RBF人工神經(jīng)網(wǎng)絡(luò)評估特征診斷鋁錠脫模故障

黃將誠，沈廷杰 ,張弛

(1.重慶電子工程職業(yè)學(xué)院 人工智能與大數(shù)據(jù)學(xué)院，重慶 401331;2.大連理工大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116024)

0 引言

鋁及鋁合金由于其本身優(yōu)良的化學(xué)、物理性質(zhì)尤其是低密度和強(qiáng)抗腐蝕能力的特性，被廣泛地用于汽車、航空、造船等行業(yè)，是目前產(chǎn)量最大的有色金屬。鋁的冶煉目前多采用電解法進(jìn)行，從電解槽陰極生產(chǎn)出來的高溫鋁液需要經(jīng)過鋁錠連鑄車間進(jìn)行鑄造成型。在這個過程中首先將高溫鋁液澆入到鑄模中，然后將其傳送到下一個車間讓其冷卻，最后通過敲擊機(jī)構(gòu)對鑄模進(jìn)行敲擊，將凝固后的鋁錠從鑄模中分離出來，也稱為鋁錠脫模。但是由于澆筑過程中的高溫導(dǎo)致鋁液和鑄模之間的接觸表面發(fā)生了化學(xué)擴(kuò)散反應(yīng)，導(dǎo)致界面之間形成了Fe-Al和Fe-Al-Si化合物，隨著晶粒的不斷生長會使鋁錠和模具之間產(chǎn)生粘連[1-3]，進(jìn)而產(chǎn)生無法完成脫模的現(xiàn)象。這種情況對鋁錠連鑄生產(chǎn)線具有極大的危害，會導(dǎo)致鋁液再次進(jìn)入鑄模從而造成財產(chǎn)、人員安全受損，因此對鋁錠的脫模情況進(jìn)行診斷顯得尤為重要。

由于生產(chǎn)環(huán)境中的高溫和大慣性等因素，接觸式傳感器的使用受到很大的限制，而非接觸式傳感器可以揚(yáng)長避短，實現(xiàn)在線診斷。目前，非接觸診斷，尤其是聲學(xué)診斷，在故障診斷領(lǐng)域已經(jīng)有了許多成功應(yīng)用。周俊等[4]利用盲解卷積和頻域壓縮感知對軸承復(fù)合故障進(jìn)行聲學(xué)診斷；李岐[5]通過聲學(xué)對貨車運(yùn)行早期故障進(jìn)行了診斷；羿澤光等[6]基于參考信號頻域半盲提取進(jìn)行了機(jī)械故障特征的聲學(xué)診斷。而脫模過程中敲打的聲音同樣蘊(yùn)藏著豐富的信息[7-11]，因此本文提出利用聲音信號對脫模狀態(tài)進(jìn)行診斷的方法。主要過程如下：首先通過經(jīng)驗?zāi)B(tài)分解對兩次敲打信號進(jìn)行預(yù)處理，提取其8個高頻IMF分量，而后從IMF分量中提取特征并對特征進(jìn)行評估，進(jìn)而利用評估后的特征及其對應(yīng)的故障狀態(tài)對RBF人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后通過訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行鋁錠脫模故障的診斷。

1 模型建立

首先將采樣得到的信號分為訓(xùn)練樣本信號和測試信號兩類，前者用于模型建立過程中對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，后者用來對模型進(jìn)行測試。隨后對訓(xùn)練樣本信號采用EMD方法進(jìn)行預(yù)處理，提取特征并計算特征的敏感度，結(jié)合神經(jīng)網(wǎng)絡(luò)對信號進(jìn)行進(jìn)一步地篩選得到敏感特征。最后將測試樣本信號的敏感特征作為輸入信號將其輸入到訓(xùn)練好的網(wǎng)絡(luò)中，對模型進(jìn)行測試。具體過程如圖1所示。

