吳 星 劉春梅

（柳州職業(yè)技術(shù)學(xué)院，廣西 柳州 545006）

基于自學(xué)習(xí)理論的機(jī)械故障診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

吳 星 劉春梅

（柳州職業(yè)技術(shù)學(xué)院，廣西 柳州 545006）

文章設(shè)計(jì)一種基于自學(xué)習(xí)理論的機(jī)械故障檢測(cè)方法，該方法通過對(duì)多組機(jī)械振動(dòng)信號(hào)的采集，由 SVM 訓(xùn)練器進(jìn)行故障的初步檢測(cè)，經(jīng)過多樣本投票算法實(shí)現(xiàn)故障檢測(cè)的最終結(jié)果判定。該監(jiān)測(cè)方法綜合應(yīng)用了 SVM 分類器，以及多樣本采樣檢測(cè)并投票的思路，提高了機(jī)械故障檢測(cè)的精度。

自學(xué)習(xí)理論；故障診斷；SVM

機(jī)械設(shè)備的故障檢測(cè)與診斷和技術(shù)是指在特定的工作環(huán)境下，根據(jù)機(jī)械設(shè)備在運(yùn)行的中所發(fā)出的工況信號(hào)或信息來判斷機(jī)械是否處于正常的工作狀態(tài)。如果機(jī)械設(shè)備工作發(fā)生異常，可以根據(jù)機(jī)械發(fā)生異常情況的部位和原因盡快在最短的時(shí)間做出正確的判斷，從而在最短的時(shí)間內(nèi)及時(shí)處理，恢復(fù)正常生產(chǎn)。目前機(jī)械故障診斷方法有很多，既有基于靜態(tài)的機(jī)械故障診斷方法，也有基于動(dòng)態(tài)的機(jī)械故障診斷方法，其中與機(jī)械振動(dòng)為檢測(cè)對(duì)象的機(jī)械故障檢測(cè)方法，是目前機(jī)械故障檢測(cè)領(lǐng)域中的一種主流方法。但是基于機(jī)械振動(dòng)故障檢測(cè)方法對(duì)故障的診斷精度和故障識(shí)別種類，很大程度取決于對(duì)機(jī)械振動(dòng)信號(hào)的分析和處理能力。目前已有的機(jī)械故障診斷方法，絕大多數(shù)都將研究的重點(diǎn)放在對(duì)機(jī)械振動(dòng)信號(hào)的采集與分析算法上，這其中也包括大量對(duì)所采集到的機(jī)械振動(dòng)信號(hào)進(jìn)行不同變換，或者信號(hào)轉(zhuǎn)換等處理，以提高機(jī)械振動(dòng)信號(hào)的識(shí)別能力。然而目前這一系列典型的機(jī)械故障診斷方法，其所設(shè)計(jì)的故障時(shí)間和診斷算法，很大程度取決于統(tǒng)計(jì)或者概率分析，并沒有十分明確的故障識(shí)別依據(jù)。也正因?yàn)槿绱?，目前所提出的機(jī)械故障檢測(cè)方法具有較強(qiáng)的局限性，即針對(duì)不同的場(chǎng)景、不同的檢測(cè)對(duì)象，其故障檢測(cè)的能力和效果往往差別很大。為了提高機(jī)械故障診斷的精度和適應(yīng)面，需要研究具有自學(xué)習(xí)能力的機(jī)械故障檢測(cè)方法，能夠根據(jù)故障診斷過程中所采集到的數(shù)據(jù)以及特點(diǎn)，動(dòng)態(tài)的調(diào)整機(jī)械故障診斷策略，提高故障診斷的精度。

1 系統(tǒng)設(shè)計(jì)思路

SVM(Support Vector Machine），中文的意思是支持向量機(jī)器。是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識(shí)別、分類、以及回歸分析。SVM在許多實(shí)際應(yīng)用，特別是在分類問題在顯示其突出的能力。SVM的基本設(shè)計(jì)理念是最大化分類邊界。支持向量機(jī)的基本目的是最大化分類超平面。由于現(xiàn)實(shí)應(yīng)用中，許多問題都不是線性可分的，因此對(duì)于一個(gè)非線性可分問題，應(yīng)該將其映射為線性可分問題。首先，將輸入的向量映射到高維特征空間中，通過求解二次規(guī)劃問題找到最優(yōu)分類超平面，因此這個(gè)算法的空間復(fù)雜度最少是O(n2)。

