劉興建 原振文

1(廣東工商職業(yè)技術(shù)大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)系 廣東 肇慶 526040) 2(國(guó)防科技大學(xué)炮兵學(xué)院 湖南 長(zhǎng)沙 410111)

0 引 言

當(dāng)前工業(yè)產(chǎn)業(yè)和工業(yè)技術(shù)的飛速發(fā)展，使旋轉(zhuǎn)設(shè)備的應(yīng)用領(lǐng)域逐漸擴(kuò)大，并開始拓展到了航天、交通、電力、電子等諸多關(guān)鍵的高科技產(chǎn)業(yè)部門[1-2]。與此同時(shí)，旋轉(zhuǎn)機(jī)械設(shè)備應(yīng)用范圍的持續(xù)擴(kuò)大，對(duì)設(shè)備本身性能的穩(wěn)定性提出了更高的要求。旋轉(zhuǎn)機(jī)械設(shè)備在使用過程中的壽命曲線呈現(xiàn)出逐漸降低的趨勢(shì)，由于機(jī)械設(shè)備少量磨損到完全失效是一個(gè)相對(duì)漫長(zhǎng)的過程，頻繁更換關(guān)鍵零部件也會(huì)顯著增加設(shè)備的使用成本，因此最為有效的方式是對(duì)旋轉(zhuǎn)設(shè)備整體和關(guān)鍵零部件的工作狀態(tài)進(jìn)行監(jiān)控[3-4]。由于大型旋轉(zhuǎn)設(shè)備的工作環(huán)境大都十分惡劣，對(duì)關(guān)鍵部件的連接可靠性及零部件本身的磨損情況具有極高的要求，如果關(guān)鍵零部件出現(xiàn)故障，會(huì)造成嚴(yán)重的工程事故和經(jīng)濟(jì)損失。滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械設(shè)備中最為關(guān)鍵的零部件之一[5]，其工作的穩(wěn)定性將關(guān)系到整個(gè)設(shè)備能否安全運(yùn)行[6]。如果能夠采取有效方法預(yù)測(cè)出滾動(dòng)軸承是否存在故障隱患，將會(huì)在很大程度上避免安全事故的發(fā)生。

關(guān)于旋轉(zhuǎn)設(shè)備中滾動(dòng)軸承的故障預(yù)測(cè)問題，已經(jīng)成為當(dāng)前國(guó)內(nèi)外機(jī)械自動(dòng)化領(lǐng)域的一個(gè)研究熱點(diǎn)問題。文獻(xiàn)[7]提出一種基于中值濾波和小波去噪相結(jié)合的故障預(yù)測(cè)方法，但該種預(yù)測(cè)方法過于復(fù)雜，不易操作，且預(yù)測(cè)精度和可靠性都較低。文獻(xiàn)[8]從壓縮感知的視角出發(fā)，基于信號(hào)集的變化提取滾動(dòng)軸承的振動(dòng)信息，但該種算法的實(shí)際可行性和適用性與理論上存在差距。文獻(xiàn)[9]提出一種智能SVM與PCA相結(jié)合的故障預(yù)測(cè)算法研究，引入一種振動(dòng)信號(hào)降維的處理理念，但該種方法僅針對(duì)少量集中故障類型有效，在算法分類和全局尋優(yōu)的過程中易陷入局部最優(yōu)解。大數(shù)據(jù)和云計(jì)算技術(shù)在機(jī)械故障檢測(cè)中的應(yīng)用已經(jīng)成為一種發(fā)展趨勢(shì)，尤其是Spark平臺(tái)的應(yīng)用，為海量故障信息的提取和處理提供了一種新的模式。本文在大數(shù)據(jù)的環(huán)境下基于Spark和蟻群k類均值聚類算法(Ant Colony System-kmeans clustering algorithm，Aco-k means)提出了一種用于滾動(dòng)軸承故障預(yù)測(cè)的方法，利用Aco-k means算法在數(shù)據(jù)聚類和全局尋優(yōu)中的優(yōu)勢(shì)，可以顯著提高對(duì)滾動(dòng)軸承故障預(yù)測(cè)的精度和預(yù)測(cè)效率。

