楊 雷，朱靈康，高國偉，許 愷，楊 晗，金 昊

(上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200093)

?

基于FSA-ACO混合改進(jìn)算法的蝸輪蝸桿故障識(shí)別

楊 雷，朱靈康，高國偉，許 愷，楊 晗，金 昊

(上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200093)

針對(duì)蝸輪蝸桿故障診斷問題，提出基于FSA-ACO混合改進(jìn)算法的蝸輪蝸桿故障識(shí)別的研究方法。該方法提出了FSA-ACO混合改進(jìn)策略，在謀求一個(gè)優(yōu)勢(shì)互補(bǔ)的基礎(chǔ)上，對(duì)算法相關(guān)參數(shù)優(yōu)化。同時(shí)針對(duì)該算法與蝸輪蝸桿故障識(shí)別結(jié)合構(gòu)建算法模型問題，提出利用近鄰函數(shù)準(zhǔn)則作理論橋梁策略，尋找一種新的基于FSA-ACO混合算法的蝸輪蝸桿故障診斷技術(shù)研究方法。以WPA40型號(hào)的蝸輪蝸桿為測(cè)試對(duì)象，驗(yàn)證了該研究方法的可行性和有效性。

蝸輪蝸桿；魚群算法；蟻群算法；故障識(shí)別；近鄰準(zhǔn)則

在蝸桿傳動(dòng)時(shí)，由于蝸輪蝸桿摩擦嚴(yán)重，發(fā)熱大、產(chǎn)生高周疲勞，發(fā)生齒輪面點(diǎn)蝕、剝落、及輪齒疲勞折斷等故障[1]。可能會(huì)帶來不可預(yù)知的經(jīng)濟(jì)損失、人身安全等災(zāi)難性后果。因此，蝸輪蝸桿減速器的狀態(tài)監(jiān)測(cè)與及時(shí)故障診斷，不僅能增加減速機(jī)的使用周期，減少其維修時(shí)間，同時(shí)還能降低維修費(fèi)用和事故發(fā)生率。

近年來，國內(nèi)外學(xué)者致力于設(shè)備的狀態(tài)檢測(cè)與故障診斷技術(shù)的研究，將ANN(人工神經(jīng)網(wǎng)絡(luò))等智能算法應(yīng)用于蝸輪蝸桿的故障識(shí)別，取得較好的成果，但現(xiàn)階段將魚群及蟻群對(duì)蝸輪蝸桿故障識(shí)別方法研究較少。即本文對(duì)魚群和蟻群兩種算法提出混合改進(jìn)策略，并利用近鄰函數(shù)準(zhǔn)則的聚類問題將該算法與蝸輪蝸桿故障識(shí)別有機(jī)地結(jié)合策略，尋找出一種基于改進(jìn)FSA-ACO的故障優(yōu)化識(shí)別處理的診斷方法[2-7]。

1 FSA-ACO算法的混合改進(jìn)

算法初期利用魚群算法有較快的收斂品質(zhì)，避免算法初期過早集結(jié)到信息素濃度高的路徑上，如圖1所示。后期引入蟻群算法混合策略，不僅增強(qiáng)了算法的全局尋優(yōu)和鄰域搜索能力，且避免限于局部最優(yōu)解，實(shí)現(xiàn)各算法之間的優(yōu)缺點(diǎn)互補(bǔ)。如基于TSP問題的圖2蟻群算法迭代過程所示。又因兩算法遵循的運(yùn)動(dòng)規(guī)律具有一定的相似性，即人工魚隨著擁擠度濃度高的方向游動(dòng)，螞蟻隨著信息素濃度高的方向遷移，同時(shí)在人工魚的聚群行為及螞蟻的更新信息素均取決于伙伴中心或最優(yōu)個(gè)體狀態(tài)的最優(yōu)解[3]。綜上所述，F(xiàn)SA及ACO算法融合是行之有效的。

將兩者算法混合后，利用魚群的覓食行為，聚群行為和將全局搜索范圍縮小。擁擠度與信息素的相似性，在范圍縮小后，將其過度到蟻群算法，通過其分布并行式計(jì)算和啟發(fā)式搜索方式，不僅提高收斂速度，還能適當(dāng)提高收斂的精度，在一定程度上克服局部極值的問題。

