鄧宇翔,李正紅
(1.昆明冶金高等??茖W校 電氣與機械學院,昆明 650300;2.昆明學院 信息工程學院,昆明 650214)
旋轉機械是指依靠旋轉動作完成特定功能的機械部件,包括動力機械、過程機械、加工機械三種類型。動力機械的組成形式較為復雜,可繼續(xù)細分為流體輸送機械、電動機和原動機。流體輸送機械通過向流體做功的方式,提高機械部件的動能水平,由于流體每完成一次做功后,都能獲得一定的能力,所以該類型機械元件的應用能夠克服機械能的損失,達到提高液體位能與壓強的目的[1]。電動機、原動機的工作原理相對較為簡單,可以在外部電能或勢能的作用下,驅動機械部件,使其呈現(xiàn)出運動狀態(tài)。過程機械、加工機械都是某一類機械部件的統(tǒng)稱,其運行能力受到外部動能與勢能的影響,在電力供應不充分的情況下,一部分動能及勢能會轉變成電力信號的形式,以保證機械結構不會表現(xiàn)出運行中斷的情況。
故障診斷就是利用各種測試和檢查方法,確定設備元件是否運行故障問題的檢查流程,能夠輔助相關工作人員完成對故障節(jié)點所處區(qū)域的定位。侯召國、王華偉、周良等人提出的基于改進深度殘差網(wǎng)絡的故障診斷方法首先對旋轉機械一維振動信號進行預處理,然后利用深度殘差網(wǎng)絡架構建立長短時記憶網(wǎng)絡模型,接著利用捕獲所得的故障時序信息,確定主機元件對故障數(shù)據(jù)的處理精度,最后在網(wǎng)絡體系中運行完整的診斷模型,得到診斷結果[2]。鄭近德、應萬明、潘海洋等人提出的基于改進全息希爾伯特譜分析的故障診斷方法通過雙層經驗模態(tài)分解的方式,完整描述旋轉機械設備振動信號的調制特性,又聯(lián)合混疊噪聲指標,確定故障行為的表現(xiàn)能力,從而獲得較為理想的診斷結果[3]。
在實際應用過程中,旋轉機械設備所能表現(xiàn)出的故障問題多種多樣,而上述兩種方法的診斷方式相對較為單一,故而其診斷結果的可參考性價值也就相對較弱。鄰域知識圖算法是一種新型的檢測模型。所謂鄰域就是指數(shù)據(jù)集合上的一種基礎拓撲結構,在鄰域區(qū)間內,信息對象之間的關聯(lián)性較強,且在已知關聯(lián)算法的情況下,根據(jù)一個數(shù)據(jù)對象,就可以確定所有數(shù)據(jù)對象的取值范圍[4]。知識圖是以元數(shù)據(jù)為基礎建立的數(shù)據(jù)查詢結構,利用知識圖能夠準確定義核心數(shù)據(jù)對象與參考數(shù)據(jù)之間的差值關系,以便于主機元件能夠快速確定所需查找數(shù)據(jù)對象所處位置。利用鄰域知識圖算法的應用優(yōu)勢,設計一種新型的旋轉機械設備故障診斷方法,并通過對比實驗的方式,突出該方法在診斷不同類型故障表現(xiàn)行為方面的應用能力。
鄰域知識圖算法作用下,為實現(xiàn)機械設備故障數(shù)據(jù)的推薦,應根據(jù)算法架構模型,推導具體的函數(shù)表達式,本章節(jié)針對上述內容展開深入研究。
1.1.1 算法架構
鄰域知識圖算法架構由兩部分組成,第一部分架構體系描述了多維度鄰域組織與標準鄰域組織之間的對應關系,第二部分架構體系描述了標準鄰域組織與鄰域知識節(jié)點之間的對應關系。