1 算法總體設(shè)計(jì)

由于滾動(dòng)軸承的摩擦力很小[10-11]，因此在旋轉(zhuǎn)設(shè)備中有較為廣泛的應(yīng)用，導(dǎo)致滾動(dòng)軸承出現(xiàn)故障和失效的原因很多，如金屬疲勞、進(jìn)入異物、軸承腐蝕、軸承過載等。滾動(dòng)軸承在正常工作中會(huì)發(fā)生振動(dòng)，此時(shí)發(fā)生振動(dòng)的頻率為設(shè)備的固有頻率。一旦滾動(dòng)軸承發(fā)生故障，軸體與故障點(diǎn)發(fā)生接觸，滾動(dòng)軸承的振動(dòng)頻率也會(huì)發(fā)生相應(yīng)的變化[12]，這種頻率上的變化是判定故障類別和故障程度的一個(gè)重要指標(biāo)。由于軸承的正常磨損而發(fā)生的振動(dòng)頻率變化與故障變化存在差別，可以利用Spark平臺(tái)環(huán)境下的大數(shù)據(jù)引擎，提取和分析待檢測(cè)滾動(dòng)軸承的故障特征，并基于Aco-k means算法在數(shù)據(jù)聚類分析中和全局尋優(yōu)中的優(yōu)勢(shì)，實(shí)現(xiàn)對(duì)故障程度的準(zhǔn)確定位。Spark平臺(tái)是大數(shù)據(jù)產(chǎn)業(yè)發(fā)展到一定階段的產(chǎn)物，是一種開源的數(shù)據(jù)計(jì)算框架，由于該平臺(tái)采用了多節(jié)點(diǎn)的計(jì)算模式，因此能夠在短時(shí)間內(nèi)識(shí)別出滾軸數(shù)據(jù)集合的不同特征，進(jìn)而識(shí)別出滾軸發(fā)生故障的嚴(yán)重程度，Spark平臺(tái)基礎(chǔ)框架結(jié)構(gòu)如圖1所示。

圖1 Spark平臺(tái)的框架結(jié)構(gòu)

此外，Spark平臺(tái)所應(yīng)用的彈性數(shù)據(jù)集可以幫助用戶實(shí)現(xiàn)代碼轉(zhuǎn)換，將提取到的故障數(shù)據(jù)集投影到平臺(tái)工作節(jié)點(diǎn)的隨機(jī)運(yùn)行內(nèi)存中(Random Access Memory，RAM)，便于后續(xù)的數(shù)據(jù)調(diào)用和讀取。由此可見，Spark平臺(tái)強(qiáng)大的數(shù)據(jù)分析和處理功能，可以有效應(yīng)對(duì)海量的滾動(dòng)軸承故障數(shù)據(jù)集分析。Spark平臺(tái)還具有極高的軟件兼容性，能夠與其他開源軟件實(shí)現(xiàn)無縫對(duì)接[13-14]，Spark平臺(tái)支持市面上主流的計(jì)算機(jī)算法和計(jì)算機(jī)語言，能夠?yàn)閿?shù)據(jù)處理提供統(tǒng)一的解決方案，從而省去了大量的磁盤操作時(shí)間，能夠提高對(duì)滾動(dòng)軸承故障數(shù)據(jù)的識(shí)別和處理效率。Spark平臺(tái)采用了彈性分布數(shù)據(jù)集(Resilient Distributed Datasets，RDD)內(nèi)存計(jì)算模式，具有強(qiáng)大的數(shù)據(jù)迭代處理能力，增強(qiáng)了系統(tǒng)的執(zhí)行速度。k means算法是故障數(shù)據(jù)聚類分析中的常用算法之一，但該方法對(duì)于樣本集合中的孤立數(shù)據(jù)較為敏感[15]，容易陷入局部最優(yōu)解。Aco算法應(yīng)用仿生學(xué)的原理對(duì)故障數(shù)據(jù)的特征項(xiàng)進(jìn)行全局尋優(yōu)，將兩種算法相結(jié)合，能夠最大限度地減少聚類中孤立數(shù)據(jù)點(diǎn)所產(chǎn)生的不利影響[16]，提高對(duì)滾動(dòng)軸承故障數(shù)據(jù)聚類分析的準(zhǔn)確性，算法總體的流程設(shè)計(jì)如下：

