高保祿,馮秀芳,熊詩波,徐占偉

(1.太原理工大學計算機科學與技術(shù)學院,山西太原 030024;2.太原理工大學機械電子研究所,山西太原 030024)

0 引 言

傳統(tǒng)機械故障的診斷和監(jiān)測都是通過有線傳感器來完成的.這種方法由于需要事先布線安裝,在靈活性、安全性和可維護性等方面越來越不適應(yīng)大型精密設(shè)備的應(yīng)用需求.采用無線傳感器網(wǎng)絡(luò)監(jiān)測、診斷機械設(shè)備的運行狀態(tài),是未來發(fā)展的趨勢.同時,無線傳感器使用靈活、部署方便的特點,可以很好地避免有線傳感器在復(fù)雜機械設(shè)備中布線、維護等問題.在無線傳感器網(wǎng)絡(luò)中,采集的數(shù)據(jù)一方面由于單個傳感器節(jié)點在短時間內(nèi)多次采集到的數(shù)據(jù)具有極高的相似度,另一方面,鄰近傳感器節(jié)點在相近時刻采集到的數(shù)據(jù)同樣會具有很高的相似度.因此,將所有傳感器節(jié)點采集到的數(shù)據(jù)全部傳輸給匯聚節(jié)點,不但沒有實際意義,反而會過多消耗傳感器節(jié)點的能量,影響網(wǎng)絡(luò)壽命.數(shù)據(jù)融合技術(shù)將信息在本地或者傳輸過程中進行處理,可以有效地減少傳感器節(jié)點間的數(shù)據(jù)通信,進而降低傳感器節(jié)點的能耗,延長無線傳感器網(wǎng)絡(luò)的壽命[1-2].雖然數(shù)據(jù)融合的過程也會造成計算上的耗能,但是這部分能量消耗與節(jié)點通信的能量消耗相比可以忽略不計.

1 基于 WSN的滾動軸承故障診斷模型

與傳統(tǒng)有線傳感器網(wǎng)絡(luò)不同,無線傳感器網(wǎng)絡(luò)在節(jié)點通信能力、能量供給上均受到嚴格限制,因此數(shù)據(jù)通常采用多跳轉(zhuǎn)發(fā)的方式在網(wǎng)絡(luò)中傳遞.無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)就是充分利用節(jié)點自身的計算和存儲能力,將數(shù)據(jù)在轉(zhuǎn)發(fā)的過程中進行處理,逐步減少數(shù)據(jù)通信量從而達到節(jié)省能量的目的.鑒于此,在實際應(yīng)用中常常用分簇的辦法將距離較近、數(shù)據(jù)相關(guān)程度較高的傳感器節(jié)點看作一個小型網(wǎng)絡(luò),每個簇內(nèi)節(jié)點相互協(xié)作,進行融合操作[3].本文討論的無線傳感器網(wǎng)絡(luò)也是基于 LEACH協(xié)議[4]分簇后的網(wǎng)絡(luò).

圖1描述了基于 WSN的軸承滾動故障診斷模型.該模型將數(shù)據(jù)融合被分為 3個層次,分別是數(shù)據(jù)級、特征級和決策級.其中數(shù)據(jù)級數(shù)據(jù)融合是基于監(jiān)測節(jié)點的.在監(jiān)測節(jié)點上,首先對監(jiān)測到的軸承數(shù)據(jù)進行初步融合處理,如 A/D轉(zhuǎn)換、噪聲過濾、數(shù)據(jù)壓縮等.這個階段的數(shù)據(jù)融合主要是為特征級的融合處理做準備.另外考慮到傳感器節(jié)點能力有限,而監(jiān)測節(jié)點主要負責該區(qū)域的監(jiān)測任務(wù),因此,這部分數(shù)據(jù)融合程度有限.特征級數(shù)據(jù)融合主要在簇頭節(jié)點進行.在簇頭節(jié)點上,通過收集來自監(jiān)測節(jié)點的數(shù)據(jù),并對其進行特征提取,利用本文提出的融合算法進行故障分類,并將分類的結(jié)果,傳送給匯聚節(jié)點或基站.通過這部分的融合處理,來自監(jiān)測節(jié)點的信號,已基本上轉(zhuǎn)換成了故障類型,因此,這部分是本文數(shù)據(jù)融合的重點.需要說明的是,由于信號特征提取需要大量的計算,因此,建議在簇頭節(jié)點部署性能好,計算能力強,能量、存儲量大的傳感器,以滿足其功能上的需求.決策級數(shù)據(jù)融合是在匯聚節(jié)點(或基站)內(nèi)進行的.通過收集簇頭節(jié)點傳來的故障信息,對系統(tǒng)不同參數(shù)(如振動、溫度等)進行綜合分析,得出整個系統(tǒng)各個部分的工作狀態(tài),反饋給用戶.

