黃亞康，李益兵，江 麗，陸 偉

(1.武漢理工大學(xué) 機電工程學(xué)院，湖北 武漢 430070；2.上汽通用五菱汽車股份有限公司 技術(shù)中心，廣西 柳州 545007)

汽車沖壓線壓力機廣泛應(yīng)用于車門、車前蓋等沖壓件的沖裁成型工作。隨著工業(yè)制造水平的發(fā)展，為了追求高效、高質(zhì)、低成本的沖壓效益，壓力機系統(tǒng)日趨龐大，結(jié)構(gòu)復(fù)雜性和系統(tǒng)不穩(wěn)定也隨之提高。壓力機運行過程中一旦發(fā)生故障，會導(dǎo)致生產(chǎn)效率下降、產(chǎn)品精度降低，甚至影響到作業(yè)人員的人身安全。目前壓力機設(shè)備的可靠性和可維修性的管理還局限于人的主觀性判斷。壓力機發(fā)生故障引起停機后，由專家根據(jù)維修經(jīng)驗來進行逐項排查，直到找出故障原因[1]。在整個維修過程中，大部分時間并不是耗費在維修故障上，而是在找故障原因。因此如何快速識別壓力機的故障模式并找出故障原因，成為了壓力機設(shè)備維修的一個重要內(nèi)容。

隨著人工智能技術(shù)的發(fā)展，人工智能在機械設(shè)備故障診斷和狀態(tài)識別方面的應(yīng)用取得了豐碩的成果，但是針對汽車沖壓線壓力機的故障診斷的研究卻很少。目前對壓力機和其他機械設(shè)備進行宏觀故障分析，多是采用基于知識庫和推理機的專家系統(tǒng)，通過構(gòu)建龐大而嚴(yán)密的邏輯網(wǎng)絡(luò)，對每一個葉節(jié)點按照邏輯規(guī)則進行推理或者反演，最終找出根節(jié)點的故障模式[2]。這種方法需要構(gòu)建足夠龐大的知識庫，知識獲取比較困難而且推理規(guī)則沒有學(xué)習(xí)能力，診斷效率和準(zhǔn)確性較低[3]。對機械設(shè)備故障基于算法的智能診斷多是針對一種信號類型，對單一信號的特征進行提取和分析，如江麗等對滾動軸承進行故障分析時，采集其振動信號并利用無監(jiān)督判別投影提取時域和頻域等多種特征，再利用KNN分類器進行故障模式的識別[4]。壓力機控制系統(tǒng)的運行參數(shù)包含成千上萬個零部件的數(shù)據(jù)，如軸承部件的溫度、旋轉(zhuǎn)軸的轉(zhuǎn)速、電氣系統(tǒng)的參數(shù)等，單一信號往往只能表征零部件的局部特征，無法表征設(shè)備的宏觀狀態(tài)。因此對壓力機進行智能故障診斷需要研究多種信號、多種特征的變化，對多種通道的信息進行融合分析。

流形學(xué)習(xí)是從高維數(shù)據(jù)中挖掘潛在的低維流形結(jié)構(gòu)，并構(gòu)造高維空間到低維空間的非線性映射，從而實現(xiàn)數(shù)據(jù)的維數(shù)約簡或可視化，經(jīng)典的流形學(xué)習(xí)算法有局部線性嵌入(locally linear embedding，LLE)、拉普拉斯特征映射(laplacian eigenmaps，LE)和等距特征映射(isomap)。局部保持投影(locality preserving projection，LPP)是He等人提出的一種新的非線性流形學(xué)習(xí)方法，該方法最優(yōu)化地保留了原始數(shù)據(jù)樣本的嵌入結(jié)構(gòu)[5]。LPP具有良好的分類能力，在數(shù)據(jù)和圖像處理方面得到了廣泛的應(yīng)用[6-7]。隱馬爾科夫模型(hidden markov model，HMM)是一種用來描述含有隱含未知參數(shù)的馬爾可夫過程的統(tǒng)計模型，通過研究觀測值序列來分析研究對象的隱含狀態(tài)，廣泛用于詞語分詞、標(biāo)注及語音識別等，同時備受故障診斷領(lǐng)域國內(nèi)外研究者的青睞，在故障診斷方面取得了很好的應(yīng)用效果[8-10]。筆者綜合LPP算法的維度約簡優(yōu)勢和隱馬爾科夫模型的識別能力，提出一種基于局部保持投影和隱馬爾科夫模型的汽車沖壓線壓力機故障診斷方法。該方法采用局部保持投影算法對壓力機運行過程的多源信息進行特征提取和特征維度約簡，挖掘高維流形結(jié)構(gòu)中的敏感特征，實現(xiàn)對壓力機非線性數(shù)據(jù)的處理，然后針對每一類故障建立一個HMM分類器，從而實現(xiàn)對多種壓力機故障模式的識別。

