唐 煒, 陳 遠(yuǎn), 程鯤鵬

(1.江蘇科技大學(xué)機(jī)械工程學(xué)院, 江蘇鎮(zhèn)江 212100; 2.江蘇遠(yuǎn)望儀器有限公司技術(shù)部, 江蘇泰州 225508)

引言

電動(dòng)開度閥是流體機(jī)械裝備中的一種典型機(jī)電一體化設(shè)備,主要用于調(diào)節(jié)管網(wǎng)系統(tǒng)中介質(zhì)的流動(dòng)從而控制管路中流體的壓力和流量等參數(shù),廣泛應(yīng)用于水處理、石油、化工、船舶等行業(yè)控制領(lǐng)域[1]。

良好的開度控制系統(tǒng)可有效地提升管網(wǎng)系統(tǒng)中介質(zhì)的輸送效率與控制精度,而穩(wěn)定可靠的故障檢測(cè)系統(tǒng)有助于延長閥門執(zhí)行機(jī)構(gòu)的壽命。在智能制造大背景下,研究電動(dòng)開度閥的故障檢測(cè)方法對(duì)于確保工礦企業(yè)閥控系統(tǒng)的安全運(yùn)行具有積極意義。

近年來,關(guān)于閥門故障檢測(cè)的研究在不斷深入,國內(nèi)外相關(guān)學(xué)者主要圍繞檢測(cè)信號(hào)分析處理、故障診斷模型建立和故障診斷算法優(yōu)化等開展了研究。

KOK T L等[2]針對(duì)閥門卡滯導(dǎo)致的振蕩問題,將無閾值遞歸圖和紋理分析應(yīng)用于診斷閥門控制回路中, 實(shí)驗(yàn)表明該方法可有效地檢測(cè)出閥門的卡滯故障,但局限性在于檢測(cè)的故障單一。SALAH M A等[3]針對(duì)閥門故障引起往復(fù)式壓縮機(jī)非計(jì)劃停機(jī)的問題,提出一種基于支持向量機(jī)(SVM)和聲發(fā)射參數(shù)的故障檢測(cè)方法,對(duì)閥門在健康和故障狀態(tài)下的聲發(fā)射信號(hào)進(jìn)行波形分析,設(shè)計(jì)了SVM故障檢測(cè)模型,結(jié)果表明該模型的檢測(cè)準(zhǔn)確率超過98%,但該方法受限于信號(hào)分析處理和特征提取,判別速度較慢。SANTHOSH K V等[4]針對(duì)調(diào)節(jié)閥故障導(dǎo)致的供水壓力不足問題,提出了一種基于振動(dòng)分析和SVM的故障檢測(cè)方法,實(shí)驗(yàn)表明該方法的檢測(cè)準(zhǔn)確率為97%,但不足之處在于故障種類僅設(shè)置了供水壓力不足這一項(xiàng)。UTAH M N等[5]針對(duì)交流電磁閥故障導(dǎo)致介質(zhì)流動(dòng)中斷的問題,提出了一種基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)方法,通過對(duì)交流供電的波形進(jìn)行時(shí)頻域分析獲取16種特征參數(shù),進(jìn)而基于機(jī)器學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類,結(jié)果表明故障分類正確率達(dá)到94%,但該模型的訓(xùn)練時(shí)間較長。LIU Y K等[6]針對(duì)DN50電動(dòng)閥的內(nèi)漏故障提出了一種淺層-深層的集成故障診斷模型,基于聲信號(hào)建立了三種不同的深度信念網(wǎng)絡(luò)模型,實(shí)驗(yàn)結(jié)果表明該模型的分類準(zhǔn)確率為91.944%,但其局限性在于該模型僅針對(duì)DN50型號(hào)的電動(dòng)閥,若應(yīng)用于較大通徑的閥門可能會(huì)影響分類的準(zhǔn)確率。