本文要設(shè)計(jì)的機(jī)械故障診斷系統(tǒng)目標(biāo)是利用 SVM的基本思想，為機(jī)械設(shè)備提供一種具有自學(xué)習(xí)能力的診斷方法。利用該方法能夠解決典型的機(jī)械故障檢測(cè)與識(shí)別，并能夠適應(yīng)對(duì)多種不同種類、不同性能特點(diǎn)的機(jī)械設(shè)備進(jìn)行故障檢測(cè)和診斷。

2 系統(tǒng)實(shí)現(xiàn)

2.1系統(tǒng)組成

根據(jù)上面的設(shè)計(jì)思路，設(shè)計(jì)的機(jī)械故障檢測(cè)方法的整體實(shí)現(xiàn)結(jié)構(gòu)圖如圖 1所示，系統(tǒng)分別由機(jī)械故障訓(xùn)練模塊、機(jī)械振動(dòng)采樣模塊和機(jī)械振動(dòng)分類模塊等部分組成。而且在機(jī)械故障檢測(cè)過程中，每一次機(jī)械故障的分類結(jié)果都將做為訓(xùn)練數(shù)據(jù)，送入機(jī)械故障訓(xùn)練模塊，以修正機(jī)械故障檢測(cè)的分類規(guī)則。SVM訓(xùn)練器初始狀態(tài)，由被檢測(cè)對(duì)象的大量振動(dòng)信號(hào)進(jìn)行訓(xùn)練得到，被檢測(cè)機(jī)械設(shè)備的多組振動(dòng)信號(hào)采樣分析，在設(shè)計(jì)時(shí)使用了三組機(jī)械振動(dòng)信號(hào)進(jìn)行診斷和分析，SVM分類器使用最優(yōu)分類面策略進(jìn)行設(shè)計(jì)并實(shí)現(xiàn)。

圖1　機(jī)械故障檢測(cè)方法的整體實(shí)現(xiàn)結(jié)構(gòu)圖

2.2數(shù)據(jù)采集與分析

從圖 1中可以看出，機(jī)械振動(dòng)數(shù)據(jù)通過前端的傳感器獲取。數(shù)據(jù)是通過采集機(jī)械設(shè)備運(yùn)行過程中的振動(dòng)信號(hào)生成，對(duì)振動(dòng)信號(hào)進(jìn)行分析，設(shè)計(jì)SVM訓(xùn)練器運(yùn)行振動(dòng)信號(hào)進(jìn)行分類識(shí)別，從而實(shí)現(xiàn)對(duì)機(jī)械故障的檢測(cè)和診斷。在設(shè)計(jì)過程中，為了提高對(duì)機(jī)械故障診斷的準(zhǔn)確性，在被檢測(cè)機(jī)械設(shè)備上部署了多個(gè)不同測(cè)量點(diǎn)的機(jī)械振動(dòng)信號(hào)采樣傳感器，所使用的傳感器型號(hào)為Shinkawa的CV-861，此類傳感器的靈敏度與精確度比較高，通過這些高性能的傳感器可以獲得機(jī)械運(yùn)轉(zhuǎn)過程中多種不同檢測(cè)對(duì)象的振動(dòng)信號(hào)。之后將每一組機(jī)械振動(dòng)信號(hào)分別送入SVM訓(xùn)練器，通過大量的機(jī)械振動(dòng)信號(hào)的訓(xùn)練和分析，形成SVM訓(xùn)練器的分類規(guī)則，當(dāng)真正進(jìn)行機(jī)械故障診斷時(shí)，通過部署在機(jī)械設(shè)備上多組機(jī)械振動(dòng)測(cè)量傳感器，分別采樣機(jī)械運(yùn)轉(zhuǎn)時(shí)的振動(dòng)信號(hào)，并通過SVM分類器實(shí)現(xiàn)對(duì)機(jī)械振動(dòng)信號(hào)的檢測(cè)和識(shí)別。當(dāng)每一個(gè)SVM分類器檢測(cè)得到了一個(gè)檢測(cè)結(jié)果之后，再由投票選擇器對(duì)檢測(cè)得到的多組檢測(cè)結(jié)果，進(jìn)行分析并投票得到最終的檢測(cè)結(jié)果。整個(gè)數(shù)據(jù)的SVM訓(xùn)練和分析如圖2所示。

圖2　機(jī)械故障檢測(cè)結(jié)果對(duì)分類器修正原理圖

2.3算法實(shí)現(xiàn)

