故障診斷中的數(shù)據(jù)建模與特征選擇

武堅+安宏勇+馮思桐

摘要：機器學(xué)習(xí)方法在故障診斷領(lǐng)域得到了廣泛的運用，通過對系統(tǒng)數(shù)據(jù)做出分析，在最快時間內(nèi)發(fā)現(xiàn)異常并立刻做出反應(yīng)。它的主要目標(biāo)是設(shè)計算法并分析采樣數(shù)據(jù)，使計算機能夠?qū)崿F(xiàn)“自我學(xué)習(xí)”的過程，進行適合研究對象的特征提取和特征選擇，來預(yù)測未知數(shù)據(jù)的可能行為。本文結(jié)合現(xiàn)有文獻，以傳動軸為研究對象，對機械制造業(yè)中的故障診斷特征提取與特征選擇過程進行了研究。文中列出了零部件故障診斷時域和頻域主要使用的故障特征函數(shù)，并給出了特征提取與特征選擇的流程和方法，使用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法進行基于數(shù)據(jù)的建模分析，結(jié)合數(shù)據(jù)模型，進行了適用于本次評估的特征參數(shù)提取和選擇。

關(guān)鍵詞：故障診斷；數(shù)據(jù)建模；特征選擇

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）25-0207-03

1 介紹

基于數(shù)據(jù)建模的故障診斷，通過對異常的數(shù)據(jù)點來預(yù)測未知的故障情況，通過對故障情況的預(yù)估以及定位，可以及時預(yù)防并消除安全隱患。這種通過數(shù)據(jù)采樣來進行判斷和預(yù)測的方法在工業(yè)界，尤其是制造業(yè)和再制造領(lǐng)域中的需求逐漸上升。機器學(xué)習(xí)作為人工智能學(xué)科的一個分支，主通過對現(xiàn)有數(shù)據(jù)的歸類和整合來建立適用的預(yù)測模型，從而對新的未知數(shù)據(jù)進行分類和預(yù)測[1]。在這個過程中原始的數(shù)據(jù)測量值很大程度上不能反映對象本質(zhì)，并且很多高維的原始特征計算量大，樣本分布稀疏不利于進行建模。因此需要分析各種能夠代表研究對象特性的特征，并選出具有代表性的特征，這是整個建模與預(yù)測過程中非常關(guān)鍵的一個環(huán)節(jié)。通過有效特征來降低數(shù)據(jù)的維度，從而降低建模難度，提升模型的預(yù)測精度是進行有效數(shù)據(jù)建模的重要研究方向。

本文的研究對象為損壞程度由淺至深的傳動軸，同時也是機械系統(tǒng)中最容易出現(xiàn)故障并導(dǎo)致事故的部件之一。通過對其轉(zhuǎn)動工作中AE（Acoustic Emission ）數(shù)據(jù)的采集和分析來進行建模，并對不同等級的故障進行預(yù)測。由于傳動軸在工作過程中難免會受到大量其他部位振動的干擾，因此需要對采集的得到的數(shù)據(jù)進行合理的信號處理，從含有干擾信號的振動信號中提取有效的失效特征，實現(xiàn)故障的早期監(jiān)測和評估。文中給出了在傳感器技術(shù)領(lǐng)域中常用的故障特征，并對采集得到的原始信號進行了小波降噪。通過數(shù)據(jù)的建模過程最終選擇了合適的特征，并給出了使用不同特征進行故障等級預(yù)測時的預(yù)測精度。

2 基于數(shù)據(jù)模型的診斷過程與常用特征

2.1 基于數(shù)據(jù)建模的故障診斷流程

由于機械在運轉(zhuǎn)的過程中將會產(chǎn)生大量的數(shù)據(jù)，如果單從傳統(tǒng)的物理模型出發(fā)，無法快速地找出異常情況并做出安全性的評估。故此提出了基于數(shù)據(jù)的建模方法，在數(shù)據(jù)挖掘和數(shù)據(jù)分析的基礎(chǔ)上進行安全評估和異常診斷。通?；趥鹘y(tǒng)的行為和經(jīng)驗會給出對于下一步行為的大致預(yù)測，異常則定義為與這些預(yù)測不符的行為。從概率角度分析，假設(shè)表示為正常行為集合的概率密度估計，當(dāng)一個行為集合概率密度函數(shù)時，定義這樣的集合為正常行為。如圖1所示，S1 和S2 表示正常的行為集合，而其他數(shù)據(jù)點如x1和x2，其概率密度估計小于假定值，則被定義為異常點，同樣的屬于S3區(qū)域的數(shù)據(jù)也為異常數(shù)據(jù)集合[2]。

