董育偉，何 峰，姜胤嘉

（淮陰工學(xué)院，江蘇淮安 223300）

0 引言

隨著科學(xué)技術(shù)的發(fā)展，各類機(jī)械向精密化、復(fù)雜化的方向發(fā)展，自動(dòng)化技術(shù)的大量應(yīng)用導(dǎo)致很多設(shè)備的維修、維護(hù)費(fèi)用極高，且一旦停產(chǎn)就會(huì)造成巨大的經(jīng)濟(jì)損失。為保證設(shè)備不會(huì)因不及時(shí)維修而造成損壞，需要設(shè)計(jì)設(shè)備狀態(tài)異常的智能檢測(cè)方法。文獻(xiàn)［1］以解決多尺度樣本熵為核心，提出了一種基于計(jì)劃性改進(jìn)方法的智能檢測(cè)算法，該算法在多尺度拓展的基礎(chǔ)上，結(jié)合最大相關(guān)冗余條件建立了一個(gè)樣本分類器，使用多尺度的樣本熵替代傳統(tǒng)的樣本熵，避免了大幅度的閾值信息丟失現(xiàn)象。文獻(xiàn)［2］以故障特征不明顯的情況為例，提出了一種以故障信號(hào)特征提取為基礎(chǔ)模型的智能診斷方法，提取特征信號(hào)，將數(shù)據(jù)進(jìn)行歸一化處理，并建立數(shù)據(jù)模型。使用能量譜序列，將數(shù)據(jù)的時(shí)間特性在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行分類。文獻(xiàn)［3］為避免因數(shù)據(jù)分布不均勻?qū)е鹿收咸卣鳠o(wú)法表達(dá)的情況，設(shè)計(jì)了一種適用于不同工況的機(jī)械故障診斷方法，在保留原始信號(hào)的基礎(chǔ)上，建立深度卷積神經(jīng)網(wǎng)絡(luò)模型，提升網(wǎng)絡(luò)訓(xùn)練效率，挖掘樣本信息，并通過(guò)小型注意力機(jī)制形成特征通道。結(jié)合已有研究成果，本文設(shè)計(jì)了一種新的精密機(jī)械狀態(tài)異常智能檢測(cè)算法。

1 設(shè)備異常特征提取

在精密機(jī)械設(shè)備中，最典型的部件就是由傳動(dòng)軸與軸承組成的齒輪箱，該部件在異常檢測(cè)中需要不斷分析信號(hào)中的各類異常元素。并通過(guò)設(shè)備的故障判定與定位，進(jìn)行異常分析。軸承結(jié)構(gòu)一般起連接作用，經(jīng)常會(huì)有大量的荷載施加在軸承結(jié)構(gòu)中，這種現(xiàn)象會(huì)導(dǎo)致結(jié)構(gòu)加速老化，并導(dǎo)致設(shè)備運(yùn)轉(zhuǎn)出現(xiàn)問(wèn)題。軸承一般由內(nèi)圈、外圈以及滾動(dòng)體等結(jié)構(gòu)組成，任何老化、局部損壞等問(wèn)題的出現(xiàn)都會(huì)導(dǎo)致振動(dòng)頻率出現(xiàn)異常。軸承磨損故障以及軸承老化故障是最常見(jiàn)的兩種故障類型，根據(jù)磨損以及疲勞剝落產(chǎn)生的脈沖沖擊，可以使用滾動(dòng)體的自轉(zhuǎn)頻率作為滾道的故障調(diào)制函數(shù)。

式中，d（t）表示滾道試點(diǎn)部位的故障調(diào)制函數(shù)；fn和fm分別表示滾動(dòng)體在開始沖擊前后的自轉(zhuǎn)頻率；Ap表示故障信號(hào)的周期。

當(dāng)軸承表面出現(xiàn)明顯老化現(xiàn)象時(shí)，可以通過(guò)周期性信號(hào)解析多種成分耦合在一起的頻譜現(xiàn)象。當(dāng)頻率在1000 Hz 以內(nèi)時(shí)為低頻段，當(dāng)頻率在100～200 000 Hz 之間時(shí)為中等頻段，當(dāng)信號(hào)頻率在200 000 Hz 以上時(shí)為高頻段。通過(guò)頻段檢測(cè)，可以對(duì)一部分傳感器的精度問(wèn)題進(jìn)行有效分析。在這些頻域內(nèi)，假設(shè)時(shí)域信號(hào)的周期為2π，則可以通過(guò)正交基展開信號(hào)模型：

