熊書馳，吳瀛楓，吳 遠

（滬東重機有限公司，上海 200129）

近年來，機電設備的自動化、智能化程度不斷提升，隨著使用年限的增加及工作環(huán)境較為惡劣，機電設備上的機械零件、電子元件不可避免地會出現(xiàn)各種類型的故障?；谠萍佣说墓收显\斷技術(shù)，可以實時監(jiān)測機電設備的運行工況，并在故障發(fā)生早期及時、準確地診斷出來，指導維修人員有針對性地進行故障維修，避免了機電設備的停機大修，對延長機電設備使用壽命、降低機電設備維護成本有積極幫助。

1 云加端SVM 模型的構(gòu)建

本文設計的云加端SVM（支持向量機）模型由兩大部分構(gòu)成，即云端和終端。其中，相對簡單的特征提取算法在終端嵌入式設備中完成，相對復雜的深度學習和分類算法在云端計算中心完成。該模型利用前端傳感器獲取機電設備運行中的狀態(tài)參數(shù)，包括電壓、振動、噪音等。通信裝置將采集到的原始數(shù)據(jù)傳入終端，并對其進行降噪、濾波等一系列預處理操作。完成預處理的數(shù)據(jù)，使用相應的算法進行特征提取、特征降維，使得數(shù)據(jù)體量大幅減小，降低了傳輸成本。將降維后的數(shù)據(jù)傳輸?shù)皆贫耍⒃谠贫说墓收咸卣髂Ｐ蛶欤–FML）用完善后的故障特征在線訓練SVM 模型，提高其分類能力。最后使用SVM 模型處理終端提供的數(shù)據(jù)，得到的故障診斷結(jié)論在人機交互界面上顯示。云端和終端之間采用無線網(wǎng)絡進行數(shù)據(jù)傳輸，由此得到了一個由終端、網(wǎng)絡、云端組成的并行“流水線”結(jié)構(gòu)。云加端SVM 模型的整體架構(gòu)如圖1 所示。

圖1 云加端SVM 故障診斷模型

本文在構(gòu)建云加端架構(gòu)時，創(chuàng)新性地使用了支持向量機（SVM）代替常規(guī)的神經(jīng)網(wǎng)絡，充分發(fā)揮SVM 在小樣本、非線性及高維模式分類方面的優(yōu)勢，更適合應用在機電設備的故障診斷中。

2 原始數(shù)據(jù)的選擇

采集原始數(shù)據(jù)是云加端SVM 模型故障診斷的第一步，保證原始數(shù)據(jù)的類型豐富、真實準確，對提高診斷結(jié)果的可信度有一定幫助。就機電設備來說，可用于故障檢測的信號有電流信號、電壓信號、噪聲信號和振動信號等幾種類型，信號特性對比見表1。

表1 不同數(shù)據(jù)類型的特性對比

綜合對比來看，振動信號作為一種非侵入式的信號，能夠同時反映機電設備機械與電氣故障，并且可以提前數(shù)月預測故障的信號，綜合優(yōu)勢高于其他類型的信號，因此本文選擇振動信號作為原始數(shù)據(jù)。

3 基于云加端SVM 模型的故障診斷方法

3.1 云加端SVM 模型的訓練

通常情況下，SVM 模型采用“離線訓練、在線分類”的結(jié)構(gòu)，這種結(jié)構(gòu)適用于實驗數(shù)據(jù)處理。但是在實際解決機電設備故障時，由于數(shù)據(jù)體量大，加上振動信號的振動幅值、振動頻率等變化明顯，在使用SVM 模型進行樣本數(shù)據(jù)訓練時會占用過多的資源，導致故障診斷的時效性變差。為了避免此類問題，本文在設計云加端SVM 模型時，創(chuàng)新性地提出了一種“離線訓練+在線訓練、在線分類”的結(jié)構(gòu)[1]。

訓練流程如下：選擇已經(jīng)完成預處理和分類的故障數(shù)據(jù)作為訓練樣本，導入到云加端SVM 模型中進行離線訓練，訓練完畢后可以得到初始的云加端SVM 模型。然后應用該模型進行在線故障診斷，診斷結(jié)果會在人機交互界面上實時呈現(xiàn)。維修人員根據(jù)該診斷結(jié)果，對機電設備展開拆修，并將故障檢查與維修結(jié)果反饋給云加端系統(tǒng)。系統(tǒng)會將故障特征向量保存到云端特征模型庫，并利用云計算技術(shù)統(tǒng)計診斷的準確率。如果準確率低于設定好的閾值，則調(diào)用云端特征庫對云加端SVM 模型進行二次在線訓練。這樣一來，既可以保證云加端SVM 模型診斷結(jié)果的準確率，同時又能減少對資源的占用，提高了診斷結(jié)果的時效性。云加端SVM 模型訓練流程如圖2 所示。

