王斐，房立清，陳敬文

(1.武警士官學(xué)校 軍械系，浙江 杭州 310023; 2.陸軍工程大學(xué)石家莊校區(qū) 火炮工程系，河北 石家莊 050003;3.駐重慶地區(qū)第二軍事代表室，重慶 400000)

自動(dòng)機(jī)是自行高炮火力系統(tǒng)的核心組成部分，其結(jié)構(gòu)復(fù)雜，工作在高溫高壓高過(guò)載的環(huán)境下，在長(zhǎng)期使用過(guò)程中容易產(chǎn)生一系列故障，甚至造成嚴(yán)重的射擊事故[1-4]?；跔顟B(tài)的維修CBM(Condition Based Maintenance)是一種預(yù)防性維修策略，通過(guò)對(duì)機(jī)械系統(tǒng)的健康狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，可對(duì)系統(tǒng)早期故障的發(fā)生、發(fā)展做出及時(shí)預(yù)警，進(jìn)而有針對(duì)性地開(kāi)展維修活動(dòng)，確保整個(gè)系統(tǒng)的運(yùn)行平穩(wěn)、安全和可靠，利用CBM技術(shù)可有效實(shí)現(xiàn)設(shè)備的預(yù)知管理和維護(hù)，避免重大事故的發(fā)生[5]?？紤]到自動(dòng)機(jī)從正常狀態(tài)到故障狀態(tài)需要經(jīng)歷一系列故障發(fā)展過(guò)程，因此可將CBM技術(shù)應(yīng)用于自動(dòng)機(jī)故障狀態(tài)監(jiān)測(cè)中，對(duì)其運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)早期異常狀態(tài)，開(kāi)展相應(yīng)的維修策略，避免嚴(yán)重故障的發(fā)生，這對(duì)于提升自行高炮武器系統(tǒng)的戰(zhàn)斗力具有重要的意義。

在自動(dòng)機(jī)故障狀態(tài)監(jiān)測(cè)中，所建立的狀態(tài)監(jiān)測(cè)模型需要具備以下兩方面能力：一方面需要從自動(dòng)機(jī)不同運(yùn)行狀態(tài)的振動(dòng)信號(hào)中有效區(qū)分正常與故障狀態(tài)(異常狀態(tài)檢測(cè))；另一方面需要對(duì)自動(dòng)機(jī)故障的性能退化過(guò)程具有良好的監(jiān)測(cè)作用。

準(zhǔn)確獲取系統(tǒng)的不同狀態(tài)信息并進(jìn)行識(shí)別是狀態(tài)監(jiān)測(cè)技術(shù)的基礎(chǔ)。然而在自動(dòng)機(jī)實(shí)際運(yùn)行過(guò)程中，獲取正常運(yùn)行狀態(tài)樣本較為容易，而獲取故障樣本則比較困難。在僅能獲取自動(dòng)機(jī)正常狀態(tài)樣本的前提下，采用特定方法，以實(shí)現(xiàn)正常狀態(tài)和故障狀態(tài)的準(zhǔn)確檢測(cè)和識(shí)別，當(dāng)處于故障狀態(tài)便可以進(jìn)一步根據(jù)其他信息確定故障部位和故障類型，通過(guò)這種方式也可以有效預(yù)防事故的發(fā)生。這種在只有單一狀態(tài)樣本的情況下進(jìn)行的故障樣本與正常樣本的評(píng)估與分類通常被稱為“單值分類”問(wèn)題。

支持向量數(shù)據(jù)描述(support vector data description, SVDD)[6-8]是一種能夠?qū)崿F(xiàn)目標(biāo)樣本和非目標(biāo)樣本區(qū)分的單值(One-class)分類方法，其核心思想是通過(guò)非線性映射將樣本映射到高維的內(nèi)積空間，在特征空間中尋找一個(gè)包含全部或大部分樣本且體積最小的超球體(最優(yōu)超球體)來(lái)對(duì)目標(biāo)數(shù)據(jù)集進(jìn)行超球體描述。SVDD方法只需要一類樣本數(shù)據(jù)進(jìn)行分類模型的構(gòu)建，計(jì)算速度較高，魯棒性強(qiáng)[9-12],在異常檢測(cè)、樣本多分類問(wèn)題和故障檢測(cè)等領(lǐng)域應(yīng)用廣泛。

