賈蘭俊，田福慶，羅 榮

(1. 中國船舶重工集團公司 第七一三研究所，河南 鄭州 450015；2. 海軍工程大學 兵器工程系，湖北 武漢 430033；3. 海軍裝備研究院，北京 100161)

非平穩(wěn)特征提取方法與智能診斷技術在自動機故障診斷中的應用

賈蘭俊1，田福慶2，羅 榮3

(1. 中國船舶重工集團公司 第七一三研究所，河南 鄭州 450015；2. 海軍工程大學 兵器工程系，湖北 武漢 430033；3. 海軍裝備研究院，北京 100161)

回顧對目前常用的非平穩(wěn)特征提取方法與智能診斷技術，并總結艦炮自動機故障診斷需解決的難題，介紹非平穩(wěn)特征提取方法與智能診斷技術在艦炮自動機故障診斷中的應用現(xiàn)狀，詳細闡述艦炮自動機故障診斷研究中存在的問題及對發(fā)展趨勢的展望。

特征提??；故障診斷；艦炮；自動機

0 引 言

隨著飛機和導彈航速的大幅度提高，作為艦艇近程防空主要裝備的小口徑艦炮射速近十幾年有了數(shù)倍的提高。高射速自動機是小口徑艦炮的核心部件，日益朝著高度自動化、復雜化方向發(fā)展，結構日趨精細復雜，其產生故障或失效的潛在可能性也越來越大，其運行安全性、可靠性問題也就越來越突出。一旦自動機發(fā)生故障，將直接影響艦炮武器裝備性能的發(fā)揮，制約戰(zhàn)斗力的生成，甚至造成災難性的事故，故研究艦炮自動機故障診斷技術對始終保持艦炮武器裝備戰(zhàn)備完好性，提高艦炮武器裝備保障效率和綜合保障能力等均有著重要的意義[1]。

因艦炮自動機長期工作在高載荷、高溫、高壓、高沖擊以及變工況下，其各構件非常容易出現(xiàn)裂紋及磨損故障。事實上，裂紋及磨損故障逐漸成為艦炮狀態(tài)監(jiān)測與故障診斷領域持續(xù)關注的焦點。在自動機實射動作中采用現(xiàn)代的測試與分析手段，從而監(jiān)測自動機的運動形態(tài)，分析故障產生的原因與機理，通過信號分析與處理識別故障的部位與程度，提出一種能在多干擾、低信噪比的復雜振動信號中，快速、準確提取故障特征并識別故障的方法，是艦炮狀態(tài)監(jiān)測與診斷領域亟待解決的問題。

由于對高射速艦炮自動機射擊時沖擊響應現(xiàn)場測試的困難和數(shù)據(jù)處理技術有效性的限制，至今沒有開展利用試驗測試手段實施自動機的故障診斷和機構動作可靠性研究工作。所能夠采用的主要是基于故障樹分析的仿真計算和可靠性理論研究。當前軍事裝備的科技含量越來越高，相應的維修保障手段也有了很大的進步，特別是在交通電力、航空航天等領域已經形成了一批融合非平穩(wěn)特征提取與智能診斷方法的實用的故障診斷技術。而在兵器等領域仍主要使用傳統(tǒng)的方法，采用故障事后開箱解體方式檢測診斷，不但檢測與維修成本高、周期比較長，而且容易受到不確定性因素的影響。有必要發(fā)展一種快速、高效的高速自動機故障診斷方法，實現(xiàn)由事后維修、定期檢修到在線健康狀態(tài)預測和視情維修，逐步向智能診斷發(fā)展，提高軍事裝備的使用和維修效率。

本文對目前常用的非平穩(wěn)特征提取方法與智能診斷技術進行全面的回顧與總結，并闡述非平穩(wěn)特征提取方法與智能診斷技術在艦炮自動機故障診斷中的應用現(xiàn)狀。

1 非平穩(wěn)特征提取方法研究現(xiàn)狀

機械設備在出現(xiàn)故障（如裂紋、斷裂、剝落等）時，即可視為復雜的非線性系統(tǒng)，其動態(tài)響應行為既復雜且多變，從而造成故障響應信號頻率、統(tǒng)計特性（包括時域統(tǒng)計特性和頻域統(tǒng)計特性）隨時間不斷變化，即故障響應信號呈現(xiàn)有明顯的非平穩(wěn)特征。另外，故障信號往往被強噪聲以及其他強干擾信號（比如鄰近部件正常振動信號以及傳遞環(huán)節(jié)的干擾信號）所淹沒，信噪比低，呈現(xiàn)顯著的微弱性。這些均給正確提取其故障特征、準確識別其當前運行狀態(tài)帶來很大的困難?；谄椒€(wěn)性假設的經典信號處理方法，無法同時兼顧信號在時域和頻域中的全貌和局部化特征，在工程應用中則表現(xiàn)出非平穩(wěn)特征提取困難等局限性，不再適用，取而代之的是非平穩(wěn)信號處理方法。迄今，國內外學者在非平穩(wěn)信號處理方面所做的研究工作有很多，多種非平穩(wěn)信號處理方法得到應用。