圖1 模型建立流程

1.1 信號預(yù)處理

經(jīng)驗?zāi)B(tài)分解(EMD)是Huang首先提出來的一種針對非線性、非平穩(wěn)、瞬變信號的分析方法，該方法可以將原始信號分解為若干個內(nèi)稟模態(tài)函數(shù)(intrinsic mode function，IMF)和1個殘差函數(shù)。本文利用EMD方法對原始信號進(jìn)行了分解，并提取了前8個高頻IMF，主要的步驟如下[12-14]：

1)首先確定采集到的信號X(t)上的所有極值點(diǎn)，用三次樣條曲線連接所有的極大值點(diǎn)形成上包絡(luò)線，采用同樣的方法形成下包絡(luò)線。數(shù)據(jù)X(t)與上、下包絡(luò)線的均值m1的差值記為h1，則

h1=X(t)-m1

(1)

將m1視作新的X(t)，重復(fù)上述步驟，直到hi滿足IMF的兩個條件時，則其成為從原始信號篩選出的第1階IMF，記為C1。

2)將C1從X(t)中分離出來，得到一個去掉高頻分量的差值信號r1，有：

r1=X(t)-C1

(2)

把r1作為新的信號，重復(fù)步驟1)，直到第n階的殘余信號成為單調(diào)函數(shù)，不再篩分出IMF分量。

3)將殘余項記為rn(t)，則X(t)可以表示成為n個IMF分量和1個殘余項的和，即

(3)

對采集到的聲音信號分別進(jìn)行EMD分解并提取前8個高頻IMF分量，結(jié)果如圖2-圖3所示。

圖2 正常脫模的原始信號與分解后的前8個IMF

圖3 未正常脫模的原始信號與分解后的前8個IMF

1.2 特征信號選擇

目前信號的時域統(tǒng)計特征有均值、均方值、有效值、方差、標(biāo)準(zhǔn)差等,這些都是有量綱指標(biāo)，而無量綱指標(biāo)基本上不受工況(轉(zhuǎn)速和載荷等因素)和信號絕對水平的影響，即使測點(diǎn)同以往的地方略有變動，也不致于對診斷結(jié)果產(chǎn)生太大的影響。本文采用偏斜度(skewness,S)、峭度(kurtosis,K)、峰值指標(biāo)(crest factor,CF)、波形指標(biāo)(shape factor,SF)、脈沖指標(biāo)(impulse factor,IF)和裕度指標(biāo)(clearance factor,CLF)作為無量綱指標(biāo)，其定義如表1所示。

表1 6個時域無量綱指標(biāo)與計算方法

對原始信號和分解后的8個高頻IMF分量信號分別提取上述6個無量綱特征，會獲得54個無量綱特征。如果將54個特征全部輸入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，會導(dǎo)致網(wǎng)絡(luò)負(fù)擔(dān)極重，同時這些特征之間有可能存在耦合等復(fù)雜情況，會對診斷的正確率產(chǎn)生影響。綜合這兩個原因，需要對特征進(jìn)行評估。

特征評估指的是通過特征之間的距離來評判特征對于分類的敏感度，具體來講就是同一個特征在同一類中的距離越小，在不同類之間的距離越大，則這個特征越敏感。具體步驟如下：

1)計算第i類第j個特征的類內(nèi)距離

(4)

其中：N為樣本數(shù)；pi,j(m)為第i類第m個樣本第j個特征的特征值；pi,j(n)為第i類第n個樣本第j個特征的特征值。

2)計算第j個特征在M個類內(nèi)的平均距離

(5)

3)計算第i類和第k類中第j個特征的類間平均距離

(6)

其中M、N為第i個和第j個類的樣本數(shù)。

4)計算特征的敏感度

特征的敏感度定義如下：

(7)

