關(guān)鍵詞：口罩機;自組織映射;BP神經(jīng)網(wǎng)絡(luò);故障檢測

中圖分類號：TP206.3 文獻標志碼：A

0 引言（Introduction）

傳統(tǒng)的口罩機故障檢測方法通常依賴于人工經(jīng)驗和定期巡檢，存在診斷準確性低和故障響應(yīng)時間長的問題。為解決以上問題，基于機器學習的故障檢測方法逐漸受到關(guān)注[1]。在SOM算法和BP算法的應(yīng)用方面，LU等[2]通過提取石油鉆井設(shè)備齒輪的特征參數(shù)，針對4種故障類型，基于SOM神經(jīng)網(wǎng)絡(luò)提出了一種齒輪故障診斷模型，但這種模型的分類準確率僅有75%。ZOU等[3]將盾構(gòu)開挖參數(shù)作為SOM輸入，再將其輸出結(jié)果作為BP輸入完成融合，其輸出結(jié)果能夠診斷盾構(gòu)機構(gòu)的故障，但其分類并非整數(shù)類型，仍需采用人工方式整理，不夠簡便。

本文提出一種基于SOM-BP融合算法的故障檢測模型，首先通過傳感器測得口罩機傳動系統(tǒng)的振動信號，提取4種齒輪狀態(tài)下的時域和頻域參數(shù)作為SOM 主網(wǎng)絡(luò)的輸入進行初步聚類，將聚類結(jié)果作為BP網(wǎng)絡(luò)的輸入，得出更加準確的分類檢測結(jié)果，從而實現(xiàn)口罩機傳動系統(tǒng)的故障檢測。

1 口罩機工藝流程分析（Analysis of technologicalprocess of mask machine）

全自動口罩機是用于自動化生產(chǎn)多層材質(zhì)平面口罩成品的機臺?？谡謾C的整個機臺從原材料入料到鼻線插入、封邊、裁切成品，均為一條線自動化作業(yè)[4]。

口罩機作業(yè)工序可分為5個部分，全自動口罩機工藝流程如圖1所示。口罩成品質(zhì)量除了與材料和產(chǎn)品設(shè)計尺寸有關(guān)，還受多個結(jié)構(gòu)和工序的影響，如鼻梁線的正確安裝對于口罩是否能提供良好的密封性和適合性至關(guān)重要;原材料無紡布及過濾層的壓疊和固定質(zhì)量關(guān)乎口罩的過濾效果等[5]。為了維持全自動口罩機設(shè)備的健康狀態(tài)，節(jié)約維修成本，避免發(fā)生事故，保障工作人員的安全，對全自動口罩機核心動力源即傳動系統(tǒng)的運行狀態(tài)進行故障檢測十分必要。

整個口罩加工工序及各工序結(jié)構(gòu)如圖2所示。

全自動口罩機的動力源由減速機和伺服電機提供，并通過一根動力軸和傘齒機構(gòu)傳遞至設(shè)備的各個部分，傳動系統(tǒng)如圖3所示。全自動口罩機的傳動系統(tǒng)主要包括減速機、伺服電機、動力軸等，減速機是設(shè)備的主要部件，本文將針對其齒輪失效問題進行故障檢測。

2SOM-BP融合算法（SOM-BP Fusion algorithm）

2.1SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)

全自動口罩機的硬件成本不高，因此不適用于高成本的故障診斷算法。SOM 網(wǎng)絡(luò)不需要大量的數(shù)據(jù)進行訓(xùn)練，實時性強，但在訓(xùn)練過程中，一些神經(jīng)元的初始權(quán)值與輸入向量的距離過大，導(dǎo)致它們在競爭中永遠無法獲勝，成為死亡神經(jīng)元，這可能導(dǎo)致分類錯誤[6]。BP神經(jīng)網(wǎng)絡(luò)具有非線性映射和自學習的能力，但其學習速度慢，容易陷入局部最優(yōu);而當訓(xùn)練能力提高時，容易出現(xiàn)過擬合[7]。

本文采用串聯(lián)型SOM-BP網(wǎng)絡(luò)，在仿真實驗中，SOM網(wǎng)絡(luò)稱為主網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)稱為次網(wǎng)絡(luò)[8]，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

從圖4中可以看出，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)的三層BP網(wǎng)絡(luò)的基礎(chǔ)上增加了一個SOM 競爭層。首先，通過SOM網(wǎng)絡(luò)對樣本進行無監(jiān)督學習，將高維空間線性不可分的樣本映射到線性可分的低維空間，從而完成樣本的初步聚類，降低了BP網(wǎng)絡(luò)識別的壓力和難度。其次，將聚類信息從競爭層傳遞到隱藏層，通過訓(xùn)練BP網(wǎng)絡(luò)進行監(jiān)督學習，完成從輸入到輸出的非線性映射，并對數(shù)據(jù)進行分類。

