羅 剛, 李允公, 張啟林, 徐勁芳

(東北大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院,沈陽 110819)

基于優(yōu)化聽覺模型的機(jī)床工況識(shí)別方法研究

羅 剛, 李允公, 張啟林, 徐勁芳

(東北大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院,沈陽 110819)

準(zhǔn)確識(shí)別機(jī)械制造設(shè)備工況,對(duì)判斷設(shè)備的當(dāng)前健康狀態(tài)、設(shè)備平穩(wěn)性,以及科學(xué)評(píng)價(jià)設(shè)備操作人員的工作效率具有重要意義.運(yùn)用遺傳算法優(yōu)化后的ZCPA (zero crossings with peak amplitudes)聽覺模型對(duì)設(shè)備的振動(dòng)信號(hào)進(jìn)行特征提取,通過與各種工況標(biāo)準(zhǔn)聽覺譜計(jì)算相關(guān)性,以識(shí)別設(shè)備當(dāng)前工況.優(yōu)化后的ZCPA聽覺模型計(jì)算簡(jiǎn)潔,能夠模仿人耳聽覺系統(tǒng)對(duì)輸入信號(hào)進(jìn)行提取,彌補(bǔ)傳統(tǒng)聽覺模型適應(yīng)性差、識(shí)別率低的缺陷,同時(shí)使不同工況特征差異性增大,提高設(shè)備工況識(shí)別率.以某種普通車床為例,車床振動(dòng)信號(hào)經(jīng)過優(yōu)化后的ZCPA模型處理后,工況識(shí)別率達(dá)到95%以上.

工況識(shí)別; 遺傳算法; 帶通濾波; 聽覺模型

隨著制造業(yè)的快速發(fā)展,機(jī)械制造設(shè)備在各行各業(yè)中被廣泛使用,管理者需要根據(jù)設(shè)備的當(dāng)前工況,科學(xué)地評(píng)價(jià)設(shè)備的健康狀況、工作效能以及操作人員的工作效率.振動(dòng)信號(hào)攜帶設(shè)備的大量信息,通過分析振動(dòng)信號(hào),可以獲得設(shè)備的健康情況和工況信息.在設(shè)備工作過程中,由于零件材質(zhì)不均勻、工人的操作水平不熟練、潤(rùn)滑不足等因素,會(huì)加劇振動(dòng)信號(hào)的不穩(wěn)定性,增加分析信號(hào)的難度,降低設(shè)備工況識(shí)別度.

關(guān)于復(fù)雜振動(dòng)信號(hào)的分析,研究人員作了一系列相關(guān)研究.2013年,張雷[1]對(duì)車床振動(dòng)信號(hào)進(jìn)行ZCPA(zero crossings with peak amplitudes)模型處理,獲得聽覺譜,計(jì)算所得聽覺譜與各狀態(tài)標(biāo)準(zhǔn)聽覺譜的相關(guān)性,根據(jù)相關(guān)性系數(shù)進(jìn)行車床工況識(shí)別.2015年,雷亞國(guó)等[2]使用頻域信號(hào)訓(xùn)練神經(jīng)網(wǎng)絡(luò),通過深度學(xué)習(xí)方法識(shí)別齒輪不同的故障工況;周濤濤等[3]運(yùn)用完備總體經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD(complete ensemble empirical mode decomposition)能量熵和階次跟蹤的方法,對(duì)多工況滾動(dòng)軸承損傷狀態(tài)的振動(dòng)信號(hào)進(jìn)行特征提取,用遺傳算法優(yōu)化后的支持向量機(jī)進(jìn)行識(shí)別.

ZCPA聽覺模型能夠模仿人耳聽覺系統(tǒng)的功能,對(duì)干擾信號(hào)不敏感,得到的聽覺譜穩(wěn)定性較好,對(duì)當(dāng)前設(shè)備振動(dòng)信號(hào)具有代表性.但是,ZCPA聽覺模型參數(shù)固定,對(duì)不同工況信號(hào)的適應(yīng)性比較差,不同工況信號(hào)提取的特征差異性不明顯,導(dǎo)致識(shí)別率比較低.本文運(yùn)用遺傳算法優(yōu)化ZCPA聽覺模型中的濾波器數(shù)目、頻率箱個(gè)數(shù)、頻率箱頻段長(zhǎng)短等,使各個(gè)工況信號(hào)聽覺譜差別最大化,提高工況識(shí)別率.