聞巖等[7]為了解決平衡閥早期微弱故障特征難以提取等問題,通過加速退化實(shí)驗(yàn)獲取故障數(shù)據(jù),進(jìn)而結(jié)合全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建故障診斷模型,結(jié)果表明該模型的診斷準(zhǔn)確率為92%,但該模型需經(jīng)過較多次迭代才能取得較高的準(zhǔn)確率,計(jì)算量較大。權(quán)凌霄等[8]為解決標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)在故障診斷時(shí)學(xué)習(xí)效率較低的問題,采用“GA+LM”優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法,提升了網(wǎng)絡(luò)的學(xué)習(xí)效率和搜索精度,大幅提高了故障診斷的效率,但該算法較為復(fù)雜,難以應(yīng)用在MCU控制系統(tǒng)中。SHI Jinchuan等[9]為解決液壓換向閥故障診斷系統(tǒng)存在故障信息不足和冗余的問題,提出一種自適應(yīng)融合多傳感器信息的診斷方法,通過多傳感器信息融合,采用熵權(quán)法和注意力機(jī)制自動(dòng)選擇故障敏感特征,使得診斷正確率達(dá)到99.82%,但該方法計(jì)算量偏大。徐仁義等[10]為了提高核電廠電動(dòng)閘閥的預(yù)測(cè)性維修能力,利用Paris模型和聲發(fā)射信號(hào)建立了閥門外漏故障的狀態(tài)空間模型,并利用粒子群算法優(yōu)化粒子濾波,有效提高了算法的預(yù)測(cè)精度,但在實(shí)驗(yàn)室環(huán)境下進(jìn)行案例測(cè)試時(shí),存在故障工況較少的問題。

綜上所述,大部分學(xué)者在進(jìn)行閥門故障檢測(cè)方法的研究時(shí),主要采用了傅里葉變換、小波包分析等信號(hào)分析方法,同時(shí)廣泛采用了機(jī)器學(xué)習(xí)方法,如支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)和K近鄰算法。這些方法對(duì)本研究提供了一定的方向性指引,本研究以電動(dòng)開度閥為研究對(duì)象,提出一種基于小波包分析和優(yōu)化KNN的故障檢測(cè)方法,并應(yīng)用在以MCU為核心控制器的開度閥控制系統(tǒng)中,取得了良好的故障檢測(cè)效果。

1 理論方法

1.1 小波包分解與重構(gòu)

小波包分析能將原始信號(hào)映射到一個(gè)小波伸縮構(gòu)成的一組基函數(shù)上,具備了對(duì)不平穩(wěn)信號(hào)進(jìn)行時(shí)頻局部分析的能力[11]。采用小波包分析處理原始信號(hào)時(shí),給定正交小波函數(shù)φ(t)和正交尺度函數(shù)φ(t),二者需滿足雙尺度方程[12]:

(1)

式中,h0k,h1k為濾波器系數(shù)。

(2)

式中,h0—— 低通濾波器系數(shù)

h1—— 高通濾波器系數(shù)

小波包重構(gòu)可將小波包分解系數(shù)進(jìn)行逆變換,使信號(hào)數(shù)量達(dá)到原始數(shù)量,但信號(hào)的分辨率更高。小波包重構(gòu)公式為:

(3)

式中,g0—— 低通濾波器系數(shù)

g1—— 高通濾波器系數(shù)

1.2 小波包能量

若電動(dòng)開度閥出現(xiàn)故障,振動(dòng)信號(hào)的某段頻率就會(huì)發(fā)生變化,那么經(jīng)小波包分解所得的部分小波包節(jié)點(diǎn)的信號(hào)能量也必然隨之改變[13]。因此,根據(jù)各小波包節(jié)點(diǎn)的信號(hào)能量變化識(shí)別故障在理論上是可行的。原始信號(hào)f(t)的能量可表示為:

(4)

小波包可將能量不重疊地正交變換到相鄰的節(jié)點(diǎn)上,分解得到的各個(gè)小波包系數(shù)平方和即為原始信號(hào)在時(shí)域中的能量。

原始信號(hào)經(jīng)j層小波包分解后的小波包系數(shù)表示為S(j,k),k=0,1,…,2j-1,在第j層的k個(gè)節(jié)點(diǎn)的能量分別表示為E1,E2,…,Ek,其中:

Ek=‖S(j,k)‖2

(5)

信號(hào)在第j層的總能量Ej等于該層k個(gè)小波包節(jié)點(diǎn)的能量之和,即:

(6)

第j層第k個(gè)節(jié)點(diǎn)的能量占總能量比值即為能量比P(j,k),即:

P(j,k)=Ek/Ej

(7)

