王正家，劉 鳴，何嘉奇，陳長樂

(湖北工業(yè)大學(xué) a.機械工程學(xué)院；b.現(xiàn)代制造質(zhì)量工程湖北省重點實驗室，武漢 430068)

0 引言

故障診斷在工業(yè)生產(chǎn)過程中有著非常重要的作用。傳統(tǒng)的故障診斷方法依賴于專家經(jīng)驗，如專家系統(tǒng)[1]。隨著傳感器技術(shù)的快速發(fā)展與大量應(yīng)用，工業(yè)設(shè)備在運行過程中會產(chǎn)生大量的數(shù)據(jù)，而這些數(shù)據(jù)中隱藏著設(shè)備運行狀態(tài)信息，因此基于數(shù)據(jù)驅(qū)動的故障診斷方法[2]越來越得到人們的重視。

特征提取是基于數(shù)據(jù)驅(qū)動故障診斷的重要環(huán)節(jié)。目前，應(yīng)用于工業(yè)故障診斷領(lǐng)域內(nèi)的特征提取方法大致分為2種：基于深度學(xué)習(xí)的特征自提取方法[3]和人工特征提取方法。夏洪剛等[4]通過收集溶解在電力變壓器中的氣體比例數(shù)據(jù)，結(jié)合CNN算法實現(xiàn)了電力變壓器故障診斷，為完成CNN算法的訓(xùn)練及測試，共使用了多達4000個含7種狀態(tài)標簽的樣本數(shù)據(jù)。顯然，基于深度學(xué)習(xí)的特征自提取方法更適用于數(shù)據(jù)集充足的領(lǐng)域，而工業(yè)設(shè)備是以安全、穩(wěn)定運行為使用目標的，人們很難從設(shè)備端收集大量帶有故障標簽的運行數(shù)據(jù)，從而導(dǎo)致該方法未被廣泛應(yīng)用。因此，基于人工特征提取的故障診斷方法仍然是當(dāng)前工業(yè)設(shè)備故障診斷領(lǐng)域特征提取的主流方法。

然而，現(xiàn)有的人工特征提取方法并沒有充分考慮工業(yè)設(shè)備數(shù)據(jù)包含的“多變量+時序”二維特性。張星星等[5]通過提取滾動軸承振動時序信號的時域特征作為特征向量，然后采用多種傳統(tǒng)機器學(xué)習(xí)算法進行故障診斷。沈飛等[6]先對電機振動信號的自相關(guān)矩陣進行奇異值分解，然后通過提取前k個主要的奇異值作為特征向量。上述2種方法均僅從單變量的時間序列數(shù)據(jù)中提取特征，顯然他們沒有充分利用可從工業(yè)設(shè)備端采集到的多維變量數(shù)據(jù)。范鵬飛[7]證明了通過融合多源廣域數(shù)據(jù)的水電機組故障診斷方法比僅從單一振動信號中提取特征的方法更優(yōu)，但是該方法的局限性在于沒有更進一步考慮多變量數(shù)據(jù)在時間維度上的復(fù)雜緊密聯(lián)系。

通常，從工業(yè)設(shè)備端采集的數(shù)據(jù)屬于多變量時間序列[8](Multivariate time series,MTS)，具有以下特點：維數(shù)高、強耦合、時序性。由上述可知，在故障診斷領(lǐng)域，現(xiàn)有的人工特征提取方法要么只基于單變量，要么只提取多變量在各自時間維度上的特征而沒有考慮到它們在時間維度上的相互聯(lián)系。因此，他們都沒有充分挖掘設(shè)備運行數(shù)據(jù)中“多變量+時序”的二維特征，這也極大地限制了設(shè)備故障診斷準確率。在文獻[9-10]中，先后提出2種基于SVD(奇異值分解)的MTS特征提取方法，但本質(zhì)上它們還是只提取了MTS的一維特征。之后，Weng X Q等[11]提出基于二維奇異值分解(Two-Dimensional Singular Value Decomposition,2DSVD)的MTS特征提取方法，該方法是標準SVD方法的拓展，能夠獲取多變量時間序列的二維特征，因此取得了更好的效果。

針對特征提取不充分的問題，本文以某公司運營的自動洗車機設(shè)備為實驗對象，采用二維奇異值分解(2DSVD)從故障診斷樣本中提取出二維特征，并與傳統(tǒng)的標準奇異值分解(SVD)只提取一維特征的方法進行實驗對比，討論該方法應(yīng)用于工業(yè)設(shè)備故障診斷領(lǐng)域的優(yōu)勢。同時，本文建立了基于2DSVD特征提取的工業(yè)設(shè)備故障診斷模型，描述了從工業(yè)設(shè)備端獲取故障診斷樣本、訓(xùn)練模型參數(shù)以及基于該模型的完整工作流程，為工業(yè)設(shè)備故障診斷提供了切實有效的通用方法。

1 相關(guān)理論

1.1 工業(yè)設(shè)備故障診斷

工業(yè)設(shè)備故障是指用于工業(yè)生產(chǎn)的各類機器，因其機械或電氣零部件的使用壽命有限或受到外界干擾，導(dǎo)致其無法正常工作的現(xiàn)象。工業(yè)設(shè)備故障會影響到工業(yè)生產(chǎn)效率，嚴重者會威脅人們的生命安全。

