基于神經(jīng)網(wǎng)絡(luò)的煙草包裝機(jī)械故障信號(hào)檢測(cè)方法

韋典進(jìn)，唐勁松，覃寧波，劉小蘇

（廣西中煙工業(yè)有限責(zé)任公司，廣西南寧 530001）

0 引言

為滿足煙草行業(yè)的產(chǎn)業(yè)發(fā)展需求，將推進(jìn)產(chǎn)業(yè)發(fā)展的核心與重點(diǎn)置于保障煙草包裝機(jī)械穩(wěn)定運(yùn)行層面。因塑料材質(zhì)的齒輪具有良好的強(qiáng)度綜合性能，能夠在應(yīng)用中實(shí)現(xiàn)較好的輕量化開(kāi)發(fā)，目前在市場(chǎng)內(nèi)已被廣泛應(yīng)用在煙草機(jī)械運(yùn)行設(shè)計(jì)中。但在進(jìn)一步對(duì)機(jī)械運(yùn)行的分析時(shí)發(fā)現(xiàn)，機(jī)械齒輪的運(yùn)行主要在于傳動(dòng)力，而此結(jié)構(gòu)也正是機(jī)械結(jié)構(gòu)中最容易出現(xiàn)問(wèn)題的部件[1]。一旦此部件在應(yīng)用中出現(xiàn)傳動(dòng)方面的問(wèn)題，或在運(yùn)行中出現(xiàn)失效故障，將導(dǎo)致機(jī)械設(shè)備的整體運(yùn)行出現(xiàn)異常，對(duì)企業(yè)造成較大的經(jīng)濟(jì)損失。因此，需要采取有效的措施，及時(shí)發(fā)現(xiàn)機(jī)械運(yùn)行中構(gòu)件的故障現(xiàn)象，發(fā)現(xiàn)運(yùn)行中的早期異常信號(hào)，將故障控制置于故障問(wèn)題發(fā)生前[2]。目前，相關(guān)研究成果較多，較為常用的故障信號(hào)檢測(cè)方法是時(shí)域分析法，此種方法是指在機(jī)械運(yùn)行的原始信號(hào)上進(jìn)行故障信號(hào)特征值的直接定位與提取，根據(jù)信號(hào)的特征及其映射的方向，對(duì)機(jī)械故障進(jìn)行無(wú)量綱分析。但此種方法在應(yīng)用中存在信號(hào)中攜帶噪聲過(guò)多的問(wèn)題，因此本文在研究中引進(jìn)神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)網(wǎng)絡(luò)的多次訓(xùn)練，提高對(duì)故障信號(hào)識(shí)別的精確度，從而實(shí)現(xiàn)對(duì)機(jī)械運(yùn)行中的故障信號(hào)定位，降低由于機(jī)械運(yùn)行異常導(dǎo)致的經(jīng)濟(jì)損失。

1 基于神經(jīng)網(wǎng)絡(luò)的故障信號(hào)檢測(cè)方法設(shè)計(jì)

1.1 煙草包裝機(jī)械運(yùn)行信號(hào)采集與小波去噪

為了實(shí)現(xiàn)對(duì)煙草包裝機(jī)械在運(yùn)行過(guò)程中異常信號(hào)或故障信號(hào)的高精度檢測(cè)，需要在相關(guān)研究前，對(duì)機(jī)械設(shè)備運(yùn)行端與PC通信端運(yùn)行中產(chǎn)生的數(shù)字信號(hào)進(jìn)行獲取?？紤]到通過(guò)此種方式獲取的信號(hào)受到機(jī)械設(shè)備運(yùn)行環(huán)境、機(jī)械振動(dòng)等多種因素的影響與干擾，獲取的信號(hào)中可能攜帶一定的噪聲，此種噪聲會(huì)干擾后期技術(shù)人員對(duì)機(jī)械故障的識(shí)別[3]。因此，在捕獲機(jī)械運(yùn)行信號(hào)后，可結(jié)合小波技術(shù)的應(yīng)用，對(duì)信號(hào)集合進(jìn)行去噪處理。

