潘銘志，潘宏俠，趙潤鵬，任海鋒

(中北大學 機械工程與自動化學院，山西 太原 030051)

自動機由于制造裝配誤差和不適當的工作條件(如載荷過大、潤滑不良)，使其易于發(fā)生故障。小口徑火炮自動機維修保障手段相對落后，傳統(tǒng)方法采用聽、摸、看和經常的大拆大卸、開箱解體方式檢查，維修成本高、周期長，受主觀因素的干擾易造成誤診漏診，遠遠不能適應現實裝備研制和維修需要。

本文探討了自動機故障的主要原因、產生振動的機理及其頻率特征；通過自動機機箱的振動響應機理分析研究，根據時域信號峰值和時刻，頻域能量的變化和分布，以及自動機動作循環(huán)圖這些特征值，結合專家規(guī)則進行狀態(tài)分離和故障預測。并根據小波包分解的各頻段能量特征值結合自動機各構件固有特性，通過建立的神經網絡模型進行網絡訓練仿真計算，進行故障定位和診斷。

1 振動機理及故障形式

小口徑火炮自動機結構在炮彈擊發(fā)和供輸彈過程中產生強烈的沖擊、振動和噪聲，自動機機箱可看成是以機箱本體和各機構構件為質量的振動系統(tǒng)。自動機擊發(fā)動作產生的火藥氣體，推動機框等后面的一系列構件高速運動，完成自動供輸彈過程和連續(xù)射擊，這是自動機主要的激振源[1]。由于射擊擊發(fā)時機箱轉動軸和轉膛滑板等構件周期性運動[2]，支撐剛度反復變化、結構作用扭矩也連續(xù)變化，它們都引起激振力作用，都將會產生一定頻率和方向的機械振動[3]。構件在機箱內3個方向的運動和沖擊會導致機箱徑向和軸向的振動[4]，進而形成整個自動機機箱的彎扭振動。自動機的運行狀態(tài)發(fā)生卡滯和構件出現裂紋等不正常狀態(tài)，將直接反映在機構傳遞特性上，如轉動軸的松動、偏心、局部疲勞裂紋或斷裂等將會影響到響應特性的較低頻成份，轉膛滑板發(fā)生過度磨損、膠合點蝕等損傷時，響應特性的較高頻率成份加大，所有這些都使動載荷加大，沖擊振動也相應加劇。

2 振動信號處理

下面為某試驗場實地測試的自動機動作振動數據，結合最新的信號處理方法，對數據進行了時域頻域分析，傳感器安裝位置及x、y、z3個方向說明如圖1所示，圖中兩個同心圓表示身管。

2.1 時域波形分析

早期的信號特征分析是時域波形分析和幅值域及周期參數診斷分析，目的是迅速判斷自動機是否處于正常工作狀態(tài)[5]。對應于不同的故障，其振動波形表現出不同的形態(tài)。圖2為自動機3個方向時頻動作曲線，并根據每一段的數據計算出了其峰值，可以考慮將峰值作為時域幅值分析的一個主要特征，因為y向和自動機身管同向，振動幅度及能量值最大，所以對y向進行重點分析，從圖2中能清楚地看到自動機動作的4個峰，3.3 s時擊發(fā)，3.35 s時復位，3.38 s 時后坐，3.42 s時復位，及其各個動作過程的振動幅值，將這3個過程作為自動機動作的3個周期，分別分析各周期的時間長度及各周期的峰值時間，可以將其作為自動機運行狀態(tài)分析的另一個重要特征。自動機動作三向振動曲線如圖2所示。

自動機y向(身管軸線方向)動作分析各段放大圖如圖3所示。

基于上圖自動機機箱振動響應，提取其周期特征如表1所示。

表1 自動機動作3個特征周期

以上3個時間段為自動機正常工作時3個特征周期的時間值?？梢愿鶕@3個值作為參考，判斷自動機是否出現卡滯或磨損膠合等故障,起始時間基準是數據采集觸發(fā)時刻。自動機4個動作過程振動響應的幅值特征如表2所示。

表2 自動機4個動作振動幅值

結合上面的幾種處理方法，得出自動機動作時頻幅值及周期分析的10個主要特征。根據多次不同狀態(tài)的測量，得出可供比較的專家規(guī)則，如表3所示。

表3 高速自動機動作特征值及專家規(guī)則診斷

觀察上面自動機動作過程特征值表，針對各故障的特征值改變，可以有效地對自動機進行狀態(tài)分離及故障預測。

2.2 頻域分析

用最新的處理方法對高速自動機動作過程振動信號進行頻域分析，從圖3可以看出信號夾雜著眾多噪聲信號，而且信號中有許多混疊成分，運用小波分析中核心的mallat算法對信號進行處理，它在去噪及抗混疊中起了重要作用[6]，機箱前y向三層小波分解重構圖如圖4所示。

分析上圖可以發(fā)現小波分析在信號去噪抗混疊處理中有顯著效果，對上面的重構信號進行功率譜分析，自動機機箱前y向功率譜密度曲線如圖5所示。

對信號進行功率譜分析可以粗略地觀察動作過程哪些頻段能量值比較集中，這里需要對各個頻段進行更精細的劃分，小波包分析能夠將信號頻段進行更精細的層次劃分，并能根據被分析信號特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配，從而提高了分辨率，本例對信號進行四層小波包分解，分16個頻段，利用小波包的分解和重構算法[7]，分別分析各頻段的能量譜及各段能量所占的比例，自動機機箱前y向振動信號能量譜圖如圖6所示。