筆者提出一種基于SVDD的自動(dòng)機(jī)故障狀態(tài)監(jiān)測(cè)模型，通過(guò)正常狀態(tài)下的自動(dòng)機(jī)振動(dòng)信號(hào)提取反映樣本狀態(tài)信息的特征指標(biāo)作為訓(xùn)練樣本完成SVDD監(jiān)測(cè)模型的訓(xùn)練與構(gòu)建。通過(guò)多種自動(dòng)機(jī)關(guān)重件故障模擬試驗(yàn)對(duì)模型進(jìn)行了驗(yàn)證，驗(yàn)證結(jié)果表明所提出的監(jiān)測(cè)模型不僅可以準(zhǔn)確識(shí)別自動(dòng)機(jī)正常狀態(tài)與故障狀態(tài)，同時(shí)也具有良好的早期故障檢測(cè)能力，并可以較為準(zhǔn)確地反映自動(dòng)機(jī)關(guān)重件故障性能退化過(guò)程。

1 基本理論

1.1 支持向量數(shù)據(jù)描述(SVDD)

SVDD是一種重要的單值分類算法，理論基礎(chǔ)為Vapnik提出的VC維(Vapnik-Chervonenkis Dimension)分類器的統(tǒng)計(jì)學(xué)習(xí)方法。與SVM分類器中定義的最優(yōu)超平面不同，SVDD在高維空間中定義了一個(gè)體積最小的超球體，將給定的訓(xùn)練數(shù)據(jù)映射到高維空間中，使得訓(xùn)練數(shù)據(jù)盡可能多的包含于該超球體中，不屬于該類的數(shù)據(jù)則位于超球體之外。給定一個(gè)目標(biāo)類樣本集X={x1,x2,…,xn}，定義一個(gè)包含所有或幾乎所有目標(biāo)類樣本的超球體，超球體球心為a，半徑為R。考慮到目標(biāo)樣本中可能存在少數(shù)野點(diǎn)，為了提高算法對(duì)訓(xùn)練樣本中野點(diǎn)的魯棒性，引入松弛因子ξi，允許部分樣本點(diǎn)分布于超球體之外，此時(shí)SVDD優(yōu)化問(wèn)題描述為

(1)

式中，C>0為指定的懲罰參數(shù)，用以調(diào)節(jié)錯(cuò)分訓(xùn)練樣本數(shù)(球外樣本數(shù))和R的大小。

徑向基核函數(shù)(RBF)是使用最為廣泛的核函數(shù)，無(wú)論是小樣本還是大樣本，高維還是低維等情況，均有良好的分類效果，筆者選用RBF作為SVDD的核函數(shù)。

通過(guò)核函數(shù)的方法將訓(xùn)練樣本由低維空間映射到高維空間中，從而在新的高維空間中對(duì)目標(biāo)樣本進(jìn)行很好的描述，在映射空間φ中超球體半徑R可由任意支持向量到中心的距離計(jì)算得到，

(2)

對(duì)于新樣本z，它與球心的距離可表示為

(3)

1.2 變模態(tài)分解方法簡(jiǎn)介

變模態(tài)分解(variational mode decomposition, VMD)是一種自適應(yīng)與準(zhǔn)正交信號(hào)分解方法，可將信號(hào)非遞歸地分解為不同尺度下的限帶內(nèi)享模態(tài)函數(shù)(band-limited intrinsic mode function,BIMF)分量之和，對(duì)于非平穩(wěn)、非線性信號(hào)具有很強(qiáng)的處理能力。同其他信號(hào)自適應(yīng)分解方法如EMD、LMD方法相比，在含噪脈沖信號(hào)分解、故障特征頻率提取、克服模態(tài)混疊方面有很大的優(yōu)越性。