Step1提取旋轉(zhuǎn)設(shè)備滾動(dòng)軸承工作中的時(shí)頻域特征數(shù)據(jù)集，并對(duì)數(shù)據(jù)集做降維處理。

Step2對(duì)種群數(shù)據(jù)集進(jìn)行初始化處理，并獲取降維處理的候選故障數(shù)據(jù)集。

Step3確定聚類中心的數(shù)量及樣本數(shù)據(jù)間的歐氏距離，并基于蟻群算法優(yōu)化聚類中心。

Step4獲取新的聚類中心及數(shù)據(jù)集合的邊界，確定算法的收斂性能。

Step5基于滾動(dòng)軸承故障特征聚類分析結(jié)果，最終確定旋轉(zhuǎn)設(shè)備是否存在故障風(fēng)險(xiǎn)。

2 滾動(dòng)軸承故障時(shí)頻域特征提取

判斷旋轉(zhuǎn)設(shè)備滾動(dòng)軸承的工作狀態(tài)和故障狀態(tài)，主要依靠采集到的振動(dòng)信號(hào)，但該類設(shè)備的工作環(huán)境往往十分惡劣和復(fù)雜，因此提取到的振動(dòng)信號(hào)往往不具有線性分布特征，而且還包含大量的環(huán)境噪聲，穩(wěn)定性極差。振動(dòng)信號(hào)的特征提取，將會(huì)對(duì)性能評(píng)估構(gòu)成重要的影響，因此傳統(tǒng)單純的時(shí)域振動(dòng)特征提取與頻域振動(dòng)特征提取方法，都無法準(zhǔn)確地提取到設(shè)備的振動(dòng)特征，為此本文采用時(shí)頻域相結(jié)合的提取振動(dòng)故障特征數(shù)據(jù)集，進(jìn)而分析滾動(dòng)軸承的故障嚴(yán)重程度。滾動(dòng)軸承發(fā)生故障時(shí)，瞬時(shí)振動(dòng)狀態(tài)和突變振動(dòng)狀態(tài)中都包含著高頻率畸變故障特征，因此采用小波包變換的方法分解振動(dòng)信號(hào)中的高頻部分，既可以保持高頻信號(hào)中的瞬態(tài)特征，又可以兼顧低頻信號(hào)的特征。設(shè)提取到的滾動(dòng)軸承振動(dòng)原始信號(hào)為x(t)，用小波變換函數(shù)η(t)和正交函數(shù)κ(t)遞推及提取原始信號(hào)中的故障時(shí)頻域特征，遞推關(guān)系過程可以表示為：

(1)

式中:y(i)和z(i)分別為高低頻濾波系數(shù)。兩者表達(dá)式如下：

(2)

式中：y(i)和z(i)滿足關(guān)系z(mì)(i)=(-1)iy(1-i)。將式(1)的應(yīng)用范圍擴(kuò)展進(jìn)行拓展，當(dāng)i=0時(shí)，有η(t)=ζ0(t)、κ(t)=ζ1(t)，則有：

(3)

(4)

x″(t)=C×x(t)

(5)

對(duì)包含頻帶能量時(shí)域特征信號(hào)進(jìn)行聚類處理，獲取候選的節(jié)點(diǎn)數(shù)據(jù)集，以精確地確定旋轉(zhuǎn)設(shè)備滾軸軸承的故障類別及程度。