1)多維度鄰域組織與標準鄰域組織之間的對應關系(如圖1所示):所謂多維度鄰域組織就是指Ⅰ維鄰域組織與Ⅱ維鄰域組織,二者保持直接嵌套關系,數(shù)據(jù)空間較為廣泛的Ⅰ維鄰域組織套接在Ⅱ維鄰域組織外部,為鄰域知識節(jié)點提供了分布空間[5]。在多維度鄰域組織中,知識節(jié)點對象保持自由分布狀態(tài)。標準鄰域組織是多維度鄰域組織的融合表現(xiàn)形式,且在進行組織環(huán)境融合處理的過程中,知識節(jié)點對象的排列方式會更適應主機元件所需執(zhí)行的程序指令。
2)標準鄰域組織與鄰域知識節(jié)點之間的對應關系(如圖2所示):鄰域知識節(jié)點在標準鄰域組織中獨立出來的過程,就是主機元件執(zhí)行程序指令的過程中,通常情況下,執(zhí)行完程序指令后,每一個鄰域知識節(jié)點中所存儲的數(shù)據(jù)信息都可供主機元件的直接調取與利用。
圖2 鄰域知識圖算法的第二層對應關系
數(shù)據(jù)信息文件從多維度組織向標準維度組織傳輸所遵循的算法條件,并不適用于數(shù)據(jù)對象的回傳過程,所以在鄰域知識圖算法運行過程中,鄰域知識節(jié)點中數(shù)據(jù)樣本的存儲量始終小于領域組織中的數(shù)據(jù)存儲量。
1.1.2 知識圖算法的函數(shù)表達式
鄰域知識圖算法函數(shù)就是以架構體系為基礎,求導的數(shù)學計算公式。在診斷旋轉機械設備故障的過程中,函數(shù)表達式要求主機元件對于數(shù)據(jù)樣本的定義必須符合鄰域知識圖算法原則,且單位運算周期內,只對同一類或同一單元內的故障數(shù)據(jù)進行取樣[6]。鄰域知識圖算法函數(shù)對于運算數(shù)據(jù)提出了統(tǒng)一性的原則,所謂統(tǒng)一性就是指數(shù)據(jù)對象只能描述一種類型的機械設備故障行為,或當前所應用故障數(shù)據(jù)來源于機械設備的同一運行周期內。
(1)
利用公式(1),推導數(shù)據(jù)對象在鄰域組織中的標記向量計算式為:
(2)
其中:χ1、χ2、…、χn分別表示鄰域知識節(jié)點中的數(shù)據(jù)對象記錄參數(shù),其取值屬于[1,+∞)的數(shù)值區(qū)間。
在公式(2)的基礎上,可將鄰域知識圖算法的函數(shù)表達式定義為:
(3)
β表示待運算數(shù)據(jù)的取樣系數(shù),dmax表示故障數(shù)據(jù)對象數(shù)值定義項的最大取值,dmin表示故障數(shù)據(jù)對象數(shù)值定義項的最小取值,α表示算法運行過程中的運算數(shù)據(jù)標記參數(shù)。依照鄰域知識圖算法完成對旋轉機械設備故障行為的診斷,除了要保證數(shù)據(jù)對象的取值唯一性之外,還要避免對同一故障數(shù)據(jù)樣本進行重復標記,特別是在數(shù)據(jù)樣本累積量較大的情況下,重復標記極易造成鄰域知識圖算法出現(xiàn)錯誤運算行為。
故障數(shù)據(jù)推薦是指按照鄰域知識圖算法完成對旋轉機械設備故障對象的選擇。所謂推薦可以理解為在符合算法條件下,所進行的數(shù)據(jù)對象推選與按需調取。從診斷的角度來看,故障數(shù)據(jù)的推薦標準越嚴謹,在取樣數(shù)據(jù)對象的過程中出現(xiàn)錯誤計算的可能性就越低;從數(shù)據(jù)選取的角度來看,完成推薦指令所應用的數(shù)據(jù)對象必然符合鄰域知識圖算法的定義條件,因此只要保證數(shù)據(jù)樣本的真實性,就可以在后續(xù)診斷過程中,實現(xiàn)對旋轉機械設備故障表現(xiàn)行為的精準判定。
