摘 要：傳統(tǒng)裝備故障檢測方式單一，檢測速度慢，具有一定局限性。并且，目前大量在用的相同型號裝備，對于裝備故障診斷、預(yù)測和決策具有重要價值的使用和維修歷史數(shù)據(jù)大都沒有被充分利用。本文設(shè)計了一種基于網(wǎng)絡(luò)平臺的多裝備故障檢測系統(tǒng)，其中包括管理用戶與裝備信息的網(wǎng)絡(luò)平臺的設(shè)計、小波分析與神經(jīng)網(wǎng)絡(luò)兩種故障診斷模塊的設(shè)計以及嵌入式數(shù)據(jù)采集模塊的設(shè)計。通過這套系統(tǒng)能夠?qū)⒀b備實時信息與網(wǎng)絡(luò)平臺相連接，將裝備信息、同類型裝備實時樣本數(shù)據(jù)與歷史大數(shù)據(jù)信息進(jìn)行對比，在數(shù)據(jù)樣本足夠時，本系統(tǒng)可以綜合判斷出當(dāng)前多個裝備的狀態(tài)并實現(xiàn)故障診斷等功能。

關(guān)鍵詞：故障診斷；網(wǎng)絡(luò)平臺；多裝備

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1673-1794（2023）02-0007-06

作者簡介：陳飛，滁州學(xué)院機械與工程學(xué)院教師，碩士，研究方向：控制理論與控制工程 （安徽 滁州 239000）。

收稿日期：2023-03-21

我國裝備類型眾多，數(shù)量巨大，裝備故障時有發(fā)生，有時甚至?xí)绊懙饺说纳踩?。裝備的計劃維修、預(yù)防維修和狀態(tài)維修等方式存在過度維修和欠維修的狀況，部分裝備達(dá)到一定質(zhì)保年限后即使沒壞也會被報廢，致使裝備維修、保養(yǎng)以及更新的成本昂貴，次生災(zāi)害和裝備故障時有發(fā)生。目前國內(nèi)外大部分裝備的檢修方式都是通過專業(yè)儀器檢測與人工檢測相結(jié)合的方式，檢修人員需要大量工作經(jīng)驗與技術(shù)，因此對檢修人員要求較高，而且大量的多類型裝備也讓檢修人員需求大大增加，維護(hù)成本進(jìn)一步提高?；谏鲜霈F(xiàn)實狀況，建立一個基于網(wǎng)絡(luò)平臺的故障檢測系統(tǒng)，具有重要的意義。

1 網(wǎng)絡(luò)平臺的設(shè)計

該網(wǎng)絡(luò)平臺設(shè)計主要用于管理用戶與裝備相關(guān)信息，連接網(wǎng)絡(luò)數(shù)據(jù)管理平臺并獲取所需裝備歷史大數(shù)據(jù)，結(jié)合使用裝備實時監(jiān)測數(shù)據(jù)進(jìn)行故障診斷、預(yù)測和決策，最終將獲得結(jié)果信息反饋給用戶，網(wǎng)絡(luò)平臺的登錄界面和信息錄入界面如圖1所示。

在登錄界面，用戶可以進(jìn)行注冊和登錄；在單位信息管理界面，提供錄入單位編號和名稱等信息的功能，方便不同裝備的管理；在裝備類型管理界面，用戶可以錄入裝備型號、名稱等信息，方便同類型裝備管理；從分系統(tǒng)信息管理界面可以錄入裝備的各個分系統(tǒng)模塊；由裝備信息管理界面可以查看和管理裝備信息；從上傳樣本界面可以錄入對應(yīng)型號裝備樣本信息^[1]。

2 數(shù)據(jù)采集模塊硬件

本模塊主要針對網(wǎng)絡(luò)平臺的前端數(shù)據(jù)采集所設(shè)計。使用的硬件包括終端信號采集板、信號處理板和4G通訊模塊，三個硬件相互配合分別完成特定裝備測量信號的采集、處理與傳輸功能。

終端信號采集板可以根據(jù)所測量的電子裝備內(nèi)信號的不同而選取不同的型號，主要作用是采集單個電子裝備內(nèi)部測量點信號，保證數(shù)據(jù)采集符合傳輸要求，同時不會對電子裝備的內(nèi)部有干擾。信號處理板的作用對終端信號采集板所采集到的信號進(jìn)行處理，并將處理后的數(shù)據(jù)通過4G通訊模塊發(fā)送到服務(wù)器。4G通訊模塊的485通訊接口能夠與信號處理板對接，可支持透傳、多種通訊協(xié)議以及多個通訊運營商不同的通訊制式。設(shè)計的實物模塊如圖2所示。