2.2SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的分類預(yù)測

SOM網(wǎng)絡(luò)采用無監(jiān)督學習的方式，在訓(xùn)練前不需要預(yù)先指定訓(xùn)練輸入向量的類別，它可以獨自完成聚類分析，從而對數(shù)據(jù)進行初步分類，然后將獲勝神經(jīng)元的位置作為BP網(wǎng)絡(luò)的輸入，其泛化能力有效克服了容差因子對故障定位的影響，因此SOM網(wǎng)絡(luò)不需要大量的學習樣本，正好彌補了BP網(wǎng)絡(luò)學習需要大量樣本的缺陷，而BP網(wǎng)絡(luò)能很好地反映故障檢測的效果，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的分類預(yù)測原理如下[9]。

3SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)傳動系統(tǒng)故障檢測（Transmission system fault detection of SOMBPcomposite neural network）

3.1 振動信號采集

在進行全自動口罩機傳動系統(tǒng)故障檢測之前，由于全自動口罩機由多工位機械連接而成，其內(nèi)部部件在實際工作條件下相互耦合，此外受到來自超聲波焊接頭和振動子的振動信號的干擾，因此傳動系統(tǒng)的故障檢測需要完成減速機振動信號的特征提取。

實驗樣本來自實驗平臺，如圖5所示，該平臺由N95口罩機配套行星減速機（PLF120-20-L2）、壓電式加速度傳感器（CYT9350）、數(shù)據(jù)采集卡（Smacq USB-1252）、電源（T-200D）和個人計算機組成。其中，減速機的轉(zhuǎn)速設(shè)置為1 500 rpm、采樣頻率設(shè)置為5 120 Hz。壓電式加速度傳感器安裝在減速機的水平方向，由數(shù)據(jù)采集卡和計算機配套軟件分別采集減速機齒輪正常、齒面磨損、齒根裂紋、齒輪斷裂4種狀態(tài)下的振動信號。本文采用原車間全自動口罩機傳動系統(tǒng)振動信號的時域和頻域分析計算得出的8個特征參數(shù)代替?zhèn)鞲衅魉鶞y原振動序列作為SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的輸入，時域特征參數(shù)如表1所示，頻域特征參數(shù)如表2所示[11]。

針對每種故障類型選取5個樣本，共選取20組樣本構(gòu)成SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的輸入，如表3所示。

3.2SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的故障檢測算法實現(xiàn)

根據(jù)前文描述的算法原理和特征參數(shù)選擇方法，基于SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)模型的故障檢測方法的具體步驟如圖6所示。

（1）采集減速機原始振動信號并進行歸一化處理，根據(jù)采樣頻率計算歸一化后數(shù)據(jù)的時域參數(shù)和頻域參數(shù)，將其作為樣本數(shù)據(jù)。

（2）將樣本數(shù)據(jù)分為測試集和訓(xùn)練集，初始化SOM 網(wǎng)絡(luò)，以訓(xùn)練集作為輸入放進SOM網(wǎng)絡(luò)中進行初步聚類。

（3）初始化BP網(wǎng)絡(luò)，針對初步聚類結(jié)果進行歸一化，再將其放入BP神經(jīng)網(wǎng)絡(luò)中進一步訓(xùn)練。

（4）若誤差在允許范圍內(nèi)，則結(jié)束訓(xùn)練，此時將測試集數(shù)據(jù)放入訓(xùn)練好的SOM網(wǎng)絡(luò)和BP網(wǎng)絡(luò)中輸出分類預(yù)測結(jié)果。若誤差超出允許范圍，則調(diào)整SOM網(wǎng)絡(luò)的鄰域及連接權(quán)重，并調(diào)整BP網(wǎng)絡(luò)的權(quán)值和閾值，然后返回“步驟（2）”。

此外，本文沿用均方誤差作為損失函數(shù)評估算法性能，其損失函數(shù)可以表示為

3.3 實驗結(jié)果分析

將實驗樣本數(shù)據(jù)輸入SOM 主網(wǎng)絡(luò)進行初步聚類，其中SOM網(wǎng)絡(luò)的競爭層的神經(jīng)元數(shù)量決定了競爭層的數(shù)據(jù)分辨能力。首先，神經(jīng)元數(shù)量的增加可以提供更高的空間分辨率，使競爭層可以更準確地對輸入空間進行劃分。神經(jīng)元較多時，能夠更細致地捕捉數(shù)據(jù)的局部特征，從而提高分類效果。神經(jīng)元較少時，可能導(dǎo)致對空間的劃分不夠精細，導(dǎo)致獲得的分類結(jié)果不夠準確。同時，過多的神經(jīng)元可能導(dǎo)致過擬合，即模型過于復(fù)雜而無法泛化到新數(shù)據(jù)上，而過少的神經(jīng)元數(shù)量可能導(dǎo)致欠擬合。其次，神經(jīng)元數(shù)量的增加也會增加計算的時長，神經(jīng)元較多，會導(dǎo)致更多的計算和存儲需求，增加網(wǎng)絡(luò)的復(fù)雜性[12]。