2 故障特征提取

2.1 振動(dòng)信號(hào)采集

提取故障特征前需利用傳感器獲取電動(dòng)開度閥運(yùn)行時(shí)的工況狀態(tài)數(shù)據(jù),并建立相關(guān)數(shù)據(jù)庫作為故障檢測(cè)的依據(jù)。本研究采用加速度傳感器來獲取開度閥的振動(dòng)信號(hào),對(duì)應(yīng)的實(shí)驗(yàn)系統(tǒng)基本組成如圖1所示。

圖1 采集振動(dòng)信號(hào)的實(shí)驗(yàn)系統(tǒng)Fig.1 An experimental system for collecting vibration signals

其中,加速度傳感器MPU6050安裝于開度閥的電機(jī)的后端蓋位置。該傳感器采集數(shù)據(jù)并解算后輸出至開度閥控制系統(tǒng)的I2C接口,并通過USART通信連接至上位PC機(jī)以實(shí)現(xiàn)高頻數(shù)據(jù)采集。

驅(qū)動(dòng)電機(jī)作為電動(dòng)開度閥的核心部件,其運(yùn)行狀態(tài)相對(duì)于其他部件更加重要。若開度閥長期處于頻繁工作的狀態(tài),將導(dǎo)致電機(jī)出現(xiàn)過熱故障,并進(jìn)一步造成電機(jī)振蕩或短時(shí)間的停止。此外,電機(jī)另一常見故障為電機(jī)轉(zhuǎn)子不平衡,該故障產(chǎn)生的原因是電機(jī)制造誤差或長期使用后沉積的粉塵顆粒對(duì)轉(zhuǎn)子造成了磨蝕,會(huì)使電機(jī)產(chǎn)生頻繁的振蕩。

本研究利用上述采集振動(dòng)信號(hào)的實(shí)驗(yàn)系統(tǒng)采集開度閥在正常運(yùn)行狀態(tài)和故障狀態(tài)下振動(dòng)信號(hào)的原始數(shù)據(jù),采樣頻率為1200 Hz,采樣時(shí)間為16 s。其中,故障狀態(tài)采用如下方法模擬:頻繁進(jìn)行開度閥開關(guān)動(dòng)作使電機(jī)溫度升高;通過增重法增加電機(jī)轉(zhuǎn)子一側(cè)的重量來模擬轉(zhuǎn)子不平衡。最終得到的三種狀態(tài)下信號(hào)原始波形如圖2所示。

圖2 三種狀態(tài)下的信號(hào)原始波形Fig.2 Original waveform of signals in three states

2.2 振動(dòng)信號(hào)的處理與分析

小波變換的實(shí)質(zhì)是原始信號(hào)與小波基函數(shù)卷積,得到的結(jié)果為小波系數(shù)。MATLAB軟件中提供了Daubechies小波(簡稱db小波)、Coieflet小波、Haar小波、Biothogonal小波等多種小波基函數(shù)。其中,db小波具有快速計(jì)算和多分辨率性質(zhì)等優(yōu)點(diǎn),故本研究采用其作為小波基,且階數(shù)設(shè)為7。

對(duì)三種工作狀態(tài)下采集到的振動(dòng)信號(hào)進(jìn)行6層分解變換后得到64個(gè)小波包節(jié)點(diǎn)。計(jì)算三種工作狀態(tài)下這64個(gè)節(jié)點(diǎn)的能量比,匯總后發(fā)現(xiàn)能量主要集中于如圖3所示的10個(gè)節(jié)點(diǎn)。

圖3 三種狀態(tài)下的節(jié)點(diǎn)能量比Fig.3 Node energy ratio in three states

由圖3可知,在正常狀態(tài)、電機(jī)過熱狀態(tài)和轉(zhuǎn)子不平衡狀態(tài)下圖中10個(gè)節(jié)點(diǎn)的能量占比分別為 91.62%,92.22%,94.04%,能量占比皆超過90%,因此忽略其他節(jié)點(diǎn),只針對(duì)這些節(jié)點(diǎn)進(jìn)行分析。

分析可知, 三種狀態(tài)下部分節(jié)點(diǎn)的能量分布發(fā)生明顯變化:

(1) 正常狀態(tài)下的能量分布相比于其余兩種狀態(tài),節(jié)點(diǎn)11的能量比明顯提高, 通過頻譜分析發(fā)現(xiàn)該節(jié)點(diǎn)的特征頻率為375～393.75 Hz;

