基于數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)機(jī)關(guān)重件故障診斷方法研究

古 斌，劉朋科，寧變芳，張寧超，李佳興

（1西北機(jī)電工程研究所 陜西 咸陽(yáng) 712099）（2西安工業(yè)大學(xué) 電子信息工程學(xué)院 陜西 西安 710021)

1 引言

轉(zhuǎn)膛自動(dòng)機(jī)利用多個(gè)彈膛并行工作，大大縮短了自動(dòng)循環(huán)時(shí)間，從而大幅度提升了射速。然而新技術(shù)的應(yīng)用，一方面大大提高了轉(zhuǎn)膛裝備的綜合性能；另一方面對(duì)轉(zhuǎn)膛裝備的維修保障工作也帶來(lái)了新的挑戰(zhàn)。轉(zhuǎn)膛自動(dòng)機(jī)能否發(fā)揮其應(yīng)有的作戰(zhàn)作用，在很大的程度上取決于它的自身裝備維修保障的狀況，也是近些年研究的熱點(diǎn)問(wèn)題[1-5]。轉(zhuǎn)膛自動(dòng)機(jī)中的關(guān)重件是整個(gè)機(jī)構(gòu)的核心部件，其工作狀態(tài)直接決定了轉(zhuǎn)膛自動(dòng)機(jī)的工作可靠性。由于部分關(guān)重件通常安裝在轉(zhuǎn)膛自動(dòng)機(jī)的內(nèi)部，開(kāi)箱解體較為麻煩，傳統(tǒng)的“望聞問(wèn)切”的故障診斷方法難以客觀有效地判斷自動(dòng)機(jī)關(guān)重件的運(yùn)行故障[6-9]。因此，有必要對(duì)關(guān)重件的特定故障模式進(jìn)行深入研究，尋找一種準(zhǔn)確的自動(dòng)機(jī)關(guān)重件運(yùn)行特征提取和故障診斷方法。

20世紀(jì)30年代，西方國(guó)家就在采用一些簡(jiǎn)單的儀器儀表通過(guò)數(shù)據(jù)來(lái)監(jiān)測(cè)設(shè)備，從而獲得設(shè)備中的故障。Collacott[10]首次將故障診斷技術(shù)應(yīng)用于工業(yè)生產(chǎn)方面，并取得一定成果；日本豐田利夫教授借鑒西方國(guó)家的先進(jìn)技術(shù)，通過(guò)改進(jìn)與創(chuàng)新提出了故障檢測(cè)與診斷技術(shù)，使日本對(duì)于工業(yè)上的故障檢測(cè)與診斷技術(shù)達(dá)到世界領(lǐng)先地位[11]。21世紀(jì)以后，故障在軍事上應(yīng)用愈加廣泛。Zhiying Fang等[12]提出了一種故障檢測(cè)與診斷系統(tǒng)，用于檢測(cè)轉(zhuǎn)膛體的故障。JoseLuis Casteleiro-Roca[13]設(shè)計(jì)研發(fā)了一種具有多種分類(lèi)功能的智能檢測(cè)系統(tǒng)來(lái)檢測(cè)飛機(jī)發(fā)動(dòng)機(jī)中熱水器的故障，并且其檢測(cè)結(jié)果顯著。葉銀忠等[14]對(duì)自行發(fā)射裝備的隨動(dòng)系統(tǒng)進(jìn)行故障診斷，為故障診斷技術(shù)奠定了基礎(chǔ)。針對(duì)控裝置故障，張鵬軍等人提出了一種模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法，該方法不僅能對(duì)原始數(shù)據(jù)進(jìn)行優(yōu)化，而且能根據(jù)神經(jīng)網(wǎng)絡(luò)判斷出相應(yīng)的故障類(lèi)型[15]。針對(duì)滾動(dòng)軸承的故障，張銳戈等[16]提出了一種采用殘差積累和控制圖相結(jié)合的故障診斷方法，該方法不僅遵循質(zhì)量守恒、能量守恒原理，并且還會(huì)生成相關(guān)的故障診斷策略，從而識(shí)別故障。由于該故障診斷方法生成的故障診斷策略往往對(duì)于具有多種故障的情況不適用，因此，陳保家等[17]在上述故障診斷方法的基礎(chǔ)上，針對(duì)強(qiáng)背景噪聲下的早期故障診斷問(wèn)題,提出了一種融合遺傳算法品質(zhì)因子參數(shù)優(yōu)化，子帶重構(gòu)共振稀疏分解和小波變換的故障診斷方法。我國(guó)在特種裝備方面的故障檢測(cè)與診斷技術(shù)越來(lái)越趨于成熟[18-20]，但是由于環(huán)境因素的影響，提出的故障檢測(cè)與診斷方法往往達(dá)不到應(yīng)有的標(biāo)準(zhǔn)，還存在一定的誤差，尤其是針對(duì)目標(biāo)應(yīng)用監(jiān)測(cè)參數(shù)，實(shí)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法的研究非常迫切。

