張 波

（青島市產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)研究院，山東青島 266071）

大型機(jī)電設(shè)備結(jié)構(gòu)復(fù)雜且工作環(huán)境惡劣，屬于多發(fā)性故障的高技術(shù)機(jī)械產(chǎn)品，而且以目前的技術(shù)水平無(wú)法保證發(fā)動(dòng)機(jī)在無(wú)故障狀態(tài)下運(yùn)行。大型機(jī)電設(shè)備主要存在的故障情況包括：機(jī)電系統(tǒng)供電系統(tǒng)故障、機(jī)電系統(tǒng)冷卻通道堵塞以及機(jī)電設(shè)備的傳動(dòng)系統(tǒng)故障等3種故障情況。為了實(shí)現(xiàn)對(duì)大型機(jī)電設(shè)備的故障檢測(cè)，研究有效的智能故障檢測(cè)方法，成為機(jī)械和信號(hào)處理學(xué)科研究的理論熱點(diǎn)。信號(hào)處理和對(duì)故障信號(hào)的特征提取成為故障診斷的關(guān)鍵和核心步驟。對(duì)故障信號(hào)的時(shí)域分析、頻域分析、抑或是統(tǒng)計(jì)分析，作為信號(hào)處理的基本方法，旨在提取大型機(jī)電設(shè)備振動(dòng)系統(tǒng)故障信號(hào)的故障特征，實(shí)現(xiàn)對(duì)大型機(jī)電設(shè)備的故障診斷。對(duì)故障信號(hào)進(jìn)行實(shí)時(shí)采集和有效檢測(cè)是基礎(chǔ)，研究大型機(jī)電設(shè)備的故障信號(hào)進(jìn)行實(shí)時(shí)采集方法具有重要的意義和價(jià)值［1］。

大型機(jī)電設(shè)備的故障診斷是一個(gè)龐大的系統(tǒng)工程，涵蓋了信號(hào)處理、人工智能、模式識(shí)別等領(lǐng)域，大型機(jī)電設(shè)備的故障診斷是建立在故障信號(hào)的實(shí)時(shí)采集基礎(chǔ)上，傳統(tǒng)方法中，對(duì)大型機(jī)電設(shè)備的故障信號(hào)的實(shí)時(shí)采集主要有時(shí)域分析故障信號(hào)采集法、頻域分析故障信號(hào)采集法、統(tǒng)計(jì)分析故障信號(hào)采集法、信息論分析故障信號(hào)采集法等［2－5］。通過信號(hào)采集提取大型機(jī)電設(shè)備故障信號(hào)的故障特征，為模式識(shí)別和故障分類識(shí)別提供數(shù)據(jù)基礎(chǔ)。然而，傳統(tǒng)方法采用時(shí)頻分析的統(tǒng)計(jì)信號(hào)處理方法進(jìn)行故障信號(hào)采集，對(duì)低信噪比的故障信號(hào)檢測(cè)性能不好［6－10］。

針對(duì)傳統(tǒng)的信號(hào)采集和處理方法出現(xiàn)的問題，為了提高對(duì)大型機(jī)電設(shè)備故障的檢測(cè)和診斷能力，本文提出一種基于非線性時(shí)間序列分析和相空間重構(gòu)的大型機(jī)電設(shè)備故障信號(hào)實(shí)時(shí)采集方法，實(shí)現(xiàn)故障的檢測(cè)和診斷。首先構(gòu)建大型機(jī)電設(shè)備的故障數(shù)據(jù)檢測(cè)模型，基于相空間重構(gòu)分析的故障診斷方法，通過經(jīng)驗(yàn)?zāi)B(tài)分解方法在重構(gòu)的相空間中提取故障信號(hào)的基頻信息，以此為數(shù)據(jù)基礎(chǔ)建立智能專家系統(tǒng)，實(shí)現(xiàn)大型機(jī)電設(shè)備的故障診斷，最后進(jìn)行仿真實(shí)驗(yàn)實(shí)現(xiàn)性能驗(yàn)證，展示了本文的故障信號(hào)實(shí)時(shí)采集方法在實(shí)現(xiàn)故障診斷中的優(yōu)越性能。