推薦是一個連貫的指令行為流程,只要“推”的部分符合鄰域知識圖算法的定義標準,“薦”的部分就不會獲得不符合故障診斷需求的數(shù)據(jù)對象[7]。簡單來說,就是數(shù)據(jù)選取部分滿足鄰域知識圖算法所規(guī)定的要求,那么利用取樣所得的數(shù)據(jù)對象就可以得到較為理想的故障診斷結果。
(4)
利用鄰域知識圖算法所推薦的故障數(shù)據(jù)對象是準確診斷旋轉機械設備故障的必要條件。
挖掘旋轉機械設備故障數(shù)據(jù)是實現(xiàn)故障行為診斷的必要環(huán)節(jié),利用鄰域知識圖算法,完成故障數(shù)據(jù)預處理,并以此為基礎,確定具體的深度挖掘執(zhí)行方案。
故障數(shù)據(jù)準備的過程就是按照鄰域知識圖算法確定挖掘對象與挖掘目標的過程,由于旋轉機械設備運行過程中,故障數(shù)據(jù)的產生是大量且無序的,所以需要在實施挖掘處理之前,選擇必要的挖掘數(shù)據(jù)源對象。若想保證故障行為診斷結果的準確性,完成故障數(shù)據(jù)準備的有效性是關鍵。在診斷過程中,如果故障數(shù)據(jù)的數(shù)量水平不足可能會導致無法得到所需挖掘結果;如果數(shù)據(jù)對象的指令水平太差,則會導致挖掘結果無法指示出與該類型數(shù)據(jù)樣本對應的故障表現(xiàn)行為[8]。另外,數(shù)據(jù)準備只是旋轉機械設備故障數(shù)據(jù)挖掘的第一個步驟,它的處理結果決定了數(shù)據(jù)挖掘技術所遵循的執(zhí)行模型。
(5)
對于整個數(shù)據(jù)挖掘過程而言,完美的數(shù)據(jù)準備過程是獲得準確診斷的重要先決條件,特別是在實施數(shù)據(jù)預處理之前,完成數(shù)據(jù)準備才能保障所取樣數(shù)據(jù)源與故障表現(xiàn)行為之間的對應關系[9]。如果準備故障數(shù)據(jù)的過程中,存在一個源節(jié)點同時對應多個數(shù)據(jù)對象的情況,則可以再次利用鄰域知識圖算法對故障數(shù)據(jù)進行取樣,以此滿足數(shù)據(jù)挖掘處理的唯一性要求。
在診斷旋轉機械設備故障的實際應用中,所使用的數(shù)據(jù)源往往是不完整的、含有雜質的、甚至是不符合鄰域知識圖算法取樣標準的,而這些數(shù)據(jù)對象的存在又具有普遍性。所以,在完成故障數(shù)據(jù)準備后,為保證數(shù)據(jù)挖掘結果能夠與診斷指令保持單一指向性關系,就需要在數(shù)據(jù)預處理階段再次利用鄰域知識圖算法對所涉及數(shù)據(jù)對象進行整合與處理,才能保證數(shù)據(jù)樣本在后續(xù)挖掘流程中的正常使用[10-11]。
對于機械設備故障數(shù)據(jù)的預處理可以按照如下流程進行。
1)完成準備后故障數(shù)據(jù)的初次取樣,在所有數(shù)據(jù)樣本中集中挑選符合鄰域知識圖算法定義標準的數(shù)據(jù)源參量,并將其作為待挖掘對象。
2)初次取樣故障數(shù)據(jù)的二次加工,對所得數(shù)據(jù)對象進行重排處理。
3)完成重排后,定義統(tǒng)一的故障數(shù)據(jù)預處理標準,具體求解表達式如下:
(6)
4)待挖掘數(shù)據(jù)源的全面整合,去除所有雜質對象后,將所得數(shù)據(jù)對象整合成一個全新的數(shù)據(jù)樣本集合,并在集合中為每一個滿足預處理標準的信息對象定義一個全新的標度值指征,在后續(xù)診斷過程中,主機元件可以根據(jù)標度值參數(shù)確定該類型數(shù)據(jù)對象所代表的具體故障行為類型。