(2) 電機(jī)過熱狀態(tài)下的能量分布相比于其余兩種狀態(tài),節(jié)點(diǎn)5,13的能量比有較明顯提升,兩者的特征頻率分別為150～168.75 Hz和450～468.75 Hz;

(3) 轉(zhuǎn)子不平衡狀態(tài)下的能量分布相比于其余兩種狀態(tài),節(jié)點(diǎn)1,2的能量比明顯提高,而節(jié)點(diǎn)12的能量比則有明顯下降,其特征頻率為412.5～431.25 Hz?？蓪⑸鲜龉?jié)點(diǎn)的特征頻率作為電動(dòng)開度閥的故障特征頻率。

綜上所述, 能量分布變化明顯的節(jié)點(diǎn)有 1,2,5,11,12和13共6個(gè)節(jié)點(diǎn)。

為了分析三種狀態(tài)下這6個(gè)節(jié)點(diǎn)振動(dòng)信號(hào)的差異性,首先對(duì)節(jié)點(diǎn)的信號(hào)進(jìn)行小波包重構(gòu),得到三種狀態(tài)下的重構(gòu)信號(hào)波形分別如圖4～圖6所示。

圖4 正常狀態(tài)下6節(jié)點(diǎn)重構(gòu)信號(hào)Fig.4 Six node reconstruction signal under normal state

圖5 電機(jī)過熱狀態(tài)下6節(jié)點(diǎn)重構(gòu)信號(hào)Fig.5 Six node reconstruction signal under motor overheating state

圖6 轉(zhuǎn)子不平衡狀態(tài)下6節(jié)點(diǎn)重構(gòu)信號(hào)Fig.6 Six node reconstruction signal under rotor imbalance state

然后求取各節(jié)點(diǎn)重構(gòu)信號(hào)的能量比以及5種時(shí)域特征參數(shù)(最大值、最小值、峰峰值、均方根、波形因數(shù)),具體如圖7所示。進(jìn)一步分析圖中的特征參數(shù)與能量比,尋找與能量比強(qiáng)相關(guān)的時(shí)域特征參數(shù),如此便可用易于計(jì)算的時(shí)域特征參數(shù)代替不易計(jì)算的能量比作為故障特征。

圖7 三種狀態(tài)下各節(jié)點(diǎn)特征參數(shù)的變化趨勢(shì)Fig.7 Variation trend of characteristic parameters of each node in three states

觀察圖7中各狀態(tài)下的能量比及特征參數(shù)變化趨勢(shì),可發(fā)現(xiàn):

(1) 三種狀態(tài)下最大值、峰峰值與能量比的變化趨勢(shì)比較相似,而均方根與能量比在各節(jié)點(diǎn)的變化趨勢(shì)最為相似;

(2) 在正常狀態(tài)和電機(jī)過熱狀態(tài)下,均方根與能量比在節(jié)點(diǎn)11前都呈上升趨勢(shì),之后開始降低;

(3) 在轉(zhuǎn)子不平衡狀態(tài)下,均方根與能量比在節(jié)點(diǎn)1～節(jié)點(diǎn)5呈下降趨勢(shì),在節(jié)點(diǎn)11達(dá)到頂峰,之后開始下降;

(4) 波形因數(shù)的變化趨勢(shì)與能量比的變化趨勢(shì)并無較大關(guān)系。

為了定量分析最大值、峰峰值和均方根三者與能量比之間的相關(guān)強(qiáng)度,本研究采用統(tǒng)計(jì)學(xué)中的Pearson相關(guān)系數(shù)作為定量分析的標(biāo)準(zhǔn)。Pearson相關(guān)系數(shù)用于度量兩個(gè)變量X與Y之間的相關(guān)性[14],其計(jì)算公式為:

(8)

式中,Xi和Yi—— 兩變量在第i個(gè)樣本點(diǎn)的值

n—— 樣本數(shù)量

R的取值范圍與其表示的相關(guān)強(qiáng)度如表1所示。在此,設(shè)最大值、峰峰值和均方根三者與能量比的相關(guān)系數(shù)分別為R1,R2,R3,計(jì)算結(jié)果如表2所示。