3 滾軸軸承故障特征聚類分析

包含時(shí)頻域特征的故障信號(hào)具有海量性的特征，而Spark平臺(tái)的應(yīng)用，為海量滾軸故障信息的提取和處理提供了一種新的模式。對(duì)原始的信號(hào)特征種群進(jìn)行初始化處理，從降維處理后的滾動(dòng)軸承特征數(shù)據(jù)樣本集合x″(t)中隨機(jī)選取h個(gè)對(duì)象作為數(shù)據(jù)的原始聚類中心，開始對(duì)全部的樣本振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行聚類處理，將數(shù)據(jù)對(duì)象按照其本身的特征分配到最適合的類別當(dāng)中，進(jìn)而計(jì)算出滾動(dòng)軸承故障數(shù)據(jù)對(duì)象距離聚類中心的平均值，在計(jì)算過程中會(huì)存在平方誤差。因此數(shù)據(jù)聚類的過程是一個(gè)反復(fù)迭代尋優(yōu)的過程，不斷地循環(huán)操作這一步驟，直到將故障預(yù)測(cè)誤差控制在最小的區(qū)間之內(nèi)。

在傳統(tǒng)k means數(shù)據(jù)聚類算法中，常用數(shù)據(jù)間的歐氏距離來衡量和判斷數(shù)據(jù)之間的相似度，以便對(duì)時(shí)頻域特征相似的數(shù)據(jù)進(jìn)行聚類處理。設(shè)滾動(dòng)軸承特征數(shù)據(jù)樣本集合x″(t)中的任兩個(gè)數(shù)據(jù)a和b，滿足條件a,b∈xi，則a和b之間的歐氏距離D(a,b)可以表示為：

(6)

分別設(shè)nq和mq為第q類故障數(shù)據(jù)中的樣本數(shù)據(jù)與樣本均值，則與歐氏距離相關(guān)的數(shù)據(jù)聚類平方誤差準(zhǔn)則函數(shù)f(D)可以表示為：

(7)

由于k means數(shù)據(jù)聚類算法數(shù)據(jù)迭代尋優(yōu)的過程中對(duì)于初選值具有較高的依賴性，因此極容易陷入局部范圍的最優(yōu)，使?jié)L動(dòng)軸承故障預(yù)測(cè)結(jié)果出現(xiàn)偏差，為此本文在傳統(tǒng)k means算法的基礎(chǔ)上引入了Aco仿生算法，在全局范圍內(nèi)迭代尋優(yōu)，提高k means數(shù)據(jù)聚類算法的魯棒性?；贏co仿生算法優(yōu)化樣本數(shù)據(jù)集的聚類中心，設(shè)樣本數(shù)據(jù)集合中的初始故障數(shù)據(jù)特征對(duì)象xi∈x″(t)，滾動(dòng)軸承故障數(shù)據(jù)的聚集可視為一個(gè)半徑為r的圓形區(qū)域，用函數(shù)γ(xi,r)表示以xi為中心，r為半徑的區(qū)域內(nèi)的故障數(shù)據(jù)數(shù)量，經(jīng)Aco仿生算法優(yōu)化后的聚類中心數(shù)量r(xi)可以表示為：

r(xi)=γ(xi,R)≥ζ

(8)

式中：R=[maxr(xp,xq)]/2；ζ為樣本數(shù)據(jù)集開平方根函數(shù)，ζ=sqrt(h)。傳統(tǒng)k means數(shù)據(jù)聚類算法下，滾動(dòng)軸承的故障數(shù)據(jù)開始圍繞著h個(gè)原始聚類中心，聚類中心可能會(huì)借助孤立的數(shù)據(jù)點(diǎn)表示，進(jìn)而在故障特征數(shù)據(jù)聚集的過程中陷入局部最優(yōu)解，影響最終的聚類效果。而引入Aco仿生算法后，能夠優(yōu)化原有的聚類中心，避免了傳統(tǒng)k means算法下隨機(jī)選擇聚類中心，而給選擇設(shè)備滾動(dòng)軸承的故障預(yù)測(cè)帶來不利的影響。