通過(guò)VMD分解，可將自動(dòng)機(jī)原始振動(dòng)信號(hào)分解為不同尺度下的BIMF分量，通過(guò)計(jì)算各分量的樣本熵值可得到不同故障狀態(tài)下的自動(dòng)機(jī)特征向量，可進(jìn)一步為自動(dòng)機(jī)故障狀態(tài)監(jiān)測(cè)提供良好的數(shù)據(jù)支撐。

2 自動(dòng)機(jī)振動(dòng)測(cè)試平臺(tái)簡(jiǎn)介

通過(guò)實(shí)彈射擊的方式進(jìn)行故障診斷試驗(yàn)是行之有效的方法，但這種方法故障設(shè)置較為困難，危險(xiǎn)性大，同時(shí)受試驗(yàn)場(chǎng)地和研究成本的限制，因此目前對(duì)自動(dòng)機(jī)故障診斷技術(shù)的研究還不能完全通過(guò)實(shí)彈射擊的方式進(jìn)行。為了試驗(yàn)需要，根據(jù)自動(dòng)機(jī)運(yùn)行特點(diǎn)，搭建了自動(dòng)機(jī)振動(dòng)測(cè)試平臺(tái)，該平臺(tái)可模擬自動(dòng)機(jī)實(shí)彈射擊過(guò)程中的部分運(yùn)行工況，利用平臺(tái)上的振動(dòng)加速度傳感器獲取不同故障形式下的信號(hào)，并通過(guò)對(duì)振動(dòng)信號(hào)進(jìn)行分析實(shí)現(xiàn)自動(dòng)機(jī)典型故障的狀態(tài)監(jiān)測(cè)。

本文的自動(dòng)機(jī)振動(dòng)測(cè)試平臺(tái)由導(dǎo)氣式自動(dòng)機(jī)、承載系統(tǒng)、連接裝置、氣動(dòng)系統(tǒng)、模擬射擊控制系統(tǒng)、數(shù)據(jù)測(cè)試與采集系統(tǒng)6部分組成。平臺(tái)各部分組成結(jié)構(gòu)示意圖如圖1所示。利用自動(dòng)機(jī)振動(dòng)測(cè)試平臺(tái)進(jìn)行信號(hào)采集如圖2所示，過(guò)程中所使用的數(shù)據(jù)采集卡為NI公司的NI9234。振動(dòng)傳感器選用三向壓電式加速度傳感器CA-YD-193A01，該型傳感器具有較高的測(cè)試精度和可靠性，技術(shù)指標(biāo)完全滿足自動(dòng)機(jī)的工況環(huán)境。傳感器布置于自動(dòng)機(jī)支撐塊附近的炮箱表面上，該區(qū)域表面較為平坦，且與激振源的距離很近，可以測(cè)得反映自動(dòng)機(jī)不同故障狀態(tài)下的振動(dòng)情況。

3 基于SVDD的自動(dòng)機(jī)狀態(tài)監(jiān)測(cè)模型

3.1 自動(dòng)機(jī)狀態(tài)監(jiān)測(cè)模型建立流程

SVDD故障狀態(tài)監(jiān)測(cè)模型主要由訓(xùn)練過(guò)程和狀態(tài)監(jiān)測(cè)過(guò)程兩部分組成，模型構(gòu)成如圖3所示。

該故障狀態(tài)監(jiān)測(cè)模型構(gòu)建的具體步驟為：

1)以正常狀態(tài)下的樣本為訓(xùn)練樣本，通過(guò)一定的特征提取方法提取反映樣本狀態(tài)信息的特征指標(biāo)Vnormal；

2)利用正常樣本的特征指標(biāo)作為訓(xùn)練樣本構(gòu)建SVDD分類器，在這個(gè)過(guò)程中需要根據(jù)樣本特征選取合適的懲罰參數(shù)C與核函數(shù)參數(shù)σ，并最終得到包含正常樣本超球面O，超球體半徑為R；