對于非平穩(wěn)故障特征提取，通常首先利用非平穩(wěn)信號處理方法對故障信號進行時間-尺度（或頻率）分解，然后采用經典信號處理方法對分解結果作進一步分析。通過將非平穩(wěn)信號處理方法與平穩(wěn)信號處理方法的有機結合，可以充分發(fā)揮這兩類方法的優(yōu)點，提取出對不同故障非常敏感的特征信息，從而提高故障診斷的成功率與準確性。至今為止，人們已經提出了多種應用于非平穩(wěn)故障特征提取的非平穩(wěn)信號處理方法，其中最具代表性的有短時傅利葉變換、二次型時頻分布、循環(huán)平穩(wěn)信號分析、經驗模式分解及小波變換等。

1.1 基于短時傅里葉變換的非平穩(wěn)特征提取的研究現(xiàn)狀

短時傅里葉變換（Short Time Fourier Transform, STFT）的基本過程包括以下 2 步：

1）首先用一固定長 度的窗函數(shù)沿時間軸逐步滑動來將非平穩(wěn)信號截取為 若干信號片段（這些信號片段可視為平穩(wěn)的，并且前 后信號片段之間允許部分重疊）；

2）再計算每一信號 片段的傅利葉變換（Fourier Transform, FT），即可得 到任意時刻的頻譜，將每個時刻的頻譜按時間順序排 列在一起即是非平穩(wěn)信號基于 STFT 的時頻分布圖。 STFT 因能表征非平穩(wěn)信號時域或頻域的局部特征，故 而在特征提取與故障診斷方面得到了一定的應用，例如 W.J.Wang 利用 STFT 分析齒輪故障信號，取得了 較好診斷效果[2]；Yang-Hann Kim 利用 STFT 較為準確 地計算了旋轉機械瞬時轉速[3]。

STFT 的結果可以粗略地反映信號中的頻率成分如何隨時間而變。窗函數(shù)的長短決定了時間精度。但在STFT 過程中，一旦窗函數(shù)類型和長度選定就不再變化，因此其時間分辨率與頻率分辨率在時頻面內所有局部區(qū)域均是相同的，這就是 STFT 的固定時頻分辨率局限性。另外，STFT 的實際應用中存在最佳窗長選擇的難點。窗長決定了時間分辨率，窗長越短，時間分辨率越高，而頻率分辨率越低；窗長越長，頻率分辨率越高，但時間分辨率越低。以上兩點限制了 STFT在工程上的應用。

1.2 基于二次型時頻分布的非平穩(wěn)特征提取的研究現(xiàn)狀

二次型時頻分布由 Wigner 于 1932 年在量子力學中首先提出，而后由 Ville 于 1948 年將其引入到信號處理領域，故后人又稱二次型時頻分布為 Wigner-Ville時頻分布。隨后，學者們根據(jù)不同的應用需要，針對原始 Wigner-ville 時頻分布的不足，提出了各種改進形式的 Wigner-Ville 時頻分布。1966 年，Cohen 通過研究發(fā)現(xiàn)各種改進形式的 Wigner-Ville 時頻分布完全可以用一個統(tǒng)一的形式表示，即可以通過對經典 Wigner-Ville時頻分布施加不同的核函數(shù)來構造出各種的改進的Wigner-Ville 時頻分布。這種統(tǒng)一表示的 Wigner-Ville時頻分布通常被人們稱為 Cohen 類時頻分布。Cohen類時頻分布是 Wigner-Ville 時頻分布的推廣，其性能取決定于所選擇的核函數(shù)，因此如何設計性能優(yōu)良的核函數(shù)是二次型時頻分布理論的一個重要研究內容。

Wigner-Ville 時頻分布盡管具有非常高的時頻分辯率，但由于其是雙線性變換，處理多分量信號時存在嚴重的交叉干擾項，模糊了原信號時頻特征。因此，如何避免交叉干擾項對分析結果的影響一直是時頻分析領域研究的經典問題，眾多學者提出了諸多解決方法。Meng Q. F. 等先對轉子振動信號進行帶通濾波以篩選出感興趣的單分量成分，然后再計算這些單分量的 Wigner-Ville 時頻分布，較好地避免了交叉干擾項的不利影響[4]，然而該方法對波動劇烈且頻率成分異常復雜的故障信號難以取得滿意的效果；文獻[5–6]根據(jù)旋轉機械各零部件故障響應信號的不同特性，設計了相應的核函數(shù)，成功地抑制了交叉干擾項的出現(xiàn)，有效地提取了不同零部件的故障時頻特征。但是該函數(shù)對交叉干擾項的抑制是以犧牲時頻分辨率為代價的，當待處理的故障信號頻率成分既復雜且相隔接近時，難以設計出一個既能抑制交叉干擾項又能保持所需要的時頻分辨率的核函數(shù)。盡管 Wigner-Ville 時頻分布在機械故障診斷領域取得了一定的應用成果，但由于其處理多分量信號時存在嚴重的交叉干擾項，嚴重制約了其非平穩(wěn)故障特征提取能力，限制了其在故障診斷領域的深入應用。近幾年，隨著其他各種非平穩(wěn)信號處理方法的出現(xiàn)與飛速發(fā)展，學者與工程師們對Wigner-Ville 時頻分布的研究熱情逐步讓位于這些后來興起的非平穩(wěn)信號處理方法。