3 故障診斷模塊

系統(tǒng)故障診斷指通過分析當(dāng)前系統(tǒng)的運行狀態(tài)，然后根據(jù)分析的結(jié)果做出判斷，診斷出故障的種類、部位和原因等，為排除故障和保證系統(tǒng)正常運行提供相應(yīng)依據(jù)^[2]。

3.1 小波分析模塊設(shè)計

在裝備使用初期，沒有大量同類型裝備的數(shù)據(jù)時，使用小波分析方法進(jìn)行故障診斷。這種方法的優(yōu)點在于可以避開被診斷對象的數(shù)學(xué)模型，針對那些難以建模的對象來說，這是十分有用處的。

本模塊使用了基于5層小波分解的小波分析特征值容差閾值算法。首先對選擇的測點信號進(jìn)行時間（空間）和頻率的局部化分析，然后使用伸縮、平移的運算方法，對信號（函數(shù)）逐步完成多尺度的細(xì)化，達(dá)成在高頻段進(jìn)行時間細(xì)分和在低頻段進(jìn)行頻率細(xì)分的目的，最終使系統(tǒng)能夠自動適應(yīng)時頻信號分析的要求，并能夠?qū)π盘柕娜魏我粋€細(xì)節(jié)進(jìn)行聚焦^[3]。然后對比從每一個細(xì)節(jié)所提取的正常信號與故障信號的多種頻率，計算出每一層小波分解的HU距，并在界面上顯示出高頻分量的特征值。最后對比通過小波分析獲得的被測信號和樣本信號的特征值容差閾值，來判斷被測設(shè)備是否出現(xiàn)故障，系統(tǒng)設(shè)計流程如圖3所示。

3.1.1 小波分析特征值容差閾值算法

在裝備使用初期，沒有大量同類型裝備的數(shù)據(jù)時，使用小波分析方法進(jìn)行故障診斷。本文使用小波分析特征值容差閾值算法，對從被測信號與樣本信號獲得的小波分析特征值容差閾值和敏感特征值容差閾值進(jìn)行對比，從而判斷被測設(shè)備有無故障。

主要使用了蒙特卡洛模擬分析方法來獲取小波分析特征容差閾值，具體使用特征容差閾值算法進(jìn)行故障診斷的步驟如下：

1.以樣本信號數(shù)據(jù)為基準(zhǔn)，將給定信號的容差閾值作為各數(shù)據(jù)點容差的均值期望。再使用在計算機上生成偽隨機數(shù)的方法，由計算機根據(jù)均勻分布或正態(tài)分布逐點生成隨機仿真數(shù)據(jù)，并隨機仿真模擬出若干組被測信號數(shù)據(jù)。然后根據(jù)所測數(shù)據(jù)的不同，計算每一個數(shù)據(jù)點的容差平均值的平均期望值。最后通過計算用戶可接受的風(fēng)險等級來確定蒙特卡洛模擬組數(shù)。由此獲得的容差平均期望值即為給定的信號容差閾值。

2.對獲取的各組隨機仿真模擬信號數(shù)據(jù)進(jìn)行小波分析，獲得各組仿真模擬信號特征參數(shù)的數(shù)值。

3.將各組進(jìn)行小波分析得到的隨機仿真模擬信號數(shù)據(jù)的同一特征參數(shù)的數(shù)值相加，然后整體除以仿真模擬信號的組數(shù)獲取該特征參數(shù)的平均值。以同樣方法求出全部特征參數(shù)的平均值，特征參數(shù)均值的算法公式如（1）所示。

3.1.2 小波分析模塊概述

該模塊使用了基于MATLAB的小波分解算法，用其來判斷電路是否故障。使用者自行設(shè)定信號容差閾值后，系統(tǒng)會自動計算產(chǎn)生特征值容差閾值及敏感特征值容差閾值。然后使用MATLAB軟件對電路測試點的正常波形與可能故障的波形進(jìn)行多層小波分析。再根據(jù)用戶設(shè)定的容差范圍提取特征值，并根據(jù)所得特征值判斷電路有無故障。

設(shè)計思路是先通過MATLAB軟件讀取采集到的通過PSPICE仿真獲得的模擬信號，并將其存儲為.OUT格式文件。因其中包含多個測點，所以先進(jìn)行分割再進(jìn)行圖形顯示。以同樣方法處理故障信號，并對比正常波形。然后將此信號進(jìn)行小波分解，完成其高頻分析。再圖形顯示其小波分解后的高頻分量，并對比故障波形的高頻部分。并對信號的某些特征量進(jìn)行計算與對比，最終判別設(shè)備是否故障。

3.1.3 小波分析模塊數(shù)據(jù)分析

點擊裝備故障數(shù)據(jù)檢測模塊中小波分析模塊，打開小波分析模塊測試界面。通過大量實驗發(fā)現(xiàn)，如正弦信號、鋸齒波信號、三角波信號、不規(guī)則信號等，當(dāng)信號發(fā)生單點變化或整體變化時，都可以通過小波分析模塊有效檢測出故障信息，小波分析模塊的界面如圖4所示。

