郭 智

（撫順礦務(wù)局職工工學(xué)院 遼寧 撫順 113008）

1 引言

現(xiàn)代化生產(chǎn)中，化工機(jī)械設(shè)備結(jié)構(gòu)、功能越來越復(fù)雜，若生產(chǎn)設(shè)備出現(xiàn)故障，會影響工廠的流水線作業(yè)，經(jīng)濟(jì)損傷嚴(yán)重，因此，研究化工機(jī)械設(shè)備故障診斷方法，提高工廠中化工機(jī)械設(shè)備的生產(chǎn)效率，同時令產(chǎn)品質(zhì)量能夠滿足標(biāo)準(zhǔn)要求，具有重要意義。停機(jī)負(fù)責(zé)生產(chǎn)的機(jī)械設(shè)備，采集設(shè)備提供的一切有用信息，分析不同時期的故障診斷特點(diǎn)，掌握機(jī)械設(shè)備的健康狀況和特征信息，預(yù)報(bào)其運(yùn)行狀態(tài)，但該方法未考慮機(jī)械設(shè)備運(yùn)行狀態(tài)，設(shè)備故障診斷準(zhǔn)確率較低[1]。結(jié)合隸屬度函數(shù)和故障集合理論，深入分析故障征兆和故障原因之間的關(guān)系，利用模糊關(guān)系矩陣，建立故障征兆和故障原因的關(guān)聯(lián)模型，建立機(jī)械設(shè)備故障的知識庫，通過集合理論對設(shè)備故障進(jìn)行診斷，但該方法模糊關(guān)系難以確定，設(shè)備故障診斷準(zhǔn)確率同樣較低[2]。針對這一問題，結(jié)合以上理論以及大數(shù)據(jù)技術(shù)，本文研究化工機(jī)械設(shè)備的故障診斷方法。

2 基于大數(shù)據(jù)的化工機(jī)械設(shè)備故障診斷方法設(shè)計(jì)

2.1 基于大數(shù)據(jù)樣本學(xué)習(xí)設(shè)備故障特征

基于大數(shù)據(jù)技術(shù)，采集海量機(jī)械設(shè)備故障樣本，學(xué)習(xí)設(shè)備故障特征。利用自動編碼器，在無監(jiān)督的情境模式下，對設(shè)備故障的信息數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，利用集合層和網(wǎng)絡(luò)層，共同組成關(guān)于大數(shù)據(jù)維度的解碼網(wǎng)絡(luò)，令集合層和網(wǎng)絡(luò)層的編碼節(jié)點(diǎn)數(shù)量，能夠保持相同，進(jìn)而確保輸出目標(biāo)和輸入數(shù)據(jù)相同[3]。投入足夠的故障樣本，給定一組化工機(jī)械設(shè)備的大數(shù)據(jù)樣本集，通過大數(shù)據(jù)維度的解碼網(wǎng)絡(luò)，將機(jī)械設(shè)備樣本集的高維大數(shù)據(jù)編碼至網(wǎng)絡(luò)層，把高維大數(shù)據(jù)轉(zhuǎn)換至低維空間，再通過解碼網(wǎng)絡(luò)重構(gòu)集合層的信息數(shù)據(jù)，使其能夠表示樣本集的數(shù)據(jù)特征，再把網(wǎng)絡(luò)層的信息數(shù)據(jù)，作為大數(shù)據(jù)的特征向量[4]。編碼網(wǎng)絡(luò)的表示公式為：