3)計(jì)算測(cè)試樣本特征指標(biāo)Vtest，輸入到構(gòu)建好的SVDD分類器中求得Vtest與超球體球心之間的廣義距離d，d可由式(3)求出，這里定義狀態(tài)指標(biāo)CI(condition indicator),CI可由式(4)求出，以CI值作為故障程度判定的依據(jù)，當(dāng)d≤R時(shí)，則樣本為正常樣本；當(dāng)d>R時(shí)，樣本屬于故障樣本，故障樣本d的取值越大則CI值越大，此時(shí)故障程度越深。

(4)

3.2 自動(dòng)機(jī)故障特征提取流程

自動(dòng)機(jī)信號(hào)的特征提取方法是依據(jù)圖4所述特征提取流程，得到反映自動(dòng)機(jī)狀態(tài)信息的樣本熵特征值。以自動(dòng)機(jī)正常運(yùn)行狀態(tài)下的30組振動(dòng)信號(hào)作為樣本，按照故障特征提取流程得到SVDD狀態(tài)檢測(cè)模型所需的特征向量。

3.3 SVDD模型參數(shù)選取

在構(gòu)建自動(dòng)機(jī)SVDD狀態(tài)監(jiān)測(cè)模型過(guò)程中，需要選取合適的懲罰參數(shù)C與核函數(shù)參數(shù)σ。在對(duì)SVDD的模型特點(diǎn)進(jìn)行研究的過(guò)程中發(fā)現(xiàn)，要使模型對(duì)故障狀態(tài)更加敏感，對(duì)性能退化過(guò)程的反映更加準(zhǔn)確，就需要使得所得到的超球體盡可能緊支，即所得超球體中所包含的訓(xùn)練樣本盡可能多且超球體半徑盡可能小，這樣所得到的SVDD模型將更加精確。

根據(jù)文獻(xiàn)[13]的研究成果，懲罰參數(shù)C與核函數(shù)參數(shù)σ的一般取值范圍為0

由圖5可知，超球體內(nèi)樣本數(shù)K與懲罰參數(shù)C及核函數(shù)參數(shù)σ有較大關(guān)系；K隨著σ的增大而增大并逐漸趨于穩(wěn)定，但當(dāng)σ增加到一定程度時(shí)K有減小的趨勢(shì)；當(dāng)C的取值較小時(shí)(C=0.1,0.3)，K的取值整體較小，當(dāng)C的值增大時(shí)(C=0.5,0.7,1.0)，K值變化規(guī)律趨于穩(wěn)定。超球體半徑R隨著σ的增大而逐漸減小，且與C的取值關(guān)系不大。根據(jù)上述所提模型選取原則，經(jīng)綜合考慮，自動(dòng)機(jī)狀態(tài)監(jiān)測(cè)SVDD模型的參數(shù)選擇定為C=0.5，σ=44，此時(shí)，超球體所含訓(xùn)練樣本數(shù)量最多且超球體半徑較小，這種情況下得到的超球體對(duì)正常狀態(tài)樣本的包圍更加緊密，對(duì)異常狀態(tài)樣本也更加敏感，也更為容易地監(jiān)測(cè)到自動(dòng)機(jī)異常狀態(tài)的發(fā)生。

4 SVDD模型在自動(dòng)機(jī)檢測(cè)中的應(yīng)用

4.1 自動(dòng)機(jī)異常狀態(tài)檢測(cè)

在自動(dòng)機(jī)實(shí)際工作過(guò)程中，受高溫、高壓、強(qiáng)燒蝕、高射速等工況條件的影響，自動(dòng)機(jī)閉鎖塊易發(fā)生磨損、點(diǎn)蝕故障；輸彈機(jī)構(gòu)中的輸彈簧易發(fā)生疲勞故障；由于相關(guān)試驗(yàn)條件的限制，通過(guò)預(yù)制故障模擬以上3種故障形式：

