基于小波網(wǎng)絡(luò)的機械設(shè)備故障自動化檢測方法

黃 磊，李 慧，張 媛

（1.銀川科技學(xué)院 信息工程學(xué)院，銀川 750021;2.江蘇海洋大學(xué) 計算機工程學(xué)院，連云港 222000）

0 引言

機械設(shè)備由驅(qū)動裝置、變速裝置、傳動裝置、制動裝置等部分組成，并廣泛的應(yīng)用在農(nóng)業(yè)、礦產(chǎn)、石化、電力等行業(yè)中。在機械設(shè)備的使用過程中，由于正常磨損、錯誤操作、設(shè)備過載等原因，影響機械設(shè)備的內(nèi)部結(jié)構(gòu)，使得機械設(shè)備在實際工作中產(chǎn)生性能偏移，喪失部分或全部功能，這種現(xiàn)象被稱為機械故障。

為了保證各種生產(chǎn)工作的穩(wěn)定安全運行，避免出現(xiàn)因機械設(shè)備故障而造成意外事故，提出機械設(shè)備故障自動化檢測。所謂機械故障檢測就是對機械系統(tǒng)中所有的設(shè)備的運行參數(shù)和數(shù)據(jù)進行實時檢測，從而判斷當(dāng)前設(shè)備是否處于正常運行狀態(tài)，及時確定故障類型、原因以及位置。從目前階段的發(fā)展情況來看，現(xiàn)有的機械設(shè)備故障檢測方法在實際的應(yīng)用過程中存在明顯的檢測時效和精度低的問題，為此引入小波網(wǎng)絡(luò)的概念。小波網(wǎng)絡(luò)是小波分析和神經(jīng)網(wǎng)絡(luò)兩種技術(shù)的融合體，通過小波網(wǎng)絡(luò)相關(guān)技術(shù)的應(yīng)用，以期能夠提升機械設(shè)備故障檢測的自動化性能和檢測效果。

1 機械設(shè)備故障自動化檢測方法設(shè)計

機器設(shè)備故障診斷的基本思想和目標(biāo)是對未來工作狀態(tài)進行識別和預(yù)測。圖1表示的是機械設(shè)備故障自動檢測的原理架構(gòu)。

圖1 機械設(shè)備故障自動化檢測原理架構(gòu)

在此次機械設(shè)備故障自動化檢測方法的設(shè)計過程中，通過小波網(wǎng)絡(luò)的應(yīng)用實現(xiàn)對特征提取步驟的優(yōu)化，進而提高最終檢測結(jié)果的時效性和精度。

1.1 構(gòu)建機械設(shè)備組成模型

不同類型機械設(shè)備的內(nèi)部結(jié)構(gòu)和工作原理均不相同，而在啟動機械設(shè)備故障檢測程序之前，首先需要確定待檢測設(shè)備的基本組成和工作原理。以機械設(shè)備中的軸承設(shè)備為例，其結(jié)構(gòu)如圖2所示。

圖2 軸承機械設(shè)備組成結(jié)構(gòu)圖

圖2中D和d分別表示的是滾道和滾動體直徑。從圖中可以直觀的看出軸承由外圈、內(nèi)圈、滾動體、保持架等部件組成[1]。按照一定的比例得出各個組成部分的模型，按照圖2表示的空間關(guān)系進行組合，得出軸承機械設(shè)備組成模型的構(gòu)建結(jié)果。同理可以根據(jù)其他類型機械設(shè)備的組成結(jié)構(gòu)，得出相應(yīng)的模型構(gòu)建結(jié)果。

1.2 設(shè)置機械設(shè)備故障檢測判據(jù)

軸承機械設(shè)備在使用過程中，產(chǎn)生低頻、高頻振動信號[2]。在構(gòu)建的軸承機械設(shè)備組成模型下，根據(jù)軸承機械設(shè)備的振動理論，可以得出該設(shè)備在正常運行狀態(tài)下的動力方程為：

