大型機電設備故障信號實時采集方法研究仿真

張 波

（青島市產(chǎn)品質量監(jiān)督檢驗研究院，山東青島 266071）

大型機電設備結構復雜且工作環(huán)境惡劣，屬于多發(fā)性故障的高技術機械產(chǎn)品，而且以目前的技術水平無法保證發(fā)動機在無故障狀態(tài)下運行。大型機電設備主要存在的故障情況包括：機電系統(tǒng)供電系統(tǒng)故障、機電系統(tǒng)冷卻通道堵塞以及機電設備的傳動系統(tǒng)故障等3種故障情況。為了實現(xiàn)對大型機電設備的故障檢測，研究有效的智能故障檢測方法，成為機械和信號處理學科研究的理論熱點。信號處理和對故障信號的特征提取成為故障診斷的關鍵和核心步驟。對故障信號的時域分析、頻域分析、抑或是統(tǒng)計分析，作為信號處理的基本方法，旨在提取大型機電設備振動系統(tǒng)故障信號的故障特征，實現(xiàn)對大型機電設備的故障診斷。對故障信號進行實時采集和有效檢測是基礎，研究大型機電設備的故障信號進行實時采集方法具有重要的意義和價值［1］。

大型機電設備的故障診斷是一個龐大的系統(tǒng)工程，涵蓋了信號處理、人工智能、模式識別等領域，大型機電設備的故障診斷是建立在故障信號的實時采集基礎上，傳統(tǒng)方法中，對大型機電設備的故障信號的實時采集主要有時域分析故障信號采集法、頻域分析故障信號采集法、統(tǒng)計分析故障信號采集法、信息論分析故障信號采集法等［2－5］。通過信號采集提取大型機電設備故障信號的故障特征，為模式識別和故障分類識別提供數(shù)據(jù)基礎。然而，傳統(tǒng)方法采用時頻分析的統(tǒng)計信號處理方法進行故障信號采集，對低信噪比的故障信號檢測性能不好［6－10］。

針對傳統(tǒng)的信號采集和處理方法出現(xiàn)的問題，為了提高對大型機電設備故障的檢測和診斷能力，本文提出一種基于非線性時間序列分析和相空間重構的大型機電設備故障信號實時采集方法，實現(xiàn)故障的檢測和診斷。首先構建大型機電設備的故障數(shù)據(jù)檢測模型，基于相空間重構分析的故障診斷方法，通過經(jīng)驗模態(tài)分解方法在重構的相空間中提取故障信號的基頻信息，以此為數(shù)據(jù)基礎建立智能專家系統(tǒng)，實現(xiàn)大型機電設備的故障診斷，最后進行仿真實驗實現(xiàn)性能驗證，展示了本文的故障信號實時采集方法在實現(xiàn)故障診斷中的優(yōu)越性能。

1 大型機電設備故障信號的產(chǎn)生及非線性序列分析

1.1 大型機電設備故障信號的產(chǎn)生

對大型機電設備智能故障診斷的第一步是進行故障信號的模型構建，故障信號根據(jù)檢測手段和診斷原理分為發(fā)動及振動故障信號、大型機電設備的噪聲故障信號以及其他故障信號，大型機電設備故障信號的產(chǎn)生主要來源于故障振動信號，以及機電設備排氣、振動等工作過程中的信號。本文采用相空間重構和非線性時間序列分析方法分析大型機電設備的故障特征，設大型機電設備振動信號時間序列為｛x1，x2，…，xn｝，當嵌入維數(shù)為m，延遲時間間隔為τ，振動時間序列｛x1，x2，…，xN｝以式（1）給出的向量模型形成相空間，即：

式中 i＝1，2，…，K；K——重構后相空間的點數(shù)。

上述大型機電設備故障特征相關數(shù)據(jù)的數(shù)據(jù)量比較大，計算的復雜度比較高，無法對大型機電設備故障征兆進行及時的挖掘。因此，需要去除其中的冗余數(shù)據(jù)，從而降低計算復雜度，相空間維數(shù)較高，需要進行降維分析，其簡化公式如下所述：