1.3 基于循環(huán)平穩(wěn)信號分析的非平穩(wěn)特征提取的研究現(xiàn)狀

若信號的統(tǒng)計特征函數(shù)隨時間呈周期性的變化，則這類信號被稱為循環(huán)平穩(wěn)信號。

循環(huán)平穩(wěn)信號的信號特性表現(xiàn)為周期性平穩(wěn)，其實質仍屬于非平穩(wěn)信號。循環(huán)平穩(wěn)信號在自然界中廣泛存在，例如滾動軸承以及齒輪等旋轉部件的故障振動信號即是循環(huán)平穩(wěn)信號，對這些故障信號進行循環(huán)平穩(wěn)分析可以較好地抑制強噪聲干擾，有效地提取出淹沒在強噪聲中的周期性故障特征。因此，近十幾年來，學者與工程師們開始深入研究循環(huán)平穩(wěn)信號分析方法及其在機械故障診斷領域中的應用。如文獻[7]中Boulnaut.L 等研究了基于二階循環(huán)平穩(wěn)信號分析的齒輪故障特征提取方法，實驗結果表明該方法可以有效地提取出齒輪故障信號中隱藏的故障特征頻率信息；上海交通大學陳進領銜的研究團隊深入研究了基于循環(huán)平穩(wěn)信號分析方法的滾動軸承及齒輪故障特征提取技術，取得諸多的研究成果，有力推動了循環(huán)平穩(wěn)信號分析方法在旋轉機械故障診斷中的實用化進程[8]。

盡管循環(huán)平穩(wěn)信號分析在機械故障診斷領域的應用取得了一定成績，但是也還有較多關鍵問題未得到圓滿解決，束縛了其進一步深入應用，例如：如何減少計算量以及如何在非高斯、非平穩(wěn)噪聲環(huán)境中提高軸承、齒輪的循環(huán)平穩(wěn)解調分析方法的魯棒性等。

1.4 基于經驗模式分解的非平穩(wěn)特征提取的研究現(xiàn)狀

經驗模式分解（Empirical Mode Decomposition：EMD）方法是由美國宇航局 Norden E Huang 于 1998 年提出的，是信號處理發(fā)展史上對基于傅里葉變換的平穩(wěn)線性譜分析方法的一個重大突破。EMD 是一種自適應非平穩(wěn)信號分解方法，其能夠以自適應基的方式，將原信號中的低、高頻分量分別分解到不同且近乎平穩(wěn)的本征模態(tài)函數(shù)中。自從誕生之日起，EMD 就得到眾多不同領域學者的高度關注，其已廣泛用于地球物理學、圖像處理等諸多領域的研究。利用 EMD 進行故障診斷是目前機械故障診斷領域一個比較熱門的課題。例如：湖南大學程軍圣教授[9]領銜的研究團隊深入研究了 EMD 方法及其在旋轉機械故障診斷中的應用，并用該方法有效地提取到齒輪、滾動軸承等部件微弱故障特征信息；中 V. K. Rai 等[10]研究了將 EMD 與FT 結合的軸承故障特征提取方法，該方法先將軸承故障信號進行 EMD 分解，而后計算分解得到的內模函數(shù)或其組合的傅利葉變換來提取故障特征信息，取得了良好的效果。

由于 EMD 方法理論并不完備，缺少嚴密的數(shù)學基礎支撐，而且其應用還存在一些重要問題需要解決或進一步加以改進，其中主要有收斂準則問題、零均值問題、端點效應問題、包絡線估計與擬合問題、模態(tài)混疊問題及內模函數(shù)篩選標準問題等，這些問題是進一步推廣 EMD 方法在實際中應用的瓶頸所在。

1.5 基于小波變換的非平穩(wěn)特征提取的研究現(xiàn)狀

小波變換吸取了傅里葉變換中的三角基函數(shù)與短時傅里葉變換中的時移窗函數(shù)的特點，形成了不勝枚舉的振蕩而又衰減的基函數(shù)，其基本思想即是用一個基函數(shù)，通過伸縮和平移構成的小波函數(shù)系去表示或逼近一信號或函數(shù)。小波變換通過變尺度滑動窗沿時間軸對信號分段截斷后進行處理，不僅可以實現(xiàn)不同時刻不同頻率信號的合理分離，在時域和頻域都具有較強的描述信號局部特征的能力，而且具有自適應時頻特性，并且變換結果不存在交叉項，因此小波變換克服了短時傅里葉變換固定時頻分辨率的缺陷，避免了二次型時頻分布中交叉項對分解結果的影響，也不存在經驗模態(tài)分解理論基礎不完善以及模態(tài)混疊等問題，故小波變換在處理非平穩(wěn)信號時具有獨特優(yōu)勢，被廣泛地應用于許多工程應用領域，同時也是故障診斷領域內持續(xù)的研究熱點，有著相當廣闊的應用前景。

Daubechies 與 Mallat 對小波分析的卓越貢獻，使其迅速在機械故障診斷領域中得以廣泛應用，并在非平穩(wěn)微弱故障特征提取方面發(fā)揮了極大作用，成功解決大量經典信號處理方法難以解決的工程實際診斷問題。就目前已發(fā)表的研究文獻或已公開的研究成果來看，小波分析在機械故障診斷中的應用模式主要有以下 4 種：

