非平穩(wěn)特征提取方法與智能診斷技術(shù)在自動(dòng)機(jī)故障診斷中的應(yīng)用

賈蘭俊，田福慶，羅 榮

(1. 中國船舶重工集團(tuán)公司 第七一三研究所，河南 鄭州 450015；2. 海軍工程大學(xué) 兵器工程系，湖北 武漢 430033；3. 海軍裝備研究院，北京 100161)

非平穩(wěn)特征提取方法與智能診斷技術(shù)在自動(dòng)機(jī)故障診斷中的應(yīng)用

賈蘭俊1，田福慶2，羅 榮3

(1. 中國船舶重工集團(tuán)公司 第七一三研究所，河南 鄭州 450015；2. 海軍工程大學(xué) 兵器工程系，湖北 武漢 430033；3. 海軍裝備研究院，北京 100161)

回顧對(duì)目前常用的非平穩(wěn)特征提取方法與智能診斷技術(shù)，并總結(jié)艦炮自動(dòng)機(jī)故障診斷需解決的難題，介紹非平穩(wěn)特征提取方法與智能診斷技術(shù)在艦炮自動(dòng)機(jī)故障診斷中的應(yīng)用現(xiàn)狀，詳細(xì)闡述艦炮自動(dòng)機(jī)故障診斷研究中存在的問題及對(duì)發(fā)展趨勢(shì)的展望。

特征提?。还收显\斷；艦炮；自動(dòng)機(jī)

0 引 言

隨著飛機(jī)和導(dǎo)彈航速的大幅度提高，作為艦艇近程防空主要裝備的小口徑艦炮射速近十幾年有了數(shù)倍的提高。高射速自動(dòng)機(jī)是小口徑艦炮的核心部件，日益朝著高度自動(dòng)化、復(fù)雜化方向發(fā)展，結(jié)構(gòu)日趨精細(xì)復(fù)雜，其產(chǎn)生故障或失效的潛在可能性也越來越大，其運(yùn)行安全性、可靠性問題也就越來越突出。一旦自動(dòng)機(jī)發(fā)生故障，將直接影響艦炮武器裝備性能的發(fā)揮，制約戰(zhàn)斗力的生成，甚至造成災(zāi)難性的事故，故研究艦炮自動(dòng)機(jī)故障診斷技術(shù)對(duì)始終保持艦炮武器裝備戰(zhàn)備完好性，提高艦炮武器裝備保障效率和綜合保障能力等均有著重要的意義[1]。

因艦炮自動(dòng)機(jī)長期工作在高載荷、高溫、高壓、高沖擊以及變工況下，其各構(gòu)件非常容易出現(xiàn)裂紋及磨損故障。事實(shí)上，裂紋及磨損故障逐漸成為艦炮狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域持續(xù)關(guān)注的焦點(diǎn)。在自動(dòng)機(jī)實(shí)射動(dòng)作中采用現(xiàn)代的測(cè)試與分析手段，從而監(jiān)測(cè)自動(dòng)機(jī)的運(yùn)動(dòng)形態(tài)，分析故障產(chǎn)生的原因與機(jī)理，通過信號(hào)分析與處理識(shí)別故障的部位與程度，提出一種能在多干擾、低信噪比的復(fù)雜振動(dòng)信號(hào)中，快速、準(zhǔn)確提取故障特征并識(shí)別故障的方法，是艦炮狀態(tài)監(jiān)測(cè)與診斷領(lǐng)域亟待解決的問題。

由于對(duì)高射速艦炮自動(dòng)機(jī)射擊時(shí)沖擊響應(yīng)現(xiàn)場(chǎng)測(cè)試的困難和數(shù)據(jù)處理技術(shù)有效性的限制，至今沒有開展利用試驗(yàn)測(cè)試手段實(shí)施自動(dòng)機(jī)的故障診斷和機(jī)構(gòu)動(dòng)作可靠性研究工作。所能夠采用的主要是基于故障樹分析的仿真計(jì)算和可靠性理論研究。當(dāng)前軍事裝備的科技含量越來越高，相應(yīng)的維修保障手段也有了很大的進(jìn)步，特別是在交通電力、航空航天等領(lǐng)域已經(jīng)形成了一批融合非平穩(wěn)特征提取與智能診斷方法的實(shí)用的故障診斷技術(shù)。而在兵器等領(lǐng)域仍主要使用傳統(tǒng)的方法，采用故障事后開箱解體方式檢測(cè)診斷，不但檢測(cè)與維修成本高、周期比較長，而且容易受到不確定性因素的影響。有必要發(fā)展一種快速、高效的高速自動(dòng)機(jī)故障診斷方法，實(shí)現(xiàn)由事后維修、定期檢修到在線健康狀態(tài)預(yù)測(cè)和視情維修，逐步向智能診斷發(fā)展，提高軍事裝備的使用和維修效率。

本文對(duì)目前常用的非平穩(wěn)特征提取方法與智能診斷技術(shù)進(jìn)行全面的回顧與總結(jié)，并闡述非平穩(wěn)特征提取方法與智能診斷技術(shù)在艦炮自動(dòng)機(jī)故障診斷中的應(yīng)用現(xiàn)狀。

1 非平穩(wěn)特征提取方法研究現(xiàn)狀

機(jī)械設(shè)備在出現(xiàn)故障（如裂紋、斷裂、剝落等）時(shí)，即可視為復(fù)雜的非線性系統(tǒng)，其動(dòng)態(tài)響應(yīng)行為既復(fù)雜且多變，從而造成故障響應(yīng)信號(hào)頻率、統(tǒng)計(jì)特性（包括時(shí)域統(tǒng)計(jì)特性和頻域統(tǒng)計(jì)特性）隨時(shí)間不斷變化，即故障響應(yīng)信號(hào)呈現(xiàn)有明顯的非平穩(wěn)特征。另外，故障信號(hào)往往被強(qiáng)噪聲以及其他強(qiáng)干擾信號(hào)（比如鄰近部件正常振動(dòng)信號(hào)以及傳遞環(huán)節(jié)的干擾信號(hào)）所淹沒，信噪比低，呈現(xiàn)顯著的微弱性。這些均給正確提取其故障特征、準(zhǔn)確識(shí)別其當(dāng)前運(yùn)行狀態(tài)帶來很大的困難?；谄椒€(wěn)性假設(shè)的經(jīng)典信號(hào)處理方法，無法同時(shí)兼顧信號(hào)在時(shí)域和頻域中的全貌和局部化特征，在工程應(yīng)用中則表現(xiàn)出非平穩(wěn)特征提取困難等局限性，不再適用，取而代之的是非平穩(wěn)信號(hào)處理方法。迄今，國內(nèi)外學(xué)者在非平穩(wěn)信號(hào)處理方面所做的研究工作有很多，多種非平穩(wěn)信號(hào)處理方法得到應(yīng)用。