圖1 魚群算法尋優(yōu)過程

圖2 蟻群算法迭代過程

2 基于FSA-ACO的故障識(shí)別算法

2.1 蝸輪蝸桿的故障識(shí)別

本文蝸輪蝸桿是基于振動(dòng)信號(hào)分析與處理的故障識(shí)別方法來完成的故障診斷，如圖3所示。即通過傳感器采集蝸輪蝸桿減速器傳動(dòng)的振動(dòng)信號(hào)，進(jìn)而對(duì)獲得的信號(hào)經(jīng)過分析和處理，提取其中與故障類型判別有關(guān)的特征向量，再根據(jù)所提取得到的故障特征按照某種規(guī)律對(duì)故障的形態(tài)、部位和原因作為樣本進(jìn)行定位、訓(xùn)練和分類，最后構(gòu)造某種機(jī)器學(xué)習(xí)算法，形成一個(gè)診斷網(wǎng)絡(luò)去識(shí)別故障[10-13]。

圖3 蝸輪蝸桿傳動(dòng)故障診斷流程圖

基于FSA-ACO混合改進(jìn)算法的蝸輪蝸桿故障識(shí)別可看作一種模式識(shí)別，通過測(cè)量一些過程參數(shù)，然后利用改進(jìn)的FSA-ACO算法建立一個(gè)從測(cè)量集合到故障集合的映射關(guān)系，從而實(shí)現(xiàn)蝸輪蝸桿的故障識(shí)別。在蝸輪蝸桿系統(tǒng)發(fā)生故障時(shí)，其運(yùn)轉(zhuǎn)與正常狀態(tài)下是不同征兆的集合，這些不同的征兆對(duì)應(yīng)不同的振動(dòng)信號(hào)特征[2]。

2.2 近鄰函數(shù)準(zhǔn)則

設(shè)D={D1,D2,…,DN}為被測(cè)系統(tǒng)所有故障的非空有限集合，F(xiàn)={F1,F2,…,FM}為故障集合D引發(fā)的所有征兆的非空集合[2]。在蝸輪蝸桿故障診斷中，對(duì)故障特征的提取后，征兆集合F中的各個(gè)元素與故障集合D是一種復(fù)雜的、非比例的對(duì)應(yīng)關(guān)系，即其征兆F不能用簡(jiǎn)單的函數(shù)關(guān)系或核函數(shù)來映射故障D，進(jìn)而本文引入近鄰函數(shù)準(zhǔn)則策略解決上述故障分類映射問題，同時(shí)有效地解決如何在FSA-ACO混合改進(jìn)的算法與蝸輪蝸桿故障識(shí)別聯(lián)系及融合問題[2-6]。

對(duì)于數(shù)據(jù)集中的任何兩個(gè)樣本yi，yj，若yj是yi的第N個(gè)近鄰，則稱yj對(duì)yi的近鄰系數(shù)為N。若yi是yj的第M個(gè)近鄰，則稱yi對(duì)yj的近鄰系數(shù)為M。當(dāng)yi和yj互為近鄰時(shí)則近鄰系數(shù)為0[2]。因此，近鄰函數(shù)值τij表示為

τij=N+M-2

(1)

在聚類的過程中，規(guī)定類內(nèi)會(huì)損失，即當(dāng)yi和yj被規(guī)分同一類時(shí)，兩者相互“連接”關(guān)系，對(duì)于每一個(gè)這樣的連接存在著一個(gè)相應(yīng)的連接損失。這里連接損失規(guī)定為這兩個(gè)樣本間的近鄰函數(shù)值。即總類內(nèi)損失規(guī)定為

(2)

當(dāng)yi和yj被規(guī)分不同類時(shí)，兩者不存在“連接”關(guān)系，即τij=0，即總類間損失規(guī)定為

(3)

(4)

進(jìn)而蝸輪蝸桿的診斷識(shí)別問題轉(zhuǎn)化為求解計(jì)算聚類結(jié)果的準(zhǔn)則函數(shù)JNN最小值。

3 構(gòu)建算法的故障診斷模型

3.1 基于改進(jìn)算法模型的建立

由故障特征提取的每個(gè)蝸輪故障樣本數(shù)據(jù)類似于人工螞蟻將要訪問的地點(diǎn)，而每個(gè)人工螞蟻根據(jù)樣本數(shù)據(jù)的之間的信息素的大小及近鄰函數(shù)，以一定的概率適當(dāng)選擇下一個(gè)地點(diǎn)的訪問，同時(shí)加入自身的數(shù)據(jù)列表里。每只螞蟻對(duì)全部數(shù)據(jù)樣本均進(jìn)行一次訪問，構(gòu)成一個(gè)有序連接路徑，在每個(gè)數(shù)據(jù)列表里，每只螞蟻的數(shù)據(jù)列表根據(jù)其樣本之間的近鄰函數(shù)值的大小打斷近鄰函數(shù)值較大的兩個(gè)樣本數(shù)據(jù)的連接，同時(shí)計(jì)算每一類故障之間的連接損失，形成初步蝸輪蝸桿的故障分類。如此循環(huán)類推，尋求樣本數(shù)據(jù)之間的連接損失的最小解為終止條件，進(jìn)而形成最終的蝸輪蝸桿故障分類結(jié)果[2-3]。