① 將小波變換用于對故障信號的濾波，實現(xiàn)信噪分離，提取微弱故障特征

小波變換因具有多分辨率特性及自相似特性，可以有效消除故障信號中加性白噪聲，因此被認為是實現(xiàn)故障信號消噪最好的方法，廣泛地應用于故障信號的預處理。文獻[11]研究了基于小波（包）變換的線性濾波消噪方法，并用于對故障信號的預處理，有效地提高了信噪比。

② 將小波變換用于對故障信號的時頻分析

小波變換具有自適應時頻特性，其在低頻段頻率分辨率較高，而在高頻段時間分辨率較高，因此非常適合于對故障信號進行時頻分析。McFadden P D 在文獻[12]中用小波變換對齒輪箱故障振動信號進行了時頻分析，結果表明其可以很好地揭示故障信號中的時頻特征。

③ 信號突變點檢測

機械故障信號的奇異點，又叫突變點，其通常蘊含了大量故障特征，比如故障誘發(fā)的轉速突變、摩擦、斷裂、變形、振動以及沖擊等，因此突變點的檢測一直是故障診斷的核心內容。小波變換能在時域、頻域同時局部化信號，而且能自動變化窗長，因此在檢測信號突變點方面具有獨特的優(yōu)越性。利用小波變換檢測故障信號突變點主要有以下 2 個目的：一是提取突變點發(fā)生的空間或時刻位置，并計算故障發(fā)生的周期，從而推斷出故障部位；二是區(qū)分突變點不同的突變類型，并計算表征其奇異性程度的 Lipschitz 指數(shù)，從而判定故障類型或者確定故障程度。林京等[13]在提出了基于小波變換的故障信號突變點檢測方法，計算了突變點的 Lipschitz 指數(shù)并作為信號包絡特征識別的指標，利用該指標成功診斷出壓縮機換氣閥故障。

④ 將小波變換與其他方法結合來提取故障特征

將小波變換與其他方法相結合來提取故障特征，是近年來故障診斷領域中的一個重要研究方向，取得了較多研究成果，例如：美國學者 Samuel 和 Pines[14]提出了一種將第二代小波變換與匹配追蹤相結合的齒輪故障特征提取方法，并在直升機傳動系統(tǒng)的故障檢測中取得了滿意的效果。

2 智能診斷技術研究現(xiàn)狀

由于機械設備結構日趨復雜，各零部件之間緊密聯(lián)系甚至高度耦合，影響設備運行的不確定因素驟增，使得其故障特性呈現(xiàn)為明顯的非線性、復雜性、復合故障并發(fā)性等，以至于征兆與故障之間呈現(xiàn)出難以解釋的、錯綜復雜的非線性對應關系，甚至不確定關系。單純地借助非平穩(wěn)信號分析方法，難以處理征兆與故障之間具有非線性對應關系與不確定關系的故障診斷問題。人工智能技術，比如模糊邏輯、神經網(wǎng)絡、遺傳算法、專家系統(tǒng)、粗糙集等，因其擁有強大的非線性映射能力及卓越的學習能力，適合處理征兆與故障之間無確定關系的復雜故障診斷問題，并可以實現(xiàn)診斷的自動化，而成為故障診斷領域中的研究熱點與發(fā)展方向之一，尤其在大型復雜或非線性系統(tǒng)故障診斷中的應用更是引人注目。

智能診斷技術實現(xiàn)了算法過程與推理過程的綜合、數(shù)值處理與符號邏輯的統(tǒng)一、數(shù)理邏輯與辯證邏輯的融合、知識庫與數(shù)據(jù)庫的交互等，其種類有很多，如基于專家系統(tǒng)的、基于支持向量機的、基于人工神經網(wǎng)絡的、基于模糊邏輯的、基于遺傳算法的以及基于粗糙集的等，其中基于神經網(wǎng)絡的智能故障診斷技術研究的最多，應用也最為廣泛，幾乎覆蓋了所有的學科和工程領域。目前，神經網(wǎng)絡理論研究仍在飛速發(fā)展，各領域學者們已經提出了許多不同結構或學習算法的神經網(wǎng)絡，如 BP 神經網(wǎng)絡、RBF 神經網(wǎng)絡等。由于神經網(wǎng)絡具有卓越的魯棒性和容錯性、獨特而又高效的聯(lián)想、推理、記憶以及自學習行為、高度的自適應以及高度的非線性映射與逼近能力，因而在故障診斷中極具潛力，并得到了廣泛的應用。神經網(wǎng)絡用于故障診斷主要有以下 3 種模式：

① 模式識別的角度應用神經網(wǎng)絡，使其作為故障診斷的分類器。Yang D.M. 等[15]將雙相干譜、雙譜、功率譜與神經網(wǎng)絡技術結合起來，成功區(qū)分了發(fā)動機軸承內、外圈以及保持架等 3 種故障狀態(tài)。

② 從預測的角度應用神經網(wǎng)絡，使其作為故障預測的預測模型。李斌等[16]依據(jù)飛機舵面故障預測系統(tǒng)的設計要求，利用 BP 神經網(wǎng)絡成功建立了故障預測模型，并利用風洞實驗數(shù)據(jù)對某機方向舵卡死故障進行了預測和分析，結果驗證了該神經網(wǎng)絡預測模型的有效性和優(yōu)越性。

