故障現(xiàn)象矢量距離判別方法在收割機(jī)故障診斷中的應(yīng)用*

楊俊凱，徐云杰

(湖州師范學(xué)院 工學(xué)院，浙江 湖州 313000)

?

故障現(xiàn)象矢量距離判別方法在收割機(jī)故障診斷中的應(yīng)用*

楊俊凱，徐云杰

(湖州師范學(xué)院 工學(xué)院，浙江 湖州 313000)

為了更快診斷收割機(jī)故障，實(shí)施故障預(yù)警，提升故障排除速度，應(yīng)用基于故障現(xiàn)象的矢量距離判別方法，解決收割機(jī)因隨機(jī)影響因素過(guò)多導(dǎo)致診斷困難的問(wèn)題。通過(guò)研究收割機(jī)故障現(xiàn)象空間發(fā)現(xiàn)，每一種故障現(xiàn)象的出現(xiàn)均服從0～1分布，每種故障對(duì)應(yīng)的故障現(xiàn)象矢量會(huì)自然形成以各自故障現(xiàn)象矢量期望為聚點(diǎn)的聚類，用系統(tǒng)聚類分析對(duì)原始故障現(xiàn)象進(jìn)行分類，再用距離判別法對(duì)新加入故障現(xiàn)象確定其類別歸屬并將結(jié)果反饋到數(shù)據(jù)庫(kù)，實(shí)現(xiàn)系統(tǒng)實(shí)時(shí)診斷經(jīng)驗(yàn)的自學(xué)習(xí)。利用蒙特卡洛方法進(jìn)行編程，證明了這種診斷方法實(shí)時(shí)性好、算法簡(jiǎn)單和診斷準(zhǔn)確率高。

收割機(jī)故障；故障現(xiàn)象矢量；距離判別；故障診斷

0 引言

堵塞故障是收割機(jī)最常見(jiàn)的故障，因此國(guó)內(nèi)外在這方面研究較多。國(guó)外的堵塞故障診斷與報(bào)警系統(tǒng)的研究已非常成熟，并廣泛裝備到聯(lián)合收割機(jī)上[1-2]。例如 John Deere、凱斯、紐荷蘭、CLASS 等品牌收割機(jī)都裝備高性能的故障診斷監(jiān)控系統(tǒng)。國(guó)內(nèi)這方面還未達(dá)到成熟階段，陳進(jìn)、汪鳳珠等人[3-5]在堵塞故障診斷上都取得了一定的成果。中國(guó)農(nóng)業(yè)大學(xué)、中國(guó)農(nóng)業(yè)機(jī)械化科學(xué)研究院等在故障診斷等方面也做了研究[6]。堵塞故障診斷的目的是控制收割機(jī)性能參數(shù)的調(diào)整或預(yù)警。與堵塞故障診斷不同，收割機(jī)機(jī)械部件一旦發(fā)生磨損、變形、碎裂等故障，只能進(jìn)行人工更換，機(jī)械部件故障診斷的目的是找到故障點(diǎn)或提前預(yù)警，目前針對(duì)收割機(jī)機(jī)械部件的故障診斷研究還較少。