從上面小波包分解的能量譜圖中可以看出，3～11頻段能量值突出，與前面的功率譜圖進行比較驗證，取y向3～11特征頻段作為神經網絡的輸入[8]。

3 針對小波包分解的神經網絡智能診斷

建立的神經網絡模型采用3層BP神經網絡，運用比例梯度共軛動量算法來訓練BP網絡。輸入和輸出層神經元分別為9和5，經筆者多次網絡訓練，發(fā)現選擇隱層神經元為6的網絡能取得較好的分類效果和收斂速度。輸入和輸出神經元的傳遞函數都選為線性傳遞函數purelin，隱層神經元的傳遞函數選為雙曲正切S型傳遞函數tansig，目標誤差為1.0×10-3。神經網絡采用改進的BP神經網絡，學習函數為梯度下降動量學習函數learngdm，動量因子為0.9。

針對自動機的5種情況，每種情況給出15個學習樣本，輸出為1，1，1，1，1分別對應正常、轉膛滑板磨損、推彈滑座磨損、連接筒松動、主動滑板面斷裂五種情況，訓練完成以后，可以針對網絡模型進行檢驗[9]。筆者用該網絡對大量的檢驗樣本進行了診斷。取故障識別門限為0.2，即實際輸出和目標輸出差值的絕對值大于2，則不能判定結果，神經網絡的訓練樣本輸入及目標輸出如表4所示。

將自動機轉膛滑板磨損膠合工況數據提取其對應特征頻段作為檢驗樣本神經網絡輸入如表5所示。

表4 神經網絡訓練樣本數據輸入及目標輸出

表5 神經網絡檢驗(轉膛滑板)樣本數據輸入

針對上述檢驗樣本的神經網絡診斷輸出結果如表6所示。

表6 神經網絡診斷輸出

4 結束語

通過分析可知：該網絡模型能有效地對自動機動作狀態(tài)進行分類識別，并進行故障定位，筆者采用了大量測試樣本數據對該網絡模型進行檢驗，并進行診斷計算，故障診斷準確率達到90%，所以這種利用比例梯度共軛動量算法訓練的三層BP神經網絡的對自動機進行故障診斷方便、可行。而且診斷結果可以和前面時頻專家規(guī)則診斷結果進行比較驗證。只要有足夠的樣本數據，便可對自動機的狀態(tài)進行全面的分析，并進行準確的故障定位。

參考文獻(References)

[1] 王茂林,張國平.GA35自動機機構設計創(chuàng)新思想分析[J].火炮發(fā)射與控制學報,2005(3):28-31.

WANG Mao-lin,ZHANG Guo-ping.Analysis of innovatory thought for structure design of GA35 automatic gun [J].Journal of Gun Launch & Control,2005(3):28-31.(in Chinese)

[2] 閆彬,姚忠,王瑞.某火炮自動機轉膛機構運動特性分析[J].火炮發(fā)射與控制學報,2010(2):66-69.

YAN Bin, YAO Zhong, WANG Rui. Movement characteristics analysis of rotary chamber mechanism of a gun automatic mechanism[J]. Journal of Gun Launch & Control,2010(2):66-69. (in Chinese)

[3] 戴勁松,王文中.外能源自動炮動態(tài)仿真[J].南京理工大學學報,2001(3):234-237.

DAI Jin-song, WANG Wen-zhong. Dynamic simulation of exterior power auto-cannon[J]. Journal of Nanjing University of Science and Technology,2001(3):234-237. (in Chinese)

[4] 劉科祥，李雪松，張國平,等.自動機模擬試驗臺控制和測試系統(tǒng)[J].火炮發(fā)射與控制學報,2005(2):55-58．

LIU Ke-xiang. LI Xue-song, ZHANG Guo-ping, et al. Measurement and control system for automatic gun simulation experimental system [J]. Journal of Gun Launch & Control ,2005(2):55-58. (in Chinese)

[5] 時建峰,程珩,許征程,等.小波包與改進BP神經網絡相結合的齒輪箱故障識別[J].振動、測試與診斷,2009(3):320-323.

SHI Jian-feng,CHENG Heng,XU Zheng-cheng,et al.Wavelet packet and improve the combination of BP neural network gear box failure recognition[J]. Journal of Vibration Measurement&Diagnosis,2009(3):320-323.(in Chinese)

[6] 李凌均,段晨東.基于支持向量機和小波包變換的結構損傷診斷方法[J].振動與沖擊, 2008,27(增刊):271-274.

LI Ling-jun, DUAN Chen-dong. The structure damage diagnosis method based on SVM and wavelet packet transform[J].Journal of Vibration &Shock,2008, 27(s):271-274. (in Chinese)

[7] 陳雪峰,李兵.基于第二代小波的火炮機構間隙特征提取方法研究[J]. 振動與沖擊, 2008,27(增刊):124-125.

CHEN Xue-feng, LI Bing. Clearances identification of guns mechanism based on the second wavelet[J]. Journal of Vibration &Shock,2008,27 (s):124-125. (in Chinese)

[8] 張敬芬,孟光,趙德有.基于模糊神經網絡的薄板不同指標裂紋診斷[J].機械工程學報,2006(3):145-149.

ZHANG Jing-fen, MENG Guang, ZHAO De-you. Different indexes cracks diagnosis to thin plate based on fuzzy neural networks[J].Chinese Journal of Mechanical Engineering,2006(3):145-149. (in Chinese)

[9] 李睿,于德介.一種基于奇異譜熵和脈沖響應的結構損傷診斷方法[J].振動工程學報，2006(3):331-335.

LI Rui,YU De-jie.Damage diagnosis of structures based on singular spectrum entropy and impulse response[J].Journal of Vibration Engineering,2006(3):331-335.(in Chinese)