基于SVM算法的環(huán)錠紡紗機(jī)鋼絲圈故障診斷

侯平智，唐飛平，吳 鋒

(杭州電子科技大學(xué)自動(dòng)化學(xué)院,浙江 杭州 310018)

基于SVM算法的環(huán)錠紡紗機(jī)鋼絲圈故障診斷

侯平智，唐飛平，吳 鋒

(杭州電子科技大學(xué)自動(dòng)化學(xué)院,浙江 杭州 310018)

使用普瑞美RING EXPERT裝置采集環(huán)錠紡紗機(jī)鋼絲圈振動(dòng)信息，結(jié)合聯(lián)合時(shí)域頻域方法提取鋼絲圈振動(dòng)信息特征向量，在運(yùn)用交叉驗(yàn)證法和網(wǎng)格搜索法進(jìn)行參數(shù)優(yōu)化的基礎(chǔ)上，利用支持向量機(jī)智能算法對(duì)鋼絲圈出現(xiàn)的不平衡、碰磨、裂紋等故障進(jìn)行診斷分析.仿真結(jié)果表明，診斷耗時(shí)短，正確率達(dá)到88.0%，基本解決了中小型紡織企業(yè)環(huán)錠紡紗機(jī)鋼絲圈故障診斷問(wèn)題.

環(huán)錠紡紗機(jī)鋼絲圈；信息采集；特征提??；支持向量機(jī)算法；故障診斷

0 引 言

環(huán)錠紡紗機(jī)是我國(guó)運(yùn)用最廣、效果最好的紡紗設(shè)備.鋼絲圈是環(huán)錠細(xì)紗機(jī)重要部件之一.鋼絲圈的運(yùn)行故障將阻礙生產(chǎn)過(guò)程，浪費(fèi)生產(chǎn)資料，影響紡紗質(zhì)量，甚至危及紡紗機(jī)的壽命.近年來(lái)，該領(lǐng)域的專家對(duì)鋼絲圈故障診斷進(jìn)行了深入研究，得到了很多寶貴的研究成果.Y型光電式鋼絲圈軌跡測(cè)定儀利用光電式傳感器檢測(cè)出鋼絲圈的振動(dòng)來(lái)反映鋼絲圈的振動(dòng)特性[1].文獻(xiàn)[2]對(duì)鋼絲圈的制作工藝進(jìn)行了研究，將傳統(tǒng)與現(xiàn)代設(shè)計(jì)相結(jié)合，降低了鋼絲圈發(fā)生故障機(jī)率.文獻(xiàn)[3]對(duì)紡紗斷頭的監(jiān)測(cè)進(jìn)行了研究，但沒(méi)有對(duì)斷頭前的故障進(jìn)行診斷分析，不能為實(shí)踐提供預(yù)測(cè)指導(dǎo)作用.這些研究都是針對(duì)鋼絲圈的物理性能進(jìn)行故障評(píng)判，并沒(méi)有對(duì)出現(xiàn)異常故障進(jìn)行理論模型分析.文獻(xiàn)[4-5]在利用簡(jiǎn)易傳感器采集鋼絲圈機(jī)械物理量的基礎(chǔ)上，使用統(tǒng)計(jì)學(xué)的分析方法進(jìn)行故障診斷.文獻(xiàn)[6]通過(guò)分析錠子和鋼絲圈的運(yùn)行數(shù)據(jù)特征差異比來(lái)探究鋼絲圈故障診斷依據(jù)，文獻(xiàn)[7]通過(guò)紗線動(dòng)態(tài)飛圈張力來(lái)反映鋼絲圈的工作狀況.文獻(xiàn)[6-7]都是通過(guò)關(guān)聯(lián)因子來(lái)間接反映故障狀態(tài)的方式，在一定程度簡(jiǎn)化了問(wèn)題的復(fù)雜性，但實(shí)際上卻犧牲了正確率.隨著數(shù)據(jù)樣本復(fù)雜性、多樣性的增加，在非線性情況下時(shí)，其診斷能力也很有限.