2 算法原理

本文提出基于數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)機(jī)關(guān)重件故障診斷方法，該方法與同類(lèi)方法不同之處在于基于實(shí)驗(yàn)監(jiān)測(cè)數(shù)據(jù)，使用集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）對(duì)采集數(shù)據(jù)進(jìn)行分解，消除了經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）產(chǎn)生的信號(hào)分量混疊問(wèn)題，從而提高了故障診斷的準(zhǔn)確性。為解決上述技術(shù)問(wèn)題，本文采用的技術(shù)方案如圖1所示，首先對(duì)采集的自動(dòng)機(jī)關(guān)重件的溫度、壓力和角度三類(lèi)數(shù)據(jù)進(jìn)行EEMD分解，從而獲得主要的IMF分量。分別計(jì)算主要IMF分量的各個(gè)特征值，并且組成相應(yīng)的特征向量。

圖1 算法原理流程

通過(guò)取多組三種不同的正常狀態(tài)數(shù)據(jù)進(jìn)行處理，組成相應(yīng)的特征向量，從而計(jì)算三種正常狀態(tài)下的馬氏距離敏感閾值。然后通過(guò)取多組三種不同的未知狀態(tài)信號(hào)，計(jì)算相應(yīng)的特征向量。以求得的正常狀態(tài)下的特征向量為依據(jù)，求得的正常狀態(tài)之間的馬氏距離敏感閾值為標(biāo)準(zhǔn)，根據(jù)此標(biāo)準(zhǔn)閾值與未知狀態(tài)與正常狀態(tài)之間馬氏距離敏感閾值進(jìn)行比較，進(jìn)而判斷轉(zhuǎn)膛自動(dòng)機(jī)驅(qū)動(dòng)機(jī)構(gòu)的故障狀態(tài)情況。其中EEMD分解算法包含信號(hào)加噪、EMD分解、求解IMF分量、重構(gòu)等主要步驟。

EEMD分解后得到的數(shù)據(jù)IMF分量，再計(jì)算K-L散度用以區(qū)分EEMD分解得到的虛假I(mǎi)MF分量與真實(shí)IMF分量，其中的特征向量，包括波形指數(shù)、峰值指數(shù)、峭度指數(shù)和裕度指數(shù)種特征參數(shù)。

其中的馬氏距離敏感閾值，其計(jì)算方法為：

式中CF為變量間的馬氏距離，μ、δ2為變量的平均值與方差，N為信號(hào)組數(shù)，i為信號(hào)序號(hào)，k為經(jīng)驗(yàn)系數(shù)。

