基于小波包分析和優(yōu)化KNN的電動開度閥故障檢測方法

唐 煒, 陳 遠, 程鯤鵬

(1.江蘇科技大學機械工程學院, 江蘇鎮(zhèn)江 212100; 2.江蘇遠望儀器有限公司技術部, 江蘇泰州 225508)

引言

電動開度閥是流體機械裝備中的一種典型機電一體化設備,主要用于調節(jié)管網(wǎng)系統(tǒng)中介質的流動從而控制管路中流體的壓力和流量等參數(shù),廣泛應用于水處理、石油、化工、船舶等行業(yè)控制領域[1]。

良好的開度控制系統(tǒng)可有效地提升管網(wǎng)系統(tǒng)中介質的輸送效率與控制精度,而穩(wěn)定可靠的故障檢測系統(tǒng)有助于延長閥門執(zhí)行機構的壽命。在智能制造大背景下,研究電動開度閥的故障檢測方法對于確保工礦企業(yè)閥控系統(tǒng)的安全運行具有積極意義。

近年來,關于閥門故障檢測的研究在不斷深入,國內外相關學者主要圍繞檢測信號分析處理、故障診斷模型建立和故障診斷算法優(yōu)化等開展了研究。

KOK T L等[2]針對閥門卡滯導致的振蕩問題,將無閾值遞歸圖和紋理分析應用于診斷閥門控制回路中, 實驗表明該方法可有效地檢測出閥門的卡滯故障,但局限性在于檢測的故障單一。SALAH M A等[3]針對閥門故障引起往復式壓縮機非計劃停機的問題,提出一種基于支持向量機(SVM)和聲發(fā)射參數(shù)的故障檢測方法,對閥門在健康和故障狀態(tài)下的聲發(fā)射信號進行波形分析,設計了SVM故障檢測模型,結果表明該模型的檢測準確率超過98%,但該方法受限于信號分析處理和特征提取,判別速度較慢。SANTHOSH K V等[4]針對調節(jié)閥故障導致的供水壓力不足問題,提出了一種基于振動分析和SVM的故障檢測方法,實驗表明該方法的檢測準確率為97%,但不足之處在于故障種類僅設置了供水壓力不足這一項。UTAH M N等[5]針對交流電磁閥故障導致介質流動中斷的問題,提出了一種基于傳統(tǒng)機器學習和深度神經(jīng)網(wǎng)絡的故障檢測方法,通過對交流供電的波形進行時頻域分析獲取16種特征參數(shù),進而基于機器學習與深度神經(jīng)網(wǎng)絡進行故障分類,結果表明故障分類正確率達到94%,但該模型的訓練時間較長。LIU Y K等[6]針對DN50電動閥的內漏故障提出了一種淺層-深層的集成故障診斷模型,基于聲信號建立了三種不同的深度信念網(wǎng)絡模型,實驗結果表明該模型的分類準確率為91.944%,但其局限性在于該模型僅針對DN50型號的電動閥,若應用于較大通徑的閥門可能會影響分類的準確率。

聞巖等[7]為了解決平衡閥早期微弱故障特征難以提取等問題,通過加速退化實驗獲取故障數(shù)據(jù),進而結合全連接神經(jīng)網(wǎng)絡構建故障診斷模型,結果表明該模型的診斷準確率為92%,但該模型需經(jīng)過較多次迭代才能取得較高的準確率,計算量較大。權凌霄等[8]為解決標準BP神經(jīng)網(wǎng)絡在故障診斷時學習效率較低的問題,采用“GA+LM”優(yōu)化BP神經(jīng)網(wǎng)絡的方法,提升了網(wǎng)絡的學習效率和搜索精度,大幅提高了故障診斷的效率,但該算法較為復雜,難以應用在MCU控制系統(tǒng)中。SHI Jinchuan等[9]為解決液壓換向閥故障診斷系統(tǒng)存在故障信息不足和冗余的問題,提出一種自適應融合多傳感器信息的診斷方法,通過多傳感器信息融合,采用熵權法和注意力機制自動選擇故障敏感特征,使得診斷正確率達到99.82%,但該方法計算量偏大。徐仁義等[10]為了提高核電廠電動閘閥的預測性維修能力,利用Paris模型和聲發(fā)射信號建立了閥門外漏故障的狀態(tài)空間模型,并利用粒子群算法優(yōu)化粒子濾波,有效提高了算法的預測精度,但在實驗室環(huán)境下進行案例測試時,存在故障工況較少的問題。