圖2 云加端SVM 模型訓練過程圖

3.2 云加端SVM 模型算法

本文設計的云計算SVM 模型算法如下。

步驟1：選擇添加了標簽的故障特征數(shù)據(jù)Doff對云加端SVM 模型進行離線訓練。訓練完畢后，將初始云加端SVM 模型Moff嵌入到云端處理器中，同時在云端新建一個特征模型庫CFML，并將Doff加入到CFML 中。

步驟2：智能終端調(diào)用云端CFML 中的Doff，利用FFT 算法提取原始數(shù)據(jù)中的故障特征F[n]，然后使用降維矩陣Rm×n進行特征降維。把F[n]移動到發(fā)送緩沖區(qū)，等待發(fā)送。

步驟3：云端接收到智能終端發(fā)送的接收請求后，開始接收F[n]，同時調(diào)用Moff對接F[n]進行分類，得到分類結(jié)果C1。在人機交互界面上呈現(xiàn)C1，由工作人員進行復查。如果分類結(jié)果不正確，則返回上一步重新分類；如果分類結(jié)果正確，則根據(jù)復查結(jié)果C2加入到CFML 中。統(tǒng)計故障分類準確率ρ，并將ρ 與設定好的閾值ρb對比。如果高于閾值，說明準確率達標，則停止云加端SVM 模型在線訓練；反之，若低于閾值，則從CFML 中再次調(diào)用樣本數(shù)據(jù)，重新進行云加端SVM 模型的在線訓練，直到分類準確率達標。

4 基于云加端的機電設備故障維修診斷實驗

4.1 采集數(shù)據(jù)

該實驗選擇某機電設備滾動軸承作為研究對象，利用CUT-2 轉(zhuǎn)子振動實驗臺作為振動數(shù)據(jù)的采集轉(zhuǎn)子，實驗臺由驅(qū)動電機、負載、振動傳感器和智能終端等幾部分構(gòu)成，可用于軸承內(nèi)圈、外圈、滾珠等部位的故障檢測。將滾動軸承放置到CUT-2 轉(zhuǎn)子振動實驗臺上，調(diào)節(jié)負載使?jié)L動轉(zhuǎn)軸在一定載荷下運行。運行期間，振動傳感器會收集滾動軸承的振動信號，并發(fā)送至智能終端，完成數(shù)據(jù)的采集[2]。

4.2 提取特征

本實驗中的特征數(shù)據(jù)提取分為2 部分：其一是對于前端傳感器實時采集的數(shù)據(jù)進行特征提取，并將其應用到云加端SVM 模型的二次訓練和故障診斷中；其二是對完成預處理和分類的數(shù)據(jù)進行特征提取，并將其應用到PCA 降維矩陣的訓練及云加端SVM 模型的訓練中。由于振動信號的頻譜中包含了較多的高次諧波，如果直接在終端進行頻譜分析，會因為諧波干擾導致診斷結(jié)果的精確度下降。因此，本文在特征提取環(huán)節(jié)采取了特征降維處理，使用PCA 降維矩陣減小數(shù)據(jù)維度，為下一步的智能分析創(chuàng)造了良好條件。特征數(shù)據(jù)降維的實現(xiàn)方法如下。

對采集到的原始數(shù)據(jù)做FFT 頻譜分析，求得頻譜與功率譜。使用z-score 標準化方法對數(shù)據(jù)進行標準化處理，并將處理結(jié)果作為PCA 算法的輸入值。經(jīng)過算法處理后，從結(jié)果中找出對功率譜特征貢獻率最大的d'個特征，并生成降維矩陣D。在本次實驗中，求得d'=17，相應的降維矩陣D17可表示為

4.3 故障診斷

以往使用SVM 分類算法進行特征數(shù)據(jù)分類時，如果數(shù)據(jù)量龐大，可采取增加分類器數(shù)量的方式提高分類效率，缺點是工作量大、計算難度高。本文對故障診斷策略進行了調(diào)整，提出了“一對一”分類方法對滾動軸承存在的k類故障進行兩兩分類，最后統(tǒng)計k（k-1）/2 個分類器的結(jié)果，該結(jié)果即為故障分類結(jié)果。對于機電設備滾動軸承的故障診斷來說，選擇這一故障診斷策略具有分類速度快、計算難度低、診斷結(jié)果精確等優(yōu)勢[3]。

“一對一”分類算法的核心函數(shù)是k（x，y）可表示為

為驗證本文提出的并行流水線結(jié)構(gòu)云加端SVM模型的應用效果，設計了對比實驗。實驗組選用并行流水線結(jié)構(gòu)云加端SVM 模型，對照組選用傳統(tǒng)順序診斷結(jié)構(gòu)云加端SVM 模型。初步對比，本文設計的云加端SVM 模型在機電設備故障診斷方面具有以下優(yōu)勢。