3.2 算法具體步驟

通過以上分析，本文算法首先通過故障樣本數(shù)據(jù)建立加權(quán)歐氏空間，前期利用魚群算法尋優(yōu)特點(diǎn)，淘汰部分與加權(quán)距離指標(biāo)所反映 較大的故障樣本數(shù)據(jù)，后期再利用蟻群算法，通過對(duì) 的最優(yōu)解求解，進(jìn)而獲得與映射關(guān)系相近的蝸輪蝸桿故障征兆，實(shí)現(xiàn)對(duì)蝸輪蝸桿的故障特征進(jìn)行分類識(shí)別。FSA-ACO混合改進(jìn)算法具體步驟如下：

步驟1 算法初始化，設(shè)定種群數(shù)、感知距離、初始狀態(tài)位置、循環(huán)最大迭代次數(shù)、及擁擠度等參數(shù);

步驟2 通過蝸輪蝸桿故障樣本數(shù)據(jù)，建立加權(quán)歐氏距離矩陣A，并做近故障樣本的鄰矩陣M。其中

(5)

Pk為故障征兆樣本數(shù)據(jù)中不同特征的加權(quán)因子，Mij為樣本yi對(duì)yj的近鄰函數(shù)值;

步驟3構(gòu)建近鄰函數(shù)矩陣L，其元素為L(zhǎng)ij-Mij+Mji-2。在每條“連接關(guān)系間”初始化信息素濃度τij(0)=C,C為擁擠度。其目的是種群覓食的向?qū)诤?，促使魚群算法正常過度到蟻群算法;

步驟4 種群數(shù)K(k=1,2,3,…,m)根據(jù)加權(quán)歐氏空間里被測(cè)數(shù)據(jù)加權(quán)距離指標(biāo)的對(duì)應(yīng)點(diǎn)，通過魚群算法對(duì)該點(diǎn)的覓食行為、聚群行為，淘汰部分故障樣本數(shù)據(jù)的搜索，其目的是簡(jiǎn)化后期求JNN的最優(yōu)解，提高尋優(yōu)的效率;

步驟5種群數(shù)K(k=1,2,3,…,n(n

步驟6 基于精英策略螞蟻算法改進(jìn)策略，將信息素進(jìn)行如下更新

(6)

步驟7 種群按照式

(7)

步驟8 在數(shù)據(jù)列表里，根據(jù)其樣本之間的近鄰函數(shù)值的大小，打斷近鄰函數(shù)值較大的兩個(gè)樣本數(shù)據(jù)的連接，同時(shí)計(jì)算每一類故障之間的連接損失，形成初步蝸輪蝸桿的故障分類；

步驟9 重復(fù)步驟8操作，直至找到每一只螞蟻的JNN(k)最小，完成一次故障的識(shí)別。取所有螞蟻中JNN(k)最小的識(shí)別結(jié)果作為本次循環(huán)的求解結(jié)果。直至m只螞蟻都選擇這個(gè)同一條結(jié)果路徑或達(dá)到指定最大迭代次數(shù)為止。

4 算法仿真測(cè)試與分析

4.1 試驗(yàn)臺(tái)振動(dòng)測(cè)試系統(tǒng)

采用蝸輪蝸桿WPA40型號(hào)為試驗(yàn)對(duì)象，對(duì)蝸輪蝸桿減速機(jī)進(jìn)行振動(dòng)測(cè)試，搭建如圖4蝸輪蝸桿減速機(jī)振動(dòng)測(cè)試系統(tǒng)試驗(yàn)臺(tái)。該試驗(yàn)臺(tái)上主要由伺服驅(qū)動(dòng)電機(jī)、蝸輪蝸桿減速器、磁粉制動(dòng)器、振動(dòng)傳感器、扭矩傳感器、溫度傳感器、聯(lián)軸器、NI采集卡及計(jì)算機(jī)等組成[10-13]。

圖4 蝸輪蝸桿減速機(jī)振動(dòng)測(cè)試系統(tǒng)試驗(yàn)臺(tái)