1)F1：在閉鎖塊工作面設(shè)置深度為0.2 mm的磨損面，磨損面寬度為2 mm；

2)F2：在閉鎖塊工作面中心位設(shè)置兩個(gè)深度為1 mm，直徑為5 mm的點(diǎn)蝕坑，呈對(duì)稱分布；

3)F3：選取一根實(shí)際工作中疲勞失效的輸彈簧模擬彈簧疲勞失效故障。

具體故障設(shè)置如圖6所示。

為了驗(yàn)證所建立的SVDD模型在自動(dòng)機(jī)異常狀態(tài)檢測(cè)中的有效性，針對(duì)確定的關(guān)重件的典型故障類型，利用故障模擬試驗(yàn)的樣本數(shù)據(jù)進(jìn)行SVDD模型的驗(yàn)證，所采用的樣本數(shù)據(jù)如表1所示。

表1 自動(dòng)機(jī)狀態(tài)測(cè)試數(shù)據(jù)集描述

圖7為利用自動(dòng)機(jī)測(cè)試平臺(tái)測(cè)得的4種狀態(tài)下的自動(dòng)機(jī)振動(dòng)信號(hào)。

按照特征提取流程，對(duì)振動(dòng)信號(hào)進(jìn)行5層VMD分解，得到BIMF分量，計(jì)算各分量的樣本熵值作為自動(dòng)機(jī)的故障特征。之后將4種狀態(tài)下共170組混合特征集輸入SVDD狀態(tài)監(jiān)測(cè)模型，得到的監(jiān)測(cè)結(jié)果如圖8所示。

從圖8中的自動(dòng)機(jī)故障數(shù)據(jù)集的CI值可知，自動(dòng)機(jī)混合測(cè)試數(shù)據(jù)集中的正常狀態(tài)和異常狀態(tài)被明顯區(qū)分開(kāi)來(lái)，同時(shí)對(duì)數(shù)據(jù)集的分布情況進(jìn)行分析，結(jié)果如表2所示。其中測(cè)試結(jié)果的虛報(bào)樣本數(shù)為1，虛報(bào)率為0.5%，漏報(bào)樣本數(shù)為7，漏報(bào)率為4%，試驗(yàn)中的總體故障檢測(cè)準(zhǔn)確率達(dá)到了較高水平。通過(guò)以上分析可知，筆者所提出的SVDD模型能夠很好地區(qū)分自動(dòng)機(jī)正常狀態(tài)與異常狀態(tài)，具有良好的異常狀態(tài)檢測(cè)效果。

表2 自動(dòng)機(jī)多故障測(cè)試數(shù)據(jù)集計(jì)算結(jié)果

4.2 故障性能退化監(jiān)測(cè)

自動(dòng)機(jī)關(guān)重件在產(chǎn)生故障過(guò)程中需要經(jīng)歷一系列性能退化過(guò)程，故障程度從輕微逐漸加重，所建立的狀態(tài)監(jiān)測(cè)模型需要對(duì)這些故障程度的變化具有一定的量化反應(yīng)能力，這樣可以盡早發(fā)現(xiàn)自動(dòng)機(jī)的輕微故障，開(kāi)展相應(yīng)的維修策略，以防止故障的進(jìn)一步加深，這在工程應(yīng)用中對(duì)自動(dòng)機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)具有很大的意義。

在自動(dòng)機(jī)實(shí)際運(yùn)行過(guò)程中，幾乎沒(méi)有故障退化的數(shù)據(jù)樣本，為了驗(yàn)證所提模型對(duì)自動(dòng)機(jī)故障的性能退化的監(jiān)測(cè)效果，筆者在自動(dòng)機(jī)振動(dòng)測(cè)試平臺(tái)上通過(guò)預(yù)制故障的方式模擬關(guān)重件的故障退化過(guò)程。在自動(dòng)機(jī)實(shí)彈射擊過(guò)程中，輸彈簧疲勞是較為常見(jiàn)的故障形式，因此，以輸彈簧疲勞故障為研究對(duì)象，對(duì)于研究自動(dòng)機(jī)關(guān)重件性能退化過(guò)程具有良好的代表性。