③ 從知識處理的角度應用神經網(wǎng)絡，構建基于神經網(wǎng)絡的故障診斷專家系統(tǒng)。文獻[17]為提高部隊的作戰(zhàn)效能，采用控制技術、人工神經網(wǎng)絡技術以及微電子技術研制了機載火控系統(tǒng)故障診斷專家系統(tǒng)，并實際應用中取得了良好效果。

從神經網(wǎng)絡在故障診斷中應用的發(fā)展趨勢上看，當前主要研究方向為：神經網(wǎng)絡與故障診斷理論的集成、神經網(wǎng)絡與信號處理的結合等。神經網(wǎng)絡與故障診斷理論的集成有以下 2 種形式：一是把神經網(wǎng)絡結構優(yōu)化與識別方法、推理規(guī)則相集成；二是與神經網(wǎng)絡的前后處理相集成。前一種集成是一種實質性集成，極大地提升神經網(wǎng)絡的性能。神經網(wǎng)絡與故障診斷理論的結合實例有概率神經網(wǎng)絡、模糊神經網(wǎng)絡等多種，其中概率神經網(wǎng)絡是 Bayes 決策理論與徑向基神經網(wǎng)絡實質性的集成，非常適合于模式分類問題。

故障信號前期特征提取效果好壞對神經網(wǎng)絡分類器性能有直接影響。若前期特征信息提取不全面、不充分，則勢必會減弱分類器的魯棒性和可靠性，抑制診斷準確性的提高，故神經網(wǎng)絡與信號處理的結合在智能診斷中的運用非常普遍。由于基于平穩(wěn)性假設的傳統(tǒng)信號處理方法無法全面準確地提取非平穩(wěn)故障特征信息，故傳統(tǒng)信號處理方法與神經網(wǎng)絡相結合難以有效診斷復雜故障。對于非平穩(wěn)信號處理的理論研究在近 20 年來突飛猛進，陸續(xù)提出了眾多的非平穩(wěn)信號處理方法，因此將非平穩(wěn)信號處理方法與神經網(wǎng)絡相結合是趨勢所在，也是研究熱門。

3 艦炮自動機故障診斷研究現(xiàn)狀與展望

3.1 艦炮自動機振動機理及故障形式

艦炮自動機是一個復雜的動力學系統(tǒng)，可完成火藥能量轉換、儲存釋放和動力傳遞等多種功能。艦炮自動機結構在炮彈擊發(fā)和供輸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組成的振動系統(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。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，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。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，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(xiàn)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。

3.2 艦炮自動機故障診斷需解決的技術難題

盡管自動機部件故障必然引起其振動響應信號出現(xiàn)變化，然而實際射擊時，除了強烈的背景噪聲外，其內部各零部件的高速運動、撞擊和振動響應經不同的傳遞路徑到機箱表面并疊加在一起，而且往往互相干擾，使現(xiàn)有傳統(tǒng)的測試和診斷方法很難有效地得到應用。目前，自動機故障診斷中還存在許多難題有待于進一步解決，主要表現(xiàn)在：

1）艦炮自動機運動形態(tài)定量分析與應用難題

艦炮自動機結構復雜，其動作過程為火藥氣體推動構件，帶動后面一系列部件連續(xù)循環(huán)動作，自動完成推彈及退彈過程。定量分析艦炮自動機運動形態(tài)，準確識別艦炮自動機正常與故障時運動形態(tài)出現(xiàn)的差異，是有效對艦炮自動機進行故障診斷的關鍵之一。因為自動機動作中高速高壓高溫的外部環(huán)境和其動作過程的復雜性、動作狀態(tài)的瞬時性，因此對其運動形態(tài)進行定量分析具有相當難度。又由于強烈的背景噪聲與強干擾信號，故通過外部采集到的響應信號也難以提取到足夠全面準確反映其運動形態(tài)的基本信息特征，通過運動形態(tài)來進行自動機故障診斷從實際應用上講具有一定難度。

2）短時沖擊振動信號的檢測與提取難題

自動機工作環(huán)境惡劣，要獲得穩(wěn)定且有效的振動信號，關于測試設備及測點選擇的分析研究就顯得極為必要，又因為自動機的動作特點，其振動響應信號為短時瞬態(tài)的，具有顯著的非平穩(wěn)性，而且一些構件的裂紋及磨損的振動響應也很微弱，這種信號的微弱變化被識別出來很難。實際射擊中，背景噪聲強，其他相鄰設備狀態(tài)信息的加入，以及被診斷設備本身的復雜性，檢測過程中惡劣的工作條件，使得在某一點采集到的信號中不但含有大量噪聲，而且還有部分混疊。這給故障的準備診斷和定位帶來很大的難度，診斷結果與實驗室研究的預期結果有很大的差距，實際上往往難以判斷有無故障發(fā)生，故障的程度、類型與部位更無法判別。因此，研究適合分析處理短時瞬態(tài)沖擊信號的非平穩(wěn)信號處理方法，并與振動響應機理結合，有效進行特征提取，就顯得非常必要。