SEN(j)的大小可以客觀地表現(xiàn)特征j在分類過程中的難易程度，當(dāng)SEN(j)越小時，即特征j在類內(nèi)表現(xiàn)的差異性較小，而在類間表現(xiàn)的差異性更大，因此能夠更好地進(jìn)行分類。隨后將所有的特征按照特征敏感度數(shù)值大小升序排列，獲得新的特征序列Feature{F1,F2,…,Fk-1,Fk,}，最后將特征序列的元素從F1,F2,…,Fk-1,Fk依次輸入到人工神經(jīng)網(wǎng)絡(luò)。

1.3 RBF人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練及測試

徑向基(radial basis function，RBF)人工神經(jīng)網(wǎng)絡(luò)只有1個隱含層，因此訓(xùn)練速度快，而且采用高斯函數(shù)作為激活函數(shù)，具有局部逼進(jìn)特性，這也意味著RBF人工神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于有實時性要求的場合。

基于上述原因本文運(yùn)用SPSS17.0設(shè)計了RBF人工神經(jīng)網(wǎng)絡(luò)，其中將上述經(jīng)過敏感度評估的特征按照敏感度從高到低的順序依次作為輸入，而將鋁錠脫模過程故障的兩種狀態(tài)作為輸出。設(shè)定如下兩條截止條件，達(dá)到其中一個即認(rèn)為特征選擇結(jié)束：一是分類的準(zhǔn)確率達(dá)到設(shè)定閾值即98%；二是連續(xù)5個特征的輸入不會使得分類的準(zhǔn)確率增加。本文的數(shù)據(jù)來源于青海某鋁廠。在實際的特征選擇過程中，由于每一個擊打信號的周期為3.3 s，在實際的信號采集過程中共錄制信號8段，每段20 min，采樣率為48 000 Hz，其中前7段作為訓(xùn)練樣本共計202個，第8段中有33個。在訓(xùn)練過程中達(dá)到設(shè)定閾值即98%時的敏感特征數(shù)量為9個，其分布如表2所示。

表2 敏感特征及其分布

如表2所示，6個無量綱指標(biāo)均存在敏感的特征，且在原始信號中存在4個敏感特征，在前4個IMF分量共存在著5個敏感特征，而后面的IMF5-IMF8并未存在敏感特征。這有可能是因為后面的低頻分量是車間的背景噪聲。

除此之外，繼續(xù)將特征作為輸入輸入到RBF人工神經(jīng)網(wǎng)絡(luò)中，得到了特征個數(shù)與分類準(zhǔn)確率的曲線，如圖4所示。

圖4 分類準(zhǔn)確率與特征數(shù)目關(guān)系

通過圖4可以進(jìn)一步看到，隨著特征數(shù)目的增多，系統(tǒng)分類的能力總體在達(dá)到最大之后開始下降。這說明通過經(jīng)驗?zāi)B(tài)分解對原始信號進(jìn)行處理的同時，也帶來了大量效率低下的特征，甚至?xí)档头诸愋实奶卣?。在?jīng)過特征評估之后，不僅能夠降低RBF人工神經(jīng)網(wǎng)絡(luò)的負(fù)擔(dān)，同時還可以提高分類的正確率。

2 實驗分析

在完成上述模型的建立之后，將采集到的第8段信號作為測試信號對系統(tǒng)進(jìn)行測試，測試結(jié)果如表3所示。

表3 測試結(jié)果

通過實驗說明本系統(tǒng)所采用的基于特征評估的模型能夠準(zhǔn)確地診斷未正常脫模的鋁錠，診斷準(zhǔn)確率達(dá)到100%，誤識別率為0.83%。

3 結(jié)語

1)通過對選擇的無量綱指標(biāo)進(jìn)行評估，篩選出敏感度較高的指標(biāo)作為敏感特征輸入RBF人工神經(jīng)網(wǎng)絡(luò)，不但可以降低特征序列的緯數(shù)和神經(jīng)網(wǎng)絡(luò)的運(yùn)算載荷，同時還可以提高模型的診斷精度。

2)通過特征評估對鋁錠脫模過程中的聲音信號進(jìn)行特征提取，利用提取后的敏感特征可以對脫模過程故障進(jìn)行有效診斷。