對(duì)于非平穩(wěn)故障特征提取，通常首先利用非平穩(wěn)信號(hào)處理方法對(duì)故障信號(hào)進(jìn)行時(shí)間-尺度（或頻率）分解，然后采用經(jīng)典信號(hào)處理方法對(duì)分解結(jié)果作進(jìn)一步分析。通過將非平穩(wěn)信號(hào)處理方法與平穩(wěn)信號(hào)處理方法的有機(jī)結(jié)合，可以充分發(fā)揮這兩類方法的優(yōu)點(diǎn)，提取出對(duì)不同故障非常敏感的特征信息，從而提高故障診斷的成功率與準(zhǔn)確性。至今為止，人們已經(jīng)提出了多種應(yīng)用于非平穩(wěn)故障特征提取的非平穩(wěn)信號(hào)處理方法，其中最具代表性的有短時(shí)傅利葉變換、二次型時(shí)頻分布、循環(huán)平穩(wěn)信號(hào)分析、經(jīng)驗(yàn)?zāi)Ｊ椒纸饧靶〔ㄗ儞Q等。

1.1 基于短時(shí)傅里葉變換的非平穩(wěn)特征提取的研究現(xiàn)狀

短時(shí)傅里葉變換（Short Time Fourier Transform, STFT）的基本過程包括以下 2 步：

1）首先用一固定長 度的窗函數(shù)沿時(shí)間軸逐步滑動(dòng)來將非平穩(wěn)信號(hào)截取為 若干信號(hào)片段（這些信號(hào)片段可視為平穩(wěn)的，并且前 后信號(hào)片段之間允許部分重疊）；

2）再計(jì)算每一信號(hào) 片段的傅利葉變換（Fourier Transform, FT），即可得 到任意時(shí)刻的頻譜，將每個(gè)時(shí)刻的頻譜按時(shí)間順序排 列在一起即是非平穩(wěn)信號(hào)基于 STFT 的時(shí)頻分布圖。 STFT 因能表征非平穩(wěn)信號(hào)時(shí)域或頻域的局部特征，故 而在特征提取與故障診斷方面得到了一定的應(yīng)用，例如 W.J.Wang 利用 STFT 分析齒輪故障信號(hào)，取得了 較好診斷效果[2]；Yang-Hann Kim 利用 STFT 較為準(zhǔn)確 地計(jì)算了旋轉(zhuǎn)機(jī)械瞬時(shí)轉(zhuǎn)速[3]。

STFT 的結(jié)果可以粗略地反映信號(hào)中的頻率成分如何隨時(shí)間而變。窗函數(shù)的長短決定了時(shí)間精度。但在STFT 過程中，一旦窗函數(shù)類型和長度選定就不再變化，因此其時(shí)間分辨率與頻率分辨率在時(shí)頻面內(nèi)所有局部區(qū)域均是相同的，這就是 STFT 的固定時(shí)頻分辨率局限性。另外，STFT 的實(shí)際應(yīng)用中存在最佳窗長選擇的難點(diǎn)。窗長決定了時(shí)間分辨率，窗長越短，時(shí)間分辨率越高，而頻率分辨率越低；窗長越長，頻率分辨率越高，但時(shí)間分辨率越低。以上兩點(diǎn)限制了 STFT在工程上的應(yīng)用。

1.2 基于二次型時(shí)頻分布的非平穩(wěn)特征提取的研究現(xiàn)狀

二次型時(shí)頻分布由 Wigner 于 1932 年在量子力學(xué)中首先提出，而后由 Ville 于 1948 年將其引入到信號(hào)處理領(lǐng)域，故后人又稱二次型時(shí)頻分布為 Wigner-Ville時(shí)頻分布。隨后，學(xué)者們根據(jù)不同的應(yīng)用需要，針對(duì)原始 Wigner-ville 時(shí)頻分布的不足，提出了各種改進(jìn)形式的 Wigner-Ville 時(shí)頻分布。1966 年，Cohen 通過研究發(fā)現(xiàn)各種改進(jìn)形式的 Wigner-Ville 時(shí)頻分布完全可以用一個(gè)統(tǒng)一的形式表示，即可以通過對(duì)經(jīng)典 Wigner-Ville時(shí)頻分布施加不同的核函數(shù)來構(gòu)造出各種的改進(jìn)的Wigner-Ville 時(shí)頻分布。這種統(tǒng)一表示的 Wigner-Ville時(shí)頻分布通常被人們稱為 Cohen 類時(shí)頻分布。Cohen類時(shí)頻分布是 Wigner-Ville 時(shí)頻分布的推廣，其性能取決定于所選擇的核函數(shù)，因此如何設(shè)計(jì)性能優(yōu)良的核函數(shù)是二次型時(shí)頻分布理論的一個(gè)重要研究內(nèi)容。

Wigner-Ville 時(shí)頻分布盡管具有非常高的時(shí)頻分辯率，但由于其是雙線性變換，處理多分量信號(hào)時(shí)存在嚴(yán)重的交叉干擾項(xiàng)，模糊了原信號(hào)時(shí)頻特征。因此，如何避免交叉干擾項(xiàng)對(duì)分析結(jié)果的影響一直是時(shí)頻分析領(lǐng)域研究的經(jīng)典問題，眾多學(xué)者提出了諸多解決方法。Meng Q. F. 等先對(duì)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行帶通濾波以篩選出感興趣的單分量成分，然后再計(jì)算這些單分量的 Wigner-Ville 時(shí)頻分布，較好地避免了交叉干擾項(xiàng)的不利影響[4]，然而該方法對(duì)波動(dòng)劇烈且頻率成分異常復(fù)雜的故障信號(hào)難以取得滿意的效果；文獻(xiàn)[5–6]根據(jù)旋轉(zhuǎn)機(jī)械各零部件故障響應(yīng)信號(hào)的不同特性，設(shè)計(jì)了相應(yīng)的核函數(shù)，成功地抑制了交叉干擾項(xiàng)的出現(xiàn)，有效地提取了不同零部件的故障時(shí)頻特征。但是該函數(shù)對(duì)交叉干擾項(xiàng)的抑制是以犧牲時(shí)頻分辨率為代價(jià)的，當(dāng)待處理的故障信號(hào)頻率成分既復(fù)雜且相隔接近時(shí)，難以設(shè)計(jì)出一個(gè)既能抑制交叉干擾項(xiàng)又能保持所需要的時(shí)頻分辨率的核函數(shù)。盡管 Wigner-Ville 時(shí)頻分布在機(jī)械故障診斷領(lǐng)域取得了一定的應(yīng)用成果，但由于其處理多分量信號(hào)時(shí)存在嚴(yán)重的交叉干擾項(xiàng)，嚴(yán)重制約了其非平穩(wěn)故障特征提取能力，限制了其在故障診斷領(lǐng)域的深入應(yīng)用。近幾年，隨著其他各種非平穩(wěn)信號(hào)處理方法的出現(xiàn)與飛速發(fā)展，學(xué)者與工程師們對(duì)Wigner-Ville 時(shí)頻分布的研究熱情逐步讓位于這些后來興起的非平穩(wěn)信號(hào)處理方法。

1.3 基于循環(huán)平穩(wěn)信號(hào)分析的非平穩(wěn)特征提取的研究現(xiàn)狀

若信號(hào)的統(tǒng)計(jì)特征函數(shù)隨時(shí)間呈周期性的變化，則這類信號(hào)被稱為循環(huán)平穩(wěn)信號(hào)。