3）確定可靠有效的故障特征參量難題

自動機的故障征兆可以通過不同的特征參量表現(xiàn)出來。故障程度、部位和類型等對特征參量的敏感程度差別很大，故障信息在特征參量中不明顯。如何在龐大的特征參量集中根據(jù)不同故障對特征參量的敏感程度進行優(yōu)化選擇以篩選出個數(shù)較少、類別可分性高、能提供互補信息的最優(yōu)特征參量集是實現(xiàn)艦炮自動機實時在線故障診斷的一個難題。

3.3 艦炮自動機故障診斷研究現(xiàn)狀

艦炮自動機復雜結構與運動形態(tài)，致使其征兆與故障之間呈現(xiàn)出錯綜復雜的非線性對應關系或難以解釋的不確定關系。單純通過信號處理手段，難以全面深入而準確地提取能正確刻畫系統(tǒng)故障特性的特征信息，因此僅僅通過信號處理方法直接識別其故障部位與程度，有效對艦炮自動機進行故障診斷具有較高難度，也是不現(xiàn)實的。所以，現(xiàn)有的火炮自動機故障診斷研究主要沿“非平穩(wěn)信號特征提取+智能診斷”這條思路展開。

潘銘志等[18]中針對自動機實射動作沖擊響應振動信號，利用小波分析快速進行信噪分離，并采用功率譜分析結合小波包分解對各頻段能量譜分析，提取特征向量，然后輸入 BP 神經網(wǎng)絡故障識別，取得了一定效果。都衡等[19]針對小口徑火炮自動機工作時產生的短時沖擊信號，提出一種將局域波分解與信息熵相結合提取特征量，并利用 Elman 神經網(wǎng)絡進行故障識別的診斷方法。潘龍等[20]針對自動機工作時的短時沖擊信號特征，運用聚合經驗模態(tài)分解對自動機故障信號進行預處理，再通過 Hilbert 變換，計算信號的時頻多尺度熵，作為自動機故障診斷的特征量，最后將特征向量輸入支持向量機進行故障分類識別，結果表明將 HHT 時頻多尺度熵和 SVM 相結合在自動機故障診斷中的有效性。文獻[21]提出基于 EEMD 與廣義維數(shù)優(yōu)化逼近的自動機故障診斷方法，該方法先使用聚合經驗模態(tài)分解結合相關系數(shù)法對自動機故障信號進行預處理，然后再求取其廣義分形維數(shù)來實現(xiàn)自動機故障的識別。文獻[22]提出了一種運用信息熵和遺傳算法優(yōu)化的支持向量機對小口徑火炮自動機進行故障診斷的方法，該方法首先運用具有自適應特性的局域波對信號進行分解得到 IMF 分量，并對各 IMF 分量進行Hilbert 變換，接著利用信息熵理論提取局域波特征空間譜熵、邊際譜熵和時頻熵作為故障特征，最后將特征向量輸入遺傳算法優(yōu)化的支持向量機進行故障分類識別。曹滿亮等[23]針對自動機運動循環(huán)過程和振動信號的非線性短時沖擊特性，提出了截取振動信號中有用信息進行第 2 代小波分析，在此基礎上提取第 2 代小波熵，把其作為特征向量分別應用 BP 神經網(wǎng)絡和概率神經網(wǎng)絡對自動機進行故障模式識別。潘宏俠等[24]提出了基于小波尺度譜重排與小波排列熵的自動機故障診斷方法，該方法首先用小波包變換對自動機振動響應信號進行時頻分析，并對每層小波包系數(shù)進行小波尺度譜重排處理，然后計算出每層小波系數(shù)的排列熵，并以此作為自動機短時瞬態(tài)沖擊時微弱故障信號的特征量，使用支持向量機對特征量進行故障分類識別。

3.4 艦炮自動機故障診斷研究存在的問題與展望

盡管我國對艦炮自動機故障診斷進行了一定的研究，但其研究理論層次不夠深，應用水平較低，研究成果還遠未達到可用于實際故障診斷的水平，還未形成一套快速、高效的艦炮自動機故障診斷方法。存在以下問題：

1）艦炮自動機故障機理研究不足

目前，我國艦炮自動機故障診斷主要是利用實測的某型號武器自動機的故障振動數(shù)據(jù)展開特征提取與模式識別方面的研究，缺乏對自動機故障機理的深入探索。自動機故障機理是指通過理論或大量的試驗分析，得到反映自動機故障狀態(tài)信號與自動機系統(tǒng)參數(shù)之間的規(guī)律，其具體的研究過程如下：首先根據(jù)自動機物理特點，建立相應數(shù)學力學模型；然后通過仿真研究獲得其響應特征；再結合試驗修正模型，準確獲知某一故障的表征。這一反復式的研究過程是故障機理及故障征兆研究的有效手段，也是自動機故障診斷技術的重要基礎和依據(jù)。由于通常獲得自動機較全面的故障數(shù)據(jù)樣本不現(xiàn)實，因此只有通過機理仿真研究，才能對系統(tǒng)未知故障和弱故障進行有效的預知和識別，以避免漏診和誤診。