聯(lián)合收割機(jī)機(jī)械部件故障診斷的實(shí)質(zhì)是尋找一個(gè)故障現(xiàn)象空間到故障空間的映射。為了準(zhǔn)確地找到最大限度的空間，常采用專家系統(tǒng)、BP神經(jīng)網(wǎng)絡(luò)、模糊算法、DS 證據(jù)理論和遺傳算法等的智能診斷方法[7-8]。專家系統(tǒng)知識(shí)獲取難，BP神經(jīng)網(wǎng)絡(luò)知識(shí)推理能力弱，模糊算法以串行推理為主知識(shí)獲取能力較弱，DS證據(jù)理論證據(jù)沖突較大時(shí)，存在一票否決現(xiàn)象，遺傳算法具有對(duì)網(wǎng)絡(luò)或樣品的訓(xùn)練收斂速度慢的缺點(diǎn)[8]，因此單獨(dú)使用一種是很難完成具有較高的診斷實(shí)時(shí)性要求的任務(wù)。L-M算法可以克服這個(gè)缺點(diǎn)，但提高了計(jì)算的復(fù)雜性和設(shè)計(jì)難度[8]。基于模糊理論的故障診斷專家系統(tǒng)可以描述系統(tǒng)的模糊狀態(tài)，基于規(guī)則簡(jiǎn)單的設(shè)計(jì)可實(shí)現(xiàn)傳統(tǒng)的故障診斷專家系統(tǒng)[9]。但基于規(guī)則的專家系統(tǒng)有規(guī)則的制定和知識(shí)獲取兩個(gè)瓶頸問(wèn)題[10-11]。解決規(guī)則制定和解決復(fù)雜規(guī)則的策略容易返回到神經(jīng)網(wǎng)絡(luò)和遺傳算法的復(fù)雜算法問(wèn)題時(shí)，使問(wèn)題變得復(fù)雜了。機(jī)器學(xué)習(xí)能夠有效地解決知識(shí)獲取的問(wèn)題，但機(jī)器學(xué)習(xí)容易引發(fā)組合爆炸。通過(guò)研究故障現(xiàn)象的概率分布和由故障集群引起的聚類特性，本文將距離判別方法用于機(jī)械故障診斷，將診斷結(jié)果反饋到故障數(shù)據(jù)庫(kù)，提供了很好的解決方案，解決了傳統(tǒng)的基于規(guī)則的專家系統(tǒng)的兩個(gè)問(wèn)題，使復(fù)雜的系統(tǒng)結(jié)構(gòu)和軟件設(shè)計(jì)難度大大降低，診斷效率和工程實(shí)用性大大增強(qiáng)。

1 建立故障模型

1.1 故障矢量現(xiàn)象的數(shù)學(xué)表示法

造成谷物聯(lián)合收割機(jī)常見(jiàn)故障的原因主要包括機(jī)器零部件的正常磨損、事故性故障、維修(安裝)調(diào)整不正確和使用、調(diào)整不當(dāng)造成的故障四個(gè)方面。統(tǒng)計(jì)顯示，造成故障的原因中因軸承內(nèi)進(jìn)入泥沙而引起軸承損壞、生銹以及鏈過(guò)松等非主要隨機(jī)因素引起的故障較多。故障現(xiàn)象和故障之間總體可以描述為：一個(gè)故障可能導(dǎo)致多個(gè)現(xiàn)象的發(fā)生；一個(gè)故障現(xiàn)象也可能是由不同的故障引發(fā)的；多個(gè)故障現(xiàn)象是不能肯定由哪一個(gè)故障引發(fā)的，但是都符合統(tǒng)計(jì)學(xué)。

1.2 專家系統(tǒng)模型的建立

診斷系統(tǒng)模型見(jiàn)圖1。

整個(gè)故障診斷系統(tǒng)是一個(gè)專家系統(tǒng)。它獲取并輸入一個(gè)故障現(xiàn)象矢量并根據(jù)距離判別規(guī)則和已有數(shù)據(jù)進(jìn)行推理。推理機(jī)根據(jù)判別分析規(guī)則發(fā)出診斷結(jié)果即診斷概率分析表，其中最大概率故障是首選結(jié)果，有些則是通過(guò)減少概率順序選擇的。診斷概率分析表將進(jìn)一步給維修人員提供確認(rèn)參考。經(jīng)確認(rèn)的結(jié)果將反饋到數(shù)據(jù)庫(kù)故障記錄庫(kù)中，以備下次診斷參考。

圖1 故障診斷專家系統(tǒng)模型

2 關(guān)鍵技術(shù)