循環(huán)平穩(wěn)信號(hào)的信號(hào)特性表現(xiàn)為周期性平穩(wěn)，其實(shí)質(zhì)仍屬于非平穩(wěn)信號(hào)。循環(huán)平穩(wěn)信號(hào)在自然界中廣泛存在，例如滾動(dòng)軸承以及齒輪等旋轉(zhuǎn)部件的故障振動(dòng)信號(hào)即是循環(huán)平穩(wěn)信號(hào)，對(duì)這些故障信號(hào)進(jìn)行循環(huán)平穩(wěn)分析可以較好地抑制強(qiáng)噪聲干擾，有效地提取出淹沒在強(qiáng)噪聲中的周期性故障特征。因此，近十幾年來，學(xué)者與工程師們開始深入研究循環(huán)平穩(wěn)信號(hào)分析方法及其在機(jī)械故障診斷領(lǐng)域中的應(yīng)用。如文獻(xiàn)[7]中Boulnaut.L 等研究了基于二階循環(huán)平穩(wěn)信號(hào)分析的齒輪故障特征提取方法，實(shí)驗(yàn)結(jié)果表明該方法可以有效地提取出齒輪故障信號(hào)中隱藏的故障特征頻率信息；上海交通大學(xué)陳進(jìn)領(lǐng)銜的研究團(tuán)隊(duì)深入研究了基于循環(huán)平穩(wěn)信號(hào)分析方法的滾動(dòng)軸承及齒輪故障特征提取技術(shù)，取得諸多的研究成果，有力推動(dòng)了循環(huán)平穩(wěn)信號(hào)分析方法在旋轉(zhuǎn)機(jī)械故障診斷中的實(shí)用化進(jìn)程[8]。

盡管循環(huán)平穩(wěn)信號(hào)分析在機(jī)械故障診斷領(lǐng)域的應(yīng)用取得了一定成績，但是也還有較多關(guān)鍵問題未得到圓滿解決，束縛了其進(jìn)一步深入應(yīng)用，例如：如何減少計(jì)算量以及如何在非高斯、非平穩(wěn)噪聲環(huán)境中提高軸承、齒輪的循環(huán)平穩(wěn)解調(diào)分析方法的魯棒性等。

1.4 基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾姆瞧椒€(wěn)特征提取的研究現(xiàn)狀

經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition：EMD）方法是由美國宇航局 Norden E Huang 于 1998 年提出的，是信號(hào)處理發(fā)展史上對(duì)基于傅里葉變換的平穩(wěn)線性譜分析方法的一個(gè)重大突破。EMD 是一種自適應(yīng)非平穩(wěn)信號(hào)分解方法，其能夠以自適應(yīng)基的方式，將原信號(hào)中的低、高頻分量分別分解到不同且近乎平穩(wěn)的本征模態(tài)函數(shù)中。自從誕生之日起，EMD 就得到眾多不同領(lǐng)域?qū)W者的高度關(guān)注，其已廣泛用于地球物理學(xué)、圖像處理等諸多領(lǐng)域的研究。利用 EMD 進(jìn)行故障診斷是目前機(jī)械故障診斷領(lǐng)域一個(gè)比較熱門的課題。例如：湖南大學(xué)程軍圣教授[9]領(lǐng)銜的研究團(tuán)隊(duì)深入研究了 EMD 方法及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用，并用該方法有效地提取到齒輪、滾動(dòng)軸承等部件微弱故障特征信息；中 V. K. Rai 等[10]研究了將 EMD 與FT 結(jié)合的軸承故障特征提取方法，該方法先將軸承故障信號(hào)進(jìn)行 EMD 分解，而后計(jì)算分解得到的內(nèi)模函數(shù)或其組合的傅利葉變換來提取故障特征信息，取得了良好的效果。

由于 EMD 方法理論并不完備，缺少嚴(yán)密的數(shù)學(xué)基礎(chǔ)支撐，而且其應(yīng)用還存在一些重要問題需要解決或進(jìn)一步加以改進(jìn)，其中主要有收斂準(zhǔn)則問題、零均值問題、端點(diǎn)效應(yīng)問題、包絡(luò)線估計(jì)與擬合問題、模態(tài)混疊問題及內(nèi)模函數(shù)篩選標(biāo)準(zhǔn)問題等，這些問題是進(jìn)一步推廣 EMD 方法在實(shí)際中應(yīng)用的瓶頸所在。

1.5 基于小波變換的非平穩(wěn)特征提取的研究現(xiàn)狀

小波變換吸取了傅里葉變換中的三角基函數(shù)與短時(shí)傅里葉變換中的時(shí)移窗函數(shù)的特點(diǎn)，形成了不勝枚舉的振蕩而又衰減的基函數(shù)，其基本思想即是用一個(gè)基函數(shù)，通過伸縮和平移構(gòu)成的小波函數(shù)系去表示或逼近一信號(hào)或函數(shù)。小波變換通過變尺度滑動(dòng)窗沿時(shí)間軸對(duì)信號(hào)分段截?cái)嗪筮M(jìn)行處理，不僅可以實(shí)現(xiàn)不同時(shí)刻不同頻率信號(hào)的合理分離，在時(shí)域和頻域都具有較強(qiáng)的描述信號(hào)局部特征的能力，而且具有自適應(yīng)時(shí)頻特性，并且變換結(jié)果不存在交叉項(xiàng)，因此小波變換克服了短時(shí)傅里葉變換固定時(shí)頻分辨率的缺陷，避免了二次型時(shí)頻分布中交叉項(xiàng)對(duì)分解結(jié)果的影響，也不存在經(jīng)驗(yàn)?zāi)B(tài)分解理論基礎(chǔ)不完善以及模態(tài)混疊等問題，故小波變換在處理非平穩(wěn)信號(hào)時(shí)具有獨(dú)特優(yōu)勢(shì)，被廣泛地應(yīng)用于許多工程應(yīng)用領(lǐng)域，同時(shí)也是故障診斷領(lǐng)域內(nèi)持續(xù)的研究熱點(diǎn)，有著相當(dāng)廣闊的應(yīng)用前景。

Daubechies 與 Mallat 對(duì)小波分析的卓越貢獻(xiàn)，使其迅速在機(jī)械故障診斷領(lǐng)域中得以廣泛應(yīng)用，并在非平穩(wěn)微弱故障特征提取方面發(fā)揮了極大作用，成功解決大量經(jīng)典信號(hào)處理方法難以解決的工程實(shí)際診斷問題。就目前已發(fā)表的研究文獻(xiàn)或已公開的研究成果來看，小波分析在機(jī)械故障診斷中的應(yīng)用模式主要有以下 4 種：

① 將小波變換用于對(duì)故障信號(hào)的濾波，實(shí)現(xiàn)信噪分離，提取微弱故障特征

小波變換因具有多分辨率特性及自相似特性，可以有效消除故障信號(hào)中加性白噪聲，因此被認(rèn)為是實(shí)現(xiàn)故障信號(hào)消噪最好的方法，廣泛地應(yīng)用于故障信號(hào)的預(yù)處理。文獻(xiàn)[11]研究了基于小波（包）變換的線性濾波消噪方法，并用于對(duì)故障信號(hào)的預(yù)處理，有效地提高了信噪比。

