīng)有了一定研究，但方法有所差異[1]，其中有基于模糊神經(jīng)網(wǎng)絡的攤鋪機智能故障診斷系統(tǒng)[2]，基于BP神經(jīng)網(wǎng)絡的攤鋪機故障診斷[3]，文獻[4]以瀝青混合料攤鋪機自動調(diào)平系統(tǒng)為例，設計了系統(tǒng)狀態(tài)監(jiān)測與故障自診斷功能。文獻[5]對施工中出現(xiàn)的自動調(diào)平系統(tǒng)故障進行了診斷與排除。這些方法只對攤鋪機的部分環(huán)節(jié)進行診斷，沒有對整個系統(tǒng)進行全面故障診斷，對信號特征提取和故障網(wǎng)絡沒有深入的分析，況且狀態(tài)量多，算法計算量大。

本文結合江蘇華通公司的2LTLZ45型瀝青攤鋪機設計為例，對這些系列問題進行全面綜合性深入分析。

1 故障診斷原理

瀝青攤鋪機整機系統(tǒng)包括動力系統(tǒng)、傳動系統(tǒng)、行走系統(tǒng)、液壓系統(tǒng)、電氣系統(tǒng)、輸分料系統(tǒng)、振實系統(tǒng)、找平系統(tǒng)、潤滑系統(tǒng)等。在施工過程中，由于環(huán)境差異，容易出現(xiàn)故障，為了能及時了解攤鋪機的工作技術狀況和狀態(tài)參數(shù)，必須建立攤鋪機故障診斷系統(tǒng)，依靠先進的傳感器，檢測部件的狀態(tài)信息，并對這些信息用智能算法進行各種分析和處理，及時排除異常狀態(tài)。

本方案設計故障診斷系統(tǒng)基本環(huán)節(jié)包括：信號的采集、小波包檢測信號、特征信號參數(shù)的提取、Pajek故障網(wǎng)絡分析、神經(jīng)網(wǎng)絡學習、智能診斷并給出故障原因和部件，如圖1所示。其中攤鋪機各部件狀態(tài)數(shù)據(jù)的采集需要通過各種傳感器實時動態(tài)檢測運行過程中的狀態(tài)信息；小波包檢測信號和特征信號提取是用小波包分解降噪原理，提取信號序列中的部件狀態(tài)特征量，找到部件狀態(tài)和特征量的映射關系，分離出故障的特征信息；Pajek故障網(wǎng)絡分析是通過網(wǎng)絡分析軟件Pajek對故障網(wǎng)絡進行分析，分清主次，達到降維的目的，為智能診斷算法降低運算量；智能神經(jīng)網(wǎng)絡學習是利用神經(jīng)網(wǎng)絡的學習功能對表征故障的特征量進行訓練，對當前工作狀態(tài)及其變化趨勢做出準確的判斷和預測，以達到快速定位故障信息，最后給出故障原因和部件。

圖1 故障診斷原理圖

2 小波包提取信號特征

瀝青攤鋪機狀態(tài)特征量較多，且含有干擾信號造成其運行狀態(tài)波動，需要采用智能方法準確地識辨信號，有效地實現(xiàn)信號和噪聲的分離。在本設計方案中，采用小波包檢測算法[6]，能夠有效識辨突變和高頻噪聲信號，把淹沒在干擾信號中的有用信號檢測出來，提出信號特征。圖2為3層小波包分解示意圖，圖3為小波包節(jié)點(2,3)的系數(shù)序列。

圖2 3層小波分解圖 圖3 小波包(2,3)系數(shù)

通過兩組濾波器將信號分解成低頻和高頻段，然后再分別對各頻段進行細分，并對各層系數(shù)進行閾值處理，最后得到降噪以后的各細節(jié)信號和逼近信號[7]。正常情況下小波系數(shù)的模不會產(chǎn)生大波動，當待檢測信號有突變時，小波變換的系數(shù)具有模極大值，利用這個特點，就可以檢測待檢信號的奇異點，從而檢測出故障信號。