該測(cè)試系統(tǒng)中，伺服驅(qū)動(dòng)電機(jī)給定輸入扭矩6 N·m，轉(zhuǎn)速1 000 rpm，由聯(lián)軸器連接蝸輪蝸桿減速器的蝸桿，磁粉制動(dòng)器的加載作為蝸桿傳動(dòng)的負(fù)載，結(jié)合扭矩傳感器測(cè)量蝸輪軸的扭矩，并用溫度傳感器測(cè)量蝸輪蝸桿減速機(jī)中潤滑油的溫度。振動(dòng)傳感器通過NI采集卡對(duì)減速器的振動(dòng)信號(hào)的采集。再由計(jì)算機(jī)存儲(chǔ)減速器的實(shí)時(shí)振動(dòng)信號(hào)，給予進(jìn)一步的時(shí)域、頻域分析和處理。

在試驗(yàn)時(shí)須確保：(1)實(shí)驗(yàn)臺(tái)上的兩相連的軸向在一條直線上；(2)裝配后需要充分磨合一段時(shí)間，同時(shí)減速機(jī)的潤滑油溫度達(dá)到相對(duì)穩(wěn)定狀態(tài)后，再進(jìn)行數(shù)據(jù)采樣和測(cè)試；(3)保證運(yùn)轉(zhuǎn)平穩(wěn)，各密封處，接合處無漏油，滲油，潤滑充分，檢查油池和軸承溫度；(4)蝸輪齒面初始接觸斑點(diǎn)應(yīng)符合有關(guān)標(biāo)準(zhǔn)或設(shè)計(jì)要求。

4.2 仿真研究

本文基于上述試驗(yàn)對(duì)蝸輪蝸桿減速器的振動(dòng)信號(hào)采集，并通過時(shí)域、頻域分析等方法對(duì)其故障特征提取。列出表1不同時(shí)域指標(biāo)與蝸輪故障類型關(guān)系。

表1 不同時(shí)域指標(biāo)與蝸輪故障類型關(guān)系

上述試驗(yàn)均通過伺服驅(qū)動(dòng)電機(jī)給定輸入扭矩6 N·m，在轉(zhuǎn)速1 000 rpm時(shí)，平行于蝸桿的軸向上不同故障類型減速器信號(hào)的特征提取，并通過特征提取獲得蝸輪蝸桿傳動(dòng)狀態(tài)征兆與故障數(shù)據(jù)樣本的映射關(guān)系[14]。同時(shí)再通過上述試驗(yàn)，采集不同故障的蝸桿輸入信號(hào)數(shù)據(jù)。

由所得的蝸輪信號(hào)輸入測(cè)量數(shù)據(jù)樣本，通過特征時(shí)域指標(biāo)提取后，加載到本文算法診斷仿真，其中蝸輪蝸桿時(shí)域故障指標(biāo)X1k,X2k…X7k分別為第K個(gè)螞蟻的平均值、均方差、峰值指標(biāo)、波形因子、峭度指標(biāo)、裕度指標(biāo)、脈沖指標(biāo)的7個(gè)指標(biāo)參數(shù)。任意建立一組加權(quán)距離指標(biāo):(X1k,X2k),(X2k,X4k),(X3k,X6k,X7k),(X3k,X4k,X5k),(X3k,X5k,X6k,X7k)。結(jié)合表1不同時(shí)域指標(biāo)與蝸輪故障類型關(guān)系，建立故障樣本數(shù)據(jù)。進(jìn)而利用算法進(jìn)一步與蝸輪信號(hào)輸入測(cè)量數(shù)據(jù)樣本測(cè)試對(duì)比。獲得如表2所示的指標(biāo)對(duì)故障征兆診斷正確率。

表2 指標(biāo)對(duì)故障征兆診斷正確率

4.3 試驗(yàn)仿真結(jié)果

基于上述分析，該算法在不同時(shí)域指標(biāo)與蝸輪故障類型關(guān)系作為樣本征兆樣本數(shù)據(jù)時(shí)，利用不同的蝸輪信號(hào)輸入時(shí)域圖去仿真測(cè)試，其結(jié)果故障征兆診斷識(shí)別的正確率均在84%以上，誤差在可接受范圍內(nèi)。其發(fā)生誤差的原因可能是：實(shí)驗(yàn)臺(tái)上拆裝時(shí)的軸向間的同軸度較難保證一致，蝸輪蝸桿潤滑油內(nèi)部和油溫等不確定因素，在建立故障征兆類型關(guān)系初期本身會(huì)因其特征提取等因素導(dǎo)致誤差存在。針對(duì)部分因素需要對(duì)其進(jìn)一步優(yōu)化，本文旨在論述該方法的有效性和可行性，并且誤差在可接受范圍。