而基于數(shù)據(jù)的建模方法則是為了從大量的數(shù)據(jù)集合中找出這些異常的數(shù)據(jù)流動，從而達到故障診斷的目的。例如使用神經(jīng)網(wǎng)絡(luò)或模糊數(shù)學(xué)的方法來進行建模，通過對正常數(shù)據(jù)行為的記錄和學(xué)習(xí)，來對總數(shù)據(jù)集合進行分類，從而得出異常的數(shù)據(jù)情況[3-4]。通常使用數(shù)據(jù)模型的安全評估技術(shù)應(yīng)用于實時環(huán)境下，可以由數(shù)據(jù)迅速建立評估模型并且得出結(jié)論，圖2給出了基于數(shù)據(jù)的評估模型建立流程。第一個階段是實驗設(shè)計階段，通過相關(guān)實驗來采集數(shù)據(jù)。第二個階段需要對采集到的數(shù)據(jù)進行處理，通過實驗采集得到的原始數(shù)據(jù)有時無法最好的表達所測物理量的物理特性，需要通過計算轉(zhuǎn)換為具有更好特性的特征參數(shù)來進行表達，即特征選擇和特征提取的階段。通過對處理后的數(shù)據(jù)集合進行分析，可以得到最為有效的特征參數(shù)，這樣才能保證建模的準(zhǔn)確性。第三個階段為評估模型的建立過程。將第二階段所得到的特征參數(shù)作為模型的輸入，對數(shù)據(jù)進行學(xué)習(xí)和訓(xùn)練進而產(chǎn)生分類和預(yù)測模型，通過測試數(shù)據(jù)的比較來分析模型的準(zhǔn)確性和全面程度，最終得到對于異常情況的分類和預(yù)測結(jié)果。

2.2 常用的特征參數(shù)

時域中最簡單的特征參數(shù)為峰值，其定義為最大最小值差值的二分之一：

出現(xiàn)峰值的頻段隨著零部件故障等級的加深有明顯的變化趨勢[5]。另一常用的特征參數(shù)為均方根函數(shù)，它表示時變信號的取值變化規(guī)律，通?？梢岳斫鉃閿?shù)據(jù)的平均能量：

公式 （2）中，表示采集得到的數(shù)據(jù)數(shù)目。以上列舉的兩種特征參數(shù)均屬于有量綱參數(shù)，他們的明顯缺點在于隨著實驗劇烈程度改變而改變，比如運轉(zhuǎn)速度的變化時其特征值變化明顯，同時他們更加依賴于歷史數(shù)據(jù)。為了克服這樣的缺點，常用的還有無量綱的特征參數(shù)。如峰值系數(shù)，它定義為峰值與均方根函數(shù)值的比值：

峰值系數(shù)表示了一個突然的峰值突起對于整個故障情況的影響。另一個常用的無量綱特征為峭度，它與軸承轉(zhuǎn)速、尺寸、載荷等無關(guān)，對沖擊信號特別敏感，特別適用于表面損傷類故障、尤其是早期故障的診斷：

在定義峭度的公式 （4）中，表示數(shù)據(jù)的平均值，是第 個樣本在t時刻的取值，表示樣本總數(shù)， 表示數(shù)據(jù)的標(biāo)準(zhǔn)差。另一個常用的無量綱特征為偏態(tài)，表示數(shù)據(jù)分布的不對稱程度：

3 實驗方法

3.1 實驗環(huán)境

本次實驗中將使用11根傳動軸，在每根軸上都有一個不同深度的人為切口，用以模擬不同的故障等級。傳動軸材料為AISI4140特種鋼，常用于石油化工、航空航天、船舶、能源、軍工、電子、環(huán)保和機械制造等方面。每根軸直徑為16mm，長度為53.5cm，其中完好無切口的軸一根，切口深度與故障等級分別為0.8mm（5%），1.6mm（10%）， 2.4mm（15%）， 3.2mm（20%）， 4.0mm（25%）， 4.8mm（30%）， 5.6mm（35%）， 6.4mm（40%）， 7.2mm（45%）， 8.0mm（50%）。實驗中傳動軸將會模擬實際的高速運轉(zhuǎn)過程，并在。當(dāng)傳動軸工作時，由于貫軸的橫向切口的故障存在，傳動軸在運轉(zhuǎn)過程中會產(chǎn)生與正常情況下不同的噪音。AE信號通常用來記錄并反應(yīng)此類實驗的動態(tài)與靜態(tài)特性。其中AE傳感器主要放置在零部件的四周來采集振動信號，主要記錄了零部件工作狀況時的能量變化情況。

安裝好實驗設(shè)置平臺后，馬達裝置帶動傳動軸開始旋轉(zhuǎn)，速度為2000轉(zhuǎn)/分，其旋轉(zhuǎn)時的工作狀態(tài)以AE數(shù)據(jù)的形式被傳感器記錄下來。圖3是本次AE數(shù)據(jù)采集系統(tǒng)的示意圖，傳感器外接于KISTLER專用的四通道耦合器上，分別為X軸向和Z軸向，將數(shù)據(jù)傳送至模數(shù)轉(zhuǎn)換器 A/D converter NI-USB 6259BNC中。最終將數(shù)字信號傳入PC中的LabView采集界面中，以TDMS的格式保存數(shù)據(jù)。