1 LPP-HMM模型的構(gòu)建

1.1 局部保持投影算法

LPP在保持原始高維數(shù)據(jù)近鄰結(jié)構(gòu)的基礎(chǔ)上，將其映射到低維子空間，丟棄冗余特征、保留低維敏感特征，能夠消除特征提取過程中數(shù)據(jù)信息損失的影響。給定高維空間Rl上的壓力機狀態(tài)數(shù)據(jù)樣本集X=[x1，x2，…，xN]，LPP尋找一個投影方向K使得樣本集X映射到低維空間Rd(d<

(1)

這里W為一個n×n階對稱矩陣，wij表示xi和xj之間的相似性或近鄰性，其數(shù)值越大表示xi和xj越接近。當(dāng)二者沒有相關(guān)性時wij=0。對式(1)做數(shù)學(xué)變換可得：

2(KTXDXTK-KTXWXTK)=2KTXLXTK

(2)

XLXTK=λXDXTK

(3)

因此最小的λ對應(yīng)的特征向量K0即為目標(biāo)函數(shù)Z的最優(yōu)解。

利用LPP算法對壓力機狀態(tài)數(shù)據(jù)進行維度約簡的過程如下：

(1)K鄰近法構(gòu)建鄰接圖。以與xi歐氏距離最短的k個點為鄰近點。若xj在xi的k個最鄰近的鄰居中，則xj是xi的一個鄰近點。

(2)“Heat kernel”法確定權(quán)重矩陣W：

(4)

(3)計算特征值與特征向量，選擇d個較小的特征值對應(yīng)的特征向量ki構(gòu)成映射矩陣K。

1.2 壓力機HMM建模

HMM是Markov鏈的衍生模型，它的狀態(tài)不能被直接觀測，需要通過對觀測矢量的分析來判斷，每個觀測矢量由一個具有相應(yīng)概率密度分布的狀態(tài)序列產(chǎn)生。這是一個雙重隨機過程：①當(dāng)前狀態(tài)轉(zhuǎn)移到下一個狀態(tài)的概率是隨機的；②隱含狀態(tài)和觀測值之間的關(guān)系是隨機的。一個HMM模型包含如下元素：

(1)模型狀態(tài)數(shù)N：S={S1,S2…，Sn}。

(2)觀測值數(shù)量M：V={v1,v2…，vm}。

(3)狀態(tài)轉(zhuǎn)移概率：A=[aij]。其中aij表示t時刻狀態(tài)為Si、t+1時刻狀態(tài)為Sj的概率。

(4)觀測概率B=[bj(m)]。觀測概率bj(m)表示在狀態(tài)Sj下觀測到Om的概率。

(5)初始狀態(tài)概率Π=[πi]。其中πi為在t=1狀態(tài)為Si的概率。

HMM模型可以用五元組λ=(N,M,Π,A,B)來表示，因此給定模型λ，便可以計算任意時刻模型所處狀態(tài)的概率。

汽車沖壓線壓力機在使用過程中，由于磨損、振動，以及零件自身的老化，會出現(xiàn)各種各樣的故障模式，如主電機軸承磨損故障、平衡器壓力不足故障等。壓力機設(shè)備的故障診斷實質(zhì)上就是多種故障狀態(tài)的識別問題，即從多個模式中找出可能性最大的結(jié)果。壓力機在運行過程中，其狀態(tài)通常不能被直接觀測到，需要根據(jù)設(shè)備的故障信號來分析和判斷，這與HMM是相通的。因此每種故障模式可以理解為壓力機的一種狀態(tài)，實際運行參數(shù)的征兆可以理解為壓力機不同狀態(tài)下的觀測值。假設(shè)壓力機設(shè)定了有限的n種故障模式就可以訓(xùn)練n種HMM模型參數(shù)，具有3種故障模式的壓力機HMM模型的4種狀態(tài)轉(zhuǎn)移關(guān)系如圖1所示。