2 軸承故障診斷數(shù)據(jù)融合

在本文的融合模型中,特征級融合是運行在簇頭節(jié)點上的,負責將源節(jié)點采集的數(shù)據(jù)轉(zhuǎn)換成故障類型,這部分融合是本模型最重要的部分,也是本文主要討論的部分.在特征級數(shù)據(jù)融合過程中,首先對信號進行特征提取.本文采取循環(huán)自相關(guān)函數(shù)的方法,對調(diào)制信號進行解調(diào),從而得出軸承的故障特征.需要說明的是,本文采用循環(huán)統(tǒng)計量作為特征提取只是一種示例,在實際應(yīng)用中,應(yīng)根據(jù)具體情況選擇合適的方法進行特征提取[5-7].

將特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入,來判斷軸承的故障狀態(tài),具體過程如圖2所示.本文主要涉及滾動軸承最常見的外圈、內(nèi)圈和滾動體的故障.分別計算循環(huán)自相關(guān)函數(shù) (Cyclic Autocorrelation Function,CAF)在循環(huán)頻率等于上述故障的故障頻率處的切片信息,并分析在上述故障頻率及其 2倍頻率附近,功率譜上是否存在峰值.將切片功率譜中位于故障頻率及其 2倍頻率處的 CAF值作為神經(jīng)網(wǎng)絡(luò)的輸入.對于輸出結(jié)果,有故障輸出 1,反之輸出 0.從而可以得到神經(jīng)網(wǎng)絡(luò)的輸入輸出,如表1所示,其中 df表示頻率調(diào)整參數(shù).

表1 神經(jīng)網(wǎng)絡(luò)輸入輸出參數(shù)Tab.1 Input and output parameters of neural network

鑒于傳統(tǒng) BP網(wǎng)絡(luò)在收斂性上有差異,本文采用基于主元分析的神經(jīng)網(wǎng)絡(luò)[8]進行狀態(tài)檢測.該網(wǎng)絡(luò)模型采用基于 Hebb對稱子空間學習規(guī)則(推導(dǎo)過程見文獻 [9])

性能評價函數(shù)為

式中:k為訓(xùn)練次數(shù)序號;_為取值在 0～ 1之間的學習速率.

假設(shè)無線傳感器網(wǎng)絡(luò)對某一軸承運行狀態(tài)進行監(jiān)測,網(wǎng)絡(luò)采用基于 LEACH的分簇協(xié)議,非簇首節(jié)點數(shù)目為 n.傳感器為振動傳感器,本算法主要針對軸承運行過程中的振動信號進行融合,將振動信號轉(zhuǎn)化為對運行狀態(tài)的分類.此外,本算法需要先利用具有代表性的特征參數(shù)(表1所示)對所使用的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,將分類結(jié)果(輸出向量,本算法稱為狀態(tài)向量)預(yù)選存儲于節(jié)點之中.

算法的主要過程如下:

1)分別選擇不同運行狀態(tài)下(包括正常狀態(tài),內(nèi)圈故障,外圈故障,滾動體故障等)典型參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入,并得到相應(yīng)的輸出向量 C(狀態(tài)向量),并保存于傳感器節(jié)點中.此階段為網(wǎng)絡(luò)初始化階段.

2)在網(wǎng)絡(luò)運行過程中,簇頭節(jié)點收集簇內(nèi)各個成員節(jié)點的數(shù)據(jù),并將送來的數(shù)據(jù)進行標準化處理,先使輸入數(shù)據(jù)均值為 0.