在模擬輸彈簧疲勞故障退化試驗(yàn)中，使用一根全新的輸彈簧為試驗(yàn)對(duì)象。當(dāng)輸彈簧被截取一部分時(shí)，彈力值會(huì)發(fā)生相應(yīng)變化，用截取彈簧的方式模擬彈簧疲勞，通過(guò)設(shè)置不同截取長(zhǎng)度來(lái)模擬不同程度的疲勞。

試驗(yàn)中，分別對(duì)此彈簧截取不同長(zhǎng)度，代表不同疲勞程度下的輸彈簧；截取長(zhǎng)度分別為0、2.8、4.9、6.5、8.4 cm，分別用于模擬正常、輕微、中度、重度及嚴(yán)重等5種不同故障階段的輸彈簧，這幾種狀態(tài)下的輸彈簧的具體情況如表3所示。

表3 不同狀態(tài)下輸彈簧的性能情況描述

5種狀態(tài)下的輸彈簧依次裝入自動(dòng)機(jī)進(jìn)行模擬射擊試驗(yàn)，根據(jù)圖4所示提取每種狀態(tài)下樣本的故障特征向量，將這5種不同狀態(tài)下共250組特征向量集組成測(cè)試樣本輸入已經(jīng)訓(xùn)練好的SVDD狀態(tài)監(jiān)測(cè)模型，得到圖9所示的監(jiān)測(cè)結(jié)果。

由圖9可知，所提出的自動(dòng)機(jī)SVDD狀態(tài)監(jiān)測(cè)模型可以將正常狀態(tài)與多種不同程度的疲勞故障狀態(tài)完全區(qū)分開(kāi)來(lái)，其中，虛報(bào)樣本數(shù)為3，虛報(bào)率為6%；漏報(bào)樣本數(shù)為0，漏報(bào)率為0；與此同時(shí)，監(jiān)測(cè)模型較為清晰的揭示了隨著輸彈簧疲勞故障程度的增大，CI值逐漸增大這一故障退化現(xiàn)象。這說(shuō)明筆者所提出的監(jiān)測(cè)模型對(duì)于故障的發(fā)生具有很強(qiáng)的敏感性，具有良好的早期故障檢測(cè)能力，可以較早地檢測(cè)到微弱故障的發(fā)生，并可以在一定程度上描述自動(dòng)機(jī)關(guān)重件的性能退化規(guī)律，對(duì)于開(kāi)展相應(yīng)的維修策略具有重要的實(shí)際意義。

5 結(jié)論

筆者提出了一種基于SVDD的自動(dòng)機(jī)狀態(tài)監(jiān)測(cè)模型，該模型在自動(dòng)機(jī)關(guān)重件異常狀態(tài)檢測(cè)和故障性能退化狀態(tài)監(jiān)測(cè)中具有良好的效果。主要結(jié)論如下：

1)建立了一種基于SVDD的自動(dòng)機(jī)狀態(tài)監(jiān)測(cè)模型，僅利用正常狀態(tài)下的自動(dòng)機(jī)運(yùn)行數(shù)據(jù)，并根據(jù)所提參數(shù)選取原則完成了監(jiān)測(cè)模型的構(gòu)建。

2)設(shè)置多種預(yù)制零件故障，將自動(dòng)機(jī)SVDD狀態(tài)監(jiān)測(cè)模型應(yīng)用于異常狀態(tài)檢測(cè)，試驗(yàn)結(jié)果具有較高的檢測(cè)正確率，驗(yàn)證了該模型在異常狀態(tài)檢測(cè)中有良好的表現(xiàn)。

3)將SVDD模型應(yīng)用于輸彈簧疲勞故障的性能退化程度監(jiān)測(cè)試驗(yàn)中，試驗(yàn)結(jié)果說(shuō)明了所建立的模型具有良好的早期故障檢測(cè)能力，同時(shí)可較好地反映自動(dòng)機(jī)零件的性能退化規(guī)律，從而驗(yàn)證了所建立的SVDD模型在自動(dòng)機(jī)故障性能退化監(jiān)測(cè)中具有良好的效果。