2）故障診斷手段比較有限

到目前為止，隨著信號處理技術的不斷發(fā)展，振動故障診斷技術己經發(fā)展成一套比較完整的體系，成為機械故障診斷領域的主流方向。在現(xiàn)階段，我國艦炮自動機故障診斷研究也主要是集中于基于振動信號處理的故障診斷方法上。除了采用振動信號來診斷自動機故障外，以下方法也有可能被應用于自動機的故障診斷中：超聲與聲發(fā)射檢測、聲信號檢測、紅外檢測、X 射線檢測等，遺憾的是它們在艦炮自動機故障診斷中的研究還較少。

眾所周知，振動傳感器必須安裝在相關設備上后才能獲得相應的振動信號，因此有些不合適安裝振動傳感器的地方，特別是在測試環(huán)境在較為惡劣的設備上，就不適合采用基于振動的故障診斷方法。由于機械設備在運行過程中，不僅會產生振動，還會發(fā)出強烈的噪聲。通常情況下，振動越強烈，產生的噪聲就越大。與振動信號一樣，機械設備發(fā)出的噪聲信號中同樣包含著反映設備狀態(tài)的信息，所以噪聲信號也可以作為機械設備故障診斷的研究對象。作為研究對象的噪聲，既包括目標設備發(fā)出的有用聲學信號，也包括其他設備發(fā)出的干擾聲學信號。利用機械設備的聲學信號對設備進行故障診斷（聲學故障診斷技術），具有振動故障診斷技術所不可比擬的某些優(yōu)點。一般來說，聲學故障診斷技術具有如下特點：非接觸式測量、設備簡單、速度快、無須事先粘貼傳感器和便于在線監(jiān)測等，尤其可在不易測量振動信號的場合得到廣泛的應用。因此基于聲信號的機械設備狀態(tài)監(jiān)測和故障診斷是在非便利條件下有效的方式，利用聲音信號進行艦炮自動機故障診斷可以成為艦炮自動機故障診斷領域中新的發(fā)展方向。

3）智能診斷環(huán)節(jié)比較薄弱

目前，我國艦炮自動機故障診斷基本沿著“特征提取+智能診斷”這一主線展開。然而現(xiàn)有研究的自動機故障診斷方法中智能診斷環(huán)節(jié)均只采用單一的智能分類器。由于自動機故障的復雜性、不確定性、多故障并發(fā)性、微弱性等，依靠單一智能技術的故障診斷已難以滿足診斷要求?；旌现悄芗夹g博采眾家之長，充分利用不同智能技術的優(yōu)勢，在一定程度上能解決傳統(tǒng)的單一的智能診斷技術存在的精度不高、泛化能力和通用性不強等難題，能夠取得比單一智能技術更佳的效果。

從目前可以查閱到的文獻可知，混合智能故障診斷技術已經受到國內外許多研究者的青睞，并取得了一定的進展。2002 年，美國麻省理工學院針對核電站大型復雜機電系統(tǒng)，綜合貝葉斯網(wǎng)絡、影響圖、模糊邏輯、專家系統(tǒng)等人工智能方法進行在線監(jiān)測、故障診斷和預知維修，提出了混合智能系統(tǒng)的概念[25]。2004 年，美國 Roshdy S. 認識到任何單一人工智能技術都不能完全解決復雜問題，只對復雜問題的某一部分或者某一階段有效，所以提出了將兩種或者兩種以上的人工智能技術結合的思想。嘗試將遺傳算法和神經網(wǎng)絡相結合以發(fā)現(xiàn)決策樹的最佳分類規(guī)則，構造一個計算成本低、分類性能高的信號模式分類器[26]。

從上可知，混合智能技術引起了國內外學者的廣泛關注，并取得了比單一智能技術更好的診斷效果，其也可以成為艦炮自動機故障診斷領域中新的研究方向。

4 結 語

本文首先全面回顧了基于短時傅里葉變換、二次型時頻分布、循環(huán)平穩(wěn)信號分析、經驗模式分解以及小波變換等非平穩(wěn)信號處理方法的非平穩(wěn)特征提取研究現(xiàn)狀以及以神經網(wǎng)絡為代表的智能技術在機械故障診斷領域中的研究狀況。然后，分析了艦炮自動機的振動機理與故障形式，歸納了其故障診斷需解決的技術難題，總結了其故障診斷研究現(xiàn)狀，詳細闡述了其故障診斷存在的問題以及對發(fā)展趨勢的展望。

[1]趙潤鵬. 基于運動形態(tài)與信息熵的自動機故障診斷研究[D].太原: 中北大學, 2012.

[2]WANG W J, MCFADDEN P D. Early detection of gear failure by vibration analysis I. Calculation of the time-frequency distribution[J]. Mechanical Systems and Signal Processing, 1993, 7(3): 193–203.

[3]KIM Y H, LIM B D. Instantaneous frequency of a transient mechanical signature and its estimation by a moving window; applicability and physical interpretation[J]. Mechanical Systems and Signal Processing, 1994, 8(4): 381–394.

[4]MENG Qing-feng, QU Liangsheng. Rotating machinery fault diagnosis using wigner distribution[J]. Mechanical Systems and Signal Processing, 1991, 5(3): 155–162.

[5]OEHLMANN H, BRIE D, BEGOTTO V, et al. Examination of gearbox cracks using time-frequency distributions[C]//Proceedings of International Conference on Acoustics, Speech, and Signal Processing. Detroit, MI: IEEE, 1995: 925–928.