表1 Pearson相關(guān)系數(shù)的范圍Tab.1 Range of Pearson correlation coefficients

表2 特征參數(shù)與能量比的相關(guān)系數(shù)Tab.2 Correlation coefficient between characteristic parameters and energy ratio

可以看出:三種狀態(tài)下均方根與能量比之間的相關(guān)系數(shù)都接近1,兩者具備極強(qiáng)相關(guān)性;最大值、峰峰值與能量比的相關(guān)系數(shù)都處于0.6～0.8的范圍內(nèi),說明兩者之間具備強(qiáng)相關(guān)性。考慮到峰峰值相對(duì)于最大值可以更好地表征振動(dòng)幅度,故本研究采用均方根與峰峰值作為故障檢測(cè)的特征值。

3 優(yōu)化KNN算法

3.1 KNN算法原理及優(yōu)化方法

K近鄰算法(K-Nearest Neighbor,KNN)是一種簡單實(shí)用的機(jī)器學(xué)習(xí)算法[15]。該算法的核心思想是:選擇合適的距離計(jì)算公式,計(jì)算待分類樣本與訓(xùn)練樣本之間的距離,若最近的K個(gè)訓(xùn)練樣本中某種類樣本的數(shù)量最多,則將待分類樣本歸為該類。

當(dāng)待分類樣本的評(píng)價(jià)指標(biāo)較多時(shí),由于各個(gè)評(píng)價(jià)指標(biāo)和故障的相關(guān)程度不同,若采用相關(guān)性較低的評(píng)價(jià)指標(biāo)會(huì)導(dǎo)致計(jì)算效率降低以及算法的準(zhǔn)確度降低。傳統(tǒng)KNN算法將數(shù)據(jù)的全部評(píng)價(jià)指標(biāo)的重要性視為一致,若最近的K個(gè)訓(xùn)練樣本中某種類數(shù)量最多,則將待分類樣本歸類為該種類,由于每個(gè)評(píng)價(jià)指標(biāo)對(duì)分類結(jié)果的影響并不相同,因此這種分類方法的準(zhǔn)確度欠佳。為此,本研究對(duì)傳統(tǒng)KNN算法做出了如下優(yōu)化:

(1) 篩選出相關(guān)性強(qiáng)的評(píng)價(jià)指標(biāo)。在上一小節(jié)中,本研究去除了相關(guān)性低的時(shí)域特征參數(shù),僅采用相關(guān)性強(qiáng)的均方根和峰峰值作為開度閥故障狀態(tài)的二維評(píng)價(jià)指標(biāo),降低了KNN算法的計(jì)算量;

j=1,2,…,m

(9)

為了更加準(zhǔn)確地反映相關(guān)性強(qiáng)的評(píng)價(jià)指標(biāo)對(duì)分類結(jié)果的影響,本研究對(duì)評(píng)價(jià)指標(biāo)進(jìn)行加權(quán)處理并改進(jìn)了距離公式[16]:

j=1,2,…,m

(10)

式中,ω1和ω2是均方值與峰峰值的權(quán)重,由二者與能量比的相關(guān)程度取ω1為0.6,ω2為0.4。

優(yōu)化后的KNN算法流程如下:

(1) 預(yù)設(shè)算法的K值,再由式(10)計(jì)算出待分類樣本集D′與訓(xùn)練集D所有數(shù)據(jù)的距離;

(2) 選取距離待分類樣本最近的K個(gè)訓(xùn)練集樣本;

(3) 計(jì)算出K個(gè)最近鄰樣本中數(shù)量最多的種類;

(4) 將待分類樣本歸類為該種類。

3.2 分類測(cè)試選取最優(yōu)K值

KNN算法的優(yōu)勢(shì)在于不需要訓(xùn)練模型。但其劣勢(shì)在于預(yù)測(cè)結(jié)果依賴K的取值,若取值過小會(huì)導(dǎo)致過擬合、若過大會(huì)出現(xiàn)欠擬合[17]。因此需要采用大量已知種類的樣本進(jìn)行試驗(yàn),得出最優(yōu)K值。