2.1 推理規(guī)則的制定

制定規(guī)則需要解決設(shè)計(jì)故障數(shù)據(jù)表的問(wèn)題。表1是F1的故障數(shù)據(jù)，其中每行代表一個(gè)故障現(xiàn)象矢量表。

表1 F1數(shù)據(jù)表

用上述方法，能夠?yàn)槊總€(gè)Fi創(chuàng)建故障數(shù)據(jù)表。每個(gè)故障現(xiàn)象均服從標(biāo)準(zhǔn)的0～1分布，數(shù)學(xué)表達(dá)式見(jiàn)式(1)。每個(gè)現(xiàn)象的期望是pij，其中i代表該現(xiàn)象是由第i個(gè)故障引起的，j表示這個(gè)現(xiàn)象顯示在第j個(gè)現(xiàn)象中，N為該故障的樣本數(shù)據(jù)量；Iijt表示故障i的t次故障現(xiàn)象矢量是由j次故障分量引起的。

(1)

方差為：

(2)

不同現(xiàn)象之間的協(xié)方差為：

(3)

其中，P(Iiuk,Iivk)是兩個(gè)故障現(xiàn)象，它只有四種聯(lián)合概率：

(4)

(5)

(6)

歐氏距離比較直觀，而馬氏距離結(jié)果比較可信。在實(shí)際應(yīng)用中，馬氏距離需要知道的所有現(xiàn)象協(xié)方差矩陣的逆矩陣，涉及逆運(yùn)算矩陣，所以相對(duì)復(fù)雜。

2.2 學(xué)習(xí)策略設(shè)計(jì)

當(dāng)系統(tǒng)建成后，總結(jié)專家診斷經(jīng)驗(yàn)和輸入數(shù)據(jù)。在系統(tǒng)運(yùn)行過(guò)程中自動(dòng)學(xué)習(xí)，才能添加合適的故障現(xiàn)象矢量到故障數(shù)據(jù)庫(kù)。按概率由大至小進(jìn)行排序可能會(huì)造成誤判，這意味著將最前面的診斷作為診斷結(jié)果可能是錯(cuò)誤的，人不能完全控制這種判斷。如果數(shù)據(jù)庫(kù)中的數(shù)據(jù)是經(jīng)驗(yàn)非常豐富的數(shù)據(jù)，可降低誤判的可能性。系統(tǒng)會(huì)將誤判斷作為第二判斷，且作為失敗診斷概率輸出。

存儲(chǔ)形式影響問(wèn)題解決效率，而調(diào)節(jié)和評(píng)估影響解決問(wèn)題的準(zhǔn)確性。故障和故障現(xiàn)象的匹配度可用式(7)表示。

(7)

其中，Ds為故障c與故障現(xiàn)象c′的匹配度；Wi是特征參數(shù)i的權(quán)重；n是所有癥狀的數(shù)量；Xi，Yi分別是故障c和故障現(xiàn)象c′的初始特征或結(jié)論可信度。如果Ds=1，表明故障和故障現(xiàn)象最為合適，即完全匹配；如果Ds=0，表明故障和故障現(xiàn)象完全不同，即不匹配。

當(dāng)然，不是所有的經(jīng)驗(yàn)數(shù)據(jù)都是有效的。根據(jù)專家的經(jīng)驗(yàn)，故障現(xiàn)象矢量顯然是不符合一個(gè)故障現(xiàn)象對(duì)應(yīng)一個(gè)故障的關(guān)系。如果直接去除異常數(shù)據(jù)，當(dāng)系統(tǒng)遇到同類問(wèn)題持續(xù)累積會(huì)導(dǎo)致系統(tǒng)產(chǎn)生重大問(wèn)題。系統(tǒng)進(jìn)行距離判別時(shí)，這些異常數(shù)據(jù)應(yīng)排除在外，以免影響小概率判別使得分析異常。如果經(jīng)常出現(xiàn)這種異常，異常的頻率自然會(huì)增大。根據(jù)異常的測(cè)定公式(8)，它將不再處于異常的范圍。