為了獲得精確的機(jī)械設(shè)備故障數(shù)據(jù)，滿足故障分析的需求，本系統(tǒng)結(jié)合投票算法的優(yōu)點(diǎn)，將算法引入特征選擇過程中，初始化多個(gè)驗(yàn)證樣本，區(qū)分特征的重要性，構(gòu)建多個(gè)投票分類器，然后使用大數(shù)投票法構(gòu)建多分類器投票機(jī)制進(jìn)行數(shù)據(jù)信號(hào)識(shí)別，該機(jī)制很好地發(fā)揮了各個(gè)分類器的優(yōu)勢(shì)，提高了識(shí)別的準(zhǔn)確率。 本文應(yīng)用于機(jī)械故障檢測(cè)的多樣本投票算法是一種基于權(quán)重大小的投票算法。其算法的描述過程如如圖3所示。

圖3　機(jī)械故障檢測(cè)投票算法流程圖

2.4SVM訓(xùn)練器構(gòu)建

數(shù)據(jù)分類是數(shù)據(jù)挖掘中的一個(gè)重要題目。數(shù)據(jù)分類是指在已有分類的訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，根據(jù)某種原理，經(jīng)過訓(xùn)練形成一個(gè)分類器；然后使用分類器判斷沒有分類的數(shù)據(jù)的類別。由于支持向量機(jī)需要求解多次二次規(guī)劃問題，訓(xùn)練時(shí)間復(fù)雜度和空間復(fù)雜度分別為O(n3)和O(n2),其中n表示訓(xùn)練樣本的數(shù)目。因此，減少整個(gè)訓(xùn)練集的大小可以有效的提高訓(xùn)練效率。由于支持向量機(jī)的訓(xùn)練集中，有效的樣本只有支持向量，因此在訓(xùn)練分類器之前，提取支持向量可以有效的提高訓(xùn)練分類器的時(shí)間和空間效率。在支持向量機(jī)中，分類邊界是由支持向量決定的。為了保證分類效率，應(yīng)該有效的保存那些最有可能成為支持向量的樣本。根據(jù)SVM理論，在分類邊界附近的樣本，成為支持向量的可能性更高。因此，接近決策邊界的樣本更有可能在檢測(cè)點(diǎn)附近的邊緣。根據(jù)上述原理，本文構(gòu)建一種基于最優(yōu)分類面的SVM分類器，具體如圖4所示。

圖4　基于最優(yōu)分類面的SVM分類器構(gòu)造原理圖

3 系統(tǒng)工作流程

本文提出基于自學(xué)習(xí)的機(jī)械故障檢測(cè)和診斷方法，相對(duì)于傳統(tǒng)的機(jī)械故障檢測(cè)方法，性能上得到了很大的改善。機(jī)械故障診斷方法在每一次得到的檢測(cè)結(jié)果，都將做為SVM訓(xùn)練器的輸入數(shù)據(jù)，實(shí)現(xiàn)機(jī)械故障診斷的分類規(guī)則調(diào)整，使得機(jī)械故障診斷方法具備自學(xué)習(xí)能力，能夠利用歷史的檢測(cè)數(shù)據(jù)修正故障檢測(cè)方法。與此同時(shí)，機(jī)械故障檢測(cè)方法以多組振動(dòng)信號(hào)做為檢測(cè)的數(shù)據(jù)源，能夠覆蓋被檢測(cè)的機(jī)械對(duì)象多種振動(dòng)信號(hào)，并綜合進(jìn)行采樣和分析處理，確保了檢測(cè)結(jié)果的準(zhǔn)確性。

為了便于對(duì)基于自學(xué)習(xí)的機(jī)械故障檢測(cè)系統(tǒng)的深入了解，下面將基于自學(xué)習(xí)的機(jī)械故障詳細(xì)的檢測(cè)過程結(jié)合實(shí)際應(yīng)用，對(duì)系統(tǒng)具體實(shí)施過程和實(shí)施方案進(jìn)行詳細(xì)的陳述。

首先，在本文設(shè)計(jì)的系統(tǒng)進(jìn)行機(jī)械故障檢測(cè)方法之前，首先在被檢測(cè)機(jī)械設(shè)備上安裝多個(gè)機(jī)械振動(dòng)傳感器，采集多種不同類型的機(jī)械振動(dòng)信號(hào)；讓被檢測(cè)機(jī)械設(shè)備開始運(yùn)轉(zhuǎn)，分別采集機(jī)械設(shè)備正常運(yùn)轉(zhuǎn)，以及在不同故障類型條件下運(yùn)轉(zhuǎn)的振動(dòng)信號(hào)，獲取被檢測(cè)機(jī)械設(shè)備的振動(dòng)原始數(shù)據(jù)。