實(shí)際生產(chǎn)中，不同紡紗機(jī)匹配不同的鋼絲圈種類，導(dǎo)致運(yùn)行規(guī)律迥異；鋼絲圈運(yùn)行速度快、數(shù)據(jù)量大，很難及時(shí)處理.而支持向量機(jī)(Support Vector Machine, SVM)算法的出現(xiàn)緩解了這些限制和缺陷，簡(jiǎn)化了樣本的復(fù)雜，運(yùn)用特征信息方式抽離出實(shí)時(shí)數(shù)據(jù)的核心信息，屏蔽了設(shè)備不同帶來(lái)的復(fù)雜性.該理論可以針對(duì)故障樣本數(shù)量有限，處于非線性情況下的數(shù)據(jù)做出深入探究，對(duì)故障問(wèn)題做出快速準(zhǔn)確的診斷[8]，綜合以上的算法優(yōu)勢(shì)和實(shí)際應(yīng)用情況的應(yīng)用，本文運(yùn)用SVM算法對(duì)環(huán)錠紡紗機(jī)鋼絲圈的進(jìn)行故障診斷.

1 基于SVM的環(huán)錠紡紗機(jī)鋼絲圈故障診斷模型

1.1 模型建立

針對(duì)一個(gè)函數(shù)集，如果存在N個(gè)樣本能夠被函數(shù)集中的函數(shù)按所有可能的2N種形式分開(kāi)，則稱函數(shù)集能夠把N個(gè)樣本打散；其中，能夠打散的最大樣本數(shù)N被稱為這個(gè)函數(shù)集的VC維，一般用h表示[9].基于SVM算法模型的學(xué)習(xí)能力就是通過(guò)其邏輯函數(shù)集的VC維h來(lái)處理風(fēng)險(xiǎn)誤差.

二維情況下的超平面分類如圖1所示.圖1中，N個(gè)實(shí)心和空心圓點(diǎn)分別表示兩類鋼絲圈故障樣本集，并且存在一個(gè)平面H把樣本按照故障類型正確的分為2類，橫坐標(biāo)為輸入的特征量i，縱坐標(biāo)為實(shí)際故障類別o，F(xiàn)(i)為一個(gè)平面的表示函數(shù).設(shè)H1和H2為與超平面H平行且與分離樣本點(diǎn)最鄰近的直線，兩者之間的距離稱m，根據(jù)VC理論研究得到VC維h與m滿足

h=f(1/m2)

(1)

其中，f(*)為單調(diào)增函數(shù)，即m2與h成反比.很顯然，介于H1和H2最中間的平面是能夠最大化分類故障樣本的平面，被稱作最優(yōu)超平面，而求解該平面的最優(yōu)函數(shù)就是模型構(gòu)建的主要目標(biāo).

圖1 二維情況下的超平面分類示意圖

一般情況下，用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則(Empirical Risk Minimization, ERM)來(lái)表現(xiàn)智能模型算法訓(xùn)練性能，但實(shí)際上ERM只說(shuō)明訓(xùn)練誤差較小，而不是實(shí)際風(fēng)險(xiǎn)最小.所以本文引入置信風(fēng)險(xiǎn)的概念，統(tǒng)計(jì)學(xué)理論中給出了實(shí)際風(fēng)險(xiǎn)、經(jīng)驗(yàn)風(fēng)險(xiǎn)、置信風(fēng)險(xiǎn)之間的關(guān)系為

(2)

g(x)=wTx+b

(3)

其中，g(x)表示鋼絲圈故障診斷輸出模型，x為輸入的特征空間向量，w為平面的方向參量，b為偏移參量.此時(shí)實(shí)際輸出用yi表示，對(duì)于兩類故障問(wèn)題有yi∈{-1,+1}，顯然|g(x)|≥1，所以當(dāng)診斷正確時(shí)必須有

yi[wTx+b]>1,i=1,2,3,…,N

(4)

(5)

(6)

(7)

式(7)為一個(gè)有唯一解的二次規(guī)劃的不等式問(wèn)題，其中αi為朗格朗日乘子.由泛函理論有K(xi,yi)滿足Φ(xi)TΦ(xi)=K(xi,xi)，其中K(xi,yi)為核函數(shù)，所以又可轉(zhuǎn)化為：

(8)

所以，可得故障結(jié)果判別函數(shù)：

(9)

1.2 模型分析

由模型建立過(guò)程分析可知，需要確立3個(gè)重要的解決方案：鋼絲圈運(yùn)行時(shí)振動(dòng)信息的采集和特征信息的提取方案，建立SVM算法的核函數(shù)極其相關(guān)參數(shù)的確定優(yōu)化問(wèn)題.