1 ZCPA聽覺模型

ZCPA模型模仿人耳的聽覺功能,提取輸入信號(hào)的特征.輸入的信號(hào)經(jīng)過該模型處理后,得到聽覺譜,能夠用很少的點(diǎn)來代替原信號(hào).其特點(diǎn)是計(jì)算簡(jiǎn)潔,抗干擾能力強(qiáng)和識(shí)別準(zhǔn)確率高.

1.1 ZCPA聽覺模型原理

ZCPA聽覺模型對(duì)信號(hào)的分析處理與傳統(tǒng)分析方法不同,工作原理如圖1所示.ZCPA聽覺模型的工作過程由基底膜帶通濾波、內(nèi)毛細(xì)胞與聽神經(jīng)特征提取和特征信息綜合3部分組成[4-5].

1.2 基底膜帶通濾波器

本文采用Gammatone基底膜濾波器組進(jìn)行帶通濾波,模仿基底膜濾波功能.聽覺模型中有N個(gè)帶通濾波器,第i濾波器為

圖1 ZCPA模型原理圖Fig.1 Schematic of the ZCPA model

h(i,t)=Bαtα-1e-2πBtcos(2πfi+φi)u(t)

(1)

式中:t為時(shí)間變量;fi為第i個(gè)濾波器的中心頻率;α為濾波器的階數(shù),設(shè)為4;u(t)為階躍函數(shù);φi為第i個(gè)濾波器的初相位,通常取為0;B為濾波器帶寬.

B=1.019(24.7+0.108fi)

(2)

每個(gè)濾波器的中心頻率按照對(duì)數(shù)分布,輸入信號(hào)的濾波輸出[6-10]為

y1(t,i)=x(t)*h(t,i)

(3)

式中:x(t)為輸入信號(hào);y1(t,i)為帶通濾波器輸出;*表示時(shí)域卷積.Gammatone濾波器組模擬人耳基底膜的功能,設(shè)置濾波器的中心頻率按照對(duì)數(shù)分布.

1.3 過零檢測(cè)、峰值檢測(cè)與非線性壓縮

輸入信號(hào)x(t)經(jīng)過Gammatone濾波器組處理之后,輸出N組濾波信號(hào)y1(t,i),將每一組輸出信號(hào)分別進(jìn)行過零檢測(cè)、峰值檢測(cè)、峰值非線性壓縮和頻率接收.過零檢測(cè)是對(duì)濾波信號(hào)y1(t,i)所有過零上升點(diǎn)的檢測(cè),并計(jì)算相鄰兩個(gè)過零點(diǎn)的時(shí)間間隔,記濾波信號(hào)y1(t,i)的第l與第l+1個(gè)過零點(diǎn)之間的時(shí)間間隔為ΔTil.峰值檢測(cè)是對(duì)相鄰兩個(gè)過零點(diǎn)之間最大峰值的檢測(cè),令第i個(gè)信號(hào)y1(t,i)的第l與第l+1個(gè)過零點(diǎn)之間的峰值為pil[1,4,11].對(duì)峰值進(jìn)行非線性壓縮,公式為

(4)

濾波器組中各個(gè)濾波器頻域范圍的重合度較大,所以把頻域軸細(xì)分為M段,每一頻率段稱為頻率箱.設(shè)頻率箱數(shù)目為M,每個(gè)頻率箱頻域段按等比q遞增,因?yàn)闄C(jī)械振動(dòng)信號(hào)的有用信息在中低頻率區(qū)域散布比較密集,所以增加低頻部分頻率箱個(gè)數(shù),減小低頻部分頻率箱的頻域范圍.相反,在高頻部分頻率箱個(gè)數(shù)少一些,高頻部分頻率箱的頻域范圍則大一些.第i個(gè)濾波器對(duì)應(yīng)的頻率箱輸出為[4]

(5)

式中:Zi為y1(t,i)過零點(diǎn)總數(shù);m為頻率箱的序號(hào);δmil為Kronecker算子,若fil(fil=1/ΔTil)落入第m個(gè)頻率箱,則δmil=1,否則δmil=0.

1.4 信息綜合

每個(gè)頻率箱接受的信號(hào)整合得到的輸出就是

(6)

式中:zcpa(t,fm)為聽覺譜;fm為第m個(gè)頻率箱的中心頻率;無時(shí)間變量的聽覺譜為zcpa(fm).