3.2 數(shù)據(jù)預(yù)處理

1）數(shù)據(jù)裁剪

在本次實驗中，在采集數(shù)據(jù)的5分鐘內(nèi)，所采集的并不都是穩(wěn)定工作下的數(shù)據(jù)，所以我們首先對數(shù)據(jù)進行裁剪。機器需要加速至固定速度，并在此速度下先工作一段時間來保證穩(wěn)定性，所以如圖4，我們需要裁剪不穩(wěn)定的數(shù)據(jù)，最終保存三分鐘的數(shù)據(jù)。

2）小波降噪

本文對所得信號使用sym8小波進行5層分解，得到高頻系數(shù)，使用SURE闕值、軟闕值對采集到的原始信號進行小波降噪。如圖5所示，上圖為原始信號，下圖為降噪信號，比較發(fā)現(xiàn)原始的信號成分與降噪前顯得更加明顯，信號的信噪比提高，噪聲大部分被去除，較好地保持了信號中突變成分的效果。

4 測試結(jié)果與實驗分析

如表1所列本文一共定義八種特征以供選擇，通過使用這八種特征值進行對數(shù)據(jù)的分類的準(zhǔn)確率對比，來選取能夠最好表達故障等級的特征向量。

在特征選擇的過程中，本文主要通過預(yù)測準(zhǔn)確性對比的比較方式來選取較好的特征。為了達到最好的對比效果，本文選取2000RPM下0mm（0%）和8mm（50%）兩種故障等級的振動信號數(shù)據(jù)進行對比，通過使用BP神經(jīng)網(wǎng)絡(luò)對選取的特征進行分類預(yù)測。為了節(jié)省運算時間，本次試驗將使用20個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)模型來進行預(yù)測。對于數(shù)據(jù)特征值的運算，本文選取每一個旋轉(zhuǎn)周期進行一次運算，從而可以表示每個周期的運動特征。在整個模擬工作的狀態(tài)的運轉(zhuǎn)過程中，0mm和8mm分別可以選取3630和3336個特征值構(gòu)成兩個帶標(biāo)簽的特征向量。本次神經(jīng)網(wǎng)絡(luò)的建模中，70%的數(shù)據(jù)將用于訓(xùn)練，15%和另外的15%將分別用于檢測和驗證過程。最終得到的檢測結(jié)果將記錄于圖6中的混淆矩陣。

對每一個特征向量，隨機選取其中的15%進行檢測，并進行20次訓(xùn)練和檢測來盡量覆蓋盡可能多的檢測數(shù)據(jù)，圖 6中列出了一次訓(xùn)練后的混淆矩陣，計算最終準(zhǔn)確性時將20次訓(xùn)練結(jié)果進行平均。如圖6，對特征Kurtosis_X來說，訓(xùn)練后檢測的準(zhǔn)確度為98.7%， 表示測試數(shù)據(jù)集中518個“0”類樣本與513個“1”類樣本進行了正確的預(yù)測。這樣就可以得出其他七個特征向量的預(yù)測準(zhǔn)確度，記錄在表2中：

表2給出了8個特征的預(yù)測準(zhǔn)確率，通過比較可以看出橫軸的特征值能夠更好地表達故障情況，而峭度和均方根函數(shù)的橫軸特征向量均可以達到很高的數(shù)據(jù)分類準(zhǔn)確度。如果選擇這樣高準(zhǔn)確度率的特征參數(shù)，就可以建立更加準(zhǔn)確的分類器模型。這表明在接下來的故障分類與預(yù)測的部分中，可以使用峭度和均方根函數(shù)的橫軸特征值[Kurtosis_X， RMS_X]作為輸入來建立預(yù)測模型。

5 總結(jié)

本文以傳動軸為研究對象設(shè)計了工作狀態(tài)下的AE數(shù)據(jù)采集試驗，并使用BP神經(jīng)網(wǎng)絡(luò)建立了數(shù)據(jù)模型，試驗結(jié)果證明時域的特征參數(shù)可以對傳動軸的損壞程度進行一定程度的預(yù)測。文中數(shù)據(jù)建模的方法選取了預(yù)測準(zhǔn)確率最高的特征向量，可以作為下一步預(yù)測模型的輸入，以此提高對于未知故障的預(yù)測準(zhǔn)確率。

參考文獻：

[1] Tripolis GR. Supervised Machine Learning： A Review of Classification [J].Techniques Informatica， 2007（31）：249-268.

[2] Animesh Patcha， Jung-Min Park. An overview of anomaly detection techniques： Existing solutions and latest technological trends[J]. Computer Networks， 2007（1）：355-380.

[3] W. Lee， S.J. Stolfo， K.W. Mok. Adaptive intrusion detection： a data mining approach[J]. Artificial Intelligence Review， 2000（14）：533–567.

[4] W. Lee， S. J. Stolfo， K. W. Mok. A data mining framework for building intrusion detection models[C]. In Proceedings of the 1999 IEEE Symposium on Security and Privacy， May 1999：437-456.

[5] El-Wardany， T.I.， D. Gao， and M.A. Elbestawi. Tool condition monitoring in drilling using vibration signature analysis[J].International Journal of Machine Tools and Manufacture， 1996，36（6）：687-711.