1.2.1 數(shù)據(jù)采集

本文采用普瑞美的RING/RINGEYE振動(dòng)信息采集裝置.基于電磁感應(yīng)原理，在鋼領(lǐng)板兩側(cè)各裝一個(gè)軌道，再在兩軌道上分別裝載電磁感應(yīng)監(jiān)測(cè)裝置和永磁磁場(chǎng)單元，當(dāng)鋼絲圈運(yùn)動(dòng)時(shí)切割磁感線產(chǎn)生電感應(yīng)信號(hào)獲取振動(dòng)信息.由于電磁信號(hào)的迅速性和精準(zhǔn)性，能實(shí)時(shí)準(zhǔn)確采集到鋼絲圈的振動(dòng)信息，為后期故障診斷提供了正確的數(shù)據(jù)基礎(chǔ).

1.2.2 特征提取

時(shí)域和頻域分別反映數(shù)據(jù)時(shí)間軸和頻域軸上的特征，在數(shù)據(jù)分析上各有優(yōu)勢(shì)，本文綜合兩者的優(yōu)勢(shì)，采用聯(lián)合時(shí)頻域特征提取方法(Joint Time-Frequency Domain, JTFD)對(duì)數(shù)據(jù)進(jìn)行特征信息提取[11]，簡(jiǎn)潔有效地提取不同故障狀態(tài)下的特性細(xì)節(jié)，有利于分類各種故障下的特征類別信息，具體流程如圖2所示.

圖2 JTFD樣本特征信息提取流程圖

1.2.3 參數(shù)確定

核函數(shù)和參數(shù)的選擇本質(zhì)是一種優(yōu)化問(wèn)題.交叉驗(yàn)證是一種將鋼絲圈的訓(xùn)練集均分成N個(gè)子集，一份鋼絲圈的訓(xùn)練子集為測(cè)試數(shù)據(jù)，其他N-1個(gè)子集數(shù)據(jù)為訓(xùn)練集，持續(xù)N次，選擇最優(yōu)的一組參數(shù)[12].網(wǎng)格搜索指在SVM進(jìn)行鋼絲圈故障分類時(shí)，如：要確定懲罰因子ξ.網(wǎng)絡(luò)法將ξ∈[ξ1,ξ2]，步長(zhǎng)ξs針對(duì)每一個(gè)參數(shù)對(duì)ξ′進(jìn)行訓(xùn)練，取效果最好的一組參數(shù)，結(jié)合這兩種算法即可確定最優(yōu)核函數(shù)選擇與參數(shù).

1.3 算法實(shí)現(xiàn)

綜上所述，本文采用RING EXPERT裝置進(jìn)行振動(dòng)信息的采集；選用JTFD方法，全面且不失簡(jiǎn)潔地對(duì)數(shù)據(jù)進(jìn)行特征提取；再結(jié)合SVM模型中對(duì)非線性復(fù)雜數(shù)據(jù)的處理和基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的誤差處理機(jī)制，使得故障診斷準(zhǔn)確可靠.具體步驟如下：

1)通過(guò)RING EXPERT裝置采集現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)樣本，JTFD方法提取樣本數(shù)據(jù)的特征向量獲得模型訓(xùn)練特征向量集；

2)利用交叉驗(yàn)證法與網(wǎng)格搜索法的LIBSVM開(kāi)源包進(jìn)行SVM模型最優(yōu)參數(shù)組合的選擇，本文采用專為SVM分類機(jī)的LIBSVM開(kāi)源包進(jìn)行仿真；

3)由樣本特征向量集、SVM核函數(shù)和參數(shù)值進(jìn)行有故障與無(wú)故障模型的訓(xùn)練，得到無(wú)故障分類機(jī)模型；

4)再由上述模型分類出有故障的樣本，并按步驟2方式得到不平衡診斷模型，同理得到不平衡的訓(xùn)練樣本，得到有碰磨的故障診斷分類機(jī)模型，具體流程如圖3所示.

圖3 SVM診斷分類機(jī)模型訓(xùn)練算法流程圖

最終得到3類診斷模型，可以實(shí)現(xiàn)4種故障類型的診斷.診斷算法流程如圖4所示.首先將現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行特征提??；再用于無(wú)故障診斷模型，判斷是否屬于無(wú)故障，若是，則診斷為無(wú)故障狀態(tài)，診斷結(jié)束；否則同理進(jìn)行另外2種模型的診斷，直至診斷為某一明確狀態(tài)；最終整個(gè)診斷結(jié)束.