3 方案驗(yàn)證

基于數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)機(jī)關(guān)重件故障診斷方法包含采集數(shù)據(jù)、預(yù)處理、特征提取、計(jì)算馬氏距離敏感閾值和故障判決5個(gè)主要步驟，包括：（1）對(duì)采集的溫度、壓力和角度三類(lèi)信號(hào)進(jìn)行EEMD分解，從而獲得主要的IMF分量；（2）分別計(jì)算主要IMF分量的各個(gè)特征值，并且組成相應(yīng)的特征向量。（3）取多組三種不同的正常狀態(tài)信號(hào)進(jìn)行處理，按照步驟（1）與（2）組成相應(yīng)的特征向量，從而計(jì)算三種正常狀態(tài)下的馬氏距離敏感閾值；（4）取多組三種不同的未知狀態(tài)信號(hào)進(jìn)行處理，按照步驟（1）與（2）計(jì)算相應(yīng)的特征向量；（5）判斷轉(zhuǎn)膛自動(dòng)機(jī)關(guān)重件的故障狀態(tài)情況。將三種正常狀態(tài)的信號(hào)時(shí)域指標(biāo)均值作為標(biāo)準(zhǔn)向量，然后求出各個(gè)正常狀態(tài)標(biāo)準(zhǔn)的馬氏距離敏感閾值，如圖3所示。

如表1，是三類(lèi)正常狀態(tài)時(shí)域指標(biāo)均值的訓(xùn)練樣本表，如圖2所示，是將三種正常狀態(tài)的信號(hào)時(shí)域指標(biāo)均值作為標(biāo)準(zhǔn)向量，然后求出各個(gè)正常狀態(tài)標(biāo)準(zhǔn)的馬氏距離敏感閾值。

表1 三類(lèi)正常狀態(tài)時(shí)域指標(biāo)均值的訓(xùn)練樣本表

圖2 正常狀態(tài)標(biāo)準(zhǔn)的馬氏距離敏感閾值

本文以強(qiáng)度、氣密性等故障為例，計(jì)算得到的馬氏距離敏感閾值見(jiàn)表2。

表2 4種異常特征值中的1組IMF分量的測(cè)試樣本表

根據(jù)算法流程，以求得的正常狀態(tài)下的特征向量為依據(jù)，以求得的正常狀態(tài)之間的馬氏距離敏感閾值為標(biāo)準(zhǔn)，從而根據(jù)此標(biāo)準(zhǔn)閾值與未知狀態(tài)和正常狀態(tài)之間馬氏距離敏感閾值進(jìn)行比較，判斷轉(zhuǎn)膛自動(dòng)機(jī)關(guān)重件的故障狀態(tài)情況。如圖3、圖4、圖5分別計(jì)算出3種不同測(cè)試物理量故障狀態(tài)的閾值分布情況分。

圖3 溫度測(cè)試閾值分布

圖4 壓力測(cè)試閾值分布

圖5 位移測(cè)試閾值分布

在上面對(duì)閾值進(jìn)行實(shí)驗(yàn)過(guò)程中，EEMD分解的算法如圖6所示，包含信號(hào)加噪、EMD分解、求解IMF分量、重構(gòu)等4個(gè)主要步驟。

圖6 EEMD分解的算法流程

如圖6所示，首先設(shè)定總體平均次數(shù)為N，然后將不同程度的白噪聲信號(hào)ni(t)，(i=1,2,…N)添加到原始信號(hào)x(t)中去，從而組成新的原始信號(hào)xi(t)：

將組成新的原始信號(hào)xi(t)進(jìn)行EMD分解，從而分解為若干個(gè)不同的IMF分量[{c1,j(t)},{c2,j(t)}，…{cN,j(t)}],j=1,2,…,j,其中j為IMF的個(gè)數(shù)。第次分解后表示為：

上式中，ri,j(t)為殘余分量；

通過(guò)求第j個(gè)IMF分量的均值，得到最終IMF分量：

其中cj(t)表示EEMD分解的第j個(gè)IMF分量，其中i=1,2,….N,j=1,2,…,j:

圖中EEMD分解重構(gòu)后為：

式中x(t)代表信號(hào)重構(gòu)后的信號(hào)。

為了更明顯地區(qū)分虛假分量與真實(shí)分量在數(shù)量上的差別，本文采用K-L散度法來(lái)識(shí)別并消除EEMD分解后出現(xiàn)的虛假分量。其中，基于K-L散度法改進(jìn)EEMD的特征提取包括以下步驟：（1）將系統(tǒng)采集的三種信號(hào)參數(shù)進(jìn)行EEMD分解，從而得出若干個(gè)不同的IMF分量；（2）根據(jù)系統(tǒng)要求選擇適量的IMF分量，并計(jì)算這些IMF分量與其降噪后信號(hào)x(t)之間的K-L散度值；（3）將步驟（2）中求解的K-L散度值進(jìn)行數(shù)據(jù)的歸一化處理；（4）根據(jù)求得的K-L散度值，然后根據(jù)給定的閾值λ，從而判斷這分量與原始信號(hào)之間的相似程度。即大于閾值則表示相似程度較小，則屬于虛假分量，應(yīng)當(dāng)去除；同樣的小于閾值λ則表示相似程度較大，則屬于真實(shí)分量，應(yīng)當(dāng)保存。

其中，K-L散度的計(jì)算方法，步驟如下：

求解兩信號(hào)的概率分布。設(shè)兩信號(hào)與其概率分布分別為X={x1,x2,…xn}和Y={y1,y2,…yn}與p(x)和q(x)，滿足：

然后計(jì)算兩信號(hào)間的K-L距離：

計(jì)算兩信號(hào)間的K-L散度：

其中，特征提取選用波形指數(shù)、峰值指數(shù)、峭度指數(shù)和裕度指數(shù)等4種特征參數(shù)表示自動(dòng)機(jī)關(guān)重件的故障特征情況；

其中，馬氏距離的敏感閾值計(jì)算首先計(jì)算變量x與變量b之間的馬氏距離。

式中，x=(x1,x2,…xN)T，u=(u1,u2,…uN)T為變量b，S為變量x與變量b之間的協(xié)方差。

敏感閾值的定義如下式：

式中：μ、δ2—變量的平均值與方差。

k系數(shù)的選取采用切比雪夫不等式來(lái)估算馬氏距離的概率分布，則相關(guān)的關(guān)系如下：

4 結(jié)論

基于數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)機(jī)關(guān)重件故障診斷方法，能夠克服模型與實(shí)際監(jiān)測(cè)的誤差，體現(xiàn)試驗(yàn)數(shù)據(jù)的重要性，基于數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型。該方法包含采集數(shù)據(jù)、預(yù)處理、特征提取、計(jì)算馬氏距離敏感閾值和故障判決等5個(gè)主要步驟。其中采集數(shù)據(jù)特指采集自動(dòng)機(jī)關(guān)重件的溫度、壓力和角度信號(hào)；預(yù)處理采用EEMD分解方法重構(gòu)信號(hào)，并計(jì)算K-L散度消除虛假信號(hào)分量；特征提取包括選用波形指數(shù)、峰值指數(shù)、峭度指數(shù)和裕度指數(shù)等4種特征參數(shù)表示自動(dòng)機(jī)關(guān)重件的故障特征情況；計(jì)算馬氏距離敏感閾值與正常運(yùn)行時(shí)的閾值進(jìn)行比較，得到故障診斷結(jié)果。本文提出的故障診斷方法基于數(shù)據(jù)驅(qū)動(dòng)，通過(guò)EEMD算法解決了信號(hào)在傳統(tǒng)EMD分解時(shí)出現(xiàn)的模態(tài)混疊現(xiàn)象，并通過(guò)馬氏距離算法消除了多元變量間的相關(guān)性，故障診斷結(jié)果較傳統(tǒng)閾值法準(zhǔn)確率高、虛警率低，具有顯著實(shí)際意義和實(shí)用價(jià)值。