在去噪過(guò)程中，可將機(jī)械運(yùn)行信號(hào)表示為一個(gè)終端信號(hào)，根據(jù)機(jī)械運(yùn)行的常態(tài)化狀態(tài)，可以認(rèn)為識(shí)別到的信號(hào)屬于一個(gè)低頻信號(hào)，此類信號(hào)通常較為平緩，因此，可以根據(jù)信號(hào)中攜帶能量的集中情況，進(jìn)行信號(hào)噪聲小波系數(shù)的放大。放大過(guò)程中控制噪聲的背景保持不斷，對(duì)呈現(xiàn)放大狀態(tài)的噪聲進(jìn)行層數(shù)分解，將噪聲的層數(shù)設(shè)定為Y，按照Y 在空間內(nèi)的分布，對(duì)Y1～Yn層的信號(hào)值進(jìn)行分解處理，處理后得到一個(gè)低頻噪聲信號(hào)與噪聲背景，將背景噪聲進(jìn)行冗余值去除處理，便能得到一個(gè)與終端對(duì)接的通信信號(hào)[4]。為了確保在此過(guò)程中獲取的故障信號(hào)的有效性，可在處理信號(hào)時(shí)，根據(jù)噪聲的表達(dá)方式，將其波形以曲線圖的方式呈現(xiàn)在計(jì)算機(jī)終端，當(dāng)噪聲表現(xiàn)得較為平滑且無(wú)異常間斷現(xiàn)象時(shí)，則可輸出此時(shí)的信號(hào)，作為提取的故障信號(hào)。當(dāng)呈現(xiàn)在終端的故障信號(hào)存在間斷或表達(dá)曲線不連續(xù)時(shí)，可根據(jù)提取過(guò)程的需求或根據(jù)故障分析對(duì)信號(hào)的需求，截取集中一部分信號(hào)，并要求此部分信號(hào)具有連續(xù)性特點(diǎn)，按此種方式進(jìn)行故障信號(hào)的輸出。

1.2 基于神經(jīng)網(wǎng)絡(luò)的故障信號(hào)識(shí)別模型訓(xùn)練

在完成對(duì)連續(xù)故障信號(hào)的截取后，將信號(hào)集合導(dǎo)入對(duì)應(yīng)的識(shí)別模型，引進(jìn)神經(jīng)網(wǎng)絡(luò)對(duì)識(shí)別模型進(jìn)行訓(xùn)練。在此過(guò)程中，可以先設(shè)定一個(gè)神經(jīng)元，將神經(jīng)元按照信號(hào)的隨機(jī)組合方式進(jìn)行排列，得到一個(gè)模擬人腦行為或意識(shí)的神經(jīng)網(wǎng)，圖1 為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的結(jié)構(gòu)示意。

圖1 中，神經(jīng)元是基本單元，能夠?qū)1～xn定義為網(wǎng)絡(luò)結(jié)構(gòu)的前端輸入值，針對(duì)此數(shù)值的表達(dá)可以是一個(gè)變量，對(duì)應(yīng)的w1～wn表示為不同深入變量的權(quán)重值，假設(shè)輸入的總量表示為w.x，則可以通過(guò)引進(jìn)激活函數(shù)的方式輸出一個(gè)神經(jīng)系數(shù)y。調(diào)用ELU函數(shù)，此函數(shù)是一種線性整流函數(shù)，在調(diào)用此函數(shù)激活神經(jīng)元時(shí)，函數(shù)的表達(dá)式為：

圖1 神經(jīng)網(wǎng)絡(luò)中神經(jīng)元結(jié)構(gòu)示意

從公式（1）中可以看出，此類函數(shù)具有較強(qiáng)的飽和性，可以在計(jì)算中通過(guò)提取函數(shù)最大值的方式，進(jìn)行訓(xùn)練值的輸出[5]。將訓(xùn)練結(jié)果值作為訓(xùn)練模型的收斂值，按照此數(shù)值進(jìn)行模型的收斂處理，當(dāng)收斂后模型的識(shí)別精度趨近于1.0 時(shí)，導(dǎo)出在此種狀態(tài)下的模型結(jié)構(gòu)，從而完成對(duì)故障信號(hào)識(shí)別模型的訓(xùn)練。