1 大型機(jī)電設(shè)備故障信號(hào)的產(chǎn)生及非線性序列分析

1.1 大型機(jī)電設(shè)備故障信號(hào)的產(chǎn)生

對(duì)大型機(jī)電設(shè)備智能故障診斷的第一步是進(jìn)行故障信號(hào)的模型構(gòu)建，故障信號(hào)根據(jù)檢測(cè)手段和診斷原理分為發(fā)動(dòng)及振動(dòng)故障信號(hào)、大型機(jī)電設(shè)備的噪聲故障信號(hào)以及其他故障信號(hào)，大型機(jī)電設(shè)備故障信號(hào)的產(chǎn)生主要來源于故障振動(dòng)信號(hào)，以及機(jī)電設(shè)備排氣、振動(dòng)等工作過程中的信號(hào)。本文采用相空間重構(gòu)和非線性時(shí)間序列分析方法分析大型機(jī)電設(shè)備的故障特征，設(shè)大型機(jī)電設(shè)備振動(dòng)信號(hào)時(shí)間序列為｛x1，x2，…，xn｝，當(dāng)嵌入維數(shù)為m，延遲時(shí)間間隔為τ，振動(dòng)時(shí)間序列｛x1，x2，…，xN｝以式（1）給出的向量模型形成相空間，即：

式中 i＝1，2，…，K；K——重構(gòu)后相空間的點(diǎn)數(shù)。

上述大型機(jī)電設(shè)備故障特征相關(guān)數(shù)據(jù)的數(shù)據(jù)量比較大，計(jì)算的復(fù)雜度比較高，無(wú)法對(duì)大型機(jī)電設(shè)備故障征兆進(jìn)行及時(shí)的挖掘。因此，需要去除其中的冗余數(shù)據(jù)，從而降低計(jì)算復(fù)雜度，相空間維數(shù)較高，需要進(jìn)行降維分析，其簡(jiǎn)化公式如下所述：

大型機(jī)電設(shè)備的故障信號(hào)形成m維空間，只要m≥2d＋1，動(dòng)力系統(tǒng)的幾何結(jié)構(gòu)就可以完全打開，其中是系統(tǒng)中吸引子的維數(shù)，吸引子表示疑似故障信號(hào)與真實(shí)故障信號(hào)的相關(guān)度，引入吸引子約束可以更好的確認(rèn)故障特征。大型機(jī)電設(shè)備特征的發(fā)射波束聚焦數(shù)量能夠用q進(jìn)行描述，對(duì)應(yīng)的大型機(jī)電設(shè)備故障特征向量的數(shù)量能夠用q進(jìn)行描述，則上述簡(jiǎn)化過程需要符合下述條件：

φ1是大型機(jī)電設(shè)備故障特征相關(guān)性參數(shù)。采集系統(tǒng)的聲波束被控制在一定范圍內(nèi)，掃描的范圍為20度至80度，一次掃描可以覆蓋整個(gè)大型機(jī)電設(shè)備葉片。對(duì)大型機(jī)電設(shè)備的故障信號(hào)，采用軌跡協(xié)方差矩陣XTX的特征值作為該觀測(cè)時(shí)間序列的特征。由式（3）可得

通過上述分析，實(shí)現(xiàn)對(duì)故障信號(hào)的波束指向性特征分析，為下一步實(shí)現(xiàn)故障信號(hào)特征分解和實(shí)時(shí)采集處理提供數(shù)據(jù)基礎(chǔ)。

1.2 大型機(jī)電設(shè)備故障信號(hào)的非線性時(shí)間序列分析模型

在上述信號(hào)分析的基礎(chǔ)上，采用非線性時(shí)間序列分析方法分析大型機(jī)電設(shè)備故障信號(hào)，非線性時(shí)間序列分析的框架模型如圖1所示。