設(shè)χq和ωχ第q故障數(shù)據(jù)集的上逼近集與權(quán)重比例，ξq和ωζ為第q故障數(shù)據(jù)集的邊界集和權(quán)重比例，則經(jīng)過Aco仿生算法優(yōu)化后的故障數(shù)據(jù)劇烈中心h′可以表示為：

(9)

按照Aco-k means算法優(yōu)化聚類中心后，再以新的聚類中心及故障特征數(shù)據(jù)與聚類中心間的歐氏距離重新進(jìn)行全局范圍內(nèi)的聚類劃分，有助于顯著提高聚類精度。同時(shí)基于最大最小原則，采用動(dòng)態(tài)調(diào)整的模式調(diào)整滾動(dòng)軸承故障數(shù)據(jù)簇的數(shù)量及與新聚類中心的距離，并求解出每一個(gè)故障數(shù)據(jù)簇中的上逼近集χq和邊界集ξq。對(duì)在Aco-k means算法下得到的經(jīng)過優(yōu)化的聚類中心記性循環(huán)迭代，并逐漸調(diào)節(jié)參數(shù)，判斷算法的收斂性能，最后，算法結(jié)束時(shí)獲得全局最優(yōu)解，準(zhǔn)確識(shí)別出滾動(dòng)軸承的故障特征與故障程度。

4 實(shí) 驗(yàn)

4.1 仿真實(shí)驗(yàn)環(huán)境設(shè)置

為驗(yàn)證提出旋轉(zhuǎn)設(shè)備滾動(dòng)軸承故障預(yù)測(cè)方法的性能，搭建仿真實(shí)驗(yàn)環(huán)境，仿真實(shí)驗(yàn)臺(tái)由底座部分、步進(jìn)電機(jī)、主軸、皮帶、軸承等部分組成，如圖2所示。

圖2 滾軸故障測(cè)試實(shí)驗(yàn)平臺(tái)組成

實(shí)驗(yàn)過程中系統(tǒng)模擬真實(shí)的工作情況，旋轉(zhuǎn)動(dòng)力經(jīng)由步進(jìn)電機(jī)與皮帶向主軸系統(tǒng)傳遞，滾動(dòng)軸承被安裝在主軸的另一端，配備了各類傳感器監(jiān)控故障信號(hào)的變化情況，故障振動(dòng)測(cè)試臺(tái)的相關(guān)參數(shù)與測(cè)試用滾動(dòng)軸承的相關(guān)參數(shù)如表1和表2所示。

表1 滾動(dòng)軸承故障測(cè)試臺(tái)相關(guān)參數(shù)

表2 實(shí)驗(yàn)用戶滾動(dòng)軸承的相關(guān)參數(shù)

本文的部分參考比較數(shù)據(jù)來自凱斯西儲(chǔ)大學(xué)的滾動(dòng)軸承的基準(zhǔn)數(shù)據(jù)庫(kù)中，其提供了不同參數(shù)條件下軸承運(yùn)動(dòng)和軸承故障的基礎(chǔ)測(cè)試數(shù)據(jù)，在表1和表2的條件下從仿真實(shí)驗(yàn)臺(tái)采集了一組樣本數(shù)據(jù)，并以同等條件下西儲(chǔ)大學(xué)的測(cè)試數(shù)據(jù)區(qū)間為標(biāo)準(zhǔn)，剔除奇異樣本數(shù)據(jù)和標(biāo)準(zhǔn)差超出范圍的異常數(shù)據(jù)，最終確定出實(shí)驗(yàn)所用故障數(shù)據(jù)樣本數(shù)量為25 200個(gè)，樣本長(zhǎng)度為128?；贛ATLAB 8.0軟件對(duì)實(shí)驗(yàn)采集到的數(shù)據(jù)進(jìn)行分析，在大數(shù)據(jù)的仿真環(huán)境下，為驗(yàn)證提出基于Spark平臺(tái)和Aco-k means算法的滾動(dòng)軸承預(yù)測(cè)算法的有效性，對(duì)提起的故障特征數(shù)據(jù)樣本進(jìn)行訓(xùn)練，測(cè)試提出方法的效率、預(yù)測(cè)準(zhǔn)確率和信號(hào)解調(diào)譜的變化情況。