之后將數(shù)據(jù)單位化

3)簇頭節(jié)點對于任意一組數(shù)據(jù),利用式 (1)將神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣進行逼近,得到輸出向量 S;

4)將輸出向量 S分別與已經(jīng)存儲于節(jié)點的狀態(tài)向量組中的向量進行對比,這里采用計算歐幾里德距離的方法,得出 S與各個狀態(tài)向量的距離

5)比較向量 S與各個狀態(tài)的距離,選取距離最短的狀態(tài)作為網(wǎng)絡(luò)的最終輸出狀態(tài),并確定各輸出參數(shù)值.簇頭節(jié)點將輸出參數(shù)上傳至匯聚節(jié)點或基站,匯聚節(jié)點或基站通過收集各個簇頭節(jié)點的不同類型信息進行綜合判斷.

3 實驗仿真

由于本文提出的算法主要在簇頭節(jié)點上進行特征級融合,因此實驗主要針對這部分進行驗證.

本實驗針對傳感器采集的滾動軸承的振動測試實驗數(shù)據(jù),取得了 8組正常狀態(tài)與不同故障狀態(tài)的滾動軸承振動數(shù)據(jù).實驗中,采用測試對象是工程上最為常見的單列深溝球軸承.根據(jù)相關(guān)滾動軸承故障特征頻率的計算公式,計算出本實驗所用軸承的特征頻率如表2所示.

表2 測試軸承故障特征頻率Tab.2 Fault feature frequency of tested bearing

以上 3種類型故障特征頻率均為理論值,在實際應(yīng)用中,由于受到實驗器材、實驗環(huán)境等因素影響,往往需要在理論值的附近尋找符合實際情況的真實值.

在 Matlab中,從已測得的滾動軸承振動加速度信號文件中讀取振動信號數(shù)據(jù),該信號是滾動軸承上傳感器測得的一個方向的振動信號.圖3顯示了相同負載情況下,正常狀態(tài)和滾動體故障狀態(tài)下信號的時域圖.從圖中可以看出,發(fā)生故障的振動圖與正常信號的振動圖在幅值上有一定的區(qū)別,但并不能由此判定故障的原因.對信號進行采樣,樣本個數(shù)為 2 048,并對信號進行消噪.消噪部分是在無線傳感器網(wǎng)絡(luò)的監(jiān)測節(jié)點上進行的,由于傳感器節(jié)點能力有限,而且監(jiān)測節(jié)點的主要任務(wù)是負責對軸承運行狀態(tài)進行狀態(tài)檢測,為了減少計算量,達到對信號初步過濾的目的,這里使用小波包消噪.

圖3 采樣信號消噪前后時域圖Fig.3 Sample time domain signals before and after de-noising

圖4 循環(huán)自相關(guān)函數(shù)在滾動體故障頻率處切片的功率譜密度Fig.4 Power spectral density of cyclic autocorrelation function at rolling element fault frequency slice

對比圖3消噪前后振動的時域圖可知,信號中的高頻部分得到了初步的抑制,為后續(xù)工作做好了準備.圖3也反映了軸承振動隨時間變化的情況,可以看出,振動信號周期性并不明顯,不能直接判斷出是否存在故障.對循環(huán)頻率等于滾動體故障頻率 11.2 Hz處的循環(huán)自相關(guān)函數(shù)進行切片處理,可以在其功率譜中提取一個微弱的特征頻率 13.1 Hz的頻率成分,如圖4所示,其相對于其他頻率成分,占有突出地位.

這說明通過循環(huán)自相關(guān)函數(shù),可以有效抑制信號中的其他頻率成分,將周期的故障信號特征提取出來,達到了特征提取的目的.到這里,本實驗已經(jīng)完成了特征提取部分,下面將提取的特征通過 PCA神經(jīng)網(wǎng)絡(luò)進行故障分類.首先,分別取不同狀態(tài)下(正常、故障)的振動數(shù)據(jù),按照前面介紹的方法,在不同故障頻率處(內(nèi)圈、外圈、滾動體)作切片處理,并且在其功率譜密度圖中,分別取 3種故障特征頻率處的 CAF值.取 20組不同狀態(tài)下的數(shù)據(jù),作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,篇幅所限,這里只給出其中 10組,如表3所示.將 20組訓(xùn)練樣本作為輸入,按照小節(jié) 2的方法,設(shè)定學習速率為 0.1,訓(xùn)練誤差為 0.001,根據(jù)式 (1)對輸出進行逼近.實驗證明如圖5,對于所有樣本數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)均能在很少的訓(xùn)練次數(shù)(小于 150次且采用固定學習速率=0.1)就能夠收斂.