式(2)最終得出的計算結(jié)果fi、fcp、fn和fw分別表示軸承工作軸旋轉(zhuǎn)、保持架旋轉(zhuǎn)、滾動體以及內(nèi)/外徑固有頻率。另外參數(shù)n為轉(zhuǎn)速，γ和z分別為接觸角和滾動體數(shù)量，ρ為密度，a、I和E對應(yīng)的是回轉(zhuǎn)軸線到中性軸的直徑、慣性矩和彈性模量。因此在軸承機械設(shè)備的故障檢測工作中，可以根據(jù)故障機理設(shè)置故障檢測判據(jù)，即設(shè)置公式2計算得出的頻率計算結(jié)果為設(shè)備的標(biāo)準運行頻率，允許的頻率浮動范圍為±0.5Hz。除了工作頻率外，設(shè)備諧波、波動幅值等也是重要的檢測指標(biāo)，按照上述方式得出運行標(biāo)準和允許浮動范圍，得出正常工作狀態(tài)下設(shè)備工作參數(shù)的波動范圍，并將其作為機械設(shè)備故障的檢測判據(jù)。另外針對各種類型機械設(shè)備的故障類型，進行檢測標(biāo)準的進一步劃分，將不同的故障類型以特征向量的形式表示，保證檢測結(jié)果的精準度。

1.3 自動化采集機械設(shè)備實時信號

在待檢測的機械設(shè)備上設(shè)置測點，并安裝相應(yīng)的傳感器設(shè)備。在機械設(shè)備殼體上安裝傳感器，利用該設(shè)備采集設(shè)備的實時信號。為了抑制環(huán)境中的干擾信號，使用數(shù)字濾波器來進行信號過濾。根據(jù)技術(shù)指標(biāo)實現(xiàn)低通濾波信號與高通濾波信號之間的轉(zhuǎn)換，轉(zhuǎn)換過程可以表示為：

式中參數(shù)ak和br分別為低通濾波模塊的信號尺度因子和平移因子，z為初始采集信號。將實時采集的信號代入到式(3)中進行轉(zhuǎn)換與過濾，得出信噪比較高的機械設(shè)備運行信號。

1.4 利用小波網(wǎng)絡(luò)提取機械設(shè)備運行信號特征

為了實現(xiàn)對機械設(shè)備運行信號特征的精準提取，首先建立小波神經(jīng)網(wǎng)絡(luò)。在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，選擇小波函數(shù)替換原本的激活函數(shù)，并選定特定小波參數(shù)。小波網(wǎng)絡(luò)中的激活函數(shù)為：

式中ψ(t)為母小波，t為信號頻寬系數(shù)，a和b為選定的小波參數(shù)。經(jīng)過替換與建立得出小波網(wǎng)絡(luò)三層結(jié)構(gòu)，遵循神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)得出輸出結(jié)果。以小波網(wǎng)絡(luò)正向傳播得到的實際輸出與理想輸出之間的誤差為校正方向，并以其負梯度為校正方向，通過后向迭代調(diào)整神經(jīng)元節(jié)點間連接權(quán)值[4]。正向傳播和反向傳播過程交替進行，反復(fù)調(diào)整，共同構(gòu)成了小波網(wǎng)絡(luò)的學(xué)習(xí)過程，并分別得出三層結(jié)構(gòu)的輸出為：

式中w為權(quán)值，ui和ci分別為正則項和約束值，xT為信號輸入。將自動化采集的機械設(shè)備實時信號導(dǎo)入到小波網(wǎng)絡(luò)中，經(jīng)過三層分解得出特征提取結(jié)果，如圖3所示。

圖3 小波網(wǎng)絡(luò)提取機械設(shè)備運行信號特征原理圖

從圖3中可以看出，1個特征集合包含了最低頻的成分，用φ3來表示，標(biāo)記為逼近信息。另外3個特征集合包含了逐次增高的高頻成分，標(biāo)記為細節(jié)信息并用λ1、λ2和λ3來表示，得出的結(jié)果為機械設(shè)備運行信號的頻域特征提取結(jié)果。按照上述流程通過對信號進行小波分解得到其小波系數(shù)，再利用各種特征提取方法對小波系數(shù)進行處理，最終得到設(shè)備運行信號的頻域特征提取結(jié)果。另外時域特征的提取結(jié)果為：