“天涯秋光靜,木末群鳥還。夜久游子息,月明歧路閑。風生淮水上,帆落楚云間。此意竟誰見,行行非故關?!盵5]
對于旋轉機械設備故障數(shù)據(jù)的深度挖掘,首先需要明確挖掘指令的具體執(zhí)行任務與目的,根據(jù)任務需求旋轉數(shù)據(jù)對象,并制定響應的挖掘文件。其次按照鄰域知識圖算法確定故障行為的表現(xiàn)強度,由于不同數(shù)據(jù)對象所代表的故障行為等級并不相同,所以為保證診斷結果的準確性,必須根據(jù)關聯(lián)強度對應情況來判斷挖掘算法是否能夠成立[12]。然后需確保不同挖掘指令不會得到同一個運算結果,特別是在數(shù)據(jù)對象較為類似的情況下,應避免重復取樣或重復運算行為的出現(xiàn)。
在執(zhí)行故障數(shù)據(jù)深度挖掘處理的過程中,應考慮數(shù)據(jù)集中性特點、故障行為診斷需求兩方面問題,前者是指旋轉機械設備的普遍性故障規(guī)律,一般來說包括內環(huán)故障、外環(huán)故障、滾動體故障三種形式;后者則是指數(shù)據(jù)挖掘指令的執(zhí)行結果完全服務于機械設備的故障診斷行為。
利用公式(6),推導旋轉機械設備故障數(shù)據(jù)深度挖掘計算式為:
(7)
v表示挖掘處理過程中故障數(shù)據(jù)的迭代傳輸次數(shù),O′表示故障數(shù)據(jù)的迭代傳輸閾值,μ′表示挖掘指令的執(zhí)行閾值,λ表示基于鄰域知識圖算法的故障數(shù)據(jù)取樣參數(shù),l表示深度值向量。鄰域知識圖算法規(guī)定,經過深度挖掘處理后,數(shù)據(jù)對象所代表的故障行為等級不再發(fā)生變化,因此在診斷旋轉機械設備故障行為的過程中,挖掘指令的執(zhí)行決定了診斷結果的唯一性。
故障診斷方法的設計利用深度挖掘處理后的故障數(shù)據(jù)對象進行融合,再聯(lián)合降維條件,定義具體的核特征,從而實現(xiàn)對診斷流程的完善。
故障數(shù)據(jù)融合就是指將符合同一診斷需求的故障數(shù)據(jù)集合在一起,以便于后續(xù)診斷過程中,主機元件可以在較短時間內提取到大量的數(shù)據(jù)對象。鄰域知識圖算法規(guī)定,主機元件對故障數(shù)據(jù)的融合處理遵循深度挖掘條件,在信息對象較為類似的情況下,如果根據(jù)表面計算結果不能判斷出當前數(shù)據(jù)對象是否與其他故障數(shù)據(jù)屬于同一類別,則可以再次對其進行深度挖掘處理,并根據(jù)二次處理結果,判斷當前數(shù)據(jù)與其他故障數(shù)據(jù)之間的關聯(lián)程度[13-14]。
(8)
如果單一數(shù)據(jù)集合中所包含的故障數(shù)據(jù)對象過多,則可以再命名一個全新的集合單元用于存儲于當前信息類型的融合對象。因此,在診斷旋轉機械設備故障行為的過程中,主機元件允許相同數(shù)據(jù)集合單元的存在。
利用公式(8),可將故障數(shù)據(jù)降維表達式定義為:
(9)