(8)

其中，α是可以控制的異常辨別指數(shù)。

3 診斷算法設(shè)計(jì)

診斷算法流程如下：

(1)輸入故障現(xiàn)象進(jìn)行診斷Dx=(d1,d2,…,dn)。

(2)對(duì)所有故障Fi,i=1,2,…,n，執(zhí)行如下①～③:

①按步驟(1)計(jì)算向量Fi的期望；

②按式(8)對(duì)所有故障現(xiàn)象矢量Fi進(jìn)行異常判別；

③使用所有異常向量，重新計(jì)算Fi期望。

(3)對(duì)于被診斷矢量Dx，每個(gè)故障都按式(5)或式(6)計(jì)算歐洲(或馬氏)距離Disi。

(5)按概率從小到大確認(rèn)故障。

(6)確認(rèn)結(jié)果反饋到故障數(shù)據(jù)表。

4 模型仿真

4.1 仿真算法設(shè)計(jì)

DFRk=nk/M

(9)

其中，nk是經(jīng)過(guò)k次故障診斷后的矢量診斷頻率，M是診斷的總次數(shù)。

(10)

仿真算法如下：

(1)用蒙特卡洛法對(duì)所有故障樣本按故障現(xiàn)象矢量抽樣，每個(gè)故障產(chǎn)生N組樣本數(shù)據(jù)。

(2)使用隨機(jī)抽樣的方法，抽取一個(gè)故障x并建立一個(gè)故障現(xiàn)象矢量Dx。

(4)重復(fù)步驟(2)和步驟(3)m次。

4.2 仿真結(jié)果分析

取4LZ-4.5Z型履帶式谷物聯(lián)合收割機(jī)的六個(gè)典型旋轉(zhuǎn)故障，記為I1,I2,…,I6。該系統(tǒng)的故障現(xiàn)象及相應(yīng)的分布參數(shù)見(jiàn)表2。

表2 系統(tǒng)分布參數(shù)和對(duì)應(yīng)的現(xiàn)象

根據(jù)表2設(shè)計(jì)故障數(shù)據(jù)庫(kù)并進(jìn)行仿真，使用歐幾里得幾何距離判別法進(jìn)行距離判別。M=1 000,N=1 000，異常判別指標(biāo)α=30。每個(gè)故障樣本生成1 000個(gè)故障向量并提取1 000個(gè)故障樣本仿真。輸出結(jié)果見(jiàn)表3和表4。

表3 排除異常的數(shù)目

由表3顯示的結(jié)果，每一個(gè)故障異常數(shù)量少，這與實(shí)際情況相符。在表4中第一次故障檢測(cè)率高達(dá)0.852。當(dāng)k=2時(shí)即兩次累計(jì)診斷，成功率高達(dá)0.949，這意味著獨(dú)立故障的概率是兩個(gè)元素成功率高達(dá)0.949。原因是矢量故障參數(shù)F1和F6非常接近。從以上定義可以知道，這兩個(gè)故障可以作為一個(gè)模糊的群。目前，可以把它們作為一個(gè)故障，所以一次故障檢測(cè)率達(dá)到了0.949。數(shù)據(jù)結(jié)果分析表明，這種基于故障現(xiàn)象矢量判別診斷方法是有效的。

表4 診斷仿真結(jié)果

5 結(jié)論

本文提出了一種基于故障現(xiàn)象矢量判別分析的收割機(jī)機(jī)械系統(tǒng)故障診斷方法。從故障現(xiàn)象矢量的聚類特征出發(fā)，提出基于設(shè)計(jì)規(guī)則進(jìn)行推理判別分析的思想，建立專家系統(tǒng)并排除異常現(xiàn)象。最后，模擬收割機(jī)例證表明，該診斷方法具有實(shí)時(shí)性好、操作簡(jiǎn)單、診斷準(zhǔn)確性高的特點(diǎn)。

[1] CRAESSAERTS G, BAERDEMAEKER J D, SAEYS W. Fault diagnostic systems for agricultural machinery[J]. Biosystems Engineering, 2010, 106(1):26-36.