圖4 SVM故障分類機(jī)診斷算法流程圖

2 基于SVM算法的環(huán)錠紡紗機(jī)鋼絲圈故障診斷仿真

2.1SVM分類機(jī)的訓(xùn)練

RING EXPERT裝置采集現(xiàn)場(chǎng)350組實(shí)時(shí)數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)；由JTFD方法提取特征向量；再利用基于LIBSVM開(kāi)源庫(kù)中交叉驗(yàn)證法與網(wǎng)格搜索法進(jìn)行參數(shù)優(yōu)化，確定由建模過(guò)程中引入的松弛變量值及各核函數(shù)的參數(shù).由LIBSVM計(jì)算的最優(yōu)參數(shù)組合值如表1所示.通過(guò)比較正確率高低，易知這里選擇徑向基核函數(shù)組合是比較合適的.

表1 各核函數(shù)和參數(shù)最優(yōu)組合表

按照?qǐng)D3流程圖由LIBSVM開(kāi)源包進(jìn)行SVM多分類機(jī)的訓(xùn)練，通過(guò)MATLAB仿真得到的3種局部分類結(jié)果如圖5所示.結(jié)果都是相當(dāng)清晰明了，表明模型訓(xùn)練過(guò)程基本上達(dá)到了的預(yù)期過(guò)程.

圖5 無(wú)故障、不平衡分、有碰磨分類結(jié)果局部圖

圖6 完整SVM訓(xùn)練結(jié)果模型平面示意圖

為了綜合分析，將350組現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)通過(guò)分類處理后，得出的綜合分類平面示意圖如圖6所示.區(qū)域一為碰磨故障，區(qū)域二為不平衡狀況，區(qū)域三為有裂紋故障，區(qū)域四為無(wú)故障狀態(tài).可以看出，分類結(jié)果明朗有效，達(dá)到了最初模型分類的理想效果.

2.2 仿真測(cè)試結(jié)果分析

針對(duì)上述的訓(xùn)練模型，抽取50組工業(yè)實(shí)際數(shù)據(jù)進(jìn)行模型測(cè)試，為了清晰的反映測(cè)試結(jié)果，將四維診斷輸出結(jié)果拆分為4種情況進(jìn)行對(duì)比，結(jié)果如圖7所示.“1”表示診斷出該情況，“0”表示不屬于該情況.由圖6可以很明顯地看出，一定允許誤差范圍內(nèi)，50組數(shù)據(jù)的診斷結(jié)果和實(shí)際結(jié)果基本吻合，僅有6組數(shù)據(jù)診斷效果不夠理想，其中，總體診斷正確率達(dá)到了88.0%.4張圖綜合來(lái)看，每組數(shù)據(jù)診斷結(jié)果也是唯一無(wú)二義性的，因此診斷效果相當(dāng)理想，表明本文模型確實(shí)能夠?qū)?shí)際的診斷提供可靠的工作支持.

圖7 50組次數(shù)據(jù)測(cè)試結(jié)果對(duì)比圖

為了深入研究SVM診斷分類機(jī)的優(yōu)質(zhì)特性，跟蹤診斷過(guò)程中的相關(guān)參數(shù)來(lái)說(shuō)明問(wèn)題，結(jié)果如表2所示，不論在訓(xùn)練正確率還是在測(cè)試正確率方面，分類機(jī)推理算法的結(jié)果都是比較準(zhǔn)確理想的.同時(shí)也可以看出計(jì)算時(shí)間效率比較合理的，基本滿足紡織工廠要求的迅速性，高效性的進(jìn)行故障診斷.

表2 由LIBSVM得出SVM故障診斷算法的評(píng)價(jià)結(jié)果

根據(jù)SVM算法的故障診斷建模策略來(lái)看，本質(zhì)上是在構(gòu)建SVM多分類機(jī)，將采集的數(shù)據(jù)進(jìn)行特征向量提取得訓(xùn)練集，再由訓(xùn)練集逼近求取最優(yōu)超平面，相當(dāng)于將輸入特征向量和診斷結(jié)果進(jìn)行關(guān)系映射，最后根據(jù)最優(yōu)超平面對(duì)未知數(shù)據(jù)進(jìn)行診斷分析.綜合實(shí)驗(yàn)數(shù)據(jù)及測(cè)試結(jié)果可以看出，本文模型的建立過(guò)程和模型分析處理方案效果顯著.