4.2 方法故障預(yù)測(cè)計(jì)算效率與復(fù)雜度對(duì)比

在滾動(dòng)軸承故障檢測(cè)過程中，故障數(shù)據(jù)集具有海量性的特征，因此預(yù)測(cè)方法的計(jì)算效率指標(biāo)十分重要。用500個(gè)故障數(shù)據(jù)節(jié)點(diǎn)模擬既定比例條件下的數(shù)據(jù)聚類效果，并分析滾動(dòng)軸承故障數(shù)據(jù)的尋優(yōu)情況，能夠成功識(shí)別到50個(gè)有效數(shù)據(jù)節(jié)點(diǎn)即可。分別引入文獻(xiàn)[8]和文獻(xiàn)[9]方法進(jìn)行對(duì)比驗(yàn)證，三種方法的計(jì)算效率對(duì)比結(jié)果如圖3所示。

圖3 不同預(yù)測(cè)方法的計(jì)算效率對(duì)比

可以看出，在同樣的有效節(jié)點(diǎn)效率條件下本文算法的耗時(shí)更少，這主要是由于Spark平臺(tái)在處理海量故障數(shù)據(jù)中具有明顯的優(yōu)勢(shì)，而蟻群算法在全局尋優(yōu)中也能夠選擇最短的連接，進(jìn)而提高故障數(shù)據(jù)聚類的效率。Aco-k means算法隨著有效節(jié)點(diǎn)效率的降低，這種計(jì)算效率上的優(yōu)勢(shì)會(huì)越發(fā)明顯。

算法的復(fù)雜度也是衡量滾軸故障檢測(cè)算法性能的重要指標(biāo)之一，本文從算法復(fù)雜度衡量標(biāo)準(zhǔn)中的時(shí)間資源消耗維度出發(fā)，分別計(jì)算本文算法與文獻(xiàn)[7]算法在復(fù)合訓(xùn)練樣本條件下的故障檢測(cè)耗時(shí)。在相同樣本條件下時(shí)間資源消耗越多，證明算法越復(fù)雜，故障檢測(cè)時(shí)的計(jì)算代價(jià)越高。具體的數(shù)據(jù)統(tǒng)計(jì)結(jié)果如圖4所示。

圖4 檢測(cè)算法復(fù)雜度的時(shí)間維度分析

可以看出，隨著樣本數(shù)量的增加兩種算法的時(shí)間消耗都在增加，本文檢測(cè)算法時(shí)間資源消耗在每一個(gè)節(jié)點(diǎn)都保持更低的水平，且變化趨勢(shì)較為平穩(wěn)；而文獻(xiàn)[7]檢測(cè)算法在樣本值為1 632點(diǎn)和3 745點(diǎn)時(shí)出現(xiàn)了波動(dòng)，單位時(shí)間資源消耗開始顯著增加。由圖4曲線變化趨勢(shì)可知，本文算法在檢測(cè)中計(jì)算復(fù)雜度更低，因此時(shí)間資源的消耗更少，同時(shí)本文算法的穩(wěn)定性相對(duì)于文獻(xiàn)[7]也具有優(yōu)勢(shì)，時(shí)間資源的消耗更為平穩(wěn)。