3 故障的網(wǎng)絡分析

3.1 Pajek軟件概述及應用

Pajek是大型復雜網(wǎng)絡分析工具，是用于研究各種復雜非線性網(wǎng)絡的有力工具。Pajek自身擁有一整套高效的算法，可對大型網(wǎng)絡進行分析，具有較快的計算速度[8]。瀝青攤鋪機的故障原因雜而多，機電液本身的缺陷、操作人員的誤操作等都有可能造成。對于這樣多的引起故障原因，在進行故障診斷時，就需要建立一個復雜網(wǎng)絡的拓撲結構，若復雜網(wǎng)絡的節(jié)點眾多，則會造成計算量大，使系統(tǒng)控制的實時性降低。而Pajek就可以有效克服這樣的缺陷，在應用網(wǎng)絡分析中發(fā)揮其優(yōu)勢，使問題解決簡單化。

利用Pajek軟件對故障網(wǎng)絡參數(shù)的相互關系進行分析，提取出關鍵參數(shù)，將故障監(jiān)測點作為節(jié)點，故障點間的影響關系作為有向邊，故障點影響關系量化為邊的權值，這樣就構成了一個加權有向網(wǎng)絡。這里用Gx表示某一故障。圖4給出了攤鋪機故障的關系。通過各個故障的連接情況，可以直觀地看到故障之間的關系。在發(fā)生了多次故障的情況下，通過入度方向進行排查，很容易找出根源節(jié)點，即故障源。

圖4 攤鋪機故障網(wǎng)絡圖

3.2 節(jié)點的度

節(jié)點i的度ki表明了節(jié)點的關鍵程度[9]，定義為與該節(jié)點i連接的其它節(jié)點的數(shù)目。在攤鋪機系統(tǒng)中，節(jié)點i的度表示某個部件故障與各個故障原因關聯(lián)的情況，i的值越大，說明該部件在攤鋪機體系中的作用和影響力越大，權重越大，節(jié)點度的分析見表1。對于有向圖，一個節(jié)點的度可分為入度和出度兩類。節(jié)點i的入度定義為指向節(jié)點i的節(jié)點的數(shù)目，出度為被節(jié)點i指向的節(jié)點的數(shù)目。出度和入度之和即為該節(jié)點的總的度。

3.3 節(jié)點的聚類系數(shù)

聚類系數(shù)是衡量與其相鄰節(jié)點間內(nèi)部聯(lián)系緊密程度的一個物理量，在攤鋪機體系中，節(jié)點i的聚類系數(shù)越大，說明該故障部件和其他引起故障原因之間越緊密，地位越重要。假設節(jié)點i有l(wèi)條邊與其他節(jié)點相連，l稱為i的鄰居，E1(i)為i節(jié)點之間實際存在的邊數(shù)，則聚類系數(shù)為

,

(1)

整個復雜網(wǎng)絡的聚類系數(shù)定義CC1就是所有節(jié)點聚類系數(shù)的平均值。如果節(jié)點i通過l條邊與節(jié)點i相連，那么這兩個節(jié)點就互為l近鄰。針對攤鋪機故障系統(tǒng)的分類，運用Pajek軟件進行，該網(wǎng)絡的聚類系數(shù)CC1和2近鄰聚類系數(shù)CC2見表1。

表1 攤鋪機故障網(wǎng)絡Pajek仿真結果

從表1數(shù)據(jù)可以看出動力系統(tǒng)的聚類系數(shù)和近鄰聚類系數(shù)最大，因此動力系統(tǒng)是整個攤鋪機系統(tǒng)的核心，最容易受干擾，故障率最高，對其他系統(tǒng)影響大。