綜上所述,大部分學者在進行閥門故障檢測方法的研究時,主要采用了傅里葉變換、小波包分析等信號分析方法,同時廣泛采用了機器學習方法,如支持向量機、卷積神經(jīng)網(wǎng)絡、深度信念網(wǎng)絡和K近鄰算法。這些方法對本研究提供了一定的方向性指引,本研究以電動開度閥為研究對象,提出一種基于小波包分析和優(yōu)化KNN的故障檢測方法,并應用在以MCU為核心控制器的開度閥控制系統(tǒng)中,取得了良好的故障檢測效果。

1 理論方法

1.1 小波包分解與重構

小波包分析能將原始信號映射到一個小波伸縮構成的一組基函數(shù)上,具備了對不平穩(wěn)信號進行時頻局部分析的能力[11]。采用小波包分析處理原始信號時,給定正交小波函數(shù)φ(t)和正交尺度函數(shù)φ(t),二者需滿足雙尺度方程[12]:

(1)

式中,h0k,h1k為濾波器系數(shù)。

(2)

式中,h0—— 低通濾波器系數(shù)

h1—— 高通濾波器系數(shù)

小波包重構可將小波包分解系數(shù)進行逆變換,使信號數(shù)量達到原始數(shù)量,但信號的分辨率更高。小波包重構公式為:

(3)

式中,g0—— 低通濾波器系數(shù)

g1—— 高通濾波器系數(shù)

1.2 小波包能量

若電動開度閥出現(xiàn)故障,振動信號的某段頻率就會發(fā)生變化,那么經(jīng)小波包分解所得的部分小波包節(jié)點的信號能量也必然隨之改變[13]。因此,根據(jù)各小波包節(jié)點的信號能量變化識別故障在理論上是可行的。原始信號f(t)的能量可表示為:

(4)

小波包可將能量不重疊地正交變換到相鄰的節(jié)點上,分解得到的各個小波包系數(shù)平方和即為原始信號在時域中的能量。

原始信號經(jīng)j層小波包分解后的小波包系數(shù)表示為S(j,k),k=0,1,…,2j-1,在第j層的k個節(jié)點的能量分別表示為E1,E2,…,Ek,其中:

Ek=‖S(j,k)‖2

(5)

信號在第j層的總能量Ej等于該層k個小波包節(jié)點的能量之和,即:

(6)

第j層第k個節(jié)點的能量占總能量比值即為能量比P(j,k),即:

P(j,k)=Ek/Ej

(7)

2 故障特征提取

2.1 振動信號采集

提取故障特征前需利用傳感器獲取電動開度閥運行時的工況狀態(tài)數(shù)據(jù),并建立相關數(shù)據(jù)庫作為故障檢測的依據(jù)。本研究采用加速度傳感器來獲取開度閥的振動信號,對應的實驗系統(tǒng)基本組成如圖1所示。

圖1 采集振動信號的實驗系統(tǒng)Fig.1 An experimental system for collecting vibration signals

其中,加速度傳感器MPU6050安裝于開度閥的電機的后端蓋位置。該傳感器采集數(shù)據(jù)并解算后輸出至開度閥控制系統(tǒng)的I2C接口,并通過USART通信連接至上位PC機以實現(xiàn)高頻數(shù)據(jù)采集。

驅動電機作為電動開度閥的核心部件,其運行狀態(tài)相對于其他部件更加重要。若開度閥長期處于頻繁工作的狀態(tài),將導致電機出現(xiàn)過熱故障,并進一步造成電機振蕩或短時間的停止。此外,電機另一常見故障為電機轉子不平衡,該故障產生的原因是電機制造誤差或長期使用后沉積的粉塵顆粒對轉子造成了磨蝕,會使電機產生頻繁的振蕩。

本研究利用上述采集振動信號的實驗系統(tǒng)采集開度閥在正常運行狀態(tài)和故障狀態(tài)下振動信號的原始數(shù)據(jù),采樣頻率為1200 Hz,采樣時間為16 s。其中,故障狀態(tài)采用如下方法模擬:頻繁進行開度閥開關動作使電機溫度升高;通過增重法增加電機轉子一側的重量來模擬轉子不平衡。最終得到的三種狀態(tài)下信號原始波形如圖2所示。

圖2 三種狀態(tài)下的信號原始波形Fig.2 Original waveform of signals in three states

2.2 振動信號的處理與分析

小波變換的實質是原始信號與小波基函數(shù)卷積,得到的結果為小波系數(shù)。MATLAB軟件中提供了Daubechies小波(簡稱db小波)、Coieflet小波、Haar小波、Biothogonal小波等多種小波基函數(shù)。其中,db小波具有快速計算和多分辨率性質等優(yōu)點,故本研究采用其作為小波基,且階數(shù)設為7。