使用小波分析模塊分別對正弦周期信號、方波信號、鋸齒波信號、非周期信號數(shù)據(jù)進(jìn)行信號測試，部分測試數(shù)據(jù)結(jié)果如表2所示，其小波分析模塊界面的正常電路特征值及測試特征值的數(shù)據(jù)內(nèi)容說明如表1所示。本項目選用DB5小波對第3、4、5層細(xì)節(jié)系數(shù)及第5層逼近系數(shù)進(jìn)行提取。其中，CAi和CDi分別代表對應(yīng)層信號的逼近系數(shù)和細(xì)節(jié)系數(shù)，每組樣本由7組特征值數(shù)據(jù)表征^[5]。

通過大量實驗對比分析發(fā)現(xiàn)，小波分析模塊可以很好地判斷出正弦信號、方波信號、鋸齒波信號、非周期信號等是否發(fā)生故障。除了通過容差和特征值容差閾值來判斷是否發(fā)生故障外，由數(shù)據(jù)的低頻系數(shù)和高頻系數(shù)數(shù)據(jù)的變化情況也可以推測出故障的變化情況。無論是周期信號還是非周期信號，單值變化時，只有高頻系數(shù)CD的后5行數(shù)據(jù)變化較大。而整體變化時，高頻系數(shù)CD和低頻系數(shù)CD的后5行數(shù)據(jù)都變化較大，并且同等條件，數(shù)值變化越大，變化值與正常數(shù)值整體偏差越大。

因為在單值變化的時候，單值的跳動會對利用小波分析網(wǎng)絡(luò)的高頻系數(shù)產(chǎn)生較大的影響，同時也可以發(fā)現(xiàn)系統(tǒng)故障數(shù)據(jù)的變化能夠被小波分析模塊很好地識別出來。而整體變化時因為系統(tǒng)數(shù)據(jù)整體改變，因此高頻系數(shù)和低頻系數(shù)會同時改變。

3.2 神經(jīng)網(wǎng)絡(luò)模塊

除了小波分析模塊，本系統(tǒng)還做了神經(jīng)網(wǎng)絡(luò)模塊。神經(jīng)網(wǎng)絡(luò)模塊主要是配合小波分析模塊進(jìn)行使用，當(dāng)樣本數(shù)量足夠多時可以使用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障診斷。在已有大量同類型設(shè)備數(shù)據(jù)樣本的情況下，通過輸入迭代次數(shù)、學(xué)習(xí)效率、學(xué)習(xí)目標(biāo)、隱層神經(jīng)元數(shù)量和輸入層節(jié)點數(shù)等，就可以使用神經(jīng)網(wǎng)絡(luò)故障診斷模塊診斷出裝備故障類型。

3.2.1 BP神經(jīng)網(wǎng)絡(luò)算法

因為裝備的故障狀態(tài)具有一定的相似性，裝備的故障與征兆沒有明確的關(guān)系，并具有較強的模糊性，裝備的故障特征也會相互交織，因此裝備的故障診斷是一個復(fù)雜的問題^[6]。本文通過綜合神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點和裝備故障的特征，使用了基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)，對裝備的故障類型進(jìn)行故障診斷^[7]。

如圖5所示，本文使用了3層BP神經(jīng)網(wǎng)絡(luò)模型，分別為輸入層、隱層和輸出層。

前饋神經(jīng)網(wǎng)絡(luò)的意義在于每一層節(jié)點的輸入都只來源于前面一層輸出，輸入信號先向隱層節(jié)點傳播，然后通過激活函數(shù)激活后將隱層節(jié)點的輸出信息向輸出節(jié)點傳播，最終獲得輸出結(jié)果^[8]。每層節(jié)點關(guān)系如下：

1.輸入層節(jié)點記為i（i=1，2，…，n），其輸出Oi等于輸入Xi，并把變量值傳給隱層。

2.隱層節(jié)點記為j（j=1，2，…，P），其輸入Ij和輸出Oj分別為：

Oj=f（I_j）=1/1+exp（－I_j）（5）

ω_ji是輸入層節(jié)點i和隱層節(jié)點j之間的連接權(quán)值。θj是隱層節(jié)點j的偏置。f是激活函數(shù)，在本文中選用了sigmoid函數(shù)：

f（x）=1/1+exp（－x）（6）

3.輸出層節(jié)點記為k（k=1，2，…，m），其輸入Ik和輸出y_k分別為：

ω_kj是隱層節(jié)點j和輸出層節(jié)點k之間的連接權(quán)值。θk是輸出層節(jié)點k的偏置。

當(dāng)訓(xùn)練樣本為（x_p1，x_p2，…，x_pn），則其網(wǎng)絡(luò)輸出和訓(xùn)練目標(biāo)之間的均方誤差為：

p（p=1，2，…，P）是樣本數(shù)，t_pl是第p個樣本的第l個輸出單元的目標(biāo)輸出結(jié)果，y_pl是第p個樣本的第l個輸出單元的網(wǎng)絡(luò)運算結(jié)果^[9]。

BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的過程包括網(wǎng)絡(luò)內(nèi)部的前向計算和誤差的反向傳播兩個訓(xùn)練過程。本文通過使用BP算法不斷地調(diào)整輸入層與隱層之間、隱層與輸出層之間的連接權(quán)值，從而實現(xiàn)網(wǎng)絡(luò)輸出誤差最小化的目的^[10]。

3.2.2 神經(jīng)網(wǎng)絡(luò)模塊介紹

在已有大量同類型裝備數(shù)據(jù)樣本的情況下，使用神經(jīng)網(wǎng)絡(luò)模塊時通過輸入迭代次數(shù)、學(xué)習(xí)效率、學(xué)習(xí)目標(biāo)、隱層神經(jīng)元數(shù)目、輸入層節(jié)點數(shù)等，即可進(jìn)行神經(jīng)網(wǎng)絡(luò)故障診斷。通過多次實驗，在設(shè)置好相應(yīng)迭代次數(shù)、學(xué)習(xí)率等參數(shù)并進(jìn)行足夠訓(xùn)練后（一般訓(xùn)練要在1000次以上，訓(xùn)練過少準(zhǔn)確度較低），本神經(jīng)網(wǎng)絡(luò)模塊能夠檢測出測試裝備的各部件狀態(tài)或者故障類型，神經(jīng)網(wǎng)絡(luò)模塊如圖6所示。

3 總結(jié)

本文設(shè)計了一種多裝備數(shù)據(jù)故障診斷系統(tǒng)，該系統(tǒng)包括網(wǎng)絡(luò)平臺和裝備故障數(shù)據(jù)檢測模塊。網(wǎng)絡(luò)數(shù)據(jù)平臺主要功能是錄入裝備數(shù)據(jù)相關(guān)信息。裝備故障數(shù)據(jù)檢測模塊主要是對裝備進(jìn)行故障診斷，并且當(dāng)裝備同類型歷史數(shù)據(jù)信息較少時，可以使用小波分析模塊；當(dāng)裝備同類型歷史數(shù)據(jù)信息量較大時，可以使用神經(jīng)網(wǎng)絡(luò)模塊進(jìn)行故障診斷。并通過使用各類型信號進(jìn)行實驗，測試出小波分析模塊和神經(jīng)網(wǎng)絡(luò)模塊都能夠成功判斷裝備是否故障以及故障類型，表明該系統(tǒng)具有一定可行性。

[參 考 文 獻(xiàn)]

[1] 楊健，葉秋紅，王懷俊，等.大數(shù)據(jù)技術(shù)在電力故障預(yù)測方法中的研究[J].微型電腦應(yīng)用，2022，38（7）：188-190.

[2] 王月.航空發(fā)動機故障診斷方法[J].中國科技信息，2023（3）：19-21.

[3] 王世紀(jì).基于Matlab的小波分析在基坑監(jiān)測數(shù)據(jù)處理中的應(yīng)用[J].安徽地質(zhì)，2022（S1）：33-37.

[4] 鄒蘭林，葉知秋.小波分析結(jié)合神經(jīng)網(wǎng)絡(luò)的樁基缺陷檢測[J].無損檢測，2022，44（7）：50-54.

[5] 朱洺申，慕麗，王欣威，等.基于labview的機械設(shè)備振動信號的小波分析研究與驗證[J].裝備制造技術(shù)，2022（6）：38-40+58.

[6] 高佃波，劉紅光，陸森林.基于BP神經(jīng)網(wǎng)絡(luò)和振動測量的軸承故障診斷[J].長沙交通學(xué)院學(xué)報，2006（2）：64-67.

[7] 張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].系統(tǒng)工程理論與實踐，2002（6）：61-66.

[8] 陳冠宇，胡小伍，洪雪倩，等.結(jié)合Kalman濾波與小波神經(jīng)網(wǎng)絡(luò)的沉降形變監(jiān)測[J].地理空間信息，2023，21（1）：101-103+112.

[9] 張新海，雷勇.BP神經(jīng)網(wǎng)絡(luò)在機械故障診斷中的應(yīng)用[J].噪聲與振動控制，2008（5）：95-97.

[10] 邱鐵成.基于BP神經(jīng)網(wǎng)絡(luò)的橋式起重機主梁故障預(yù)測和評估[J].港口科技，2022（8）：23-26.

責(zé)任編輯：陳星宇