式中，f（x）表示信號(hào)模型；f（n）表示信號(hào)函數(shù)的傅立葉級(jí)數(shù)；m 表示正交基的數(shù)量。

通過(guò)多個(gè)離散函數(shù)的特征周期，對(duì)成分轉(zhuǎn)換進(jìn)行表達(dá)。在現(xiàn)實(shí)生活中，非平穩(wěn)信號(hào)隨處可見(jiàn)，信號(hào)成分也會(huì)隨著時(shí)間的變動(dòng)而逐漸增加，從相關(guān)故障信息中獲取難度特征，需要具備變化快、不平穩(wěn)等特性[4]。在預(yù)定義的信號(hào)模型中構(gòu)建一個(gè)相匹配的內(nèi)核函數(shù)，需要逐漸改變時(shí)域網(wǎng)格特征，通過(guò)平移和轉(zhuǎn)換兩個(gè)因子建立獨(dú)特的高斯窗函數(shù)，并實(shí)現(xiàn)高頻率的分辨率，避免信號(hào)集中度較差的情況發(fā)生。在待處理的信號(hào)映射下，小波函數(shù)的模型可以表示為：

式中，Gwt（t，w，c）表示小波函數(shù)；t 表示信號(hào)傳遞的時(shí)間；w表示現(xiàn)行調(diào)頻的角度；c 表示平移因子；Km（t）表示高斯窗函數(shù)；jk表示幅值。

通過(guò)這些參數(shù)因子，獲取適用于設(shè)備特征提取的模型，并將時(shí)頻信號(hào)轉(zhuǎn)換為集中性最佳的波段。若其中的信號(hào)在時(shí)域中有變化性，則一切信號(hào)分來(lái)那個(gè)都將與中心頻段相關(guān)，且幅值保持不變。據(jù)此，可以通過(guò)數(shù)據(jù)采集器獲取振動(dòng)信號(hào)，并得到與時(shí)間波形數(shù)據(jù)具備明顯差異的特征值。采用頻譜分析的方式，可以對(duì)振動(dòng)信號(hào)的幅值進(jìn)行沖擊，其中的均值表示隨機(jī)過(guò)程的中心趨勢(shì)。用頻譜分析的方式，對(duì)信號(hào)進(jìn)行代數(shù)化處理，其所采集到的信號(hào)頻率結(jié)構(gòu)也會(huì)隨之發(fā)生改變[5]。結(jié)合網(wǎng)絡(luò)特征，對(duì)故障進(jìn)行判別，并在始于能量特征分析中盡量獲取設(shè)備的運(yùn)行狀態(tài)。將振源信號(hào)轉(zhuǎn)化為頻譜信號(hào)，一般可以表示為：

式中，Bq（t）表示t 時(shí)刻的頻譜異常特征信號(hào)；Bf（t）表示t 時(shí)刻的振源信號(hào)。據(jù)此可以獲取精密機(jī)械設(shè)備的狀態(tài)異常特征。

2 設(shè)計(jì)設(shè)備異常檢測(cè)算法

結(jié)合上文內(nèi)容，可以設(shè)計(jì)相應(yīng)的異常檢測(cè)算法，具體算法流程如圖1 所示。

圖1 檢測(cè)算法流程

首先需要輸入原始數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行初始化處理。對(duì)數(shù)據(jù)特征進(jìn)行匹配，并均勻分配資源。訓(xùn)練網(wǎng)絡(luò)模型，判斷條件是否滿足需求，若不滿足，則需要重新返回到數(shù)據(jù)的初始化處理階段。當(dāng)條件滿足時(shí)，可以進(jìn)入較小值的刪除階段。在該階段中，數(shù)據(jù)較小一般為非異常狀態(tài)的數(shù)值，刪除此類數(shù)據(jù)，可以減小篩選數(shù)量，提高檢測(cè)精度與檢測(cè)效率。判斷是否所有類型的數(shù)據(jù)均被算法篩選，如果存在未被篩選的數(shù)據(jù)，需要將其返回到初始化處理階段，反之則可以輸出最終結(jié)果。通過(guò)該算法，即可得到精密機(jī)械狀態(tài)異常的智能檢測(cè)結(jié)果。