2 ZCPA聽覺模型優(yōu)化

傳統(tǒng)ZCPA聽覺譜具有較高的穩(wěn)定性,但其參數(shù)固定,對(duì)環(huán)境適應(yīng)性較差,不同工況的信號(hào)經(jīng)過聽覺模型處理之后,得到的聽覺譜差異不夠明顯.聽覺模型中的濾波器個(gè)數(shù)N、濾波器帶寬系數(shù)ω、頻率箱個(gè)數(shù)M和頻率箱頻域范圍遞增比例q等參數(shù)對(duì)聽覺譜有很大影響.濾波器越多,輸入信號(hào)的濾波精度率比較高,但是增加計(jì)算量.頻率箱個(gè)數(shù)越多,濾波箱的頻域范圍越小,對(duì)信號(hào)分析處理精度越高,但其過程比較繁瑣.所以運(yùn)用遺傳算法對(duì)聽覺模型的參數(shù)進(jìn)行優(yōu)化[12],使模型簡(jiǎn)潔高效.

設(shè)機(jī)械設(shè)備有U種工況,每種工況計(jì)算V個(gè)數(shù)據(jù),第u種工況第v個(gè)數(shù)據(jù)的聽覺譜為zcpauv(fm),把每種工況的V個(gè)聽覺譜取均值,得到各個(gè)工況聽覺譜模板zcpau(fm).目標(biāo)函數(shù)為各個(gè)工況聽覺譜模板的相關(guān)系數(shù)均值,公式為

(7)

遺傳算法工作原理如圖2所示,具體實(shí)現(xiàn)步驟如下:

a. 通過之前建立的ZCPA數(shù)學(xué)模型,確定濾波器個(gè)數(shù)N、濾波器帶寬系數(shù)w、頻率箱個(gè)數(shù)M和頻率箱頻域段等比遞增比例q為變量,設(shè)定最大遺傳迭代為maxgen.

c. 生成初始種群[13],規(guī)模為NN,在變量取值范圍內(nèi),隨機(jī)產(chǎn)生NN個(gè)初始二進(jìn)制串?dāng)?shù)據(jù),作為遺傳算法迭代的開始.設(shè)置遺傳代數(shù)計(jì)數(shù)器gen=0.

圖2 遺傳算法工作原理圖Fig.2 Model schematic of the genetic algorithm

d. 計(jì)算各個(gè)種群個(gè)體的目標(biāo)函數(shù)值,并分配適應(yīng)度值.

e. 判斷當(dāng)前迭代次數(shù),若達(dá)到規(guī)定迭代次數(shù)maxgen時(shí),優(yōu)化結(jié)束;若gen

f. 選擇、復(fù)制與變異,根據(jù)分配適應(yīng)度值從種群中選擇優(yōu)良個(gè)體復(fù)制到下一代,代溝GGAP決定復(fù)制個(gè)體的數(shù)目.子代內(nèi)的個(gè)體根據(jù)交叉率RecOpt進(jìn)行交叉操作.經(jīng)過交叉重組后,種群以設(shè)定的變異概率進(jìn)行變異[14-16].

g. 重組個(gè)體,把得到的子代重新插入當(dāng)前種群,子代代替父代返回結(jié)果種群中.計(jì)數(shù)器gen=gen+1,轉(zhuǎn)到步驟d.

3 識(shí)別方法

設(shè)備每種工況的ZCPA聽覺譜比較穩(wěn)定,傳統(tǒng)的相關(guān)性識(shí)別方法是,計(jì)算待識(shí)別數(shù)據(jù)的聽覺譜與各工況標(biāo)準(zhǔn)模板聽覺譜的相關(guān)性,通過判斷相關(guān)系數(shù)的大小,完成對(duì)待識(shí)別數(shù)據(jù)的識(shí)別.

設(shè)待識(shí)別數(shù)據(jù)的聽覺譜為zcpad(fm),相關(guān)性的計(jì)算為

(8)

(9)

σdu反映出待識(shí)別數(shù)據(jù)聽覺譜zcpad(fm)與各個(gè)工況聽覺譜模板zcpau(fm)在幅度方面的相似度.綜合形狀和幅度兩方面去識(shí)別聽覺譜,把rdu和σdu代入式(10).

(10)

4 方法驗(yàn)證

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文以某種型號(hào)車床為研究對(duì)象,車床的工況包括調(diào)刀、裝卸、加工、停車和換刀5種工況,采集每種工況的振動(dòng)信號(hào),采樣頻率取10 000 Hz,每個(gè)數(shù)據(jù)的采集時(shí)間為1 s.數(shù)據(jù)分為兩組,第一組數(shù)據(jù)中,每種工況有10個(gè)數(shù)據(jù),用于建立各工況標(biāo)準(zhǔn)聽覺譜模板;第二組數(shù)據(jù)中,每種工況100個(gè)數(shù)據(jù),作為待識(shí)別數(shù)據(jù).

