基于多裝備的故障檢測(cè)網(wǎng)絡(luò)平臺(tái)設(shè)計(jì)

摘 要：傳統(tǒng)裝備故障檢測(cè)方式單一，檢測(cè)速度慢，具有一定局限性。并且，目前大量在用的相同型號(hào)裝備，對(duì)于裝備故障診斷、預(yù)測(cè)和決策具有重要價(jià)值的使用和維修歷史數(shù)據(jù)大都沒(méi)有被充分利用。本文設(shè)計(jì)了一種基于網(wǎng)絡(luò)平臺(tái)的多裝備故障檢測(cè)系統(tǒng)，其中包括管理用戶與裝備信息的網(wǎng)絡(luò)平臺(tái)的設(shè)計(jì)、小波分析與神經(jīng)網(wǎng)絡(luò)兩種故障診斷模塊的設(shè)計(jì)以及嵌入式數(shù)據(jù)采集模塊的設(shè)計(jì)。通過(guò)這套系統(tǒng)能夠?qū)⒀b備實(shí)時(shí)信息與網(wǎng)絡(luò)平臺(tái)相連接，將裝備信息、同類型裝備實(shí)時(shí)樣本數(shù)據(jù)與歷史大數(shù)據(jù)信息進(jìn)行對(duì)比，在數(shù)據(jù)樣本足夠時(shí)，本系統(tǒng)可以綜合判斷出當(dāng)前多個(gè)裝備的狀態(tài)并實(shí)現(xiàn)故障診斷等功能。

關(guān)鍵詞：故障診斷；網(wǎng)絡(luò)平臺(tái)；多裝備

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1673-1794（2023）02-0007-06

作者簡(jiǎn)介：陳飛，滁州學(xué)院機(jī)械與工程學(xué)院教師，碩士，研究方向：控制理論與控制工程 （安徽 滁州 239000）。

收稿日期：2023-03-21

我國(guó)裝備類型眾多，數(shù)量巨大，裝備故障時(shí)有發(fā)生，有時(shí)甚至?xí)绊懙饺说纳踩?。裝備的計(jì)劃維修、預(yù)防維修和狀態(tài)維修等方式存在過(guò)度維修和欠維修的狀況，部分裝備達(dá)到一定質(zhì)保年限后即使沒(méi)壞也會(huì)被報(bào)廢，致使裝備維修、保養(yǎng)以及更新的成本昂貴，次生災(zāi)害和裝備故障時(shí)有發(fā)生。目前國(guó)內(nèi)外大部分裝備的檢修方式都是通過(guò)專業(yè)儀器檢測(cè)與人工檢測(cè)相結(jié)合的方式，檢修人員需要大量工作經(jīng)驗(yàn)與技術(shù)，因此對(duì)檢修人員要求較高，而且大量的多類型裝備也讓檢修人員需求大大增加，維護(hù)成本進(jìn)一步提高?；谏鲜霈F(xiàn)實(shí)狀況，建立一個(gè)基于網(wǎng)絡(luò)平臺(tái)的故障檢測(cè)系統(tǒng)，具有重要的意義。

1 網(wǎng)絡(luò)平臺(tái)的設(shè)計(jì)

該網(wǎng)絡(luò)平臺(tái)設(shè)計(jì)主要用于管理用戶與裝備相關(guān)信息，連接網(wǎng)絡(luò)數(shù)據(jù)管理平臺(tái)并獲取所需裝備歷史大數(shù)據(jù)，結(jié)合使用裝備實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷、預(yù)測(cè)和決策，最終將獲得結(jié)果信息反饋給用戶，網(wǎng)絡(luò)平臺(tái)的登錄界面和信息錄入界面如圖1所示。

在登錄界面，用戶可以進(jìn)行注冊(cè)和登錄；在單位信息管理界面，提供錄入單位編號(hào)和名稱等信息的功能，方便不同裝備的管理；在裝備類型管理界面，用戶可以錄入裝備型號(hào)、名稱等信息，方便同類型裝備管理；從分系統(tǒng)信息管理界面可以錄入裝備的各個(gè)分系統(tǒng)模塊；由裝備信息管理界面可以查看和管理裝備信息；從上傳樣本界面可以錄入對(duì)應(yīng)型號(hào)裝備樣本信息^[1]。

2 數(shù)據(jù)采集模塊硬件

本模塊主要針對(duì)網(wǎng)絡(luò)平臺(tái)的前端數(shù)據(jù)采集所設(shè)計(jì)。使用的硬件包括終端信號(hào)采集板、信號(hào)處理板和4G通訊模塊，三個(gè)硬件相互配合分別完成特定裝備測(cè)量信號(hào)的采集、處理與傳輸功能。