在電動(dòng)開度閥處于正常狀態(tài)、電機(jī)過熱以及轉(zhuǎn)子不平衡狀態(tài)下各采集60組振動(dòng)信號(hào)(已將啟停時(shí)正常產(chǎn)生的較大振動(dòng)信號(hào)剔除)。求取三種狀態(tài)下共180組信號(hào)的均方根和峰峰值作為KNN算法的訓(xùn)練集。同樣地,采集10組正常狀態(tài)、15組電機(jī)過熱狀態(tài)以及15組轉(zhuǎn)子不平衡狀態(tài)下的振動(dòng)信號(hào),求出均方根和峰峰值作為測(cè)試樣本。上述數(shù)據(jù)的分布如圖8所示。

圖8 訓(xùn)練集與測(cè)試集數(shù)據(jù)分布圖Fig.8 Data distribution map of training and testing sets

在MATLAB中設(shè)計(jì)優(yōu)化KNN算法的程序,設(shè)置多種K值對(duì)40組測(cè)試樣本進(jìn)行分類測(cè)試,結(jié)果如表3所示。

表3 不同K值下的分類結(jié)果Tab.3 Classification results under different K values

可以看出:

(1)K的取值最優(yōu)為5和7,為避免K的取值過小導(dǎo)致過擬合,本研究取K=7;

(2) 2組電機(jī)過熱狀態(tài)被錯(cuò)誤識(shí)別為了正常狀態(tài),有1組轉(zhuǎn)子不平衡狀態(tài)被錯(cuò)誤識(shí)別為了電機(jī)過熱狀態(tài)。整體來說,大部分的故障數(shù)據(jù)可以被識(shí)別并分類。

仍采用上述訓(xùn)練集與測(cè)試集,對(duì)比不同K值下傳統(tǒng)KNN算法與優(yōu)化KNN算法的分類誤差,如圖9所示?？砂l(fā)現(xiàn),KNN算法在K為7時(shí)達(dá)到最低錯(cuò)誤率(10%),而優(yōu)化KNN算法在K為5和7時(shí)達(dá)到最低錯(cuò)誤率(7.5%)。此外,優(yōu)化KNN的錯(cuò)誤率普遍低于傳統(tǒng)KNN算法。

圖9 KNN與優(yōu)化KNN的分類誤差Fig.9 Classification error of KNN and optimized KNN

4 故障檢測(cè)方法測(cè)試

4.1 故障檢測(cè)流程

為了使故障檢測(cè)系統(tǒng)可應(yīng)用于以MCU為控制核心的開度閥控制系統(tǒng)中,本研究采用開度閥控制系統(tǒng)下位機(jī)與故障檢測(cè)上位機(jī)相配合的方案。其中,下位機(jī)負(fù)責(zé)電動(dòng)開度閥的控制以及傳感器數(shù)據(jù)采集與上傳,而上位機(jī)負(fù)責(zé)故障檢測(cè)及其分類。具體故障檢測(cè)流程如圖10所示,圖中所述故障檢測(cè)系統(tǒng)上位機(jī)基于C#語言以及.NET Framework平臺(tái)設(shè)計(jì)。

圖10 故障檢測(cè)流程Fig.10 Fault detection process

4.2 實(shí)驗(yàn)平臺(tái)

為了進(jìn)行實(shí)驗(yàn)測(cè)試,本研究搭建了如圖11所示的實(shí)驗(yàn)平臺(tái),主要包括:電動(dòng)開度閥、加速度傳感器、開度閥控制器以及PC機(jī)。

圖11 故障檢測(cè)實(shí)驗(yàn)平臺(tái)Fig.11 Fault detection experimental platform

其中,開度閥控制器系自主設(shè)計(jì)開發(fā),該控制器采用了雙MCU+CPLD的架構(gòu),可同時(shí)控制四路開度閥進(jìn)行準(zhǔn)確開度?？刂破髦С脂F(xiàn)地控制、遠(yuǎn)程控制等多種工作模式,具備閥門狀態(tài)顯示及多種輔助功能。此外,控制器可通過I2C接口接收傳感器解算數(shù)據(jù),并通過串口發(fā)送至PC端的故障檢測(cè)系統(tǒng),在該系統(tǒng)中進(jìn)行數(shù)據(jù)處理與分類,從而識(shí)別出開度閥當(dāng)前狀態(tài)。