4.2 聽覺模型優(yōu)化

運(yùn)用遺傳算法對(duì)ZCPA聽覺模型參數(shù)進(jìn)行優(yōu)化,優(yōu)化變量的取值范圍分別是N為[30,120]、ω為[1,3]、M為[25,40]、q為[0.8,1.5],遺傳代數(shù)maxgen=50,種群規(guī)模NN=10,代溝GGAP=0.9,交叉概率RecOpt=0.7.適應(yīng)度高的個(gè)體聚集在最優(yōu)參數(shù)附近,最終確定濾波器個(gè)數(shù)N=112,濾波器帶寬w=2.443 4,頻率箱個(gè)數(shù)M=29,頻率箱頻段遞增比例q=1.089 2.各工況相關(guān)系數(shù)均值隨迭代次數(shù)的增加而逐漸降低,并逐漸穩(wěn)定,如圖3所示,目標(biāo)函數(shù)由0.75降到0.53.

圖3 遺傳算法優(yōu)化過程Fig.3 Process optimized by the genetic algorithm

4.3 建立標(biāo)準(zhǔn)聽覺譜

將第一組中每個(gè)工況的10個(gè)數(shù)據(jù),輸入到傳統(tǒng)ZCPA聽覺模型和優(yōu)化的ZCPA聽覺模型后,將得到的10個(gè)聽覺譜模板取均值,作為各工況聽覺譜模板,通過圖4(見下頁)可以看出,各工況優(yōu)化的ZCPA聽覺譜特征更加明顯.

圖4 各工況傳統(tǒng)ZCPA聽覺譜與優(yōu)化后ZCPA聽覺譜Fig.4 Traditional ZCPA auditory spectrum and the optimized ZCPA auditory spectrum for each state

4.4 工況識(shí)別

在工況識(shí)別時(shí),將第二組數(shù)據(jù)中每個(gè)工況的100個(gè)數(shù)據(jù)作為待識(shí)別數(shù)據(jù),輸入到優(yōu)化的ZCPA模型中,計(jì)算待識(shí)別聽覺譜與各個(gè)工況聽覺譜模板的相關(guān)系數(shù).從形狀與幅度兩方面進(jìn)行數(shù)據(jù)識(shí)別,識(shí)別率如表1所示.待識(shí)別數(shù)據(jù)經(jīng)過傳統(tǒng)的聽覺模型和識(shí)別方式的識(shí)別成功率如表2所示[1],經(jīng)過表1和表2對(duì)比,使用優(yōu)化的聽覺模型和識(shí)別方式識(shí)別成功率有很大提高.

由表1和表2發(fā)現(xiàn),車床加工工況與調(diào)刀工況、換刀工況容易出現(xiàn)誤識(shí)別,這3種工況的工作方式比較相似.在調(diào)刀工況和換刀工況時(shí),振動(dòng)信號(hào)幅值較大和沖擊較頻繁的部分,會(huì)被識(shí)別為加工工況;在加工工況時(shí),振動(dòng)幅度較小和沖擊不明顯的部分,會(huì)被識(shí)別為調(diào)刀工況和換刀工況.

表1 基于優(yōu)化聽覺模型和識(shí)別方式的工況識(shí)別效果和識(shí)別率

表2 基于傳統(tǒng)聽覺模型和識(shí)別方式的工況識(shí)別效果和識(shí)別率Tab.2 Condition identification effect and recognition rate based on the traditional auditory model and identification method

5 結(jié) 論

綜上所述,運(yùn)用遺傳算法優(yōu)化的ZCPA聽覺模型,可使不同工況的信號(hào)聽覺譜差異性增大,提高聽覺模型的適應(yīng)性,在最大程度上模擬基底膜的功能.將相似度計(jì)算公式進(jìn)行改進(jìn)后,能夠從形狀和幅值兩方面計(jì)算相似度,可在識(shí)別的過程中降低誤識(shí)別率.以上的實(shí)驗(yàn)證明,振動(dòng)信號(hào)經(jīng)優(yōu)化的ZCPA聽覺模型處理,再用改進(jìn)后的識(shí)別方式去識(shí)別,可使工況識(shí)別率得到很大的提高.

[1] 張雷.基于振動(dòng)分析的機(jī)床狀態(tài)識(shí)別與人機(jī)效能評(píng)估方法研究[D].沈陽:東北大學(xué),2013.

[2] 雷亞國(guó),賈峰,周昕,等.基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J].機(jī)械工程學(xué)報(bào),2015,51(21):49-56.