圖1 故障信號(hào)的非線性時(shí)間序列分析的框架模型

對(duì)大型機(jī)電設(shè)備的故障模型進(jìn)行陣元換能的傅里葉變換，需要計(jì)算大型機(jī)電設(shè)備故障特征的最優(yōu)分類平面。對(duì)于非線性時(shí)間序列x1，x2，…xn，…，設(shè)總點(diǎn)數(shù)為N，序列｛xi｝時(shí)間跨度為jτ的自相關(guān)函數(shù)為：

設(shè)置大型機(jī)電設(shè)備故障特征分量z在半徑是的區(qū)域中，則最優(yōu)分類平面應(yīng)該滿足下述條件：

通過上述分析，求出其l個(gè)特征值λ1，λ2，…，λl和特征向量矩陣Y＝［y1，y2，…，yl］，構(gòu)建大型機(jī)電設(shè)備故障信號(hào)的非線性時(shí)間序列分析模型。

2 相空間重構(gòu)及設(shè)備故障信號(hào)實(shí)時(shí)采集方法實(shí)現(xiàn)

在上述非線性時(shí)間序列分析的基礎(chǔ)上，采用相空間重構(gòu)方法進(jìn)行設(shè)備故障信號(hào)的實(shí)時(shí)采集，傳統(tǒng)方法采用時(shí)頻分析的統(tǒng)計(jì)信號(hào)處理方法進(jìn)行故障信號(hào)采集，對(duì)低信噪比的故障信號(hào)檢測(cè)性能不好。本文提出一種基于非線性時(shí)間序列分析和相空間重構(gòu)的大型機(jī)電設(shè)備故障信號(hào)實(shí)時(shí)采集方法，實(shí)現(xiàn)故障的檢測(cè)和診斷。將故障信號(hào)模擬為一個(gè)調(diào)幅信號(hào)，得到多陣元超聲換能波束指向性特征的約束函數(shù)：

基于非線性時(shí)間序列分析和相空間重構(gòu)，對(duì)故障特征矩陣X進(jìn)行奇異值（SVD）分解：

其中U∈Rm×m正交矩陣，V∈RM×M，且UT＝U－1，VT＝V－1；D∈Rm×M，且滿足D＝［∑0］進(jìn)行大型機(jī)電設(shè)備的故障特征提?。?/p>

求出其l個(gè)特征值λ1，λ2，…，λl和特征向量矩陣Y＝［y1，y2，…，yl］。為

結(jié)合上節(jié)所述的大型機(jī)電設(shè)備故障信號(hào)時(shí)域和頻域分析模型，得到大型機(jī)電設(shè)備故障信號(hào)的第一個(gè)IMF分量為：

在基于非線性時(shí)間序列分析和相空間重構(gòu)的大型機(jī)電設(shè)備故障信號(hào)實(shí)時(shí)采集方法基礎(chǔ)上，為了實(shí)現(xiàn)故障診斷，構(gòu)建在專家系統(tǒng)進(jìn)行故障分類診斷，設(shè)訓(xùn)練樣本集為X＝［X1，X2，…，Xk，…，XN］T，將大型機(jī)電設(shè)備故障信號(hào)x（n）分解成若干IMF分量，其中任一訓(xùn)練樣本為Xk＝［xk1，xk2，…，xkm，…，xkM］，對(duì)應(yīng)的大型機(jī)電設(shè)備故障特征實(shí)際輸出為：