其次，應(yīng)用SVM訓(xùn)練器訓(xùn)練其對(duì)所采樣得到的機(jī)械振動(dòng)信號(hào)進(jìn)行訓(xùn)練，生成機(jī)械故障檢測(cè)的SVM分類規(guī)則。當(dāng)需要真的對(duì)被檢測(cè)的機(jī)械故障檢測(cè)時(shí)，再通過振動(dòng)傳感器采集機(jī)械振動(dòng)信號(hào)，并由SVM分類器進(jìn)行故障初步檢測(cè)。

最后，應(yīng)用多樣本投票算法對(duì)多個(gè)SVM分類器檢測(cè)得到多組初步的故障檢測(cè)結(jié)果進(jìn)行分析，對(duì)初步檢測(cè)的結(jié)果進(jìn)行投票分析，得到最終的故障檢測(cè)結(jié)果。將機(jī)械故障檢測(cè)結(jié)果作為SVM訓(xùn)練器的輸入數(shù)據(jù)，對(duì)SVM訓(xùn)練器進(jìn)行訓(xùn)練，調(diào)整SVM訓(xùn)練器的訓(xùn)練規(guī)則。

4 總結(jié)

本設(shè)計(jì)的機(jī)械故障檢測(cè)方法，其特點(diǎn)是具有自學(xué)習(xí)能力，能夠根據(jù)機(jī)械故障診斷的歷史數(shù)據(jù)自動(dòng)的調(diào)整機(jī)械故障診斷方法，以提高故障的檢測(cè)精度。該檢測(cè)方法綜合應(yīng)用了基于機(jī)械振動(dòng)的故障檢測(cè)原理，并設(shè)計(jì)專門的SVM訓(xùn)練器，提高機(jī)械故障診斷的精度，同時(shí)在進(jìn)行機(jī)械故障診斷時(shí)，通過設(shè)計(jì)多種機(jī)械振動(dòng)采樣對(duì)象，分別進(jìn)行機(jī)械故障診斷，并最終將多個(gè)不同振動(dòng)樣本診斷的結(jié)果，使用專門投票算法判定被檢測(cè)的機(jī)械設(shè)備是否存在故障。

本方法應(yīng)用機(jī)械振動(dòng)的故障檢測(cè)原理，具有較強(qiáng)的通用性和實(shí)用性，和專門設(shè)計(jì)的SVM訓(xùn)練器以及故障診斷的投票算法，能夠提高故障檢測(cè)精度。并通用SVM訓(xùn)練器動(dòng)態(tài)的調(diào)整機(jī)械故障診斷方法，使得在機(jī)械故障診斷過程中具備對(duì)歷史數(shù)據(jù)的學(xué)習(xí)能力。

[1] 王利群.論機(jī)械設(shè)備的狀態(tài)故障與檢測(cè)方法[J].中國(guó)教育技術(shù)裝備,2012,(35):113-114.

[2] 劉春梅.一種機(jī)械故障診斷方法:中國(guó),CN103743585A[P]. 2014-04-23.

[3] 劉春梅.一種機(jī)械手精確控制系統(tǒng)及其方法:中國(guó), CN103743477A[P].2014-04-23.

[4] 陳超,羅俊.關(guān)聯(lián)維數(shù)在航空發(fā)動(dòng)機(jī)轉(zhuǎn)子振動(dòng)監(jiān)控中的應(yīng)用研究[J].航空維修與工程,2006,(6):42-44.

[5] 劉希亮,陳小虎,王漢功.基于分形盒維數(shù)的齒輪泵故障診斷[J].機(jī)床與液壓,2009,37(7):255-257.

Design and implementation based on self-learning theory of mechanical fault diagnosis system

Article design a mechanical fault detection method based on self-learning theory, the method of multiple sets of mechanical vibration signal acquisition, initial fault detection performed by the SVM trainers, through various voting algorithm to achieve the end result of this failure detection determination. The integrated application monitoring method SVM classifier, and detecting and voting varied ideas this sampling, improve the accuracy of a mechanical fault detection.

Since learning theory; fault diagnosis; SVM

TP206

A

1008-1151(2015)07-0066-03

2015-06-11

廣西教育廳科研課題“基于自學(xué)習(xí)理論的機(jī)械故障診斷技術(shù)研究”（KY2015LX652）。

吳星（1980－），女，廣西柳州人，柳州職業(yè)技術(shù)學(xué)院講師，碩士，從事機(jī)械設(shè)計(jì)與制造教學(xué)與科研工作；劉春梅（1975－），女，廣西柳州人，柳州職業(yè)技術(shù)學(xué)院講師，碩士，從事機(jī)械自動(dòng)化方向研究。