使用固定的學習速率目的是簡化計算,并利用主元分析技術(shù)減少所需要處理的數(shù)據(jù)量(對輸入向量作降維處理),這樣就減少了用于計算的能量開銷.這里,用整個頻率域上 CAF的平均值作為正常狀態(tài)的參考值,而用頻率域上 CAF最大的 2個值的平均值作為故障狀態(tài)的參考值.由于神經(jīng)網(wǎng)絡(luò)收斂以后將輸入向量同權(quán)值矩陣相乘便可得出輸出向量,根據(jù)式(5),通過計算與各個狀態(tài)向量的距離,便可得出相應(yīng)的故障類型.此處權(quán)值矩陣的具體數(shù)值以及輸出參數(shù)具體數(shù)值鑒于篇幅所限,將不一一列出.

圖5 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)Fig.5 Training times of neural network

表3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本Tab.3 Neural network training samples

4 結(jié) 論

本文提出了基于 WSN復(fù)雜機械設(shè)備數(shù)據(jù)融合的功能模型,并使用神經(jīng)絡(luò)進行數(shù)據(jù)融合的方法,對滾動軸承進行故障診斷.實驗證明本文提出的模型和算法的可靠性和有效性.但是本文所涉及的模型和算法都是基于固定簇頭節(jié)點進行的,如何在動態(tài)變化的無線傳感器網(wǎng)絡(luò)中建立數(shù)據(jù)融合診斷模型是今后研究的重點.另外,在特征提取部分,現(xiàn)有方法計算量較大,如何簡化特征提取過程,如何提高神經(jīng)網(wǎng)絡(luò)的收斂性也是未來研究的方向.

[1]Akyildiz I F,Su W,Sankarasubramaniam Y,et al.Wireless sensor networks:a survey[J].Computer Networks,2002,38:393-422.

[2]David C,Deborah E,Mani S.Overview of sensor networks[J].Computer,2004,37(8):41-49.

[3]高艷麗,劉詩斌.基于 PSO的神經(jīng)網(wǎng)絡(luò)在傳感器數(shù)據(jù)融合中的應(yīng)用[J].傳感技術(shù)學報,2006,19(4):1284-1289.Gao Yanli,Liu Shibin.Application of neural network based on PSO in data fusion of sensor[J].Chinese Journal of Sensors and Actuators,2006,19(4):1284-1289.(in Chinese)

[4]Intanagonwiwat C,Estrin D,Govindan R.Impact of network density on data aggregation in wireless sensor networks[C].Proceedings of ICDCS′02,2002:457-458.

[5]陳進.機械設(shè)備振動監(jiān)測與故障診斷 [M].上海:上海交通大學出版社,1999.

[6]李力,屈梁生.循環(huán)域解調(diào)方法在滾動軸承故障診斷中的應(yīng)用[J].軸承,2003(10):33-36.Li Li,Qu Liangsheng.Application of cyclic domain demodulation in fault diagnosis of rolling bearing[J].Bearing,2003(10):33-36.(in Chinese)

[7]Mathew J,Alfredson R J.The condition monitoring of rolling element bearing using vibration analysis[J].Journal of Vibration,Acoustics,Stress and Reliability in Design,1984,106:447-453.

[8]Feng Xiufang,Xu Zhanwei.A neural data fusion algorithm in wireless sensor network[C].Proceedings of the 2009 Pacific-Asia Conference on Circuits,Communications and System,PACCS,2009:54-57.

[9]Ham F M,Kostani I.神經(jīng)計算原理(英文版 )[M].北京:機械工業(yè)出版社,2003.