② 將小波變換用于對(duì)故障信號(hào)的時(shí)頻分析

小波變換具有自適應(yīng)時(shí)頻特性，其在低頻段頻率分辨率較高，而在高頻段時(shí)間分辨率較高，因此非常適合于對(duì)故障信號(hào)進(jìn)行時(shí)頻分析。McFadden P D 在文獻(xiàn)[12]中用小波變換對(duì)齒輪箱故障振動(dòng)信號(hào)進(jìn)行了時(shí)頻分析，結(jié)果表明其可以很好地揭示故障信號(hào)中的時(shí)頻特征。

③ 信號(hào)突變點(diǎn)檢測(cè)

機(jī)械故障信號(hào)的奇異點(diǎn)，又叫突變點(diǎn)，其通常蘊(yùn)含了大量故障特征，比如故障誘發(fā)的轉(zhuǎn)速突變、摩擦、斷裂、變形、振動(dòng)以及沖擊等，因此突變點(diǎn)的檢測(cè)一直是故障診斷的核心內(nèi)容。小波變換能在時(shí)域、頻域同時(shí)局部化信號(hào)，而且能自動(dòng)變化窗長，因此在檢測(cè)信號(hào)突變點(diǎn)方面具有獨(dú)特的優(yōu)越性。利用小波變換檢測(cè)故障信號(hào)突變點(diǎn)主要有以下 2 個(gè)目的：一是提取突變點(diǎn)發(fā)生的空間或時(shí)刻位置，并計(jì)算故障發(fā)生的周期，從而推斷出故障部位；二是區(qū)分突變點(diǎn)不同的突變類型，并計(jì)算表征其奇異性程度的 Lipschitz 指數(shù)，從而判定故障類型或者確定故障程度。林京等[13]在提出了基于小波變換的故障信號(hào)突變點(diǎn)檢測(cè)方法，計(jì)算了突變點(diǎn)的 Lipschitz 指數(shù)并作為信號(hào)包絡(luò)特征識(shí)別的指標(biāo)，利用該指標(biāo)成功診斷出壓縮機(jī)換氣閥故障。

④ 將小波變換與其他方法結(jié)合來提取故障特征

將小波變換與其他方法相結(jié)合來提取故障特征，是近年來故障診斷領(lǐng)域中的一個(gè)重要研究方向，取得了較多研究成果，例如：美國學(xué)者 Samuel 和 Pines[14]提出了一種將第二代小波變換與匹配追蹤相結(jié)合的齒輪故障特征提取方法，并在直升機(jī)傳動(dòng)系統(tǒng)的故障檢測(cè)中取得了滿意的效果。

2 智能診斷技術(shù)研究現(xiàn)狀

由于機(jī)械設(shè)備結(jié)構(gòu)日趨復(fù)雜，各零部件之間緊密聯(lián)系甚至高度耦合，影響設(shè)備運(yùn)行的不確定因素驟增，使得其故障特性呈現(xiàn)為明顯的非線性、復(fù)雜性、復(fù)合故障并發(fā)性等，以至于征兆與故障之間呈現(xiàn)出難以解釋的、錯(cuò)綜復(fù)雜的非線性對(duì)應(yīng)關(guān)系，甚至不確定關(guān)系。單純地借助非平穩(wěn)信號(hào)分析方法，難以處理征兆與故障之間具有非線性對(duì)應(yīng)關(guān)系與不確定關(guān)系的故障診斷問題。人工智能技術(shù)，比如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法、專家系統(tǒng)、粗糙集等，因其擁有強(qiáng)大的非線性映射能力及卓越的學(xué)習(xí)能力，適合處理征兆與故障之間無確定關(guān)系的復(fù)雜故障診斷問題，并可以實(shí)現(xiàn)診斷的自動(dòng)化，而成為故障診斷領(lǐng)域中的研究熱點(diǎn)與發(fā)展方向之一，尤其在大型復(fù)雜或非線性系統(tǒng)故障診斷中的應(yīng)用更是引人注目。

智能診斷技術(shù)實(shí)現(xiàn)了算法過程與推理過程的綜合、數(shù)值處理與符號(hào)邏輯的統(tǒng)一、數(shù)理邏輯與辯證邏輯的融合、知識(shí)庫與數(shù)據(jù)庫的交互等，其種類有很多，如基于專家系統(tǒng)的、基于支持向量機(jī)的、基于人工神經(jīng)網(wǎng)絡(luò)的、基于模糊邏輯的、基于遺傳算法的以及基于粗糙集的等，其中基于神經(jīng)網(wǎng)絡(luò)的智能故障診斷技術(shù)研究的最多，應(yīng)用也最為廣泛，幾乎覆蓋了所有的學(xué)科和工程領(lǐng)域。目前，神經(jīng)網(wǎng)絡(luò)理論研究仍在飛速發(fā)展，各領(lǐng)域?qū)W者們已經(jīng)提出了許多不同結(jié)構(gòu)或?qū)W習(xí)算法的神經(jīng)網(wǎng)絡(luò)，如 BP 神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)等。由于神經(jīng)網(wǎng)絡(luò)具有卓越的魯棒性和容錯(cuò)性、獨(dú)特而又高效的聯(lián)想、推理、記憶以及自學(xué)習(xí)行為、高度的自適應(yīng)以及高度的非線性映射與逼近能力，因而在故障診斷中極具潛力，并得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)用于故障診斷主要有以下 3 種模式：

① 模式識(shí)別的角度應(yīng)用神經(jīng)網(wǎng)絡(luò)，使其作為故障診斷的分類器。Yang D.M. 等[15]將雙相干譜、雙譜、功率譜與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來，成功區(qū)分了發(fā)動(dòng)機(jī)軸承內(nèi)、外圈以及保持架等 3 種故障狀態(tài)。

② 從預(yù)測(cè)的角度應(yīng)用神經(jīng)網(wǎng)絡(luò)，使其作為故障預(yù)測(cè)的預(yù)測(cè)模型。李斌等[16]依據(jù)飛機(jī)舵面故障預(yù)測(cè)系統(tǒng)的設(shè)計(jì)要求，利用 BP 神經(jīng)網(wǎng)絡(luò)成功建立了故障預(yù)測(cè)模型，并利用風(fēng)洞實(shí)驗(yàn)數(shù)據(jù)對(duì)某機(jī)方向舵卡死故障進(jìn)行了預(yù)測(cè)和分析，結(jié)果驗(yàn)證了該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的有效性和優(yōu)越性。

③ 從知識(shí)處理的角度應(yīng)用神經(jīng)網(wǎng)絡(luò)，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)。文獻(xiàn)[17]為提高部隊(duì)的作戰(zhàn)效能，采用控制技術(shù)、人工神經(jīng)網(wǎng)絡(luò)技術(shù)以及微電子技術(shù)研制了機(jī)載火控系統(tǒng)故障診斷專家系統(tǒng)，并實(shí)際應(yīng)用中取得了良好效果。