終端信號(hào)采集板可以根據(jù)所測(cè)量的電子裝備內(nèi)信號(hào)的不同而選取不同的型號(hào)，主要作用是采集單個(gè)電子裝備內(nèi)部測(cè)量點(diǎn)信號(hào)，保證數(shù)據(jù)采集符合傳輸要求，同時(shí)不會(huì)對(duì)電子裝備的內(nèi)部有干擾。信號(hào)處理板的作用對(duì)終端信號(hào)采集板所采集到的信號(hào)進(jìn)行處理，并將處理后的數(shù)據(jù)通過(guò)4G通訊模塊發(fā)送到服務(wù)器。4G通訊模塊的485通訊接口能夠與信號(hào)處理板對(duì)接，可支持透?jìng)?、多種通訊協(xié)議以及多個(gè)通訊運(yùn)營(yíng)商不同的通訊制式。設(shè)計(jì)的實(shí)物模塊如圖2所示。

3 故障診斷模塊

系統(tǒng)故障診斷指通過(guò)分析當(dāng)前系統(tǒng)的運(yùn)行狀態(tài)，然后根據(jù)分析的結(jié)果做出判斷，診斷出故障的種類、部位和原因等，為排除故障和保證系統(tǒng)正常運(yùn)行提供相應(yīng)依據(jù)^[2]。

3.1 小波分析模塊設(shè)計(jì)

在裝備使用初期，沒(méi)有大量同類型裝備的數(shù)據(jù)時(shí)，使用小波分析方法進(jìn)行故障診斷。這種方法的優(yōu)點(diǎn)在于可以避開(kāi)被診斷對(duì)象的數(shù)學(xué)模型，針對(duì)那些難以建模的對(duì)象來(lái)說(shuō)，這是十分有用處的。

本模塊使用了基于5層小波分解的小波分析特征值容差閾值算法。首先對(duì)選擇的測(cè)點(diǎn)信號(hào)進(jìn)行時(shí)間（空間）和頻率的局部化分析，然后使用伸縮、平移的運(yùn)算方法，對(duì)信號(hào)（函數(shù)）逐步完成多尺度的細(xì)化，達(dá)成在高頻段進(jìn)行時(shí)間細(xì)分和在低頻段進(jìn)行頻率細(xì)分的目的，最終使系統(tǒng)能夠自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，并能夠?qū)π盘?hào)的任何一個(gè)細(xì)節(jié)進(jìn)行聚焦^[3]。然后對(duì)比從每一個(gè)細(xì)節(jié)所提取的正常信號(hào)與故障信號(hào)的多種頻率，計(jì)算出每一層小波分解的HU距，并在界面上顯示出高頻分量的特征值。最后對(duì)比通過(guò)小波分析獲得的被測(cè)信號(hào)和樣本信號(hào)的特征值容差閾值，來(lái)判斷被測(cè)設(shè)備是否出現(xiàn)故障，系統(tǒng)設(shè)計(jì)流程如圖3所示。

3.1.1 小波分析特征值容差閾值算法

在裝備使用初期，沒(méi)有大量同類型裝備的數(shù)據(jù)時(shí)，使用小波分析方法進(jìn)行故障診斷。本文使用小波分析特征值容差閾值算法，對(duì)從被測(cè)信號(hào)與樣本信號(hào)獲得的小波分析特征值容差閾值和敏感特征值容差閾值進(jìn)行對(duì)比，從而判斷被測(cè)設(shè)備有無(wú)故障。

主要使用了蒙特卡洛模擬分析方法來(lái)獲取小波分析特征容差閾值，具體使用特征容差閾值算法進(jìn)行故障診斷的步驟如下：

1.以樣本信號(hào)數(shù)據(jù)為基準(zhǔn)，將給定信號(hào)的容差閾值作為各數(shù)據(jù)點(diǎn)容差的均值期望。再使用在計(jì)算機(jī)上生成偽隨機(jī)數(shù)的方法，由計(jì)算機(jī)根據(jù)均勻分布或正態(tài)分布逐點(diǎn)生成隨機(jī)仿真數(shù)據(jù)，并隨機(jī)仿真模擬出若干組被測(cè)信號(hào)數(shù)據(jù)。然后根據(jù)所測(cè)數(shù)據(jù)的不同，計(jì)算每一個(gè)數(shù)據(jù)點(diǎn)的容差平均值的平均期望值。最后通過(guò)計(jì)算用戶可接受的風(fēng)險(xiǎn)等級(jí)來(lái)確定蒙特卡洛模擬組數(shù)。由此獲得的容差平均期望值即為給定的信號(hào)容差閾值。