因此，需要找到神經(jīng)元數(shù)量的平衡點，以獲得更好的分類效果。依據(jù)參考文獻[12]的方法，并經(jīng)過大量運行測試，分別設(shè)置50、100、200、500、1 000次迭代次數(shù)下的5×5、6×6、7×7、8×8競爭層結(jié)構(gòu)，其聚類結(jié)果分別如圖7～圖10所示。

如圖9所示，當?shù)螖?shù)為1 000次時，7×7結(jié)構(gòu)的SOM網(wǎng)絡(luò)可以將故障樣本1、2、3、4、5分為一類，樣本6、7分為一類，樣本12、14分為一類，樣本17、18、19分為一類。從圖9可以看出，盡管在迭代次數(shù)較多的情況下，SOM 網(wǎng)絡(luò)對于樣本的分類仍較為粗糙，未達到足夠高的準確度。于是，本文將SOM輸出的結(jié)果輸入BP再次進行訓(xùn)練，形成SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)，對輸出的預(yù)測結(jié)果進行評估。經(jīng)過大量測試得到如下結(jié)果：初始化SOM網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)為4，最大迭代次數(shù)為1 000次，目標訓(xùn)練誤差為0.001，學習率為0.01;BP網(wǎng)絡(luò)初始化最大訓(xùn)練次數(shù)為1 500次，目標訓(xùn)練誤差為0.000 1，學習率為0.01，因為本研究需要分類檢測4種類型齒輪狀態(tài)，所以輸出層的神經(jīng)元個數(shù)為4。4種SOM 競爭層結(jié)構(gòu)下的SOMBP復(fù)合型神經(jīng)網(wǎng)絡(luò)分類準確率對比如表4所示。

由表4可知，SOM 網(wǎng)絡(luò)競爭層結(jié)構(gòu)的選取需要適合檢測樣本的數(shù)量，以達到最佳的分類效果，同時從表4中可以看出，輸入樣本數(shù)量的選擇對SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的預(yù)測準確率也有影響?；诒?選擇SOM網(wǎng)絡(luò)的競爭層結(jié)構(gòu)為7×7，其預(yù)測結(jié)果如圖11和圖12所示。

由圖11和圖12可知，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)模型可以完成對減速機的故障分類檢測，并且準確率隨著樣本數(shù)量的增加而提高。

圖13顯示了SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)模型的均方誤差隨迭代次數(shù)增加的曲線變化，其最佳驗證性能為第173輪的0.091 606。由此可見，該模型訓(xùn)練次數(shù)較少且收斂較快，能夠滿足故障診斷要求。

圖14～圖17分別顯示了輸入樣本中訓(xùn)練集、測試集、驗證集和全部數(shù)據(jù)的擬合程度曲線，其值分別為0.998 76、0.995 56、0.939 04、0.995 56，擬合程度均接近1且基本保持穩(wěn)定，滿足精度要求。

4 結(jié)論（Conclusion）

本文提出了一種基于SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的口罩機傳動系統(tǒng)故障檢測方法。通過提取口罩機傳動系統(tǒng)振動信號數(shù)據(jù)中的時域參數(shù)和頻域參數(shù)，結(jié)合自組織映射神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)，本文成功實現(xiàn)口罩機傳動系統(tǒng)對4種故障類型分類檢測。通過實驗驗證，該模型應(yīng)用于口罩機傳動系統(tǒng)故障檢測是有效且可行的。通過仿真結(jié)果確定了最佳的7×7競爭層SOM-BP網(wǎng)絡(luò)結(jié)構(gòu)及輸入、輸出參數(shù)，分類準確率最高可達93.5%，數(shù)據(jù)擬合度最高達0.998 76，能夠在保證生產(chǎn)的同時完成對設(shè)備故障的檢測。

作者簡介：

彭來湖（1980-），男，博士，副教授。研究領(lǐng)域：針織裝備控制技術(shù)。

劉旭東（1999-），男，碩士生。研究領(lǐng)域：紡織設(shè)備智能制造。

萬昌江（1972-），男，博士，講師。研究領(lǐng)域：機械設(shè)備信息系統(tǒng)開發(fā)。