從神經(jīng)網(wǎng)絡(luò)在故障診斷中應(yīng)用的發(fā)展趨勢(shì)上看，當(dāng)前主要研究方向?yàn)椋荷窠?jīng)網(wǎng)絡(luò)與故障診斷理論的集成、神經(jīng)網(wǎng)絡(luò)與信號(hào)處理的結(jié)合等。神經(jīng)網(wǎng)絡(luò)與故障診斷理論的集成有以下 2 種形式：一是把神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化與識(shí)別方法、推理規(guī)則相集成；二是與神經(jīng)網(wǎng)絡(luò)的前后處理相集成。前一種集成是一種實(shí)質(zhì)性集成，極大地提升神經(jīng)網(wǎng)絡(luò)的性能。神經(jīng)網(wǎng)絡(luò)與故障診斷理論的結(jié)合實(shí)例有概率神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等多種，其中概率神經(jīng)網(wǎng)絡(luò)是 Bayes 決策理論與徑向基神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)性的集成，非常適合于模式分類問題。

故障信號(hào)前期特征提取效果好壞對(duì)神經(jīng)網(wǎng)絡(luò)分類器性能有直接影響。若前期特征信息提取不全面、不充分，則勢(shì)必會(huì)減弱分類器的魯棒性和可靠性，抑制診斷準(zhǔn)確性的提高，故神經(jīng)網(wǎng)絡(luò)與信號(hào)處理的結(jié)合在智能診斷中的運(yùn)用非常普遍。由于基于平穩(wěn)性假設(shè)的傳統(tǒng)信號(hào)處理方法無法全面準(zhǔn)確地提取非平穩(wěn)故障特征信息，故傳統(tǒng)信號(hào)處理方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合難以有效診斷復(fù)雜故障。對(duì)于非平穩(wěn)信號(hào)處理的理論研究在近 20 年來突飛猛進(jìn)，陸續(xù)提出了眾多的非平穩(wěn)信號(hào)處理方法，因此將非平穩(wěn)信號(hào)處理方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合是趨勢(shì)所在，也是研究熱門。

3 艦炮自動(dòng)機(jī)故障診斷研究現(xiàn)狀與展望

3.1 艦炮自動(dòng)機(jī)振動(dòng)機(jī)理及故障形式

艦炮自動(dòng)機(jī)是一個(gè)復(fù)雜的動(dòng)力學(xué)系統(tǒng)，可完成火藥能量轉(zhuǎn)換、儲(chǔ)存釋放和動(dòng)力傳遞等多種功能。艦炮自動(dòng)機(jī)結(jié)構(gòu)在炮彈擊發(fā)和供輸過程中產(chǎn)生強(qiáng)烈的沖擊、振動(dòng)和噪聲，自動(dòng)機(jī)機(jī)箱可看成是以機(jī)箱本體和各機(jī)構(gòu)構(gòu)件組成的振動(dòng)系統(tǒng)。自動(dòng)機(jī)擊發(fā)動(dòng)作產(chǎn)生的火藥氣體，推動(dòng)機(jī)框等后面的一系列構(gòu)件高速運(yùn)動(dòng)，完成自動(dòng)供輸彈過程和連續(xù)射擊，這是自動(dòng)機(jī)主要的激振源。由于射擊擊發(fā)時(shí)機(jī)箱轉(zhuǎn)動(dòng)軸和轉(zhuǎn)膛滑板等構(gòu)件周期性運(yùn)動(dòng)，支撐剛度反復(fù)變化、結(jié)構(gòu)作用扭矩也連續(xù)變化，它們都引起激振力作用，都將會(huì)產(chǎn)生一定頻率和方向的機(jī)械振動(dòng)。構(gòu)件在機(jī)箱內(nèi) 3 個(gè)方向的運(yùn)動(dòng)和沖擊會(huì)導(dǎo)致機(jī)箱徑向和軸向的振動(dòng)，進(jìn)而形成整個(gè)自動(dòng)機(jī)機(jī)箱的彎扭振動(dòng)。自動(dòng)機(jī)的運(yùn)行狀態(tài)發(fā)生卡滯和構(gòu)件出現(xiàn)裂紋等不正常狀態(tài)，將直接反映在機(jī)構(gòu)傳遞特性上，如轉(zhuǎn)動(dòng)軸的松動(dòng)、偏心、局部疲勞裂紋或斷裂等將會(huì)影響到響應(yīng)特性的較低頻成份，轉(zhuǎn)膛滑板發(fā)生過度磨損、膠合點(diǎn)蝕等損傷時(shí)，響應(yīng)特性的較高頻率成份加大，所有這些都使動(dòng)載荷加大，沖擊振動(dòng)也相應(yīng)加劇。

3.2 艦炮自動(dòng)機(jī)故障診斷需解決的技術(shù)難題

盡管自動(dòng)機(jī)部件故障必然引起其振動(dòng)響應(yīng)信號(hào)出現(xiàn)變化，然而實(shí)際射擊時(shí)，除了強(qiáng)烈的背景噪聲外，其內(nèi)部各零部件的高速運(yùn)動(dòng)、撞擊和振動(dòng)響應(yīng)經(jīng)不同的傳遞路徑到機(jī)箱表面并疊加在一起，而且往往互相干擾，使現(xiàn)有傳統(tǒng)的測(cè)試和診斷方法很難有效地得到應(yīng)用。目前，自動(dòng)機(jī)故障診斷中還存在許多難題有待于進(jìn)一步解決，主要表現(xiàn)在：

1）艦炮自動(dòng)機(jī)運(yùn)動(dòng)形態(tài)定量分析與應(yīng)用難題

艦炮自動(dòng)機(jī)結(jié)構(gòu)復(fù)雜，其動(dòng)作過程為火藥氣體推動(dòng)構(gòu)件，帶動(dòng)后面一系列部件連續(xù)循環(huán)動(dòng)作，自動(dòng)完成推彈及退彈過程。定量分析艦炮自動(dòng)機(jī)運(yùn)動(dòng)形態(tài)，準(zhǔn)確識(shí)別艦炮自動(dòng)機(jī)正常與故障時(shí)運(yùn)動(dòng)形態(tài)出現(xiàn)的差異，是有效對(duì)艦炮自動(dòng)機(jī)進(jìn)行故障診斷的關(guān)鍵之一。因?yàn)樽詣?dòng)機(jī)動(dòng)作中高速高壓高溫的外部環(huán)境和其動(dòng)作過程的復(fù)雜性、動(dòng)作狀態(tài)的瞬時(shí)性，因此對(duì)其運(yùn)動(dòng)形態(tài)進(jìn)行定量分析具有相當(dāng)難度。又由于強(qiáng)烈的背景噪聲與強(qiáng)干擾信號(hào)，故通過外部采集到的響應(yīng)信號(hào)也難以提取到足夠全面準(zhǔn)確反映其運(yùn)動(dòng)形態(tài)的基本信息特征，通過運(yùn)動(dòng)形態(tài)來進(jìn)行自動(dòng)機(jī)故障診斷從實(shí)際應(yīng)用上講具有一定難度。