其中μx和ηx(t)為信號均值和均方值，xP為信號峰值。那么式(6)最終計算得出的結(jié)果為脈沖特征和裕度特征，分別反映機械設(shè)備運行信號的振動沖擊情況和當(dāng)前磨損情況。綜合小波網(wǎng)絡(luò)輸出的頻域特征向量以及時域特征向量，完成信號特征提取操作。

1.5 實現(xiàn)機械設(shè)備故障自動化檢測

1.5.1 識別機械設(shè)備故障類型

首先將提取出的機械設(shè)備故障特征與設(shè)置的檢測判據(jù)進行比對，判斷當(dāng)前設(shè)備是否發(fā)生故障。若存在故障，則利用公式7確定當(dāng)前運行特征與設(shè)置故障標(biāo)準特征之間的相似度。

式中xi和yi分別為提取特征和標(biāo)準特征，k為特征數(shù)量。最終確定相似度最大值對應(yīng)的故障，即為機械設(shè)備的故障類型識別結(jié)果。

1.5.2 確定機械設(shè)備故障位置

通過小波分析得到的信號波動誤差，根據(jù)信號的奇異性，可以對故障點進行定位。假設(shè)自動采集的機械設(shè)備運行信號不連續(xù)，任意信號的奇異性指數(shù)表示為σ。設(shè)定常數(shù)K，讓奇異性函數(shù)中的所有奇異點 t都滿足以下條件：

式中t0代表突變奇異點，如果上式成立，那么則稱機械設(shè)備運行信號x（t）中的t0的奇異指數(shù)為σ，若σ取值為1則信號在t0上則是光滑不存在突變的，否則t0為奇異點，也就是機械設(shè)備中的故障點。采用雙端檢測法，根據(jù)奇異點反饋結(jié)果，確定故障點的時間窗寬度，對故障點的距離進行測量[5]。距離測定公式如下：

式中t1M和t1N分別為M和N端首波頭的時刻，v為信號的傳播速度。通過式(9)的計算結(jié)果，確定信號波與故障點之間的距離，從而推算出設(shè)備的故障點位置。

1.5.3 輸出故障檢測結(jié)果

以故障檢測結(jié)果為驅(qū)動開關(guān)，編寫故障預(yù)警程序。預(yù)警程序啟動后，立即開啟蜂鳴器并向機械設(shè)備的管理人員和維護人員同時發(fā)送故障信息。若當(dāng)前機械設(shè)備未檢測到故障，則輸出界面顯示正常，不啟動故障預(yù)警程序。若當(dāng)前機械設(shè)備檢測到故障，將機械設(shè)備是否存在故障、故障類型以及故障位置的檢測結(jié)果以數(shù)據(jù)的方式，通過顯示器進行直接輸出，同時啟動相應(yīng)的預(yù)警程序。

2 性能測試實驗

為了測試設(shè)計基于小波網(wǎng)絡(luò)的機械設(shè)備故障自動化檢測方法的檢測性能，分別從精度和時效性兩個方面設(shè)計性能測試實驗。

2.1 準備機械設(shè)備樣本

此次實驗選擇的機械設(shè)備樣本主要來自某工業(yè)生產(chǎn)工廠，選擇的機械設(shè)備類型包括滾動軸承、齒輪、鏈條等，其中部分樣本如圖4所示。

圖4 機械設(shè)備樣本示意圖

實驗中準備的機械設(shè)備樣本數(shù)量共200件，且每個樣本的型號、大小以及類型均不相同，將機械設(shè)備樣本隨機分成5組，每組的樣本數(shù)量相同。實驗中需要使用的信號數(shù)據(jù)分為兩個部分，具體包括正常機械設(shè)備運行數(shù)據(jù)和故障設(shè)備運行數(shù)據(jù)，初始選擇的機械設(shè)備樣本均為生產(chǎn)質(zhì)檢合格設(shè)備，不存在質(zhì)量問題，此時將機械設(shè)備調(diào)整為工作狀態(tài)得出的數(shù)據(jù)即為正常運行數(shù)據(jù)。之后通過人為破壞的方式使得設(shè)備樣本產(chǎn)生不同程度的損傷，即將樣本調(diào)整為故障狀態(tài)。此時設(shè)備運行得出的數(shù)據(jù)即為故障運行數(shù)據(jù)，兩種實驗數(shù)據(jù)各包含有4組樣本，每組15個采樣點，采樣頻率為6000Hz。機械設(shè)備的工作轉(zhuǎn)速均設(shè)置為3140r/min。