[6]LOUGHLIN P J, BERNARD G D. Cohen-posch (positive) time-frequency distributions and their application to machine vibration analysis[J]. Mechanical Systems and Signal Processing, 1997, 11(4): 561–576.

[7]LOUGHLIN P J, PITTON J W, ATLAS L E. Construction of positive time-frequency distributions[J]. IEEE Transactions on Signal Processing, 1994, 42(10): 2697–2705.

[8]畢果. 基于循環(huán)平穩(wěn)的滾動軸承及齒輪微弱故障特征提取應用研究[D]. 上海: 上海交通大學, 2007.

[9]程軍圣, 于德介, 楊宇. Hilbert-Huang變換端點效應問題的探討[J]. 振動與沖擊, 2005, 24(6): 40–42, 47.

[10]RAI V K, MOHANTY A R. Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert-Huang transform[J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2607–2615.

[11]徐科, 徐金梧. 小波變換在信號濾波中的應用[J]. 北京科技大學學報, 1997, 19(4): 382–385.

[12]WANG W J, MCFADDEN P D. Application of wavelets to gearbox vibration signals for fault detection[J]. Journal of Sound and Vibration, 1996, 192(5): 927–939.

[13]林京, 屈梁生. 基于連續(xù)小波變換的奇異性檢測與故障診斷[J]. 振動工程學報, 2000, 13(4): 523–530.

[14]SAMUEL P D, PINES D J. Constrained adaptive lifting and the CAL4 metric for helicopter transmission diagnostics[J]. Journal of Sound and Vibration, 2009, 319(1/2): 698–718.

[15]YANG D M, STRONACH A F, MACCONNELL P. Third-order spectral techniques for the diagnosis of motor bearing condition using artificial neural networks[J]. Mechanical Systems and Signal Processing, 2002, 16(2/3): 391–411.

[16]李斌, 章衛(wèi)國, 寧東方, 等. 基于神經網(wǎng)絡技術的飛機舵面故障趨勢預測研究[J]. 系統(tǒng)仿真學報, 2008, 20(21): 5840–5842, 5847.

[17]韓兆福, 葛銀茂, 程江濤, 等. 機載火控系統(tǒng)故障診斷神經網(wǎng)絡專家系統(tǒng)[J]. 儀器儀表用戶, 2005, 12(6): 30–31.

[18]潘銘志, 潘宏俠, 趙潤鵬, 等. 自動機機箱振動分析與診斷研究[J]. 火炮發(fā)射與控制學報, 2012(2): 67–70.

[19]都衡, 潘宏俠. 基于局域波信息熵的高速自動機故障診斷[J].中國測試, 2014, 40(1): 115–118, 136.

[20]潘龍, 潘宏俠, 馬白雪. 應用HHT時頻分析與SVM的自動機故障診斷[J]. 機械設計與制造, 2015(4): 59–61, 65.

[21]潘龍, 潘宏俠, 陳玉青. 應用EEMD與廣義維數(shù)優(yōu)化逼近的自動機故障診斷[J]. 組合機床與自動化加工技術, 2015(8): 82–85.

[22]都衡, 潘宏俠. 基于信息熵和GA-SVM的自動機故障診斷[J].機械設計與研究, 2013, 29(5): 127–130.

[23]曹滿亮, 潘宏俠. 基于第二代小波及PNN的自動機智能故障診斷[J]. 機械設計與研究, 2015, 31(3): 22–26.

[24]潘宏俠, 馬百雪, 許昕. 基于小波尺度譜重排與小波排列熵的自動機故障診斷[J]. 火炮發(fā)射與控制學報, 2015, 36(2): 64–67.

[25]YILDIZ B, GOLAY M W, KENNETH P M, et al. Development of a hybrid intelligent system for on-line real-time monitoring of nuclear power plant operations[C]//The 2002 PSAM6 (Probabilistic Safety Assessment and Management) Conference. San Juan, Puerto Rico, 2002, 52: 49–58.

[26]YOUSSIF R S, PURDY C N. Combining genetic algorithms and neural networks to build a signal pattern classifier[J]. Neurocomputing, 2004, 61: 39–56.

A review: the application of non-stationary feature extraction and intelligent diagnosis method in automata fault diagnosis

JIA Lan-jun1, TIAN Fu-qing2, LUO Rong3
(1. The 713 Research Institute of CSIC, Zhengzhou 450015, China; 2. Deptartment of Weaponry Engineering, Naval University of Engineering, Wuhan 430033, China; 3. Naval Equipment Institute, Beijing 100161, China)

The non-stationary feature extraction technique and intelligent diagnosis method are reviewed comprehensively in the paper. Additionally, the problems consisting in automata of naval gun fault diagnosis are summarized, and the application of non-stationary feature extraction and intelligent diagnosis method in automata fault diagnosis is introduced. Finally, the questions in the research of automata fault diagnosis are expatiated detailedly, and the future development of automata fault diagnosis is prospected.

feature extraction；fault diagnosis；naval gun；automata

TH113.1

A

1672–7619(2016)12–0170–08

10.3404/j.issn.1672–7619.2016.12.036

2016–07–29

賈蘭俊(1967–)，男，研究員，主要從事艦炮技術研究。