2）短時(shí)沖擊振動(dòng)信號(hào)的檢測(cè)與提取難題

自動(dòng)機(jī)工作環(huán)境惡劣，要獲得穩(wěn)定且有效的振動(dòng)信號(hào)，關(guān)于測(cè)試設(shè)備及測(cè)點(diǎn)選擇的分析研究就顯得極為必要，又因?yàn)樽詣?dòng)機(jī)的動(dòng)作特點(diǎn)，其振動(dòng)響應(yīng)信號(hào)為短時(shí)瞬態(tài)的，具有顯著的非平穩(wěn)性，而且一些構(gòu)件的裂紋及磨損的振動(dòng)響應(yīng)也很微弱，這種信號(hào)的微弱變化被識(shí)別出來很難。實(shí)際射擊中，背景噪聲強(qiáng)，其他相鄰設(shè)備狀態(tài)信息的加入，以及被診斷設(shè)備本身的復(fù)雜性，檢測(cè)過程中惡劣的工作條件，使得在某一點(diǎn)采集到的信號(hào)中不但含有大量噪聲，而且還有部分混疊。這給故障的準(zhǔn)備診斷和定位帶來很大的難度，診斷結(jié)果與實(shí)驗(yàn)室研究的預(yù)期結(jié)果有很大的差距，實(shí)際上往往難以判斷有無故障發(fā)生，故障的程度、類型與部位更無法判別。因此，研究適合分析處理短時(shí)瞬態(tài)沖擊信號(hào)的非平穩(wěn)信號(hào)處理方法，并與振動(dòng)響應(yīng)機(jī)理結(jié)合，有效進(jìn)行特征提取，就顯得非常必要。

3）確定可靠有效的故障特征參量難題

自動(dòng)機(jī)的故障征兆可以通過不同的特征參量表現(xiàn)出來。故障程度、部位和類型等對(duì)特征參量的敏感程度差別很大，故障信息在特征參量中不明顯。如何在龐大的特征參量集中根據(jù)不同故障對(duì)特征參量的敏感程度進(jìn)行優(yōu)化選擇以篩選出個(gè)數(shù)較少、類別可分性高、能提供互補(bǔ)信息的最優(yōu)特征參量集是實(shí)現(xiàn)艦炮自動(dòng)機(jī)實(shí)時(shí)在線故障診斷的一個(gè)難題。

3.3 艦炮自動(dòng)機(jī)故障診斷研究現(xiàn)狀

艦炮自動(dòng)機(jī)復(fù)雜結(jié)構(gòu)與運(yùn)動(dòng)形態(tài)，致使其征兆與故障之間呈現(xiàn)出錯(cuò)綜復(fù)雜的非線性對(duì)應(yīng)關(guān)系或難以解釋的不確定關(guān)系。單純通過信號(hào)處理手段，難以全面深入而準(zhǔn)確地提取能正確刻畫系統(tǒng)故障特性的特征信息，因此僅僅通過信號(hào)處理方法直接識(shí)別其故障部位與程度，有效對(duì)艦炮自動(dòng)機(jī)進(jìn)行故障診斷具有較高難度，也是不現(xiàn)實(shí)的。所以，現(xiàn)有的火炮自動(dòng)機(jī)故障診斷研究主要沿“非平穩(wěn)信號(hào)特征提取+智能診斷”這條思路展開。

潘銘志等[18]中針對(duì)自動(dòng)機(jī)實(shí)射動(dòng)作沖擊響應(yīng)振動(dòng)信號(hào)，利用小波分析快速進(jìn)行信噪分離，并采用功率譜分析結(jié)合小波包分解對(duì)各頻段能量譜分析，提取特征向量，然后輸入 BP 神經(jīng)網(wǎng)絡(luò)故障識(shí)別，取得了一定效果。都衡等[19]針對(duì)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(hào)，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。潘龍等[20]針對(duì)自動(dòng)機(jī)工作時(shí)的短時(shí)沖擊信號(hào)特征，運(yùn)用聚合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)自動(dòng)機(jī)故障信號(hào)進(jìn)行預(yù)處理，再通過 Hilbert 變換，計(jì)算信號(hào)的時(shí)頻多尺度熵，作為自動(dòng)機(jī)故障診斷的特征量，最后將特征向量輸入支持向量機(jī)進(jìn)行故障分類識(shí)別，結(jié)果表明將 HHT 時(shí)頻多尺度熵和 SVM 相結(jié)合在自動(dòng)機(jī)故障診斷中的有效性。文獻(xiàn)[21]提出基于 EEMD 與廣義維數(shù)優(yōu)化逼近的自動(dòng)機(jī)故障診斷方法，該方法先使用聚合經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合相關(guān)系數(shù)法對(duì)自動(dòng)機(jī)故障信號(hào)進(jìn)行預(yù)處理，然后再求取其廣義分形維數(shù)來實(shí)現(xiàn)自動(dòng)機(jī)故障的識(shí)別。文獻(xiàn)[22]提出了一種運(yùn)用信息熵和遺傳算法優(yōu)化的支持向量機(jī)對(duì)小口徑火炮自動(dòng)機(jī)進(jìn)行故障診斷的方法，該方法首先運(yùn)用具有自適應(yīng)特性的局域波對(duì)信號(hào)進(jìn)行分解得到 IMF 分量，并對(duì)各 IMF 分量進(jìn)行Hilbert 變換，接著利用信息熵理論提取局域波特征空間譜熵、邊際譜熵和時(shí)頻熵作為故障特征，最后將特征向量輸入遺傳算法優(yōu)化的支持向量機(jī)進(jìn)行故障分類識(shí)別。曹滿亮等[23]針對(duì)自動(dòng)機(jī)運(yùn)動(dòng)循環(huán)過程和振動(dòng)信號(hào)的非線性短時(shí)沖擊特性，提出了截取振動(dòng)信號(hào)中有用信息進(jìn)行第 2 代小波分析，在此基礎(chǔ)上提取第 2 代小波熵，把其作為特征向量分別應(yīng)用 BP 神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)對(duì)自動(dòng)機(jī)進(jìn)行故障模式識(shí)別。潘宏俠等[24]提出了基于小波尺度譜重排與小波排列熵的自動(dòng)機(jī)故障診斷方法，該方法首先用小波包變換對(duì)自動(dòng)機(jī)振動(dòng)響應(yīng)信號(hào)進(jìn)行時(shí)頻分析，并對(duì)每層小波包系數(shù)進(jìn)行小波尺度譜重排處理，然后計(jì)算出每層小波系數(shù)的排列熵，并以此作為自動(dòng)機(jī)短時(shí)瞬態(tài)沖擊時(shí)微弱故障信號(hào)的特征量，使用支持向量機(jī)對(duì)特征量進(jìn)行故障分類識(shí)別。

3.4 艦炮自動(dòng)機(jī)故障診斷研究存在的問題與展望

盡管我國對(duì)艦炮自動(dòng)機(jī)故障診斷進(jìn)行了一定的研究，但其研究理論層次不夠深，應(yīng)用水平較低，研究成果還遠(yuǎn)未達(dá)到可用于實(shí)際故障診斷的水平，還未形成一套快速、高效的艦炮自動(dòng)機(jī)故障診斷方法。存在以下問題：