4 神經(jīng)網(wǎng)絡診斷

由于瀝青攤鋪機的結構，直接對整機進行故障診斷難度較大，需首先由網(wǎng)絡軟件分析特征信號狀態(tài)，初步判斷故障可能處在的位置，然后用智能神經(jīng)網(wǎng)絡算法進行故障的準確判斷。神經(jīng)網(wǎng)絡通過自身的學習機制，自動形成所要求的決策區(qū)域，圖5為神經(jīng)網(wǎng)絡診斷系統(tǒng)。本文利用改進PSO算法對訓練樣本進行優(yōu)化，搜索隱含層各節(jié)點的中心值Cj和基寬向量bj以及輸出層與隱含層之間的連接權重Wij的最優(yōu)值，從而實現(xiàn)基于PSO算法優(yōu)化的神經(jīng)網(wǎng)絡[10]。神經(jīng)網(wǎng)絡控制器NC將接受小腦模型關聯(lián)控制器的訓練，每當運行條件變換式神經(jīng)網(wǎng)絡控制器的性能下降到某一限度時，運行監(jiān)控器EM將調(diào)整系統(tǒng)的工作狀態(tài)，使神經(jīng)網(wǎng)絡處于學習狀態(tài)，將保證系統(tǒng)的正確輸出。

圖5 神經(jīng)網(wǎng)絡診斷系統(tǒng)

假設一個含奇異點的采樣信號可以表示為：

x(t)=f(t)+αφ(t)，

其中t為采樣間隔，x(t)為特征信號，φ(t)為噪聲信號，α為干擾系數(shù)。

特征信號提取后，首先用歸一化方法進行處理，公式如:

(2)

把瀝青攤鋪機的特征信號歸一化處理后，使采樣信號位于[0,1]區(qū)間內(nèi)，經(jīng)過Pajek網(wǎng)絡分析，我們設定的故障特征向量為9×9的矩陣X，目標向量為一維數(shù)組Y,YT=(y1,y2,…,y9)。

假設神經(jīng)網(wǎng)絡學習函數(shù)為:

(3)

訓練過程中，權值的調(diào)整計算公式為：

Wij(k+1)=Wij(k)+△Wij(k),

(4)

×b1i,

(5)

輸出為：

×b1i)2),

(6)

徑向基函數(shù)的閾值b1可以調(diào)節(jié)函數(shù)的靈敏度。實際工程中一般采用擴展系數(shù)C，b1和C滿足關系b1=0.823 6/C。x經(jīng)過歸一化處理后得到對應y，且都在區(qū)間[0,1]上。 假設經(jīng)過Pajek軟件分析以后得到行走系統(tǒng)存在故障，然后用PSO優(yōu)化神經(jīng)網(wǎng)絡對其進行學習訓練，行走系統(tǒng)主要包括左右行走馬達和履帶，常見故障有轉向不靈、行走跑偏、不行走或者行駛無力、后退單向無力、行車制動失靈、行走速度異常、液壓張緊裝置無壓力、左右驅動馬達電流不穩(wěn)定、橫波調(diào)節(jié)緩慢,分別對應網(wǎng)絡圖中的代碼G12、G13、G14、G15、G16、G17、G18、G19、G20等。這里取壓力、速度、油壓、電流、角度作為檢測信號，把特征信號歸一化處理后的特征樣本數(shù)據(jù)先進行訓練得到網(wǎng)絡的結構，為了證明本文方法的有效性，將特征向量輸入PSO優(yōu)化神經(jīng)網(wǎng)絡和Pajek軟件分析以后的網(wǎng)絡中進行網(wǎng)絡結構訓練，并進行迭代的比較，未用Pajek軟件分析，神經(jīng)網(wǎng)絡迭代次數(shù)為68，用Pajek軟件分析后，PSO優(yōu)化神經(jīng)網(wǎng)絡迭代次數(shù)為20，如圖6、7所示，用Pajek軟件分析過的網(wǎng)絡可以大大減少訓練的迭代次數(shù)，提高速度。然后運用PSO優(yōu)化后的神經(jīng)網(wǎng)絡進行數(shù)據(jù)測試，這里針對行走系統(tǒng)設計9組數(shù)據(jù)，測試結果如表2所示。