[2] Nie Caili, Zhao Xiaoshun, Chen Huilian, et al. Development of fault diagnostic techni- que for modern agricultural machinery[J]. Journal of Agricultural Mechanization Research, 2007(9): 229-231.

[3] 陳進(jìn)，龔麗霞，李耀明.基于FNN的聯(lián)合收割機(jī)故障診斷系統(tǒng)研究[J]. 中國(guó)測(cè)試, 2014,40(5): 77-79.

[4] 汪鳳珠，張俊寧，李瑞川，等.花生聯(lián)合收獲機(jī)作業(yè)在線監(jiān)測(cè)與故障預(yù)警系統(tǒng)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(增刊):69-73.

[5] 盧文濤，張莉杰，張東興,等.聯(lián)合收獲機(jī)監(jiān)控系統(tǒng)研究現(xiàn)狀[J].農(nóng)機(jī)化研究,2014,36(9): 256-259.

[6] 徐凱.基于BPNN與DS理論的聯(lián)合收割機(jī)堵塞故障診斷與報(bào)警系統(tǒng)[D].鎮(zhèn)江：江蘇大學(xué)，2016.

[7] 李云松，任艷君.智能診斷技術(shù)發(fā)展綜述[J].四川兵工學(xué)報(bào)，2010,31(4):122-125.

[8] 王建梅, 覃文忠. 基于 LM 算法的 BP 神經(jīng)網(wǎng)絡(luò)分類器[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2005, 30(10): 928-931.

[9] 楊慧, 楊欣. 模糊灰關(guān)聯(lián)在 QAR 故障數(shù)據(jù)檢測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(7): 1896-1899.

[10] 劉志華，吳韜，曹瑞明.基于DataSocket 技術(shù)的設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)[J]. 微型機(jī)與應(yīng)用, 2015, 34(24): 84-87.

[11] 張美玲，胡曉. 基于LCD和改進(jìn) SVM 的軸承故障診斷方法[J]. 電子技術(shù)應(yīng)用, 2016, 42(6): 81-83.

Application of fault phenomenon vector for distance discriminantmethod in harvester fault diagnosis

Yang Junkai, Xu Yunjie

(School of Technology, Huzhou University, Huzhou 313000, China)

In order to quickly diagnose harvester failure, advance early-warning fault and improve troubleshooting speed, the discrimination method for vector distance based on fault phenomenon is used to solve the problem that harvester is difficult to diagnose due to too many random factors. Each failure phenomenon is founded to obey the 0～1 distribution, and the fault phenomenon vector corresponding to each fault will naturally form clustering based on the vector expectation of the respective failure phenomenon as the clustering point. The original fault phenomenas are classified by systematic cluster analysis, the classification of new fault phenomena is identified by the distance discriminance and the results are fed back to the database, so the self-learning of real-time diagnostic experience is realized. The Monte Carlo method is applied to program, which can demonstrate that this method has good real-time performance, simple algorithm and high diagnostic accuracy.

harvester failure; fault phenomenon vector; distance discriminant; fault diagnose

TS210.1; S511

A

10.19358/j.issn.1674- 7720.2017.12.029

楊俊凱，徐云杰.故障現(xiàn)象矢量距離判別方法在收割機(jī)故障診斷中的應(yīng)用[J].微型機(jī)與應(yīng)用，2017,36(12)：98-101，105.

湖州市公益性項(xiàng)目(2014GZB01)

2016-12-20)

楊俊凱(1983-)，男，碩士，實(shí)驗(yàn)師，主要研究方向：機(jī)電一體化。

徐云杰(1976-)，通信作者，男，博士，副教授，碩士生導(dǎo)師，主要研究方向：林業(yè)機(jī)械智能化。E-mail：xyj9000@163.com。