1）艦炮自動(dòng)機(jī)故障機(jī)理研究不足

目前，我國艦炮自動(dòng)機(jī)故障診斷主要是利用實(shí)測(cè)的某型號(hào)武器自動(dòng)機(jī)的故障振動(dòng)數(shù)據(jù)展開特征提取與模式識(shí)別方面的研究，缺乏對(duì)自動(dòng)機(jī)故障機(jī)理的深入探索。自動(dòng)機(jī)故障機(jī)理是指通過理論或大量的試驗(yàn)分析，得到反映自動(dòng)機(jī)故障狀態(tài)信號(hào)與自動(dòng)機(jī)系統(tǒng)參數(shù)之間的規(guī)律，其具體的研究過程如下：首先根據(jù)自動(dòng)機(jī)物理特點(diǎn)，建立相應(yīng)數(shù)學(xué)力學(xué)模型；然后通過仿真研究獲得其響應(yīng)特征；再結(jié)合試驗(yàn)修正模型，準(zhǔn)確獲知某一故障的表征。這一反復(fù)式的研究過程是故障機(jī)理及故障征兆研究的有效手段，也是自動(dòng)機(jī)故障診斷技術(shù)的重要基礎(chǔ)和依據(jù)。由于通常獲得自動(dòng)機(jī)較全面的故障數(shù)據(jù)樣本不現(xiàn)實(shí)，因此只有通過機(jī)理仿真研究，才能對(duì)系統(tǒng)未知故障和弱故障進(jìn)行有效的預(yù)知和識(shí)別，以避免漏診和誤診。

2）故障診斷手段比較有限

到目前為止，隨著信號(hào)處理技術(shù)的不斷發(fā)展，振動(dòng)故障診斷技術(shù)己經(jīng)發(fā)展成一套比較完整的體系，成為機(jī)械故障診斷領(lǐng)域的主流方向。在現(xiàn)階段，我國艦炮自動(dòng)機(jī)故障診斷研究也主要是集中于基于振動(dòng)信號(hào)處理的故障診斷方法上。除了采用振動(dòng)信號(hào)來診斷自動(dòng)機(jī)故障外，以下方法也有可能被應(yīng)用于自動(dòng)機(jī)的故障診斷中：超聲與聲發(fā)射檢測(cè)、聲信號(hào)檢測(cè)、紅外檢測(cè)、X 射線檢測(cè)等，遺憾的是它們?cè)谂炁谧詣?dòng)機(jī)故障診斷中的研究還較少。

眾所周知，振動(dòng)傳感器必須安裝在相關(guān)設(shè)備上后才能獲得相應(yīng)的振動(dòng)信號(hào)，因此有些不合適安裝振動(dòng)傳感器的地方，特別是在測(cè)試環(huán)境在較為惡劣的設(shè)備上，就不適合采用基于振動(dòng)的故障診斷方法。由于機(jī)械設(shè)備在運(yùn)行過程中，不僅會(huì)產(chǎn)生振動(dòng)，還會(huì)發(fā)出強(qiáng)烈的噪聲。通常情況下，振動(dòng)越強(qiáng)烈，產(chǎn)生的噪聲就越大。與振動(dòng)信號(hào)一樣，機(jī)械設(shè)備發(fā)出的噪聲信號(hào)中同樣包含著反映設(shè)備狀態(tài)的信息，所以噪聲信號(hào)也可以作為機(jī)械設(shè)備故障診斷的研究對(duì)象。作為研究對(duì)象的噪聲，既包括目標(biāo)設(shè)備發(fā)出的有用聲學(xué)信號(hào)，也包括其他設(shè)備發(fā)出的干擾聲學(xué)信號(hào)。利用機(jī)械設(shè)備的聲學(xué)信號(hào)對(duì)設(shè)備進(jìn)行故障診斷（聲學(xué)故障診斷技術(shù)），具有振動(dòng)故障診斷技術(shù)所不可比擬的某些優(yōu)點(diǎn)。一般來說，聲學(xué)故障診斷技術(shù)具有如下特點(diǎn)：非接觸式測(cè)量、設(shè)備簡單、速度快、無須事先粘貼傳感器和便于在線監(jiān)測(cè)等，尤其可在不易測(cè)量振動(dòng)信號(hào)的場(chǎng)合得到廣泛的應(yīng)用。因此基于聲信號(hào)的機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷是在非便利條件下有效的方式，利用聲音信號(hào)進(jìn)行艦炮自動(dòng)機(jī)故障診斷可以成為艦炮自動(dòng)機(jī)故障診斷領(lǐng)域中新的發(fā)展方向。

3）智能診斷環(huán)節(jié)比較薄弱

目前，我國艦炮自動(dòng)機(jī)故障診斷基本沿著“特征提取+智能診斷”這一主線展開。然而現(xiàn)有研究的自動(dòng)機(jī)故障診斷方法中智能診斷環(huán)節(jié)均只采用單一的智能分類器。由于自動(dòng)機(jī)故障的復(fù)雜性、不確定性、多故障并發(fā)性、微弱性等，依靠單一智能技術(shù)的故障診斷已難以滿足診斷要求。混合智能技術(shù)博采眾家之長，充分利用不同智能技術(shù)的優(yōu)勢(shì)，在一定程度上能解決傳統(tǒng)的單一的智能診斷技術(shù)存在的精度不高、泛化能力和通用性不強(qiáng)等難題，能夠取得比單一智能技術(shù)更佳的效果。

從目前可以查閱到的文獻(xiàn)可知，混合智能故障診斷技術(shù)已經(jīng)受到國內(nèi)外許多研究者的青睞，并取得了一定的進(jìn)展。2002 年，美國麻省理工學(xué)院針對(duì)核電站大型復(fù)雜機(jī)電系統(tǒng)，綜合貝葉斯網(wǎng)絡(luò)、影響圖、模糊邏輯、專家系統(tǒng)等人工智能方法進(jìn)行在線監(jiān)測(cè)、故障診斷和預(yù)知維修，提出了混合智能系統(tǒng)的概念[25]。2004 年，美國 Roshdy S. 認(rèn)識(shí)到任何單一人工智能技術(shù)都不能完全解決復(fù)雜問題，只對(duì)復(fù)雜問題的某一部分或者某一階段有效，所以提出了將兩種或者兩種以上的人工智能技術(shù)結(jié)合的思想。嘗試將遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合以發(fā)現(xiàn)決策樹的最佳分類規(guī)則，構(gòu)造一個(gè)計(jì)算成本低、分類性能高的信號(hào)模式分類器[26]。

從上可知，混合智能技術(shù)引起了國內(nèi)外學(xué)者的廣泛關(guān)注，并取得了比單一智能技術(shù)更好的診斷效果，其也可以成為艦炮自動(dòng)機(jī)故障診斷領(lǐng)域中新的研究方向。

4 結(jié) 語

本文首先全面回顧了基于短時(shí)傅里葉變換、二次型時(shí)頻分布、循環(huán)平穩(wěn)信號(hào)分析、經(jīng)驗(yàn)?zāi)Ｊ椒纸庖约靶〔ㄗ儞Q等非平穩(wěn)信號(hào)處理方法的非平穩(wěn)特征提取研究現(xiàn)狀以及以神經(jīng)網(wǎng)絡(luò)為代表的智能技術(shù)在機(jī)械故障診斷領(lǐng)域中的研究狀況。然后，分析了艦炮自動(dòng)機(jī)的振動(dòng)機(jī)理與故障形式，歸納了其故障診斷需解決的技術(shù)難題，總結(jié)了其故障診斷研究現(xiàn)狀，詳細(xì)闡述了其故障診斷存在的問題以及對(duì)發(fā)展趨勢(shì)的展望。

[1]趙潤鵬. 基于運(yùn)動(dòng)形態(tài)與信息熵的自動(dòng)機(jī)故障診斷研究[D].太原: 中北大學(xué), 2012.