對三種工作狀態(tài)下采集到的振動信號進行6層分解變換后得到64個小波包節(jié)點。計算三種工作狀態(tài)下這64個節(jié)點的能量比,匯總后發(fā)現(xiàn)能量主要集中于如圖3所示的10個節(jié)點。

圖3 三種狀態(tài)下的節(jié)點能量比Fig.3 Node energy ratio in three states

由圖3可知,在正常狀態(tài)、電機過熱狀態(tài)和轉子不平衡狀態(tài)下圖中10個節(jié)點的能量占比分別為 91.62%,92.22%,94.04%,能量占比皆超過90%,因此忽略其他節(jié)點,只針對這些節(jié)點進行分析。

分析可知, 三種狀態(tài)下部分節(jié)點的能量分布發(fā)生明顯變化:

(1) 正常狀態(tài)下的能量分布相比于其余兩種狀態(tài),節(jié)點11的能量比明顯提高, 通過頻譜分析發(fā)現(xiàn)該節(jié)點的特征頻率為375～393.75 Hz;

(2) 電機過熱狀態(tài)下的能量分布相比于其余兩種狀態(tài),節(jié)點5,13的能量比有較明顯提升,兩者的特征頻率分別為150～168.75 Hz和450～468.75 Hz;

(3) 轉子不平衡狀態(tài)下的能量分布相比于其余兩種狀態(tài),節(jié)點1,2的能量比明顯提高,而節(jié)點12的能量比則有明顯下降,其特征頻率為412.5～431.25 Hz?？蓪⑸鲜龉?jié)點的特征頻率作為電動開度閥的故障特征頻率。

綜上所述, 能量分布變化明顯的節(jié)點有 1,2,5,11,12和13共6個節(jié)點。

為了分析三種狀態(tài)下這6個節(jié)點振動信號的差異性,首先對節(jié)點的信號進行小波包重構,得到三種狀態(tài)下的重構信號波形分別如圖4～圖6所示。

圖4 正常狀態(tài)下6節(jié)點重構信號Fig.4 Six node reconstruction signal under normal state

圖5 電機過熱狀態(tài)下6節(jié)點重構信號Fig.5 Six node reconstruction signal under motor overheating state

圖6 轉子不平衡狀態(tài)下6節(jié)點重構信號Fig.6 Six node reconstruction signal under rotor imbalance state

然后求取各節(jié)點重構信號的能量比以及5種時域特征參數(shù)(最大值、最小值、峰峰值、均方根、波形因數(shù)),具體如圖7所示。進一步分析圖中的特征參數(shù)與能量比,尋找與能量比強相關的時域特征參數(shù),如此便可用易于計算的時域特征參數(shù)代替不易計算的能量比作為故障特征。

圖7 三種狀態(tài)下各節(jié)點特征參數(shù)的變化趨勢Fig.7 Variation trend of characteristic parameters of each node in three states

觀察圖7中各狀態(tài)下的能量比及特征參數(shù)變化趨勢,可發(fā)現(xiàn):

(1) 三種狀態(tài)下最大值、峰峰值與能量比的變化趨勢比較相似,而均方根與能量比在各節(jié)點的變化趨勢最為相似;

(2) 在正常狀態(tài)和電機過熱狀態(tài)下,均方根與能量比在節(jié)點11前都呈上升趨勢,之后開始降低;

(3) 在轉子不平衡狀態(tài)下,均方根與能量比在節(jié)點1～節(jié)點5呈下降趨勢,在節(jié)點11達到頂峰,之后開始下降;

(4) 波形因數(shù)的變化趨勢與能量比的變化趨勢并無較大關系。

為了定量分析最大值、峰峰值和均方根三者與能量比之間的相關強度,本研究采用統(tǒng)計學中的Pearson相關系數(shù)作為定量分析的標準。Pearson相關系數(shù)用于度量兩個變量X與Y之間的相關性[14],其計算公式為:

(8)

式中,Xi和Yi—— 兩變量在第i個樣本點的值

n—— 樣本數(shù)量

R的取值范圍與其表示的相關強度如表1所示。在此,設最大值、峰峰值和均方根三者與能量比的相關系數(shù)分別為R1,R2,R3,計算結果如表2所示。

表1 Pearson相關系數(shù)的范圍Tab.1 Range of Pearson correlation coefficients

表2 特征參數(shù)與能量比的相關系數(shù)Tab.2 Correlation coefficient between characteristic parameters and energy ratio