2.對(duì)獲取的各組隨機(jī)仿真模擬信號(hào)數(shù)據(jù)進(jìn)行小波分析，獲得各組仿真模擬信號(hào)特征參數(shù)的數(shù)值。

3.將各組進(jìn)行小波分析得到的隨機(jī)仿真模擬信號(hào)數(shù)據(jù)的同一特征參數(shù)的數(shù)值相加，然后整體除以仿真模擬信號(hào)的組數(shù)獲取該特征參數(shù)的平均值。以同樣方法求出全部特征參數(shù)的平均值，特征參數(shù)均值的算法公式如（1）所示。

3.1.2 小波分析模塊概述

該模塊使用了基于MATLAB的小波分解算法，用其來(lái)判斷電路是否故障。使用者自行設(shè)定信號(hào)容差閾值后，系統(tǒng)會(huì)自動(dòng)計(jì)算產(chǎn)生特征值容差閾值及敏感特征值容差閾值。然后使用MATLAB軟件對(duì)電路測(cè)試點(diǎn)的正常波形與可能故障的波形進(jìn)行多層小波分析。再根據(jù)用戶設(shè)定的容差范圍提取特征值，并根據(jù)所得特征值判斷電路有無(wú)故障。

設(shè)計(jì)思路是先通過(guò)MATLAB軟件讀取采集到的通過(guò)PSPICE仿真獲得的模擬信號(hào)，并將其存儲(chǔ)為.OUT格式文件。因其中包含多個(gè)測(cè)點(diǎn)，所以先進(jìn)行分割再進(jìn)行圖形顯示。以同樣方法處理故障信號(hào)，并對(duì)比正常波形。然后將此信號(hào)進(jìn)行小波分解，完成其高頻分析。再圖形顯示其小波分解后的高頻分量，并對(duì)比故障波形的高頻部分。并對(duì)信號(hào)的某些特征量進(jìn)行計(jì)算與對(duì)比，最終判別設(shè)備是否故障。

3.1.3 小波分析模塊數(shù)據(jù)分析

點(diǎn)擊裝備故障數(shù)據(jù)檢測(cè)模塊中小波分析模塊，打開(kāi)小波分析模塊測(cè)試界面。通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)，如正弦信號(hào)、鋸齒波信號(hào)、三角波信號(hào)、不規(guī)則信號(hào)等，當(dāng)信號(hào)發(fā)生單點(diǎn)變化或整體變化時(shí)，都可以通過(guò)小波分析模塊有效檢測(cè)出故障信息，小波分析模塊的界面如圖4所示。

使用小波分析模塊分別對(duì)正弦周期信號(hào)、方波信號(hào)、鋸齒波信號(hào)、非周期信號(hào)數(shù)據(jù)進(jìn)行信號(hào)測(cè)試，部分測(cè)試數(shù)據(jù)結(jié)果如表2所示，其小波分析模塊界面的正常電路特征值及測(cè)試特征值的數(shù)據(jù)內(nèi)容說(shuō)明如表1所示。本項(xiàng)目選用DB5小波對(duì)第3、4、5層細(xì)節(jié)系數(shù)及第5層逼近系數(shù)進(jìn)行提取。其中，CAi和CDi分別代表對(duì)應(yīng)層信號(hào)的逼近系數(shù)和細(xì)節(jié)系數(shù)，每組樣本由7組特征值數(shù)據(jù)表征^[5]。

通過(guò)大量實(shí)驗(yàn)對(duì)比分析發(fā)現(xiàn)，小波分析模塊可以很好地判斷出正弦信號(hào)、方波信號(hào)、鋸齒波信號(hào)、非周期信號(hào)等是否發(fā)生故障。除了通過(guò)容差和特征值容差閾值來(lái)判斷是否發(fā)生故障外，由數(shù)據(jù)的低頻系數(shù)和高頻系數(shù)數(shù)據(jù)的變化情況也可以推測(cè)出故障的變化情況。無(wú)論是周期信號(hào)還是非周期信號(hào)，單值變化時(shí)，只有高頻系數(shù)CD的后5行數(shù)據(jù)變化較大。而整體變化時(shí)，高頻系數(shù)CD和低頻系數(shù)CD的后5行數(shù)據(jù)都變化較大，并且同等條件，數(shù)值變化越大，變化值與正常數(shù)值整體偏差越大。