圖1 壓力機HMM模型4種狀態(tài)的轉(zhuǎn)移關(guān)系

其中S1表示正常狀態(tài)，S2、S3、S4表示壓力機的3種故障狀態(tài)，通常壓力機運行時會發(fā)生所有可能發(fā)生的故障。當(dāng)零部件退化或失效時，在沒有對其進行維修和維護的情況下，其工作性能只能越來越差，其狀態(tài)是一個不可逆過程。因此壓力機的正常狀態(tài)可以向任意的故障模式轉(zhuǎn)移，而各個故障模式不能向正常狀態(tài)轉(zhuǎn)移。模型的狀態(tài)轉(zhuǎn)移矩陣A可以描述4種狀態(tài)轉(zhuǎn)移過程中的相關(guān)性信息，針對壓力機狀態(tài)的狀態(tài)轉(zhuǎn)移矩陣A為：

(5)

設(shè)壓力機在t時刻出現(xiàn)各種故障模式的狀態(tài)的概率為pi(t)，則初始狀態(tài)概率為：

πi=pi(t=0)=P{q1=Si}

(6)

πi描述了觀測序列O在t=1時刻系統(tǒng)處于狀態(tài)Si的概率，壓力機初始運行時各項狀態(tài)指標(biāo)都是正常的，即π1=P{q1=S1}=1，因此其初始概率為Π=[1,0,0,0]。

由于隱含狀態(tài)數(shù)目N和觀測數(shù)量M隱含地定義于其他參數(shù)中，因此壓力機的故障狀態(tài)HMM模型可以用λ=(Π,A,B)來表示。根據(jù)狀態(tài)轉(zhuǎn)移矩陣A可以計算HMM模型在t時刻系統(tǒng)處于每種狀態(tài)的概率，即t步狀態(tài)轉(zhuǎn)移概率為：

P(t)=[pi(t)]=(ΠAt-1)A=ΠAt,

i=1,2，…，n

(7)

通過該模型可以計算系統(tǒng)在任意時刻處于任意狀態(tài)的概率分布，從而反映出系統(tǒng)狀態(tài)變化的整個過程。

1.3 基于LPP-HMM的故障識別方法

HMM具有很好的時序建模能力和模式識別能力，因此構(gòu)建HMM分類器可以有效地識別壓力機的故障模式。為了獲取全面的故障信息，對壓力機的故障狀態(tài)診斷需要進行多源信息的融合分析，但壓力機特征選取的數(shù)量和特征的冗余會影響故障診斷模型的精度和復(fù)雜度，因此有必要對壓力機的運行數(shù)據(jù)進行特征維度的約簡。利用LPP的維度約簡特性，可以挖掘壓力機故障狀態(tài)下的敏感特征，結(jié)合HMM實現(xiàn)通過多種參數(shù)對壓力機故障模式的分析。

基于LPP-HMM的壓力機故障診斷方法主要包括數(shù)據(jù)獲取、LPP數(shù)據(jù)降維、HMM模型訓(xùn)練、故障模式識別4個部分，其流程如圖2所示。

圖2 LPP-HMM故障識別模型

基于LPP-HMM的壓力機故障識別的主要步驟如下：

(1)原始數(shù)據(jù)集獲取。選取壓力機狀態(tài)參數(shù)，選擇m種特征，對壓力機的n種故障模式分別按相關(guān)的規(guī)則采集t次，構(gòu)造高維特征集Xm×t=[xij],i=1,2,…，m,j=1,2,…，t。

(3)N種故障模式的HMM模型訓(xùn)練。初始化隱含狀態(tài)轉(zhuǎn)移矩陣A、觀測狀態(tài)轉(zhuǎn)移概率矩陣B；以投影后的低維序列Y作為觀測值O；通過觀測值O采用Baum-Welch算法訓(xùn)練N種故障模式的HMM模型λi=(πi,Ai,Bi)，i=1,2，…，N。訓(xùn)練過程如圖3所示。

圖3 HMM模型訓(xùn)練過程

(4)壓力機狀態(tài)模式識別。采集壓力機當(dāng)前運作下的狀態(tài)數(shù)據(jù)獲取原始數(shù)據(jù)集，并對原始樣本進行維數(shù)約簡，獲取當(dāng)前狀態(tài)觀測序列O′，輸入n種HMM模型并采用前向后向算法分別計算極大似然概率p(O|λi)，最大概率對應(yīng)的模型即為壓力機故障識別結(jié)果。