核特征可以理解為旋轉機械設備故障行為數(shù)據(jù)的集中表現(xiàn)特征,利用鄰域知識圖算法診斷故障數(shù)據(jù)時,根據(jù)核特征定義項確定故障行為表現(xiàn)強度時,能夠合理利用降維條件,從而在獲得準確診斷結果的同時,避免對數(shù)據(jù)樣本進行重復取樣。所謂集中表現(xiàn)并不是針對整個故障數(shù)據(jù)集合提出的,而是在某一特定數(shù)值區(qū)域內的數(shù)據(jù)樣本表現(xiàn)特征[17-18]。即便是在數(shù)據(jù)集合定義條件極為相似的情況下,兩類故障行為的核特征求解結果也不可能完全相等,因此利用核特征完成對機械設備故障行為的診斷,能夠充分保證診斷結果的準確性。
(9)
核特征表達式對于旋轉機械設備故障行為數(shù)據(jù)的描述較為精準,在數(shù)據(jù)種類不發(fā)生改變的情況下,其核特征表達式的計算結果也不會發(fā)生變化。
為獲得準確的故障診斷結果,首先應按照故障數(shù)據(jù)的降維條件,判斷核特征指標的定義完整性。然后根據(jù)核特征表達式,完成對故障數(shù)據(jù)的取樣,且所得數(shù)據(jù)樣本必須符合鄰域知識圖算法的約束條件[19-20]。最后應分析旋轉機械設備的當前運行情況,并判斷取樣所得的數(shù)據(jù)對象是否符合實際診斷需求,判斷結果為“是”時,完成對機械設備故障行為的診斷;判斷結果為“否”時,返回定義核特征步驟再次執(zhí)行后續(xù)流程,直至得到準確的故障行為診斷結果。完整的旋轉機械設備故障診斷流程如圖3所示。
圖3 基于鄰域知識圖算法的故障診斷流程圖
利用公式(9),可將基于鄰域知識圖算法的旋轉機械設備故障診斷表達式定義為:
(10)
本次實驗意在驗證基于鄰域知識圖算法的旋轉機械設備故障診斷算法、基于改進深度殘差網(wǎng)絡的故障診斷方法、基于改進全息希爾伯特譜分析的故障診斷方法對于旋轉型機械設備故障問題的診斷能力,分別從內環(huán)故障、外環(huán)故障、滾動體故障三方面著手進行實驗。
內環(huán)故障、外環(huán)故障、滾動體故障是旋轉機械設備三種常見的故障問題。其中,內環(huán)故障是指由內環(huán)部件破損造成的故障表現(xiàn)行為(如圖4(a)所示),對于旋轉機械設備而言,該類型故障有可能造成內環(huán)組織的完全斷裂,從而使機械設備發(fā)生偏轉;外環(huán)故障是指由外環(huán)部件破損造成的故障表現(xiàn)行為(如圖4(b)所示),對于旋轉機械設備而言,該類型故障會影響機械設備的旋轉穩(wěn)定性;滾動體故障是由滾動部件結構損壞造成的故障表現(xiàn)行為(如圖4(c)所示),對于旋轉機械設備而言,該類型故障會使機械設備的真實旋轉角度與規(guī)定旋轉角度出現(xiàn)偏差。
圖4 旋轉機械設備的故障表現(xiàn)行為
所使用方法的應用價值表現(xiàn)在其對于故障部分機械設備裂度水平的檢測準確性方面,在不考慮其他干擾條件的情況下,若裂度檢測值與其真實斷裂程度保持一致或差值水平極低,則表示該方法對于機械設備故障行為的診斷能力較強;若裂度檢測值與真實斷裂程度之間的差值水平較高,則表示該方法對于機械設備故障行為的診斷能力較弱。
利用探測儀裝置對旋轉機械設備的裂度情況進行檢測,具體檢測數(shù)值如表1所示。
表1 旋轉機械設備故障裂度的真實檢測值
分析表1可知,2號節(jié)點處內環(huán)故障的裂度水平最大,4號節(jié)點處內環(huán)故障的裂度水平最小,二者差值為5.9 mm;4號節(jié)點處外環(huán)故障的裂度水平最大,6號節(jié)點處外環(huán)故障的裂度水平最小,二者差值為2.3 mm;1號、3號、4號節(jié)點處滾動體故障的裂度水平同時取得最大值,5號節(jié)點處滾動體故障的裂度水平最下,極值差為1.6 mm。縱向來看,內環(huán)故障裂度的均值水平最高、外環(huán)故障次之、滾動體故障最小。