2.2 配置小波網(wǎng)絡(luò)運行環(huán)境

由于設(shè)計的機械設(shè)備故障自動化檢測方法引用了小波網(wǎng)絡(luò)技術(shù)，為保證該技術(shù)能夠在實驗環(huán)境中正常運行，需要在實驗環(huán)境中配置相應(yīng)的運行環(huán)境。將實驗環(huán)境中的存儲器容量擴大至16TB，處理器選擇AMD Ryzen 5 5600G，為小波網(wǎng)絡(luò)技術(shù)的運行提供硬件支持。另外在實驗環(huán)境中編寫小波網(wǎng)絡(luò)可視化運行程序，實現(xiàn)對小波網(wǎng)絡(luò)運行情況的實時監(jiān)控。

2.3 設(shè)置故障檢測性能測試指標(biāo)

根據(jù)實驗?zāi)康脑O(shè)置查全率和查準率兩個指標(biāo)作為故障檢測精度的測試指標(biāo)，精度測試指標(biāo)的數(shù)值結(jié)果可以表示為：

式中變量Num為實驗中準備的總樣本數(shù)量，TN和TP分別表示的是得出檢測結(jié)果以及檢測正確的樣本數(shù)量。最終計算得出的θacc和θall的結(jié)果越大，說明對應(yīng)故障檢測方法的精準度越高。另外故障檢測方法時效性的量化測試指標(biāo)為時間開銷，可以通過計算檢測方法啟動到檢測結(jié)果輸出的時間，得出時間開銷的求解結(jié)果，時間開銷越大說明故障檢測結(jié)果的時效性越低，一般來講故障檢測結(jié)果在10s內(nèi)具有較高的參考價值。

2.4 實驗過程與結(jié)果分析

采用微電子STM32F103ZET6傳感器設(shè)備對準備的機械設(shè)備樣本的工作信號進行采集，得出的初始信號的采集結(jié)果。其中樣本Sap01的信號波形如圖5所示。

圖5 機械設(shè)備樣本初始信號波形圖

將圖5表示的初始信號導(dǎo)入到小波網(wǎng)絡(luò)中，得出信號特征的提取結(jié)果。通過設(shè)計故障檢測方法的運行以及與正常運行信號的比對，得出機械設(shè)備的故障檢測結(jié)果，如圖6所示。

圖6 機械設(shè)備故障檢測結(jié)果

同理可以得出其他機械設(shè)備樣本的故障檢測結(jié)果。為了體現(xiàn)出設(shè)計故障檢測方法的運行優(yōu)勢，實驗中設(shè)置現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的機械故障檢測方法作為實驗的對比方法，并在相同的實驗環(huán)境下得出相應(yīng)的故障檢測結(jié)果。通過相關(guān)運行數(shù)據(jù)的統(tǒng)計，得出故障檢測方法運行性能的測試結(jié)果，如表1所示。

表1 機械設(shè)備故障檢測方法運行性能測試結(jié)果

將表1中的數(shù)據(jù)代入到式(10)中可以得出基于卷積神經(jīng)網(wǎng)絡(luò)的機械故障檢測方法的查全率和查準率分別為98.0%和96.9%，設(shè)計故障檢測方法的查全率和查準率均為99.5%。由此可見設(shè)計的故障檢測方法的精度得到明顯提升。從時效性方面來看，兩種檢測方法均滿足時效性要求，但相比之下設(shè)計方法的時間開銷平均節(jié)省了1.218s，即設(shè)計故障檢測方法在時效性方面更加具有優(yōu)勢。

3 結(jié)語

機械設(shè)備的故障處理是一個多層次、多角度的處理系統(tǒng)，通過小波網(wǎng)絡(luò)的應(yīng)用，有效的提高了機械設(shè)備故障檢測方法的運行性能，提高了檢測結(jié)果的參考價值，對于故障處理與維修而言具有重要意義。在實驗結(jié)果的支持下，可以將優(yōu)化設(shè)計的機械設(shè)備故障檢測方法應(yīng)用到實際的故障處理工作中，節(jié)省大量的人力和資金。