4.3 故障檢測(cè)測(cè)試

為了驗(yàn)證故障檢測(cè)方法的效果,本研究設(shè)計(jì)了開度閥狀態(tài)識(shí)別實(shí)驗(yàn)。具體方法為:使開度閥在正常狀態(tài)、電機(jī)過熱狀態(tài)、電機(jī)轉(zhuǎn)子不平衡狀態(tài)分別運(yùn)行5次,每次運(yùn)行時(shí)啟動(dòng)故障檢測(cè)系統(tǒng),將接收到的加速度數(shù)據(jù)處理后得出均方根與峰峰值并進(jìn)行分類,分類結(jié)果為標(biāo)簽1,2,3,分別代表正常狀態(tài)、電機(jī)過熱狀態(tài)、電機(jī)轉(zhuǎn)子不平衡狀態(tài)。15組數(shù)據(jù)匯總?cè)绫?所示。

表4 待分類數(shù)據(jù)匯總表Tab.4 Summary table of data to be classified

采用傳統(tǒng)KNN與優(yōu)化KNN算法完成上述數(shù)據(jù)的分類,分類結(jié)果如圖12所示?？梢钥闯?采用傳統(tǒng)KNN分類的正確數(shù)量為11組,而優(yōu)化KNN的分類正確數(shù)量為13組。

圖12 分類結(jié)果的混淆矩陣圖Fig.12 Confusion matrix graph of classification results

經(jīng)進(jìn)一步分析,可知:

(1) 采用傳統(tǒng)KNN分類時(shí),5組正常狀態(tài)樣本有1組被錯(cuò)誤分類為電機(jī)過熱狀態(tài),其余4組正確;5組電機(jī)過熱樣本有2組被錯(cuò)誤分類為正常狀態(tài)與轉(zhuǎn)子不平衡狀態(tài),其余3組正確;而5組電機(jī)轉(zhuǎn)子不平衡樣本有1組被錯(cuò)誤分類為電機(jī)過熱狀態(tài),其余4組正確。15組實(shí)驗(yàn)的正確率為73.3%;

(2) 采用優(yōu)化KNN分類時(shí),5組正常狀態(tài)樣本被分類為了標(biāo)簽1,分類結(jié)果完全正確; 5組電機(jī)過熱樣本有1組被錯(cuò)誤分類為了正常狀態(tài),其余4組全部正確; 5組電機(jī)轉(zhuǎn)子不平衡樣本有1組被錯(cuò)誤分類為了電機(jī)過熱狀態(tài),其余4組全部正確。15組實(shí)驗(yàn)的正確率為86.7%,基本滿足故障檢測(cè)的需求。

實(shí)驗(yàn)結(jié)果相比于圖9中的MATLAB仿真結(jié)果,上述兩種算法的分類正確率都有所降低。對(duì)比可知,仿真環(huán)境下優(yōu)化KNN算法的最高分類正確率為92.5%,而實(shí)驗(yàn)測(cè)試的最高分類正確率為86.7 %,兩者之間的誤差為5.8%,可能原因是訓(xùn)練集數(shù)量較少或數(shù)據(jù)存在異常值,影響了分類的準(zhǔn)確度。

5 結(jié)論

本研究基于小波包分析和優(yōu)化KNN算法提出了一種針對(duì)電動(dòng)開度閥的故障檢測(cè)方法。該方法通過小波包變換對(duì)振動(dòng)信號(hào)處理分析,獲取了與電機(jī)故障強(qiáng)相關(guān)時(shí)域特征參數(shù),將其作為樣本的評(píng)價(jià)指標(biāo)輸入優(yōu)化KNN算法進(jìn)行分類,研究結(jié)果表明:

(1) 通過小波包變換處理振動(dòng)信號(hào),剔除了相關(guān)性較弱的特征參數(shù),得到有效表征故障的特征參數(shù)。相比于其他文獻(xiàn)常用的能量值、熵值等,本研究提取的特征參數(shù)不僅故障相關(guān)性高,且易于計(jì)算,有利于減少計(jì)算量;

(2) 針對(duì)不同狀態(tài)的分類問題,本研究優(yōu)化了KNN算法的評(píng)價(jià)指標(biāo),引入了距離權(quán)重公式,降低了KNN算法的計(jì)算量。將該方法應(yīng)用于開度閥控制系統(tǒng)進(jìn)行故障檢測(cè)測(cè)試,結(jié)果表明故障分類的準(zhǔn)確率達(dá)到86.7%,驗(yàn)證了本研究方法的有效性。