2 壓力機故障狀態(tài)識別

選取某沖壓車間沖壓線2 250 t的壓力機作為實驗設(shè)備。通過對壓力機當(dāng)前工作狀態(tài)進行分析，選取了主電機軸承磨損、平衡器壓力低和潤滑不足3種故障模式。在壓力機主傳動系統(tǒng)中，主電機長時間工作時會出現(xiàn)軸承磨損、螺栓松動等現(xiàn)象，引起主電機的電流、溫度上升和主軸轉(zhuǎn)速的不穩(wěn)定，而飛輪能量波動、振擺會使飛輪溫度上升、滑塊運行不平穩(wěn)。潤滑系統(tǒng)是壓力機各部件正常運轉(zhuǎn)的關(guān)鍵因素，充分的潤滑可以減少壓力機各活動部位的表面間摩擦，對潤滑點的運動件降溫、清洗等作用。當(dāng)潤滑系統(tǒng)油路堵塞、油溫超出正常范圍時，造成運動副部件潤滑不足、摩擦加劇、溫度升高。另外，平衡器系統(tǒng)壓力低時會使滑塊負(fù)載增大，主傳動系統(tǒng)負(fù)載增大引起主電機嚴(yán)重發(fā)熱，甚至損壞連桿和其他傳動部件。基于上述分析，選擇了主電機電流、主電機轉(zhuǎn)速、主電機振動、主電機溫度、噸位、潤滑油壓、潤滑油溫、飛輪速降、飛輪軸承溫度、單次沖程時長、平衡器壓力、滑塊響應(yīng)時間、過載保護壓力、平衡器風(fēng)壓13個特征作為壓力機3種故障模式的分析對象。

壓力機工作過程將主電機的旋轉(zhuǎn)運動轉(zhuǎn)化成滑塊的非勻速往復(fù)直線運動，在一個沖程周期內(nèi)，滑塊的任一位置點都能夠不同程度地反映壓力機的狀態(tài)。滑塊在下行程中的下死點時滑塊引導(dǎo)上模具沖擊工件，主電機電流、轉(zhuǎn)速、滑塊負(fù)載等狀態(tài)參數(shù)均發(fā)生急劇變化，此刻能很好地反映出壓力機的工作性能，因此可對壓力機滑塊在下死點時的狀態(tài)參數(shù)進行研究，分析壓力機的狀態(tài)。

壓力機故障狀態(tài)識別步驟如下：

(1)構(gòu)造高維特征集。基于OPC通信協(xié)議開發(fā)壓力機監(jiān)測程序，分別添加采集對象的標(biāo)簽變量，采用訂閱方式以50 ms的周期采集數(shù)據(jù)；根據(jù)壓力機檢修和維修記錄，分別篩選同一模具下的潤滑系統(tǒng)堵塞引起潤滑不足、主電機軸承磨損、平衡器壓力降低和正常狀態(tài)共計4類狀態(tài)的13種特征數(shù)據(jù)；篩選出滑塊位于下死點(滑塊角度為180°)時的數(shù)據(jù)存為一組構(gòu)造13維特征向量。

(2)提取低維流形特征。壓力機數(shù)據(jù)的不同特征具有不同的量綱，因此首先對采集到的數(shù)據(jù)進行歸一化處理，消除不同量綱對數(shù)據(jù)結(jié)果的影響。從高維數(shù)據(jù)樣本中取4類故障模式數(shù)據(jù)各100組，共獲取100×4組數(shù)據(jù)。選擇鄰域因子k為12、25、50，選擇嵌入維數(shù)d為2、3，將數(shù)據(jù)輸入LPP算法進行投影。

(3)HMM參數(shù)估計。采用Lloyd算法對k=12、d=3時的4種數(shù)據(jù)進行特征標(biāo)量化，分別隨機選取50組數(shù)據(jù)輸入HMM模型進行訓(xùn)練。初始時刻的狀態(tài)轉(zhuǎn)移矩陣通過Matlab隨機生成，設(shè)置最大迭代步數(shù)為20，得到4個HMM模型。

λi=(πi,Ai,Bi)i=1,2,3,4

(4)結(jié)果識別。從降維后的數(shù)據(jù)樣本中隨機取一種模式下的數(shù)據(jù)20組作為測試觀測序列O′=(o1,o2,…，o20)，分別輸入到4個HMM模型中，計算觀測序列O′在不同模型下的極大似然概率P(O′|λi)，最大值對應(yīng)的模型即為識別結(jié)果。

為了驗證LPP-HMM模型的有效性和優(yōu)越性，筆者分別采用線性判別分析(latent dirichlet allocation,LDA)和局部線性嵌入與隱馬爾科夫模型相結(jié)合來對比LPP-HMM在壓力機故障診斷中的識別效果。