其中，X為編碼網(wǎng)絡(luò)計(jì)算后，隱含層輸出的向量集合，即機(jī)械設(shè)備樣本大數(shù)據(jù)的特征向量，d為集合層和網(wǎng)絡(luò)層的適應(yīng)函數(shù)，U為集合層和網(wǎng)絡(luò)層之間的權(quán)重系數(shù)，R為機(jī)械設(shè)備的大數(shù)據(jù)樣本集，a為大數(shù)據(jù)的偏置向量[5]。通過公式（1），把高緯度的樣本大數(shù)據(jù)，轉(zhuǎn)換為低維度數(shù)據(jù)。自動編碼器對偏置向量和網(wǎng)絡(luò)權(quán)值進(jìn)行調(diào)整，采用均方差衡量誤差，作為深度學(xué)習(xí)模型訓(xùn)練的代價(jià)函數(shù)，最小化解碼網(wǎng)絡(luò)重構(gòu)過程中，輸出向量和輸入向量的誤差，令隱含層編碼的特征向量，能夠最大程度保留大數(shù)據(jù)樣本集的輸入信息。獲取機(jī)械設(shè)備大數(shù)據(jù)樣本集的特征信息，在無監(jiān)督訓(xùn)練的模式下，令學(xué)習(xí)模型學(xué)習(xí)大數(shù)據(jù)蘊(yùn)含的特征信息，使模型針對不同的化工機(jī)械設(shè)備故障，可以提取相適應(yīng)的特征參數(shù)。至此完成基于大數(shù)據(jù)樣本的設(shè)備故障特征學(xué)習(xí)。

2.2 描述化工機(jī)械設(shè)備故障特征基元

描述機(jī)械設(shè)備提取的故障特征基元，包括關(guān)系元、事元、物元。分析關(guān)系元、事元、物元的基本概念，描述故障特征基元，包括基元可拓性和基元可拓變換規(guī)律，其描述數(shù)據(jù)為機(jī)械設(shè)備故障的靜態(tài)知識，根據(jù)可拓學(xué)理論進(jìn)行故障特征建模，從定性和定量相結(jié)合的角度出發(fā)，為設(shè)備故障提供可描述通道。利用一維物元體現(xiàn)設(shè)備故障，令物元包含大量數(shù)據(jù)信息，利用物元，形式化描述故障特征的信息數(shù)據(jù)，構(gòu)建物元的有序三元組，包括化工機(jī)械設(shè)備、故障特征、故障特征量值，構(gòu)建故障特征對應(yīng)量值的陣列。利用事元，形式化描述不同故障特征之間的相互作用，選取故障動作、動作特征、動作特征量值，作為事元存在序列的3個元組，由于一個故障行為含有多個特征，由此構(gòu)成動作量值的表達(dá)方程[6]。利用關(guān)系元，描述設(shè)備故障診斷信息中存在的關(guān)聯(lián)約束關(guān)系，利用故障關(guān)系、關(guān)系特征、故障特征量值，構(gòu)成關(guān)系元的有序三元組，由于一個故障關(guān)系含有多個特征，由此構(gòu)成特征關(guān)系的量值陣列[7]。靜態(tài)知識描述完畢后，采用動態(tài)物元，描述故障特征的量值，隨時間變化而產(chǎn)生的變化量，表達(dá)公式為：

其中，t為故障特征的變參量，b為特征類別，I(t)為關(guān)于變參量t的量值，v(t)為變參量隨時間變化而產(chǎn)生的變化量。將關(guān)系元、事元、物元、動態(tài)物元，作為設(shè)備故障診斷的基本邏輯，建立形式化的知識表示方式。至此完成化工機(jī)械設(shè)備故障特征基元的描述。

2.3 識別化工機(jī)械設(shè)備故障診斷模式

將化工機(jī)械設(shè)備故障特征基元，輸入神經(jīng)網(wǎng)絡(luò)，識別故障診斷模式。構(gòu)建具有3層感知器的神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)的非線性映射能力，逼近時間序列中基元的隱含關(guān)系，采用廣義粗糙集理論，對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行約簡處理，將線性傳遞函數(shù)、Sigmoid函數(shù)、線性函數(shù)，分別作用于第1層、第2層、第3層的神經(jīng)元，令第1層神經(jīng)元對應(yīng)化工機(jī)械設(shè)備的各個故障征兆，第3層神經(jīng)元對應(yīng)機(jī)械設(shè)備的故障原因和診斷模式。把大數(shù)據(jù)樣本集的故障特征基元，即關(guān)系元、事元、物元、動態(tài)物元，作為輸入向量，將動量法和非線性學(xué)習(xí)算法相結(jié)合，迭代訓(xùn)練感知器輸入的信息數(shù)據(jù)，最小化3個感知器的訓(xùn)練誤差，消除網(wǎng)絡(luò)目標(biāo)輸出和實(shí)際輸出之間的差別，在此基礎(chǔ)上確定網(wǎng)絡(luò)參數(shù)，根據(jù)輸出結(jié)果，確定故障原因和診斷模式。至此完成化工機(jī)械設(shè)備故障診斷模式的識別，實(shí)現(xiàn)基于大數(shù)據(jù)的化工機(jī)械設(shè)備故障診斷方法設(shè)計(jì)。