通過上述分析，進(jìn)行故障信號(hào)的實(shí)時(shí)采集，完成故障特征提取，實(shí)現(xiàn)大型機(jī)電設(shè)備的故障分類診斷。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文算法在進(jìn)行大型機(jī)電設(shè)備故障信號(hào)采集中的性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)建立在某大型機(jī)電設(shè)備平臺(tái)上，系統(tǒng)實(shí)驗(yàn)平臺(tái)如圖2所示。大型機(jī)電設(shè)備故障檢測(cè)系統(tǒng)模型分為底層數(shù)據(jù)層、中間處理層、用戶層，底層數(shù)據(jù)層負(fù)責(zé)采集數(shù)據(jù)，中間處理層負(fù)責(zé)數(shù)據(jù)的預(yù)處理，頂層是用戶與系統(tǒng)的交互部分。使用本實(shí)驗(yàn)室研制的TED2012大型機(jī)電設(shè)備振動(dòng)信號(hào)采集系統(tǒng)，進(jìn)行信號(hào)采集和檢測(cè)。

圖2 大型機(jī)電設(shè)備故障信號(hào)檢測(cè)平臺(tái)

實(shí)驗(yàn)中，在大型機(jī)電設(shè)備3種工況模式下測(cè)試大型機(jī)電設(shè)備的性能，3種故障工況模式是通過大型機(jī)電設(shè)備系統(tǒng)設(shè)定方法獲得，大型機(jī)電設(shè)備工作轉(zhuǎn)速為2 400 r／min，信號(hào)采樣頻率為60 KHz，分布設(shè)定大型機(jī)電設(shè)備的進(jìn)氣門間隙過大、排氣門間隙過大和氣缸喘振以及正常工作模式，分別記為A、B和C類故障，信號(hào)采集時(shí)長(zhǎng)100 s，采集間隔時(shí)間為0.5 s，得到信號(hào)采集時(shí)域波形如圖3所示，橫坐標(biāo)為采集時(shí)間，縱坐標(biāo)為取得的時(shí)間相關(guān)函數(shù)表達(dá)。

為了實(shí)現(xiàn)對(duì)信號(hào)的實(shí)時(shí)采集分析，采用本文算法進(jìn)行相空間重構(gòu)，得到大型機(jī)電設(shè)備三類故障下振動(dòng)信號(hào)在二維坐標(biāo)系下的相空間重構(gòu)吸引子的描述圖如圖4所示。

由圖可見，采用本文算法進(jìn)行故障信號(hào)的重構(gòu)分析，能準(zhǔn)確反映故障信號(hào)的高維特征，信號(hào)的吸引子充分展開，為實(shí)現(xiàn)故障診斷提供特征基礎(chǔ)。進(jìn)一步采用本文設(shè)計(jì)的故障分類專家系統(tǒng)，得到三類故障樣本的診斷結(jié)果，把結(jié)果在三維坐標(biāo)系下表示如圖5所示。由圖可見這三類故障具有可分性，故障聚類能力高，基于本文設(shè)計(jì)的故障信號(hào)實(shí)時(shí)采集方法，實(shí)現(xiàn)了對(duì)大型機(jī)電設(shè)備的故障準(zhǔn)確診斷。

4 結(jié)語(yǔ)

構(gòu)建大型機(jī)電設(shè)備的故障數(shù)據(jù)檢測(cè)模型，基于相空間重構(gòu)分析的故障診斷方法，通過經(jīng)驗(yàn)?zāi)B(tài)分解方法提取故障信號(hào)的特征信息，以此為數(shù)據(jù)基礎(chǔ)建立智能專家系統(tǒng)，實(shí)現(xiàn)大型機(jī)電設(shè)備的故障診斷。研究表明，采用本文方法進(jìn)行故障信號(hào)的實(shí)時(shí)采集故障診斷，故障分類性好，準(zhǔn)確性高。

圖3 大型機(jī)電設(shè)備三類故障下振動(dòng)信號(hào)

［1］ 汪慰軍，陳 進(jìn)，吳昭同，等.關(guān)聯(lián)維數(shù)的計(jì)算及其在大機(jī)組故障診斷中的應(yīng)用［J］.上海交通大學(xué)學(xué)報(bào)，2000，34（9）：1265-1268.