可以看出:三種狀態(tài)下均方根與能量比之間的相關系數(shù)都接近1,兩者具備極強相關性;最大值、峰峰值與能量比的相關系數(shù)都處于0.6～0.8的范圍內,說明兩者之間具備強相關性。考慮到峰峰值相對于最大值可以更好地表征振動幅度,故本研究采用均方根與峰峰值作為故障檢測的特征值。

3 優(yōu)化KNN算法

3.1 KNN算法原理及優(yōu)化方法

K近鄰算法(K-Nearest Neighbor,KNN)是一種簡單實用的機器學習算法[15]。該算法的核心思想是:選擇合適的距離計算公式,計算待分類樣本與訓練樣本之間的距離,若最近的K個訓練樣本中某種類樣本的數(shù)量最多,則將待分類樣本歸為該類。

當待分類樣本的評價指標較多時,由于各個評價指標和故障的相關程度不同,若采用相關性較低的評價指標會導致計算效率降低以及算法的準確度降低。傳統(tǒng)KNN算法將數(shù)據(jù)的全部評價指標的重要性視為一致,若最近的K個訓練樣本中某種類數(shù)量最多,則將待分類樣本歸類為該種類,由于每個評價指標對分類結果的影響并不相同,因此這種分類方法的準確度欠佳。為此,本研究對傳統(tǒng)KNN算法做出了如下優(yōu)化:

(1) 篩選出相關性強的評價指標。在上一小節(jié)中,本研究去除了相關性低的時域特征參數(shù),僅采用相關性強的均方根和峰峰值作為開度閥故障狀態(tài)的二維評價指標,降低了KNN算法的計算量;

j=1,2,…,m

(9)

為了更加準確地反映相關性強的評價指標對分類結果的影響,本研究對評價指標進行加權處理并改進了距離公式[16]:

j=1,2,…,m

(10)

式中,ω1和ω2是均方值與峰峰值的權重,由二者與能量比的相關程度取ω1為0.6,ω2為0.4。

優(yōu)化后的KNN算法流程如下:

(1) 預設算法的K值,再由式(10)計算出待分類樣本集D′與訓練集D所有數(shù)據(jù)的距離;

(2) 選取距離待分類樣本最近的K個訓練集樣本;

(3) 計算出K個最近鄰樣本中數(shù)量最多的種類;

(4) 將待分類樣本歸類為該種類。

3.2 分類測試選取最優(yōu)K值

KNN算法的優(yōu)勢在于不需要訓練模型。但其劣勢在于預測結果依賴K的取值,若取值過小會導致過擬合、若過大會出現(xiàn)欠擬合[17]。因此需要采用大量已知種類的樣本進行試驗,得出最優(yōu)K值。

在電動開度閥處于正常狀態(tài)、電機過熱以及轉子不平衡狀態(tài)下各采集60組振動信號(已將啟停時正常產生的較大振動信號剔除)。求取三種狀態(tài)下共180組信號的均方根和峰峰值作為KNN算法的訓練集。同樣地,采集10組正常狀態(tài)、15組電機過熱狀態(tài)以及15組轉子不平衡狀態(tài)下的振動信號,求出均方根和峰峰值作為測試樣本。上述數(shù)據(jù)的分布如圖8所示。

圖8 訓練集與測試集數(shù)據(jù)分布圖Fig.8 Data distribution map of training and testing sets

在MATLAB中設計優(yōu)化KNN算法的程序,設置多種K值對40組測試樣本進行分類測試,結果如表3所示。

表3 不同K值下的分類結果Tab.3 Classification results under different K values

可以看出:

(1)K的取值最優(yōu)為5和7,為避免K的取值過小導致過擬合,本研究取K=7;

(2) 2組電機過熱狀態(tài)被錯誤識別為了正常狀態(tài),有1組轉子不平衡狀態(tài)被錯誤識別為了電機過熱狀態(tài)。整體來說,大部分的故障數(shù)據(jù)可以被識別并分類。

仍采用上述訓練集與測試集,對比不同K值下傳統(tǒng)KNN算法與優(yōu)化KNN算法的分類誤差,如圖9所示?？砂l(fā)現(xiàn),KNN算法在K為7時達到最低錯誤率(10%),而優(yōu)化KNN算法在K為5和7時達到最低錯誤率(7.5%)。此外,優(yōu)化KNN的錯誤率普遍低于傳統(tǒng)KNN算法。

圖9 KNN與優(yōu)化KNN的分類誤差Fig.9 Classification error of KNN and optimized KNN

4 故障檢測方法測試

4.1 故障檢測流程

為了使故障檢測系統(tǒng)可應用于以MCU為控制核心的開度閥控制系統(tǒng)中,本研究采用開度閥控制系統(tǒng)下位機與故障檢測上位機相配合的方案。其中,下位機負責電動開度閥的控制以及傳感器數(shù)據(jù)采集與上傳,而上位機負責故障檢測及其分類。具體故障檢測流程如圖10所示,圖中所述故障檢測系統(tǒng)上位機基于C#語言以及.NET Framework平臺設計。