[2]WANG W J, MCFADDEN P D. Early detection of gear failure by vibration analysis I. Calculation of the time-frequency distribution[J]. Mechanical Systems and Signal Processing, 1993, 7(3): 193–203.

[3]KIM Y H, LIM B D. Instantaneous frequency of a transient mechanical signature and its estimation by a moving window; applicability and physical interpretation[J]. Mechanical Systems and Signal Processing, 1994, 8(4): 381–394.

[4]MENG Qing-feng, QU Liangsheng. Rotating machinery fault diagnosis using wigner distribution[J]. Mechanical Systems and Signal Processing, 1991, 5(3): 155–162.

[5]OEHLMANN H, BRIE D, BEGOTTO V, et al. Examination of gearbox cracks using time-frequency distributions[C]//Proceedings of International Conference on Acoustics, Speech, and Signal Processing. Detroit, MI: IEEE, 1995: 925–928.

[6]LOUGHLIN P J, BERNARD G D. Cohen-posch (positive) time-frequency distributions and their application to machine vibration analysis[J]. Mechanical Systems and Signal Processing, 1997, 11(4): 561–576.

[7]LOUGHLIN P J, PITTON J W, ATLAS L E. Construction of positive time-frequency distributions[J]. IEEE Transactions on Signal Processing, 1994, 42(10): 2697–2705.

[8]畢果. 基于循環(huán)平穩(wěn)的滾動(dòng)軸承及齒輪微弱故障特征提取應(yīng)用研究[D]. 上海: 上海交通大學(xué), 2007.

[9]程軍圣, 于德介, 楊宇. Hilbert-Huang變換端點(diǎn)效應(yīng)問題的探討[J]. 振動(dòng)與沖擊, 2005, 24(6): 40–42, 47.

[10]RAI V K, MOHANTY A R. Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert-Huang transform[J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2607–2615.

[11]徐科, 徐金梧. 小波變換在信號(hào)濾波中的應(yīng)用[J]. 北京科技大學(xué)學(xué)報(bào), 1997, 19(4): 382–385.

[12]WANG W J, MCFADDEN P D. Application of wavelets to gearbox vibration signals for fault detection[J]. Journal of Sound and Vibration, 1996, 192(5): 927–939.

[13]林京, 屈梁生. 基于連續(xù)小波變換的奇異性檢測(cè)與故障診斷[J]. 振動(dòng)工程學(xué)報(bào), 2000, 13(4): 523–530.

[14]SAMUEL P D, PINES D J. Constrained adaptive lifting and the CAL4 metric for helicopter transmission diagnostics[J]. Journal of Sound and Vibration, 2009, 319(1/2): 698–718.

[15]YANG D M, STRONACH A F, MACCONNELL P. Third-order spectral techniques for the diagnosis of motor bearing condition using artificial neural networks[J]. Mechanical Systems and Signal Processing, 2002, 16(2/3): 391–411.

[16]李斌, 章衛(wèi)國, 寧東方, 等. 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的飛機(jī)舵面故障趨勢(shì)預(yù)測(cè)研究[J]. 系統(tǒng)仿真學(xué)報(bào), 2008, 20(21): 5840–5842, 5847.

[17]韓兆福, 葛銀茂, 程江濤, 等. 機(jī)載火控系統(tǒng)故障診斷神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)[J]. 儀器儀表用戶, 2005, 12(6): 30–31.

[18]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.

[19]都衡, 潘宏俠. 基于局域波信息熵的高速自動(dòng)機(jī)故障診斷[J].中國測(cè)試, 2014, 40(1): 115–118, 136.

[20]潘龍, 潘宏俠, 馬白雪. 應(yīng)用HHT時(shí)頻分析與SVM的自動(dòng)機(jī)故障診斷[J]. 機(jī)械設(shè)計(jì)與制造, 2015(4): 59–61, 65.

[21]潘龍, 潘宏俠, 陳玉青. 應(yīng)用EEMD與廣義維數(shù)優(yōu)化逼近的自動(dòng)機(jī)故障診斷[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2015(8): 82–85.

[22]都衡, 潘宏俠. 基于信息熵和GA-SVM的自動(dòng)機(jī)故障診斷[J].機(jī)械設(shè)計(jì)與研究, 2013, 29(5): 127–130.

[23]曹滿亮, 潘宏俠. 基于第二代小波及PNN的自動(dòng)機(jī)智能故障診斷[J]. 機(jī)械設(shè)計(jì)與研究, 2015, 31(3): 22–26.

[24]潘宏俠, 馬百雪, 許昕. 基于小波尺度譜重排與小波排列熵的自動(dòng)機(jī)故障診斷[J]. 火炮發(fā)射與控制學(xué)報(bào), 2015, 36(2): 64–67.

[25]YILDIZ B, GOLAY M W, KENNETH P M, et al. Development of a hybrid intelligent system for on-line real-time monitoring of nuclear power plant operations[C]//The 2002 PSAM6 (Probabilistic Safety Assessment and Management) Conference. San Juan, Puerto Rico, 2002, 52: 49–58.

[26]YOUSSIF R S, PURDY C N. Combining genetic algorithms and neural networks to build a signal pattern classifier[J]. Neurocomputing, 2004, 61: 39–56.

A review: the application of non-stationary feature extraction and intelligent diagnosis method in automata fault diagnosis

JIA Lan-jun1, TIAN Fu-qing2, LUO Rong3
(1. The 713 Research Institute of CSIC, Zhengzhou 450015, China; 2. Deptartment of Weaponry Engineering, Naval University of Engineering, Wuhan 430033, China; 3. Naval Equipment Institute, Beijing 100161, China)

The non-stationary feature extraction technique and intelligent diagnosis method are reviewed comprehensively in the paper. Additionally, the problems consisting in automata of naval gun fault diagnosis are summarized, and the application of non-stationary feature extraction and intelligent diagnosis method in automata fault diagnosis is introduced. Finally, the questions in the research of automata fault diagnosis are expatiated detailedly, and the future development of automata fault diagnosis is prospected.

feature extraction；fault diagnosis；naval gun；automata

TH113.1

A

1672–7619(2016)12–0170–08

10.3404/j.issn.1672–7619.2016.12.036

2016–07–29

賈蘭俊(1967–)，男，研究員，主要從事艦炮技術(shù)研究。