4.3 復(fù)合條件下的故障預(yù)測(cè)準(zhǔn)確率對(duì)比

旋轉(zhuǎn)設(shè)備滾動(dòng)軸承的故障有可能發(fā)生在外圈、內(nèi)圈、滾子或三者之間的復(fù)合狀態(tài)模式，6種不同的故障狀態(tài)下生成的訓(xùn)練故障樣本與真實(shí)故障樣本如表3所示。

表3 不同故障狀態(tài)下的測(cè)試樣本數(shù)量

分別驗(yàn)證文獻(xiàn)[8]、文獻(xiàn)[9]和本文方法對(duì)全部6種滾動(dòng)軸承故障狀態(tài)下的25 200個(gè)測(cè)試樣本故障檢驗(yàn)的準(zhǔn)確性，基于MATLAB 8.0軟件對(duì)全部提取的樣本數(shù)據(jù)故障檢測(cè)準(zhǔn)確率進(jìn)行分析，6種故障狀態(tài)下的準(zhǔn)確率測(cè)試結(jié)果如表4所示。

表4 三種故障檢測(cè)方法的滾軸故障檢測(cè)準(zhǔn)確率對(duì)比

從測(cè)試樣本的分析結(jié)果可知，單一故障條件下三種檢測(cè)方法的故障檢測(cè)準(zhǔn)確率相差不大，但復(fù)合狀態(tài)下本文方法的故障檢測(cè)率具有明顯優(yōu)勢(shì)。例如在符合故障狀態(tài)下，文獻(xiàn)[8]方法下的測(cè)試樣本平均故障檢測(cè)率為95.26%，文獻(xiàn)[9]方法下測(cè)試樣本平均故障檢測(cè)率為94.71%，而本文方法的評(píng)價(jià)故障檢測(cè)率仍可以達(dá)到99.24%。

4.4 不同預(yù)測(cè)方法下的故障特征提取效率對(duì)比

旋轉(zhuǎn)設(shè)備滾動(dòng)軸承的故障提取效率是衡量預(yù)測(cè)方法有效性的重要指標(biāo)之一，在故障樣本數(shù)據(jù)集中截取一段樣本數(shù)量為400，其中訓(xùn)練信號(hào)的長(zhǎng)度為128，先采用文獻(xiàn)[8]和文獻(xiàn)[9]的方法診斷是否存在故障信號(hào)，檢測(cè)的頻率幅值變化分別如圖5和圖6所示。

圖5 文獻(xiàn)[8]方法下的信號(hào)解調(diào)頻譜

圖6 文獻(xiàn)[9]方法下的信號(hào)解調(diào)頻譜

可以看出，在文獻(xiàn)[8]方法下并未檢測(cè)出故障樣本集中存在信號(hào)畸變；而文獻(xiàn)[9]方法下識(shí)別出了樣本集中存在微弱的故障信號(hào)。而本文提出的基于Spark平臺(tái)和Aco-k means算法的滾動(dòng)軸承預(yù)測(cè)方法則可以識(shí)別出樣本集合中存在的全部滾軸故障畸變點(diǎn)，如圖7所示。

圖7 本文方法檢測(cè)的故障信號(hào)解調(diào)頻譜

可以看出，本文方法的故障特征提取效率要顯著優(yōu)于傳統(tǒng)方面，在故障檢測(cè)方面具有更高的穩(wěn)定性和可靠性。

5 結(jié) 語

本文在大數(shù)據(jù)環(huán)境下提出了一種基于Spark平臺(tái)和Aco-k means算法的滾動(dòng)軸承故障數(shù)據(jù)預(yù)測(cè)方法，在引入Aco蟻群仿生算法后，能夠有效避免傳統(tǒng)k means算法存在的局部最優(yōu)解問題，實(shí)現(xiàn)了在全局范圍內(nèi)的滾軸故障集尋優(yōu)。仿真實(shí)驗(yàn)也證明了本文方法的有效性和實(shí)用性。