1.3 故障信號(hào)動(dòng)態(tài)識(shí)別

在完成上述設(shè)計(jì)后，以動(dòng)態(tài)化的方式對(duì)故障信號(hào)進(jìn)行識(shí)別。在識(shí)別過(guò)程中，考慮到煙草包裝機(jī)械的運(yùn)行受PLC 邏輯控制，因此，可借助PLC 內(nèi)部較為豐富的邏輯空間，在不增加原有程序的基礎(chǔ)上進(jìn)行故障信號(hào)的自動(dòng)化判斷。根據(jù)其動(dòng)作過(guò)程具有一定周期性的特點(diǎn)，將全部執(zhí)行的動(dòng)作作為一個(gè)識(shí)別周期，設(shè)定在一個(gè)循環(huán)識(shí)別周期內(nèi)，且每個(gè)動(dòng)作都環(huán)環(huán)相扣，一旦其中一個(gè)識(shí)別行為發(fā)生脫節(jié)，便會(huì)導(dǎo)致剩余動(dòng)作的對(duì)接出現(xiàn)問(wèn)題。為了滿足信號(hào)檢測(cè)過(guò)程中的連續(xù)性需求，可對(duì)識(shí)別模型中的每個(gè)節(jié)點(diǎn)進(jìn)行標(biāo)志位累加，并將判斷標(biāo)識(shí)的標(biāo)志位進(jìn)行翻轉(zhuǎn)與鎖定，按照標(biāo)志位的順序進(jìn)行識(shí)別條件的復(fù)位。在此過(guò)程中，對(duì)每個(gè)信號(hào)節(jié)點(diǎn)進(jìn)行一次識(shí)別，并疊加識(shí)別后的信號(hào)結(jié)果，使結(jié)果呈現(xiàn)一定連續(xù)性，以此種方式實(shí)現(xiàn)對(duì)故障信號(hào)的有效檢測(cè)。但在此過(guò)程中應(yīng)注意：當(dāng)程序在正常執(zhí)行條件下，應(yīng)保證檢測(cè)的環(huán)境不發(fā)生變化，一旦環(huán)境發(fā)生突變便會(huì)造成程序與周期的變化，從而造成信號(hào)表達(dá)方式的異常。因此，需要按照上述提出方式，在確保環(huán)境穩(wěn)定的條件下進(jìn)行故障信號(hào)識(shí)別與檢測(cè)。

2 對(duì)比實(shí)驗(yàn)

為驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)的信號(hào)檢測(cè)方法在實(shí)際應(yīng)用中的可行性與合理性，選擇將其與基于時(shí)域分析法的信號(hào)檢測(cè)方法應(yīng)用到某煙草產(chǎn)品的生產(chǎn)車(chē)間，對(duì)包裝機(jī)械運(yùn)行過(guò)程中的故障信號(hào)進(jìn)行檢測(cè)。人為引入3 種故障信號(hào)類型，分別為磨損故障、膠合故障、裂紋故障，將3 種故障類型與包裝機(jī)械在正常運(yùn)行過(guò)程中產(chǎn)生的信號(hào)構(gòu)成一組信號(hào)集合，分別利用本檢測(cè)方法和基于時(shí)域分析法的信號(hào)檢測(cè)方法對(duì)信號(hào)集合進(jìn)行檢測(cè)，同時(shí)按照表1內(nèi)容設(shè)置信號(hào)的參數(shù)。

表1 實(shí)驗(yàn)中信號(hào)集合參數(shù)信息

在實(shí)驗(yàn)設(shè)置條件的基礎(chǔ)上完成實(shí)驗(yàn)，并計(jì)算兩種信號(hào)檢測(cè)方法結(jié)果的均方差，計(jì)算公式為：

式（2）中，DX 為均方差；ai為隨機(jī)變量；EX 為檢測(cè)結(jié)果錯(cuò)誤信號(hào)數(shù)量；pi為變換系數(shù)。根據(jù)公式計(jì)算得出兩種檢測(cè)方法的均方差。均方差數(shù)值越大，則說(shuō)明檢測(cè)結(jié)果精度越低，反之同理。計(jì)算結(jié)果見(jiàn)表2。實(shí)驗(yàn)數(shù)據(jù)顯示，基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果均方差明顯小于基于時(shí)域分析的檢測(cè)結(jié)果均方差，說(shuō)明基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法的檢測(cè)結(jié)果精度更高，可為煙草包裝機(jī)械運(yùn)行提供更可靠的安全保障條件。

表2 兩種檢測(cè)方法檢測(cè)結(jié)果的均方差

3 結(jié)束語(yǔ)

針對(duì)煙草包裝機(jī)機(jī)械運(yùn)行中常用構(gòu)件出現(xiàn)故障影響生產(chǎn)持續(xù)性問(wèn)題，提出一種基于神經(jīng)網(wǎng)絡(luò)的故障信號(hào)檢測(cè)方法。在完成對(duì)方法的設(shè)計(jì)后，通過(guò)對(duì)比實(shí)驗(yàn)證明此方法的真實(shí)有效，但此次實(shí)驗(yàn)也存在一些不足之處，例如，僅從一個(gè)單一的維度對(duì)設(shè)計(jì)成果進(jìn)行檢驗(yàn)，未能選擇多個(gè)煙草生產(chǎn)單位進(jìn)行實(shí)踐應(yīng)用。因此，還需要在后期的研究中，將提出的研究點(diǎn)作為檢測(cè)設(shè)計(jì)成果的方向，通過(guò)實(shí)踐掌握設(shè)計(jì)方法的不足，從而使設(shè)計(jì)方法得到進(jìn)一步完善。