3 實(shí)驗(yàn)論證分析

將此次設(shè)計(jì)方法，與兩組常規(guī)化工機(jī)械設(shè)備故障診斷方法，進(jìn)行對比實(shí)驗(yàn)，比較3組方法的故障診斷準(zhǔn)確率。

3.1 實(shí)驗(yàn)準(zhǔn)備

通過人工制造劃痕的方式，模擬10種軸承健康狀態(tài)，通過電火花機(jī)，加工內(nèi)圈、滾珠和軸承外圈3個位置，獲取具有故障類型的軸承數(shù)據(jù)集，每個故障軸承有且僅有一種故障。軸承試驗(yàn)臺采用16通道的加速度傳感器，數(shù)據(jù)集的設(shè)備故障有9種，具體見表1。

表1 數(shù)據(jù)集軸承故障狀態(tài)

在軸承正常工況的樣本中，選取3 780組原始樣本集，得到訓(xùn)練樣本集，在所有健康狀態(tài)的樣本中，取1 000組測試樣本集，3組方法每次選取100個樣本，進(jìn)行迭代訓(xùn)練，提取軸承故障特征，診斷劃痕故障。

3.2 實(shí)驗(yàn)結(jié)果

改變兩組診斷方法的迭代次數(shù)，軸承滾動體的故障診斷準(zhǔn)確率對比結(jié)果見表2。

表2 滾動體故障診斷結(jié)果 單位：%

由上表可知，設(shè)計(jì)方法故障診斷平均準(zhǔn)確率為97.46%，常規(guī)方法1和常規(guī)方法2的平均準(zhǔn)確率，分別為94.79%和96.20%，相比兩組常規(guī)方法，設(shè)計(jì)方法故障診斷準(zhǔn)確率分別降低了2.67%和1.26%。軸承內(nèi)圈的故障診斷準(zhǔn)確率對比結(jié)果見表3。

表3 內(nèi)圈故障診斷結(jié)果 單位：%

由上表可知，設(shè)計(jì)方法故障診斷平均準(zhǔn)確率為96.71%，常規(guī)方法1和常規(guī)方法2的平均準(zhǔn)確率，分別為94.57%和95.39%，相比兩組常規(guī)方法，設(shè)計(jì)方法故障診斷準(zhǔn)確率分別降低了2.14%和1.32%。軸承外圈的故障診斷準(zhǔn)確率對比結(jié)果見表4。

表4 外圈故障診斷結(jié)果 單位：%

由上表可知，設(shè)計(jì)方法故障診斷平均準(zhǔn)確率為96.81%，常規(guī)方法1和常規(guī)方法2的平均準(zhǔn)確率，分別為94.47%和95.30%，相比兩組常規(guī)方法，設(shè)計(jì)方法故障診斷準(zhǔn)確率分別降低了2.34%和1.51%。綜上所述，此次設(shè)計(jì)方法診斷軸承劃痕故障時，充分提高了故障診斷準(zhǔn)確率。

4 結(jié)語

此次研究充分發(fā)揮了大數(shù)據(jù)的技術(shù)優(yōu)勢，有效提高了化工機(jī)械設(shè)備故障診斷準(zhǔn)確率。但此次設(shè)計(jì)方法仍存在一定不足，在今后的研究中，會使用復(fù)合元描述設(shè)備故障狀態(tài)信息，包括關(guān)系元、事元、物元，令數(shù)據(jù)信息充分體現(xiàn)設(shè)備特征，提高診斷方法的全面性。