圖10 故障檢測流程Fig.10 Fault detection process

4.2 實驗平臺

為了進行實驗測試,本研究搭建了如圖11所示的實驗平臺,主要包括:電動開度閥、加速度傳感器、開度閥控制器以及PC機。

圖11 故障檢測實驗平臺Fig.11 Fault detection experimental platform

其中,開度閥控制器系自主設計開發(fā),該控制器采用了雙MCU+CPLD的架構,可同時控制四路開度閥進行準確開度。控制器支持現(xiàn)地控制、遠程控制等多種工作模式,具備閥門狀態(tài)顯示及多種輔助功能。此外,控制器可通過I2C接口接收傳感器解算數(shù)據(jù),并通過串口發(fā)送至PC端的故障檢測系統(tǒng),在該系統(tǒng)中進行數(shù)據(jù)處理與分類,從而識別出開度閥當前狀態(tài)。

4.3 故障檢測測試

為了驗證故障檢測方法的效果,本研究設計了開度閥狀態(tài)識別實驗。具體方法為:使開度閥在正常狀態(tài)、電機過熱狀態(tài)、電機轉子不平衡狀態(tài)分別運行5次,每次運行時啟動故障檢測系統(tǒng),將接收到的加速度數(shù)據(jù)處理后得出均方根與峰峰值并進行分類,分類結果為標簽1,2,3,分別代表正常狀態(tài)、電機過熱狀態(tài)、電機轉子不平衡狀態(tài)。15組數(shù)據(jù)匯總如表4所示。

表4 待分類數(shù)據(jù)匯總表Tab.4 Summary table of data to be classified

采用傳統(tǒng)KNN與優(yōu)化KNN算法完成上述數(shù)據(jù)的分類,分類結果如圖12所示?？梢钥闯?采用傳統(tǒng)KNN分類的正確數(shù)量為11組,而優(yōu)化KNN的分類正確數(shù)量為13組。

圖12 分類結果的混淆矩陣圖Fig.12 Confusion matrix graph of classification results

經(jīng)進一步分析,可知:

(1) 采用傳統(tǒng)KNN分類時,5組正常狀態(tài)樣本有1組被錯誤分類為電機過熱狀態(tài),其余4組正確;5組電機過熱樣本有2組被錯誤分類為正常狀態(tài)與轉子不平衡狀態(tài),其余3組正確;而5組電機轉子不平衡樣本有1組被錯誤分類為電機過熱狀態(tài),其余4組正確。15組實驗的正確率為73.3%;

(2) 采用優(yōu)化KNN分類時,5組正常狀態(tài)樣本被分類為了標簽1,分類結果完全正確; 5組電機過熱樣本有1組被錯誤分類為了正常狀態(tài),其余4組全部正確; 5組電機轉子不平衡樣本有1組被錯誤分類為了電機過熱狀態(tài),其余4組全部正確。15組實驗的正確率為86.7%,基本滿足故障檢測的需求。

實驗結果相比于圖9中的MATLAB仿真結果,上述兩種算法的分類正確率都有所降低。對比可知,仿真環(huán)境下優(yōu)化KNN算法的最高分類正確率為92.5%,而實驗測試的最高分類正確率為86.7 %,兩者之間的誤差為5.8%,可能原因是訓練集數(shù)量較少或數(shù)據(jù)存在異常值,影響了分類的準確度。

5 結論

本研究基于小波包分析和優(yōu)化KNN算法提出了一種針對電動開度閥的故障檢測方法。該方法通過小波包變換對振動信號處理分析,獲取了與電機故障強相關時域特征參數(shù),將其作為樣本的評價指標輸入優(yōu)化KNN算法進行分類,研究結果表明:

(1) 通過小波包變換處理振動信號,剔除了相關性較弱的特征參數(shù),得到有效表征故障的特征參數(shù)。相比于其他文獻常用的能量值、熵值等,本研究提取的特征參數(shù)不僅故障相關性高,且易于計算,有利于減少計算量;

(2) 針對不同狀態(tài)的分類問題,本研究優(yōu)化了KNN算法的評價指標,引入了距離權重公式,降低了KNN算法的計算量。將該方法應用于開度閥控制系統(tǒng)進行故障檢測測試,結果表明故障分類的準確率達到86.7%,驗證了本研究方法的有效性。