因?yàn)樵趩沃底兓臅r(shí)候，單值的跳動(dòng)會(huì)對(duì)利用小波分析網(wǎng)絡(luò)的高頻系數(shù)產(chǎn)生較大的影響，同時(shí)也可以發(fā)現(xiàn)系統(tǒng)故障數(shù)據(jù)的變化能夠被小波分析模塊很好地識(shí)別出來(lái)。而整體變化時(shí)因?yàn)橄到y(tǒng)數(shù)據(jù)整體改變，因此高頻系數(shù)和低頻系數(shù)會(huì)同時(shí)改變。

3.2 神經(jīng)網(wǎng)絡(luò)模塊

除了小波分析模塊，本系統(tǒng)還做了神經(jīng)網(wǎng)絡(luò)模塊。神經(jīng)網(wǎng)絡(luò)模塊主要是配合小波分析模塊進(jìn)行使用，當(dāng)樣本數(shù)量足夠多時(shí)可以使用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障診斷。在已有大量同類型設(shè)備數(shù)據(jù)樣本的情況下，通過(guò)輸入迭代次數(shù)、學(xué)習(xí)效率、學(xué)習(xí)目標(biāo)、隱層神經(jīng)元數(shù)量和輸入層節(jié)點(diǎn)數(shù)等，就可以使用神經(jīng)網(wǎng)絡(luò)故障診斷模塊診斷出裝備故障類型。

3.2.1 BP神經(jīng)網(wǎng)絡(luò)算法

因?yàn)檠b備的故障狀態(tài)具有一定的相似性，裝備的故障與征兆沒(méi)有明確的關(guān)系，并具有較強(qiáng)的模糊性，裝備的故障特征也會(huì)相互交織，因此裝備的故障診斷是一個(gè)復(fù)雜的問(wèn)題^[6]。本文通過(guò)綜合神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)和裝備故障的特征，使用了基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)，對(duì)裝備的故障類型進(jìn)行故障診斷^[7]。

如圖5所示，本文使用了3層BP神經(jīng)網(wǎng)絡(luò)模型，分別為輸入層、隱層和輸出層。

前饋神經(jīng)網(wǎng)絡(luò)的意義在于每一層節(jié)點(diǎn)的輸入都只來(lái)源于前面一層輸出，輸入信號(hào)先向隱層節(jié)點(diǎn)傳播，然后通過(guò)激活函數(shù)激活后將隱層節(jié)點(diǎn)的輸出信息向輸出節(jié)點(diǎn)傳播，最終獲得輸出結(jié)果^[8]。每層節(jié)點(diǎn)關(guān)系如下：

1.輸入層節(jié)點(diǎn)記為i（i=1，2，…，n），其輸出Oi等于輸入Xi，并把變量值傳給隱層。

2.隱層節(jié)點(diǎn)記為j（j=1，2，…，P），其輸入Ij和輸出Oj分別為：

Oj=f（I_j）=1/1+exp（－I_j）（5）

ω_ji是輸入層節(jié)點(diǎn)i和隱層節(jié)點(diǎn)j之間的連接權(quán)值。θj是隱層節(jié)點(diǎn)j的偏置。f是激活函數(shù)，在本文中選用了sigmoid函數(shù)：

f（x）=1/1+exp（－x）（6）

3.輸出層節(jié)點(diǎn)記為k（k=1，2，…，m），其輸入Ik和輸出y_k分別為：

ω_kj是隱層節(jié)點(diǎn)j和輸出層節(jié)點(diǎn)k之間的連接權(quán)值。θk是輸出層節(jié)點(diǎn)k的偏置。

當(dāng)訓(xùn)練樣本為（x_p1，x_p2，…，x_pn），則其網(wǎng)絡(luò)輸出和訓(xùn)練目標(biāo)之間的均方誤差為：

p（p=1，2，…，P）是樣本數(shù)，t_pl是第p個(gè)樣本的第l個(gè)輸出單元的目標(biāo)輸出結(jié)果，y_pl是第p個(gè)樣本的第l個(gè)輸出單元的網(wǎng)絡(luò)運(yùn)算結(jié)果^[9]。

BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的過(guò)程包括網(wǎng)絡(luò)內(nèi)部的前向計(jì)算和誤差的反向傳播兩個(gè)訓(xùn)練過(guò)程。本文通過(guò)使用BP算法不斷地調(diào)整輸入層與隱層之間、隱層與輸出層之間的連接權(quán)值，從而實(shí)現(xiàn)網(wǎng)絡(luò)輸出誤差最小化的目的^[10]。

