關鍵詞：口罩機;自組織映射;BP神經網絡;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驗和定期巡檢，存在診斷準確性低和故障響應時間長的問題。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注[1]。在SOM算法和BP算法的應用方面，LU等[2]通過提取石油鉆井設備齒輪的特征參數(shù)，針對4種故障類型，基于SOM神經網絡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]將盾構開挖參數(shù)作為SOM輸入，再將其輸出結果作為BP輸入完成融合，其輸出結果能夠診斷盾構機構的故障，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 主網絡的輸入進行初步聚類，將聚類結果作為BP網絡的輸入，得出更加準確的分類檢測結果，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多層材質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?？谡殖善焚|量除了與材料和產品設計尺寸有關，還受多個結構和工序的影響，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重要;原材料無紡布及過濾層的壓疊和固定質量關乎口罩的過濾效果等[5]。為了維持全自動口罩機設備的健康狀態(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構如圖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傳遞至設備的各個部分，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復合型神經網絡

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 網絡不需要大量的數(shù)據進行訓練，實時性強，但在訓練過程中，一些神經元的初始權值與輸入向量的距離過大，導致它們在競爭中永遠無法獲勝，成為死亡神經元，這可能導致分類錯誤[6]。BP神經網絡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網絡，在仿真實驗中，SOM網絡稱為主網絡，BP神經網絡稱為次網絡[8]，SOM-BP復合型神經網絡結構如圖4所示。

從圖4中可以看出，SOM-BP復合型神經網絡是在傳統(tǒng)的三層BP網絡的基礎上增加了一個SOM 競爭層。首先，通過SOM網絡對樣本進行無監(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網絡識別的壓力和難度。其次，將聚類信息從競爭層傳遞到隱藏層，通過訓練BP網絡進行監(jiān)督學習，完成從輸入到輸出的非線性映射，并對數(shù)據進行分類。

2.2SOM-BP復合型神經網絡的分類預測

SOM網絡采用無監(jiān)督學習的方式，在訓練前不需要預先指定訓練輸入向量的類別，它可以獨自完成聚類分析，從而對數(shù)據進行初步分類，然后將獲勝神經元的位置作為BP網絡的輸入，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網絡不需要大量的學習樣本，正好彌補了BP網絡學習需要大量樣本的缺陷，而BP網絡能很好地反映故障檢測的效果，SOM-BP復合型神經網絡的分類預測原理如下[9]。

3SOM-BP復合型神經網絡傳動系統(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，減速機的轉速設置為1 500 rpm、采樣頻率設置為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復合型神經網絡的輸入，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組樣本構成SOM-BP復合型神經網絡的輸入，如表3所示。

3.2SOM-BP復合型神經網絡的故障檢測算法實現(xiàn)

根據前文描述的算法原理和特征參數(shù)選擇方法，基于SOM-BP復合型神經網絡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，根據采樣頻率計算歸一化后數(shù)據的時域參數(shù)和頻域參數(shù)，將其作為樣本數(shù)據。

（2）將樣本數(shù)據分為測試集和訓練集，初始化SOM 網絡，以訓練集作為輸入放進SOM網絡中進行初步聚類。

（3）初始化BP網絡，針對初步聚類結果進行歸一化，再將其放入BP神經網絡中進一步訓練。

（4）若誤差在允許范圍內，則結束訓練，此時將測試集數(shù)據放入訓練好的SOM網絡和BP網絡中輸出分類預測結果。若誤差超出允許范圍，則調整SOM網絡的鄰域及連接權重，并調整BP網絡的權值和閾值，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 實驗結果分析

將實驗樣本數(shù)據輸入SOM 主網絡進行初步聚類，其中SOM網絡的競爭層的神經元數(shù)量決定了競爭層的數(shù)據分辨能力。首先，神經元數(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。神經元較多時，能夠更細致地捕捉數(shù)據的局部特征，從而提高分類效果。神經元較少時，可能導致對空間的劃分不夠精細，導致獲得的分類結果不夠準確。同時，過多的神經元可能導致過擬合，即模型過于復雜而無法泛化到新數(shù)據上，而過少的神經元數(shù)量可能導致欠擬合。其次，神經元數(shù)量的增加也會增加計算的時長，神經元較多，會導致更多的計算和存儲需求，增加網絡的復雜性[12]。

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

如圖9所示，當?shù)螖?shù)為1 000次時，7×7結構的SOM網絡可以將故障樣本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 網絡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輸出的結果輸入BP再次進行訓練，形成SOM-BP復合型神經網絡，對輸出的預測結果進行評估。經過大量測試得到如下結果：初始化SOM網絡輸入層的神經元個數(shù)為4，最大迭代次數(shù)為1 000次，目標訓練誤差為0.001，學習率為0.01;BP網絡初始化最大訓練次數(shù)為1 500次，目標訓練誤差為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)，所以輸出層的神經元個數(shù)為4。4種SOM 競爭層結構下的SOMBP復合型神經網絡分類準確率對比如表4所示。

由表4可知，SOM 網絡競爭層結構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復合型神經網絡的預測準確率也有影響?；诒?選擇SOM網絡的競爭層結構為7×7，其預測結果如圖11和圖12所示。

由圖11和圖12可知，SOM-BP復合型神經網絡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復合型神經網絡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練集、測試集、驗證集和全部數(shù)據的擬合程度曲線，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 結論（Conclusion）

本文提出了一種基于SOM-BP復合型神經網絡的口罩機傳動系統(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)據中的時域參數(shù)和頻域參數(shù)，結合自組織映射神經網絡和BP神經網絡，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。通過仿真結果確定了最佳的7×7競爭層SOM-BP網絡結構及輸入、輸出參數(shù)，分類準確率最高可達93.5%，數(shù)據擬合度最高達0.998 76，能夠在保證生產的同時完成對設備故障的檢測。

作者簡介：

彭來湖（1980-），男，博士，副教授。研究領域：針織裝備控制技術。

劉旭東（1999-），男，碩士生。研究領域：紡織設備智能制造。

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