[3] 周濤濤,朱顯明,劉彥,等.一種多工況的滾動(dòng)軸承損傷狀態(tài)識(shí)別方法[J].艦船科學(xué)技術(shù),2015,37(10):67-71.

[4] 李允公,張金萍,戴麗,等.基于聽覺模型ZCPA的故障診斷特征提取方法研究[J].中國(guó)機(jī)械工程,2009,20(24):2988-2992.

[5] 李允公,張金萍,戴麗.基于極值點(diǎn)概率密度和聽覺模型的瞬態(tài)信號(hào)提取方法研究[J].振動(dòng)與沖擊,2015,34(21):37-44.

[6] TABIBI S,KEGEL A,LAI W K,et al.Investigating the use of a Gammatone filterbank for a cochlear implant coding strategy[J].Journal of Neuroscience Methods,2016,277:63-74.

[7] 李慶先,卞昕,劉良江,等.基于Gammatone濾波器組的客觀語音質(zhì)量評(píng)估[J].計(jì)算技術(shù)與自動(dòng)化,2016,35(3):76-80.

[8] 李如瑋,曹龍濤,鮑長(zhǎng)春,等.基于Gammatone濾波器組分解的數(shù)字助聽器頻響補(bǔ)償算法[J].北京生物醫(yī)學(xué)工程,2016,35(2):143-150.

[9] YANG Y W,JIANG Y,LIU R S,et al.A realtime analysis/synthesis Gammatone filterbank[C]∥Proceedings of 2015 IEEE International Conference on Signal Processing,Communications and Computing.Ningbo:IEEE,2015:1-6.

[10] ONIZAWA N,KOSHITA S,SAKAMOTO S,et al.Gammatone filter based on stochastic computation[C]∥Proceedings of 2016 IEEE International Conference on Acoustics,Speech and Signal Processing.Shanghai:IEEE,2016:1036-1040.

[11] 秦宇強(qiáng),張雪英.語音情感中基于ZCPA的VAP模型[J].計(jì)算機(jī)工程,2012,38(2):169-171.

[12] 秦國(guó)華,謝文斌,王華敏.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的刀具磨損檢測(cè)與控制[J].光學(xué)精密工程,2015,23(5):1314-1321.

[13] 王悅.遺傳算法在函數(shù)優(yōu)化中的應(yīng)用研究[J].電子設(shè)計(jì)工程,2016,24(10):74-76.

[14] 劉奕君,趙強(qiáng),郝文利.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)研究[J].礦業(yè)安全與環(huán)保,2015,42(2):56-60.

[15] CERRADA M,ZURITA G,CABRERA D,et al.Fault diagnosis in spur gears based on genetic algorithm and random forest[J].Mechanical Systems and Signal Processing,2016,70:87-103.

[16] WANG J H,WANG J L,WANG D M,et al.Neural network location based on weight optimization with genetic algorithm under the condition of less information[J].IEICE Transactions on Communications,2016,99(11):2323-2331.

(編輯:丁紅藝)

Method for the Condition Recognition of Machine Tool Based on an Optimized Auditory Model

LUO Gang, LI Yungong, ZHANG Qilin, XU Jinfang

(SchoolofMechanicalEngineeringandAutomation,NortheasternUniversity,Shenyang110819,China)

The accurate identification of mechanical manufacturing equipment conditions is important for determining the current health status and stability of equipments and doing scientific evaluation of the operational efficiency of equipment operators.An improved zero crossings with peak amplitude (ZCPA) auditory model optimized by a genetic algorithm was used to extract the characteristics of the vibration signal of the device,and the current condition of the device was identified by the correlations analysis between various state standard auditory spectra.The optimized ZCPA auditory model can be used to imitate human auditory systems to extract the features of the input signal,to make up the defects of poor adaptability and low recognition rate of the traditional hearing model,and to increase the difference between different state features and improve the recognition rate of the equipment.Taking an ordinary lathe as an example,the condition recognition rate of the lathe vibration signal processed by the optimized ZCPA model reaches more than 95%.

conditionrecognition;geneticalgorithm;bandpassfiltering;auditorymodel

1007-6735(2017)04-0340-06

10.13255/j.cnki.jusst.2017.04.007

2017-03-23

國(guó)家自然科學(xué)基金資助項(xiàng)目(51275080)

羅剛(1991-),男,碩士研究生.研究方向:機(jī)械故障診斷.E-mail:m15940256365@163.com

李允公(1976-),男,副教授.研究方向:機(jī)械故障診斷.E-mail:ygli@mail.neu.edu.cn

TB 535

A