3.2.2 神經(jīng)網(wǎng)絡(luò)模塊介紹

在已有大量同類型裝備數(shù)據(jù)樣本的情況下，使用神經(jīng)網(wǎng)絡(luò)模塊時(shí)通過(guò)輸入迭代次數(shù)、學(xué)習(xí)效率、學(xué)習(xí)目標(biāo)、隱層神經(jīng)元數(shù)目、輸入層節(jié)點(diǎn)數(shù)等，即可進(jìn)行神經(jīng)網(wǎng)絡(luò)故障診斷。通過(guò)多次實(shí)驗(yàn)，在設(shè)置好相應(yīng)迭代次數(shù)、學(xué)習(xí)率等參數(shù)并進(jìn)行足夠訓(xùn)練后（一般訓(xùn)練要在1000次以上，訓(xùn)練過(guò)少準(zhǔn)確度較低），本神經(jīng)網(wǎng)絡(luò)模塊能夠檢測(cè)出測(cè)試裝備的各部件狀態(tài)或者故障類型，神經(jīng)網(wǎng)絡(luò)模塊如圖6所示。

3 總結(jié)

本文設(shè)計(jì)了一種多裝備數(shù)據(jù)故障診斷系統(tǒng)，該系統(tǒng)包括網(wǎng)絡(luò)平臺(tái)和裝備故障數(shù)據(jù)檢測(cè)模塊。網(wǎng)絡(luò)數(shù)據(jù)平臺(tái)主要功能是錄入裝備數(shù)據(jù)相關(guān)信息。裝備故障數(shù)據(jù)檢測(cè)模塊主要是對(duì)裝備進(jìn)行故障診斷，并且當(dāng)裝備同類型歷史數(shù)據(jù)信息較少時(shí)，可以使用小波分析模塊；當(dāng)裝備同類型歷史數(shù)據(jù)信息量較大時(shí)，可以使用神經(jīng)網(wǎng)絡(luò)模塊進(jìn)行故障診斷。并通過(guò)使用各類型信號(hào)進(jìn)行實(shí)驗(yàn)，測(cè)試出小波分析模塊和神經(jīng)網(wǎng)絡(luò)模塊都能夠成功判斷裝備是否故障以及故障類型，表明該系統(tǒng)具有一定可行性。

[參 考 文 獻(xiàn)]

[1] 楊健，葉秋紅，王懷俊，等.大數(shù)據(jù)技術(shù)在電力故障預(yù)測(cè)方法中的研究[J].微型電腦應(yīng)用，2022，38（7）：188-190.

[2] 王月.航空發(fā)動(dòng)機(jī)故障診斷方法[J].中國(guó)科技信息，2023（3）：19-21.

[3] 王世紀(jì).基于Matlab的小波分析在基坑監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用[J].安徽地質(zhì)，2022（S1）：33-37.

[4] 鄒蘭林，葉知秋.小波分析結(jié)合神經(jīng)網(wǎng)絡(luò)的樁基缺陷檢測(cè)[J].無(wú)損檢測(cè)，2022，44（7）：50-54.

[5] 朱洺申，慕麗，王欣威，等.基于labview的機(jī)械設(shè)備振動(dòng)信號(hào)的小波分析研究與驗(yàn)證[J].裝備制造技術(shù)，2022（6）：38-40+58.

[6] 高佃波，劉紅光，陸森林.基于BP神經(jīng)網(wǎng)絡(luò)和振動(dòng)測(cè)量的軸承故障診斷[J].長(zhǎng)沙交通學(xué)院學(xué)報(bào)，2006（2）：64-67.

[7] 張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].系統(tǒng)工程理論與實(shí)踐，2002（6）：61-66.

[8] 陳冠宇，胡小伍，洪雪倩，等.結(jié)合Kalman濾波與小波神經(jīng)網(wǎng)絡(luò)的沉降形變監(jiān)測(cè)[J].地理空間信息，2023，21（1）：101-103+112.

[9] 張新海，雷勇.BP神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用[J].噪聲與振動(dòng)控制，2008（5）：95-97.

[10] 邱鐵成.基于BP神經(jīng)網(wǎng)絡(luò)的橋式起重機(jī)主梁故障預(yù)測(cè)和評(píng)估[J].港口科技，2022（8）：23-26.

責(zé)任編輯：陳星宇