3 應(yīng)用實(shí)例分析

3.1 樣本數(shù)據(jù)集

在精密機(jī)械內(nèi)部，滾動(dòng)軸承是最重要的組成部分，直接決定整個(gè)設(shè)備的性能。本實(shí)驗(yàn)對(duì)滾動(dòng)軸承的多個(gè)部位進(jìn)行智能檢測(cè)，以驗(yàn)證本文檢測(cè)算法的有效性。選擇某滾動(dòng)軸承故障振動(dòng)信號(hào)作為實(shí)驗(yàn)數(shù)據(jù)，并選擇其他算法作為對(duì)照組，各部位的參數(shù)如表1 所示。

表1 軸承實(shí)驗(yàn)參數(shù)

該實(shí)驗(yàn)的數(shù)據(jù)集中共包含450 個(gè)訓(xùn)練樣本和900 個(gè)測(cè)試樣本，軸承的異常狀態(tài)可以分為3 種類型，依據(jù)故障的尺寸與深度，將其劃分為3 個(gè)故障檔次，標(biāo)記為1、2、3。

3.2 模型訓(xùn)練

在本文的檢測(cè)算法中，對(duì)已知樣本進(jìn)行輸入與輸出，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。設(shè)置動(dòng)量因子為0.9，學(xué)習(xí)因子為0.1，目標(biāo)精度為0.001，迭代次數(shù)為500。此時(shí)的網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖2 所示。

圖2 網(wǎng)絡(luò)訓(xùn)練過(guò)程

在訓(xùn)練過(guò)程中，初始的模型精度為100～10-1之間，但是隨著迭代次數(shù)的不斷增加，精度逐漸提高，在第400 次迭代時(shí)達(dá)到了10-3，即0.001。

3.3 不同狀態(tài)下檢測(cè)率與誤報(bào)警率對(duì)比

好的監(jiān)測(cè)算法需要具備較高的檢測(cè)率以及較低的誤報(bào)警率，對(duì)上述3 種不同的軸承異常狀態(tài)進(jìn)行測(cè)試，對(duì)比本文算法與傳統(tǒng)的改進(jìn)多尺度快速樣本熵診斷方法、LSTM-CNN-CBAM 方法、注意力深度遷移聯(lián)合適配方法，驗(yàn)證本文算法的有效性。實(shí)驗(yàn)結(jié)果如表2～表4 所示。

表2 滾動(dòng)體故障

表3 外圈故障

表4 內(nèi)圈故障

如表2～表4 所示，在同一故障類型的不同程度中，各算法的檢測(cè)精度并沒(méi)有根本性的差異。通過(guò)本文算法獲取的9 種軸承檢測(cè)率均大于99%，誤報(bào)警率小于1%，兩項(xiàng)測(cè)試的標(biāo)準(zhǔn)差均不超過(guò)0.2，可見(jiàn)該檢測(cè)結(jié)果可信。改進(jìn)多尺度快速樣本熵診斷方法、LSTM-CNN-CBAM 方法以及注意力深度遷移聯(lián)合適配3種傳統(tǒng)方法的檢測(cè)精度則均小于本文算法，標(biāo)準(zhǔn)差也相對(duì)較大。

4 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種應(yīng)用于精密機(jī)械狀態(tài)檢測(cè)的異常檢測(cè)智能算法，通過(guò)該算法可以獲取較高精度的檢測(cè)結(jié)果。實(shí)驗(yàn)數(shù)據(jù)證明了該算法的優(yōu)越性。在相同條件下，本文算法的檢測(cè)率均高于其他傳統(tǒng)算法，誤報(bào)警率也相對(duì)較低。在下一階段的研究中，可以將異常度檢測(cè)與故障診斷相融合，對(duì)設(shè)備早期的故障以及微弱故障進(jìn)行檢測(cè)，并利用智能算法劃分樣本分布閾值，使其能夠具備自適應(yīng)的優(yōu)點(diǎn)。