圖6 未用Pajek分析神經(jīng)網(wǎng)絡訓練結果圖 圖7 使用Pajek分析神經(jīng)網(wǎng)絡訓練結果圖

故障類型序號樣本測試輸入壓力速度油壓電流角度期望輸出區(qū)間實際輸出結果診斷結果G1210.109 10.221 10.131 40.302 10.108 9[0.0,0.1]0.091 2G12G1320.259 30.203 00.059 10.243 10.207 5[0.1,0.2]0.182 5G13G1430.389 90.191 80.200 10.082 90.302 1[0.2,0.3]0.223 5G14G1540.420 10.195 00.031 90.260 10.170 1[0.3,0.4]0.381 0G15G1650.515 30.089 00.038 90.923 40.451 2[0.4,0.5]0.436 7G16G1760.660 20.186 70.110 80.110 20.556 7[0.5,0.6]0.589 2G17G1870.701 90.120 20.078 30.090 10.459 7[0.6,0.7]0.630 8G18G1980.756 90.191 10.100 20.083 20.334 5[0.7,0.8]0.712 7G19G2090.856 90.302 10.520 20.120 50.008 9[0.8,1.0]0.907 8G20

從測試結果分析，用Pajek軟件分析后，再進行PSO優(yōu)化神經(jīng)網(wǎng)絡算法，能夠快速診斷出行走系統(tǒng)故障類別，減少訓練步數(shù)，實現(xiàn)攤鋪機故障診斷，從而提高故障診斷的效率。

5 結 語

對攤鋪機作業(yè)時各種故障進行了分析診斷，利用小波變換，信號突變產(chǎn)生極大值的特點提取故障的特征狀態(tài)信息，建立了故障征兆網(wǎng)絡。在Pajek軟件的強有力分析下，用PSO優(yōu)化神經(jīng)網(wǎng)絡算法進行狀態(tài)樣本數(shù)據(jù)的學習，確定出了故障信息。使系統(tǒng)降維，減少了計算量。測試結果表明，實際輸出符合期望輸出，達到預想目標。使故障排除，減少了損失，提高了施工質(zhì)量。瀝青攤鋪機故障分析與診斷處理具有很好的實用意義。

[參考文獻]

[1] 李璽.基于模糊神經(jīng)網(wǎng)絡的路面施工機械故障診斷專家系統(tǒng)[D].長沙：中南大學,2005.

[2] 司癸卯,王安麟，査志峰，等.基于模糊神經(jīng)網(wǎng)絡的攤鋪機智能故障診斷系統(tǒng)[J].長安大學學報:自然科學版,2007,27(3):98-102.

[3] 王政，吳運新，黃神富.基于BP神經(jīng)網(wǎng)絡的攤鋪機智能故障診斷[J].機械工程與自動化, 2004(6):12-15.

[4] 梁杰,單紹福.瀝青混合料攤鋪機的狀態(tài)監(jiān)測與故障自診斷[J].筑路機械與施工自動化,2004(2):20-22.

[5] 任鐵光.瀝青攤鋪機自動調(diào)平系統(tǒng)故障診斷與排除[J].公路與汽運,2008，3(2):166-167.

[6] 何怡剛,祝文姬，周炎濤，等.基于粒子群算法的模擬電路故障診斷方法[J].電工技術學報,2010,25(6)：163-171.

[7] 李勝,張培林，吳定海，等.基于漸近式權值小波降噪和Adaboost算法的液壓泵故障診斷[J].中國機械工程,2011,22(9):1067-1070.

[8] 張愛萍.復雜網(wǎng)絡的仿真研究及在輪機系統(tǒng)中的應用[D].大連：大連海事大學,2010.

[9] 阮樹朋,趙文杰，雷盼飛，等.基于復雜網(wǎng)絡的防空武器系統(tǒng)目標選擇研究[J]. 指揮控制與仿真,2012,34(1)：23-28.

[10] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB7實現(xiàn)[M].北京:電子工業(yè)出版社,2005.