3 結(jié)束語(yǔ)

本文結(jié)合SVM算法提出一種解決紡織企業(yè)中環(huán)錠紡紗機(jī)鋼絲圈故障診斷問(wèn)題的智能診斷模型，通過(guò)理論和實(shí)驗(yàn)測(cè)試研究發(fā)現(xiàn)，本文提出的算法比較理想地實(shí)現(xiàn)了診斷功能，運(yùn)算效率基本符合企業(yè)生產(chǎn)要求，為企業(yè)提供了一定的技術(shù)支持.由于模型訓(xùn)練過(guò)程中仍有一定的時(shí)間開(kāi)銷，當(dāng)現(xiàn)場(chǎng)鋼絲圈數(shù)特別多且實(shí)時(shí)性要求特別高時(shí)，對(duì)正確率有一定的影響，后續(xù)還需進(jìn)一步優(yōu)化.

[1]宋曉亮,楊藝,張慧靈,等.光電式斷紗檢測(cè)頭性能試驗(yàn)研究[J].棉紡織技術(shù),2015,43(3):19-22.

[2]BAGWAN A, KOLI M, DALAL S,等.調(diào)整鋼絲圈質(zhì)量——控制紗線品質(zhì)與斷頭率的有效措施[J].國(guó)際紡織導(dǎo)報(bào),2015,43(7):15-16.

[3]龔羽,倪遠(yuǎn).環(huán)錠細(xì)紗機(jī)紡紗斷頭監(jiān)測(cè)技術(shù)現(xiàn)狀與發(fā)展評(píng)析[J].紡織導(dǎo)報(bào),2012(6):100-104.

[4]SONNTAG E. Ceratwine ring/traveller system-progress in ring spinning through high-performance ceramics[J]. Melliand Textilberiche, 1997,78(10):684-685.

[5]GNEUPEL M, STUSAK M. Sensor system for a ring spinning machine: EP1540053[P].2014-04-30.

[6]UDDIN N, AFROZ F, JALIL M A. Retrofitting of Simple Mechanical Compacting Device (RoCoS) on Conventional Ring Spinning Machine for Improving Yarn Quality[J]. European Scientific Journal, 2015,11(3):68-74.

[7]NOCKE A, UNGER R, KRZYWINSKI F, et al. Measurement methods of dynamic yarn tension in a ring spinning process[J]. Fibres & Textiles in Eastern Europe, 2016,24(1):115.

[8]WIDODO A, YANG B S. Application of nonlinear feature extraction and support vector machines for fault diagnosis of induction motors[J]. Expert Systems with Applications, 2007,33(1):241-250.

[9]李琴,伊?xí)粤?曹根牛.關(guān)于支持向量基中二次函數(shù)集VC維的研究[J].科技信息(學(xué)術(shù)研究),2007(33):78-79.

[10]程從華,白龍. 基于刪失數(shù)據(jù)的Log-Gompertz回歸模型的統(tǒng)計(jì)推斷[J].寧夏大學(xué)學(xué)報(bào):自然科學(xué)版,2015(2):115-120.

[11]唐靜遠(yuǎn).模擬電路故障診斷的特征提取及支持向量機(jī)集成方法研究[D].成都:電子科技大學(xué),2010.

[12]榮海娜,張葛祥,金煒東.系統(tǒng)辨識(shí)中支持向量機(jī)核函數(shù)及其參數(shù)的研究[J].系統(tǒng)仿真學(xué)報(bào),2006,18(11):3204-3208.

Fault Diagnosis of Ring Spinning Frame Based on SVM Algorithm

HOU Pingzhi, TANG Feiping, WU Feng

(SchoolofAutomation,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

This paper firstly adopts the Bremen RING EXPERT device to collect the vibration information, and combines with the time-frequency domain method to extract the characteristic vector of the vibration information of steel wire ring. Then, it use the support vector machine(SVM) intelligent algorithm for the fault diagnosis and analysis based on the parameters optimization by the cross validation method and the grid search method, when the steel wire ring appears the unbalance, rubbing and cracking state. The simulation results show that the diagnosis time is short and the correct rate is 88.0%, basic solves the small and medium-sized textile enterprises ring spinning frame steel wire circle fault diagnosis problem.

ring spindle spinning machine; information acquisition; feature extraction; support vector machine algorithm; fault diagnosis

10.13954/j.cnki.hdu.2017.04.010

2016-09-13

浙江省公益技術(shù)研究資助項(xiàng)目(2015C31084)

侯平智(1968-)，男，浙江杭州人，高級(jí)工程師，智能控制.

TP206+.3

A

1001-9146(2017)04-0047-06