分別應用基于鄰域知識圖算法的旋轉機械設備故障診斷算法(實驗組)、基于改進深度殘差網(wǎng)絡的故障診斷方法(a對照組)、基于改進全息希爾伯特譜分析的故障診斷方法(b對照組)對三種不同的故障表現(xiàn)行為進行診斷,各個診斷節(jié)點處的裂度檢測數(shù)值如圖5、圖6、圖7所示。
圖5 內環(huán)故障的裂度數(shù)值
分析圖5可知,1號節(jié)點處,實驗組故障裂度檢測值與真實裂度之間的差值最大,達到了0.3 mm,整個實驗過程中,實驗組裂度均值始終與真實裂度均值較為接近。a對照組、b對照組故障裂度檢測值則始終與真實裂度之間的差值水平較大,整個實驗過程中,這兩組裂度均值也始終小于真實裂度均值。
圖6 外環(huán)故障的裂度數(shù)值
分析圖6可知,4號節(jié)點處,實驗組故障裂度檢測值與真實裂度之間的差值最大,但也僅能達到0.2 mm,整個實驗過程中,實驗組裂度均值也始終與真實裂度均值較為接近。a對照組、b對照組故障裂度檢測值則始終小于真實裂度數(shù)值。
圖7 滾動體故障的裂度數(shù)值
分析圖7可知,3號節(jié)點處,實驗組故障裂度檢測值與真實裂度之間的差值取得最大值,但卻僅為0.3 mm,而a對照組、b對照組故障裂度檢測值依然遠小于真實裂度數(shù)值。
綜上可知本次實驗結論為:
1)應用基于改進深度殘差網(wǎng)絡的故障診斷方法,不滿足有效控制故障裂度檢測值與真實裂度之間差值水平的應用需求,表示該方法對于旋轉機械設備故障行為的診斷能力相對有限。
2)基于改進全息希爾伯特譜分析的故障診斷方法的應用能力與基于改進深度殘差網(wǎng)絡的故障診斷方法基本相同,都不符合準確診斷旋轉機械設備故障表現(xiàn)行為的實際應用需求。
3)基于鄰域知識圖算法的旋轉機械設備故障診斷算法的應用可將故障裂度檢測值與真實裂度之間的差值控制在低數(shù)值水平狀態(tài),對于滾動體故障行為而言,其對于故障裂度的檢測結果更是與真實裂度數(shù)值完全相等,能夠準確診斷出旋轉機械設備的故障表現(xiàn)行為,再配合一定的處理手段,確實可以達到延長旋轉機械設備使用壽命的應用目的。
相較于基于改進深度殘差網(wǎng)絡的故障診斷方法、基于改進全息希爾伯特譜分析的故障診斷方法,基于鄰域知識圖算法的旋轉機械設備故障診斷算法的設計對故障數(shù)據(jù)進行重新推薦處理,在深度挖掘模式的配合下,完成對數(shù)據(jù)樣本的降維處理,從而在準確定義故障行為核特征的同時,完善具體的故障診斷執(zhí)行流程。實用性方面,這種新型診斷方法的應用,可以針對內環(huán)故障、外環(huán)故障、滾動體故障三類故障表現(xiàn)行為下的機械部件裂度情況進行準確檢測,符合精準診斷旋轉機械設備常見故障問題的實際應用需求,若能在已知故障數(shù)據(jù)的基礎上,配合一定的故障去除手段,則可以大幅延長機械設備的使用年限,在可持續(xù)性利用方面也具有明顯的應用價值。然而在面對內環(huán)故障、外環(huán)故障時,鄰域知識圖算法診斷技術依然存在一定的可上升空間,未來相關組織機構可以在該項技術手段的基礎上,進行深入研究,力求做到對旋轉類機械設備元件應用能力的全面保障。