其一，在機電設備的長時間運行中，由于零件自身磨損老化，以及系統(tǒng)負載調(diào)整、外部電磁環(huán)境等各種因素的影響，即便是選擇精密傳感器，采集到的數(shù)據(jù)與機電設備真實運行狀態(tài)之間必然會存在一定的差距。這種情況下，只有保證故障診斷系統(tǒng)能夠?qū)C電設備的當前狀態(tài)進行在線學習，才能不斷修正診斷結(jié)果的準確率。本文設計的云加端SVM 模型支持在線學習，當診斷準確率低于設定閾值時，可以通過二次訓練、在線學習，最大程度上規(guī)避設備狀態(tài)不規(guī)則變化給云加端SVM 模型故障診斷帶來的干擾，使得診斷結(jié)果的可靠性高于傳統(tǒng)SVM 模型。

其二，對于機電設備的一些關(guān)鍵零件（如滾動軸承），一旦發(fā)生故障將會直接影響機電設備的正常運行，甚至引起設備大修事故，造成嚴重的經(jīng)濟損失。傳統(tǒng)的故障診斷由于實時性較差，很難做到故障的超前識別，經(jīng)常錯過最佳的檢修時機。而本文設計的云加端SVM 模型由云端和終端2 部分分工合作，位于機電設備上的智能終端可以對實時采集的數(shù)據(jù)進行濾波降噪、特征提取等處理，再將處理后的數(shù)據(jù)上傳至云端，利用經(jīng)過在線學習的SVM 模型進行故障診斷[4]。這種流水線分布式數(shù)據(jù)處理方式滿足了數(shù)據(jù)處理與故障診斷的實時性要求，為檢修人員提前發(fā)現(xiàn)潛在故障并進行維修處理提供了依據(jù)，保證了機電設備的穩(wěn)定和持續(xù)運轉(zhuǎn)。

4.4 故障診斷準確度實驗

如上文所述，本文基于云加端設計的SVM 模型可以顯著降低設備狀態(tài)變化、長時間運行機械磨損等原因所導致的診斷誤差。為驗證這一結(jié)論，設計了故障診斷準確度實驗。在該實驗中，以滾動軸承的負載作為變量，采集滾動軸承在不同負載下的振動信號，然后按照上文提供的2 種方法展開故障診斷，準確度見表2。

表2 負載變化30%后診斷準確率對比%

表2中，原始準確率是指負載保持不變的前提下，在線學習法與離線學習法測試的平均值。在準確度實驗中，共采集了150 組數(shù)據(jù)，表2 中最后一項的值為準確率的平均值。結(jié)合上表數(shù)據(jù)可以發(fā)現(xiàn)，滾動軸承負載的變化會導致傳統(tǒng)云加端SVM 模型（離線學習法）的診斷準確率下降，特別是在“內(nèi)圈故障”的診斷中，準確率只有86.5%。相比之下，采用本文設計的并行流水線結(jié)構(gòu)的云加端SVM 模型進行故障診斷，各項故障診斷準確率均在90%以上，平均準確率達到了96.50%。這一數(shù)據(jù)表明了在線學習法能夠較好地適應機電設備的狀態(tài)變化，從而保證不同工況下故障診斷結(jié)果具有可信度。

4.5 診斷系統(tǒng)實時性驗證

故障診斷的實時性也是判斷云加端SVM 模型應用效果的關(guān)鍵指標之一。基于傳統(tǒng)順序結(jié)構(gòu)診斷結(jié)構(gòu)的云加端SVM 診斷模型，特征提取、特征降維及故障分類等操作都是在同一個終端上按照順序依次進行。這種情況下，下一步操作必須要等到上一步操作結(jié)束，釋放CPU 使用權(quán)后才能進行，導致診斷的實時性較差。相比之下，本文基于并行流水線結(jié)構(gòu)設計的云加端SVM 診斷模型，則能夠?qū)⒉煌僮鞣謩e置于終端、云端上同時進行，從而縮短了中間處理所需的時間，提高了系統(tǒng)的實時性[5]。傳統(tǒng)順序診斷結(jié)構(gòu)與并行流水線診斷結(jié)構(gòu)如圖3 所示。

圖3 2 種故障診斷結(jié)構(gòu)對比圖

在實驗中，讓2 種結(jié)構(gòu)下的云加端SVM 模型在50 ms 內(nèi)完成診斷任務，并對比相同時間內(nèi)處理任務數(shù)的多少，結(jié)果如圖4 所示。

圖4 2 種診斷結(jié)構(gòu)效率對比

結(jié)合圖4 可知，本文基于并行流水線結(jié)構(gòu)設計的云加端SVM 模型在50 ms 內(nèi)可以處理200 個故障診斷任務，是傳統(tǒng)SVM 模型（50 個）的4 倍，效率更高，實時性更好。

5 結(jié)束語

云加端架構(gòu)是融合智能終端與云計算技術(shù)，在快速、精準處理海量數(shù)據(jù)的基礎(chǔ)上，展開智能分析、實現(xiàn)故障診斷。通過確定故障類型、故障成因，為下一步的故障維修提供參考信息。本文基于并行流水線結(jié)構(gòu)設計的云加端SVM 模型，從實驗效果來看具有實時性好、準確度高等優(yōu)勢，可應用于機電設備常見故障的診斷，為維修作業(yè)提供指導。