WANG Wei-jun，CHEN Jin，WU Zhao-tong，JIANG Ming.Calculation of Correlation Dimension and Its Application to Large Rotating Machinery Fault Diagnosis［J］.Journal of Shanghai Jiaotong University，2000，34（9）：1265-1268.

圖4 大型機(jī)電設(shè)備三類故障下振動(dòng)信號(hào)吸引子

圖5 大型機(jī)電設(shè)備三類故障下振動(dòng)信號(hào)特征分布

［2］ 韓 磊，洪 杰，王 冬.基于小波包分析的大型機(jī)電設(shè)備軸承故障診斷［J］.推進(jìn)技術(shù)，2009，30（3）：328-331.

HAN Lei，HONG Jie，WANG Dong.The fault diagnosis of large-scale electromechanical equipment based on wavelet package analysis［J］.Journal of Propulsion Technology，2009，30（3）：328-331.

［3］ 江龍平，徐可君，唐有才.基于分形維數(shù)的轉(zhuǎn)子—機(jī)匣系統(tǒng)故障診斷研究［J］.機(jī)械強(qiáng)度，2009，31（4）：532-536.

JIANG LongPing，XU KeJun，TANG YouCai.FAULT DIAGNOSIS RESEARCH OF ROTOR-CASE SYSTEM BASED ON FRACTAL DIMENSION［J］.Journal of Mechanical Strength，2009，31（4）.

［4］ 呂金虎，陸君安，陳士華.混沌時(shí)間序列分析及其應(yīng)用［M］.武漢：華中科技大學(xué)出版社.2002.

［5］ 邊肇祺，張學(xué)工.模式識(shí)別［M］.北京：清華大學(xué)出版社，2000.

［6］ 王 鋒，孫翠華.汽車大型機(jī)電設(shè)備故障征兆挖掘技術(shù)的研究與仿真［J］.計(jì)算機(jī)仿真，2013，30（10）：229-232.

WANG Feng，SUN Cui-hua.Research and Simulation on Mining Technology for Automobile Engine Fault Symptoms［J］.Computer Simulation，2013，30（10）：229-232.

［7］ 楊 俊，周丙寅，張 毅，等.基于遞歸圖分析的壓縮機(jī)故障診斷方法研究［J］.計(jì)算機(jī)與數(shù)字工程，2013，41（6）：984-986.

YANG Jun，ZHOU Bing－yan，ZHANG Yi，et al.Compressor fault diagnosis based on recurrence plot analysis［J］.Computer and Digital Engineering，2013，41（6）：984-986.

［8］ 劉家亮，王海燕，姜 喆，等.垂直線列陣結(jié)構(gòu)對(duì)PTRM陣處理空間增益的影響［J］.魚雷技術(shù)，2010，18（4）：263-267.

LIU Jia-liang，WANG Hai-yan，JIANG Zhe，et al.Influence of ULA structure on PTRM array spatial gain［J］.Torpedo Technology，2010，18（4）：263-267.

［9］ 尹 剛，張英堂，李志寧，等.基于MSPCA的缸蓋振動(dòng)信號(hào)特征增強(qiáng)方法研究［J］.振動(dòng)與沖擊，2013，32（6）：143-147.

YIN Gang，ZHANG Ying-tang，LI Zhi-ning，et al.Fault feature enhancement method for cylinder head vibration signal based on multiscale principal component analysis［J］.Journal of Vibration and Shock，2013，32（6）：143-148.

［10］ 李 兵，徐 榕，賈春寧，等.基于自適應(yīng)形態(tài)提升小波與改進(jìn)非負(fù)矩陣分解的大型機(jī)電設(shè)備故障診斷方法［J］.兵工學(xué)報(bào)，2013，34（3）：353-360.

LI Bing，XU Rong，JIA Chun-ning，et al.Engine fault diagnosis utilizing adaptive morphological lifting wavelet and improved non-negative matrix factorization［J］.Acta Armamentarii，2013，34（3）：353-360.