大型機電設備的故障信號形成m維空間，只要m≥2d＋1，動力系統(tǒng)的幾何結構就可以完全打開，其中是系統(tǒng)中吸引子的維數(shù)，吸引子表示疑似故障信號與真實故障信號的相關度，引入吸引子約束可以更好的確認故障特征。大型機電設備特征的發(fā)射波束聚焦數(shù)量能夠用q進行描述，對應的大型機電設備故障特征向量的數(shù)量能夠用q進行描述，則上述簡化過程需要符合下述條件：

φ1是大型機電設備故障特征相關性參數(shù)。采集系統(tǒng)的聲波束被控制在一定范圍內(nèi)，掃描的范圍為20度至80度，一次掃描可以覆蓋整個大型機電設備葉片。對大型機電設備的故障信號，采用軌跡協(xié)方差矩陣XTX的特征值作為該觀測時間序列的特征。由式（3）可得

通過上述分析，實現(xiàn)對故障信號的波束指向性特征分析，為下一步實現(xiàn)故障信號特征分解和實時采集處理提供數(shù)據(jù)基礎。

1.2 大型機電設備故障信號的非線性時間序列分析模型

在上述信號分析的基礎上，采用非線性時間序列分析方法分析大型機電設備故障信號，非線性時間序列分析的框架模型如圖1所示。

圖1 故障信號的非線性時間序列分析的框架模型

對大型機電設備的故障模型進行陣元換能的傅里葉變換，需要計算大型機電設備故障特征的最優(yōu)分類平面。對于非線性時間序列x1，x2，…xn，…，設總點數(shù)為N，序列｛xi｝時間跨度為jτ的自相關函數(shù)為：

設置大型機電設備故障特征分量z在半徑是的區(qū)域中，則最優(yōu)分類平面應該滿足下述條件：

通過上述分析，求出其l個特征值λ1，λ2，…，λl和特征向量矩陣Y＝［y1，y2，…，yl］，構建大型機電設備故障信號的非線性時間序列分析模型。

2 相空間重構及設備故障信號實時采集方法實現(xiàn)

在上述非線性時間序列分析的基礎上，采用相空間重構方法進行設備故障信號的實時采集，傳統(tǒng)方法采用時頻分析的統(tǒng)計信號處理方法進行故障信號采集，對低信噪比的故障信號檢測性能不好。本文提出一種基于非線性時間序列分析和相空間重構的大型機電設備故障信號實時采集方法，實現(xiàn)故障的檢測和診斷。將故障信號模擬為一個調幅信號，得到多陣元超聲換能波束指向性特征的約束函數(shù)：

基于非線性時間序列分析和相空間重構，對故障特征矩陣X進行奇異值（SVD）分解：

其中U∈Rm×m正交矩陣，V∈RM×M，且UT＝U－1，VT＝V－1；D∈Rm×M，且滿足D＝［∑0］進行大型機電設備的故障特征提取：

求出其l個特征值λ1，λ2，…，λl和特征向量矩陣Y＝［y1，y2，…，yl］。為

結合上節(jié)所述的大型機電設備故障信號時域和頻域分析模型，得到大型機電設備故障信號的第一個IMF分量為：

在基于非線性時間序列分析和相空間重構的大型機電設備故障信號實時采集方法基礎上，為了實現(xiàn)故障診斷，構建在專家系統(tǒng)進行故障分類診斷，設訓練樣本集為X＝［X1，X2，…，Xk，…，XN］T，將大型機電設備故障信號x（n）分解成若干IMF分量，其中任一訓練樣本為Xk＝［xk1，xk2，…，xkm，…，xkM］，對應的大型機電設備故障特征實際輸出為：

通過上述分析，進行故障信號的實時采集，完成故障特征提取，實現(xiàn)大型機電設備的故障分類診斷。

3 仿真實驗與結果分析

為了測試本文算法在進行大型機電設備故障信號采集中的性能，進行仿真實驗。實驗建立在某大型機電設備平臺上，系統(tǒng)實驗平臺如圖2所示。大型機電設備故障檢測系統(tǒng)模型分為底層數(shù)據(jù)層、中間處理層、用戶層，底層數(shù)據(jù)層負責采集數(shù)據(jù)，中間處理層負責數(shù)據(jù)的預處理，頂層是用戶與系統(tǒng)的交互部分。使用本實驗室研制的TED2012大型機電設備振動信號采集系統(tǒng)，進行信號采集和檢測。