基于數(shù)據(jù)驅(qū)動的工業(yè)設(shè)備故障診斷是指深度挖掘工業(yè)設(shè)備運行時產(chǎn)生的傳感器或工藝過程數(shù)據(jù)，提取數(shù)據(jù)中能夠反應(yīng)設(shè)備當(dāng)前狀態(tài)的本質(zhì)特征，結(jié)合適當(dāng)?shù)姆诸愃惴▽λ崛〉奶卣鲾?shù)據(jù)進行分類實現(xiàn)對設(shè)備當(dāng)前狀態(tài)模式識別，最終完成故障診斷。

1.2 二維奇異值分解(2DSVD)

Ding C等[12]最早提出使用2DSVD提取圖像特征，2DSVD是基于行-行協(xié)方差矩陣以及列-列協(xié)方差矩陣的二維奇異值分解方法，它是標準奇異值分解(即一維奇異值分解，1DSVD)的擴展，利用2DSVD所提取出來的特征是二維矩陣而不是一維向量[13]。2DSVD首先使用故障診斷樣本構(gòu)造行-行以及列-列的協(xié)方差矩陣，然后計算行-行及列-列協(xié)方差矩陣的特征向量用于對故障診斷樣本的特征提取。基于2DSVD方法提取的特征矩陣充分考慮到了故障診斷樣本的高維多變量以及它們在時間維度上的復(fù)雜聯(lián)系，不僅保留了樣本的本質(zhì)特征，而且大大縮減了初始樣本的行數(shù)及列數(shù)。

(1)

(2)

(3)

1.3 KNN算法

k近鄰(k-Nearest Neighbor，簡稱KNN)學(xué)習(xí)[16]是一種監(jiān)督式學(xué)習(xí)方法，其工作機制如下：給定測試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個訓(xùn)練樣本，然后基于這k個“近鄰”的信息對測試樣本進行預(yù)測,在解決分類任務(wù)時通常選擇這k個樣本中出現(xiàn)最多的類別標記作為預(yù)測結(jié)果。

KNN通常使用歐氏距離作為距離度量的方法。設(shè)xi=(xi1,xi2,…,xin)，yi=(yi1,yi2,…,yin)，則定義向量xi與yi之間的歐式距離為：

(4)

(5)

2 基于2DSVD特征提取的工業(yè)設(shè)備故障診斷

模型

2.1 獲取故障診斷樣本

在實際生產(chǎn)作業(yè)中，工業(yè)設(shè)備產(chǎn)生故障在時間和空間上的分布是不均勻的，其故障類別多且產(chǎn)生頻率不固定。對于時間跨度大的故障類型，很難在短時間內(nèi)獲取足夠的樣本數(shù)據(jù)。為了獲取充足的訓(xùn)練樣本，故障診斷樣本可以來源于設(shè)備歷史運行數(shù)據(jù)和故障實驗數(shù)據(jù)的組合。

設(shè)備歷史運行數(shù)據(jù)是指工業(yè)設(shè)備在實際作業(yè)過程中產(chǎn)生的數(shù)據(jù)，當(dāng)設(shè)備每次產(chǎn)生故障征兆時，操作人員保存征兆產(chǎn)生時刻前一段時間的歷史運行數(shù)據(jù)，通過標記對應(yīng)的故障類型標簽，整理得到故障診斷樣本。

故障實驗數(shù)據(jù)是指設(shè)備在運行過程中，以人工干擾的方式促使設(shè)備發(fā)生既定的故障稱為故障實驗。不同于軟件仿真實驗，故障實驗是在真實機器上進行的，它可以更大程度地接近真實故障情形。由于工業(yè)設(shè)備在日常作業(yè)中發(fā)生故障的頻率比較低，通過故障實驗收集的數(shù)據(jù)可以大大縮短獲取故障診斷樣本的周期。

(6)

定義設(shè)備狀態(tài)標簽向量為：Y={y1,y2,…,yn}，Y向量的長度與故障診斷樣本空間中樣本總數(shù)N保持一致。Y的分量yi與第i個樣本Ti之間存在一一對應(yīng)關(guān)系，即第i個樣本Ti對應(yīng)設(shè)備狀態(tài)標簽值yi。假設(shè)共有H種故障類型，則yi的取值范圍為[0,H]，其中0表示設(shè)備正常工作狀態(tài)。

2.2 基于2DSVD+KNN的故障診斷模型

表1 算法1

表2 算法2

圖1 基于2DSVD+KNN的故障診斷模型圖

2.3 工業(yè)設(shè)備故障診斷流程

圖2 工業(yè)設(shè)備故障診斷流程圖

當(dāng)每次設(shè)備檢修完成后，樣本Ttest及其對應(yīng)的正確類型標簽ytest將添加到訓(xùn)練樣本庫Ptrain中，而故障實驗數(shù)據(jù)可作為Ptrain的初始數(shù)據(jù)來源。由于“2DSVD+KNN”故障診斷模型的參數(shù)是從訓(xùn)練樣本庫Ptrain中提取的(依據(jù)算法1)，Ptrain樣本的數(shù)量和質(zhì)量將直接影響到整個故障診斷系統(tǒng)的性能。由此可見，隨著系統(tǒng)的不斷運行，訓(xùn)練樣本庫Ptrain將逐漸得到補充和完善，該診斷系統(tǒng)的準確率也將不斷提高。