5 結(jié)束語

(1)本文通過測(cè)試實(shí)驗(yàn)將獲得的振動(dòng)信號(hào)經(jīng)過預(yù)處理，及時(shí)域、頻域分析等方法對(duì)其故障特征提取，與本文提出的改進(jìn)魚群與蟻群的混合算法去搭建的故障識(shí)別模型作比較。實(shí)驗(yàn)結(jié)果表明，該實(shí)驗(yàn)方法的有效性和可行性;

(2)本文提供了一種蝸輪蝸桿的故障診斷技術(shù)研究方法，僅對(duì)時(shí)域特征下診斷分析。為后續(xù)提出一種利用頻域等特征分析提高診斷率的方法。為蝸輪蝸桿的疲勞壽命試驗(yàn)研究打下診斷識(shí)別基礎(chǔ)，避免拆裝減速機(jī)，保證試驗(yàn)精度。

[1] 聞邦椿.機(jī)械設(shè)計(jì)手冊(cè)[M].5版.北京:機(jī)械工業(yè)出版社,2010.

[2] 孫京誥,李秋艷,楊欣斌,等.基于蟻群算法的故障識(shí)別[J].華東理工大學(xué)報(bào):自然科學(xué)版,2004,30(2): 194-198.

[3] 修春波,張雨虹.基于蟻群與魚群的混合優(yōu)化算法[J].計(jì)算機(jī)工程,2008,34(14):206-207.

[4] 張榮法,李東升,胡佳成,等.蝸輪蝸桿減速機(jī)齒形變化故障特征提取方法研究[J].機(jī)械傳動(dòng),2014,38(6):30-33.

[5] 李擎,張超,陳鵬,等.一種基于粒子群參數(shù)優(yōu)化的改進(jìn)蟻群算法[J].控制與決策,2013(6):873-883.

[6] 史峰,王輝,胡斐,等.Matlab智能算法30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2011.

[7] 陳長(zhǎng)征,張省,虞和濟(jì).基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷研究[J].機(jī)械強(qiáng)度,2000,22(2): 104-106.

[8] Stutzle T D M.A short conver- gence proof for a class of ant colony optimization algorithms[J].IEEE Trasactions on Evolutionary Computation,2002,6(4):358-365.

[9] Zheng Tonglei. Failure analysis and solution of worm and gear in push steel machine[J].Industrial & Science Tribune, 2013, 12(11): 84-85.

[10] 鄭同雷.推鋼機(jī)蝸輪蝸桿減速機(jī)的故障分析與解決方法[J].產(chǎn)業(yè)與科技論壇,2013,12(11): 84-85.

[11] Dorigo M,Gambardella L M.Ant colony system:a cooperative learning approach to the traveling salesman problem [J].IEEE Trasactions on Evolutionary Computation,1997,1(1):53-66.

[12] Antoni J.Cyclostationarity by examples[J].Mechanical Systems and Signal Processing, 2009, 23(4):987-1036.

[13] Antoni J,Randall R B.The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines[J].Mechanical Systems and Signal Processing,2006,20(2):308-331.

[14] 胡勁松,楊世錫.基于自相關(guān)的旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)EMD分解方法研究[J].機(jī)械強(qiáng)度,2007,29(3):376-379.

Worm Gear Fault Identification Based on FSA-ACO Mixed Improved Algorithm

YANG Lei, ZHU Lingkang, GAO Guowei, XU Kai, YANG Han, JIN Hao

(School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

A new method for fault identification of worm gears based on mixed improved FSA-ACO (fish swarm algorithm-ant colony optimization) algorithm is proposed. The method first proposes mixed improved FSA-ACO strategies to optimize the relevant parameters of the algorithm in seeking a complementary of advantages. Meanwhile, in constructing the algorithm model that combines this algorithm with fault identification for worm gears, a strategy guideline based on the neighbor function theory is proposed, looking for a new fault diagnosis technology for worm gears based on mixed FSA-ACO algorithm. Worm gears of WPA40 are taken as the test model to testify the feasibility and effectiveness of the research method.

worm gear; fish swarm algorithm; ant colony optimization; fault identification; neighbor theory

2016- 01- 19

楊雷(1992-)，男，碩士研究生。研究方向：信號(hào)處理,智能控制。

10.16180/j.cnki.issn1007-7820.2016.11.038

TP206.3

A

1007-7820(2016)11-133-05