采用LDA算法和LPP算法將壓力機故障數(shù)據(jù)約簡為3維時的可視化效果如圖4所示。由圖4可以得出，盡管LDA算法能將潤滑不足、主電機磨損這2類故障樣本有效區(qū)分，但是正常狀態(tài)和平衡器壓力機低這2類故障樣本卻無法區(qū)分；而LPP算法可以把4類故障樣本有效區(qū)分開來，這就說明在壓力機狀態(tài)數(shù)據(jù)處理方面，非線性降維方法LPP的效果要優(yōu)于線性降維方法LDA。

圖4 LDA與LPP降維效果對比

采用3種混合模型方法識別4類樣本時的平均識別率如表1所示，可見LPP-HMM模型在識別正常狀態(tài)、平衡器壓力低的樣本識別率明顯高于LLE-HMM模型和LDA-HMM模型；3種識別模型在潤滑故障樣本識別率上都很高，這是因為潤滑故障的出現(xiàn)對壓力機的整體性能影響很大，狀態(tài)參數(shù)的整體變化較為明顯，相對另外3種樣本容易區(qū)分。

表1 不同混合模型的故障識別結(jié)果

綜上所述，相比LDA-HMM模型和LLE-HMM模型，LPP-HMM模型具有更好地挖掘潛藏高維故障數(shù)據(jù)中的關(guān)鍵敏感信息的能力，其提取的低維流形特征具有較高的壓力機狀態(tài)識別率。

3 結(jié)論

筆者以沖壓線壓力機為研究對象，通過對壓力機故障模式與故障征兆的分析，將局部保持投影算法與隱馬爾科夫模型相結(jié)合，充分發(fā)揮二者的優(yōu)勢，提出了基于LPP-HMM的壓力機故障診斷方法。該方法通過提取壓力機多種狀態(tài)參數(shù)，構(gòu)造了原始的高維特征集；利用LPP算法對高維特征進行約簡，挖掘潛藏在壓力機狀態(tài)數(shù)據(jù)中的低維流形結(jié)構(gòu)；通過訓(xùn)練HMM分類器有效地識別了壓力機的故障模式，準(zhǔn)確地反映了壓力機的運行狀態(tài)。實例表明，相比LDA-HMM模型和LLE-HMM模型，LPP-HMM模型具有更高的故障識別精度，驗證了該方法應(yīng)用于壓力機故障識別的可行性。

[1] 李蒙,龍偉,龔瑩,等.專家系統(tǒng)在汽車廠壓力機故障診斷中的應(yīng)用[J].南昌大學(xué)學(xué)報(理科版),2014,38(1):36-40.

[2] YANG G M, FAN X H, CHEN X L, et al. Intelligent Control of Grate-kiln-cooler Process of Iron Ore Pellets Using a Combination of Expert System Approach and Takagi-Sugeno Fuzzy Model[J]. Journal of Iron and Steel Research,2016,23(5):434-441.

[3] 司景萍,馬繼昌,牛家驊,等.基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專家系統(tǒng)[J].振動與沖擊,2017,36(4):164-171.

[4] 江麗,郭順生.基于無監(jiān)督判別投影的滾動軸承故障診斷[J].中國機械工程,2016,27(16):2202-2206.

[5] He X F, Partha N. Locality Preserving Projections[C]∥Proceedings of the 17thAnnual Conference of on Neural Information Processing Systems. Cambridge:MIT Press,2003:153-160.

[6] Yu J B. Bearing Performance Degradation Assessment Using Locality Preserving Projections[J]. Expert Systems with Applications,2011,38(6):7440-7450.

[7] 張紹輝,李巍華.基于特征空間降噪的局部保持投影算法及其在軸承故障分類中的應(yīng)用[J].機械工程學(xué)報,2014,50(3):92-99.

[8] Mitchell Yuwono, Qin Y, Zhou J, et al. Automatic Bearing Fault Diagnosis Using Particle Swarm Clustering and Hidden Markov Model[J]. Engineering Applications of Artificial Intelligence, 2016,47:88-100.

[9] 毛樂琦.基于隱馬爾科夫模型的無線傳感網(wǎng)節(jié)點故障診斷算法[J].計算機應(yīng)用與軟件,2014,31(1):132-135.

[10] Jiang H M, Chen J, Dong G M. Hidden Markov Model and Nuisance Attribute Projection Based Bearing Performance Degradation Assessment[J]. Mechanical Systems and Signal Processing, 2016,72-73:184-205.