3 實驗驗證

為了驗證本文所提基于2DSVD特征提取的工業(yè)設(shè)備故障診斷方法的優(yōu)越性，將進行4種不同特征提取方法下的對比實驗，分別是：基于2DSVD特征提取方法、基于一維SVD的Li’s first方法、基于一維SVD的Li’s second方法以及不進行特征提取的方法。

3.1 數(shù)據(jù)來源

圖3 自動洗車機實拍圖

實驗數(shù)據(jù)來源于某公司已投入運營的自動洗車機設(shè)備。如圖3所示，自動洗車機是標準的工業(yè)自動化設(shè)備，它通過門機的往復(fù)運動配合車刷對用戶車輛進行全方位的清洗，整個洗車過程共有12個執(zhí)行器參與，涉及的種類有：步進電機、異步電機、推桿電機等。為了提高通用性，該洗車機設(shè)備需要借助多達21個傳感器用于測量車輛外部尺寸，使其可以為不同車型規(guī)劃出不同的洗車路徑。因此，上述的12個執(zhí)行器和21個傳感器是整個洗車機系統(tǒng)的關(guān)鍵零部件，其中任意零部件的損壞均能引起整個洗車機系統(tǒng)的異常。實踐表明，由于零部件的壽命有限，且它們長期工作在潮濕、含有泥漬的工作環(huán)境中，因零部件損壞而導(dǎo)致洗車機設(shè)備故障的事件時有發(fā)生。隨著設(shè)備的大批量投入使用，以智能化的故障診斷方法代替人工故障診斷具有重大的實用價值。

本文將重點研究自動洗車機的4種典型故障，分別是角度編碼器損壞、光電對射傳感器鏡頭污漬、推桿電機損壞以及用戶泊車誤操作，并通過故障實驗構(gòu)建樣本庫，樣本庫中共包含上述4種故障狀態(tài)以及正常狀態(tài)共5種標簽類型。選取自動洗車機的11類傳感器狀態(tài)值、10類控制器輸出狀態(tài)值以及6類工藝姿態(tài)信息共27個變量作為采樣點，每累計采樣100次的數(shù)據(jù)組合成樣本矩陣Ti，Ti∈R100×27。通過對5種設(shè)備狀態(tài)類型分別進行100次實驗，可得到大小為500×100×27的樣本空間，選取其中70%的樣本作為訓(xùn)練集，30%的樣本作為測試集，即Ptrain∈R350×100×27，Ptest∈R150×100×27。表3是部分樣本數(shù)據(jù)示例。

表3 部分原始樣本及其歸一化數(shù)據(jù)

3.2 結(jié)果與分析

依據(jù)文獻[11]提出的方法，當(dāng)參數(shù)r=15,s=22時，使用2DSVD特征提取方法在不同k值下的故障診斷準確率總是最高的。表4是基于4種特征提取方法的故障診斷實驗結(jié)果，圖4是對應(yīng)的折線圖。經(jīng)過對比發(fā)現(xiàn)，在無特征提取情況下直接使用KNN進行故障分類的準確率非常低，這是因為樣本過高的變量維數(shù)，且其中參雜了過多冗余信息，導(dǎo)致很難直接以度量樣本距離的方式進行故障分類。由圖4可知，到當(dāng)k=1時，即最近鄰情況下的故障分類準確率通常是最高的。

表4 不同特征提取方法的故障診斷準確率

圖4 不同特征提取方法的準確率與k值的關(guān)系圖

表5對基于4種特征提取方法的故障診斷最優(yōu)準確率及其算法平均耗時進行了總結(jié)，結(jié)果顯示本文所提基于2DSVD特征提取的方法對比Li的方法有更高的準確率，對比無特征提取的方式大幅地縮減了算法耗時，進一步表明使用該方法提取的樣本特征信息更為充分、準確且簡潔。

表5 不同特征提取方法的故障診斷性能對比

4 結(jié)論

本文針對當(dāng)前工業(yè)設(shè)備故

障診斷主流方法中存在的特征提取不夠充分的問題，利用自動洗車機實驗數(shù)據(jù)進行了基于不同特征提取方法下的對比實驗，與傳統(tǒng)的只基于1維特征提取的方法，即Li’s first、Li’s second方法以及無特征提取的方法相比較，本文提出的基于2DSVD特征提取的工業(yè)設(shè)備故障診斷方法明顯提高了故障診斷準確率。同時，本文構(gòu)建的基于2DSVD特征提取結(jié)合KNN分類算法的工業(yè)設(shè)備故障診斷模型，為該算法應(yīng)用于工程實踐提供了理論基礎(chǔ)。