圖2 大型機電設備故障信號檢測平臺

實驗中，在大型機電設備3種工況模式下測試大型機電設備的性能，3種故障工況模式是通過大型機電設備系統(tǒng)設定方法獲得，大型機電設備工作轉速為2 400 r／min，信號采樣頻率為60 KHz，分布設定大型機電設備的進氣門間隙過大、排氣門間隙過大和氣缸喘振以及正常工作模式，分別記為A、B和C類故障，信號采集時長100 s，采集間隔時間為0.5 s，得到信號采集時域波形如圖3所示，橫坐標為采集時間，縱坐標為取得的時間相關函數(shù)表達。

為了實現(xiàn)對信號的實時采集分析，采用本文算法進行相空間重構，得到大型機電設備三類故障下振動信號在二維坐標系下的相空間重構吸引子的描述圖如圖4所示。

由圖可見，采用本文算法進行故障信號的重構分析，能準確反映故障信號的高維特征，信號的吸引子充分展開，為實現(xiàn)故障診斷提供特征基礎。進一步采用本文設計的故障分類專家系統(tǒng)，得到三類故障樣本的診斷結果，把結果在三維坐標系下表示如圖5所示。由圖可見這三類故障具有可分性，故障聚類能力高，基于本文設計的故障信號實時采集方法，實現(xiàn)了對大型機電設備的故障準確診斷。

4 結語

構建大型機電設備的故障數(shù)據(jù)檢測模型，基于相空間重構分析的故障診斷方法，通過經(jīng)驗模態(tài)分解方法提取故障信號的特征信息，以此為數(shù)據(jù)基礎建立智能專家系統(tǒng)，實現(xiàn)大型機電設備的故障診斷。研究表明，采用本文方法進行故障信號的實時采集故障診斷，故障分類性好，準確性高。

圖3 大型機電設備三類故障下振動信號

［1］ 汪慰軍，陳 進，吳昭同，等.關聯(lián)維數(shù)的計算及其在大機組故障診斷中的應用［J］.上海交通大學學報，2000，34（9）：1265-1268.

WANG Wei-jun，CHEN Jin，WU Zhao-tong，JIANG Ming.Calculation of Correlation Dimension and Its Application to Large Rotating Machinery Fault Diagnosis［J］.Journal of Shanghai Jiaotong University，2000，34（9）：1265-1268.

圖4 大型機電設備三類故障下振動信號吸引子

圖5 大型機電設備三類故障下振動信號特征分布

［2］ 韓 磊，洪 杰，王 冬.基于小波包分析的大型機電設備軸承故障診斷［J］.推進技術，2009，30（3）：328-331.

HAN Lei，HONG Jie，WANG Dong.The fault diagnosis of large-scale electromechanical equipment based on wavelet package analysis［J］.Journal of Propulsion Technology，2009，30（3）：328-331.

［3］ 江龍平，徐可君，唐有才.基于分形維數(shù)的轉子—機匣系統(tǒng)故障診斷研究［J］.機械強度，2009，31（4）：532-536.

JIANG LongPing，XU KeJun，TANG YouCai.FAULT DIAGNOSIS RESEARCH OF ROTOR-CASE SYSTEM BASED ON FRACTAL DIMENSION［J］.Journal of Mechanical Strength，2009，31（4）.

［4］ 呂金虎，陸君安，陳士華.混沌時間序列分析及其應用［M］.武漢：華中科技大學出版社.2002.

［5］ 邊肇祺，張學工.模式識別［M］.北京：清華大學出版社，2000.

［6］ 王 鋒，孫翠華.汽車大型機電設備故障征兆挖掘技術的研究與仿真［J］.計算機仿真，2013，30（10）：229-232.

WANG Feng，SUN Cui-hua.Research and Simulation on Mining Technology for Automobile Engine Fault Symptoms［J］.Computer Simulation，2013，30（10）：229-232.

［7］ 楊 俊，周丙寅，張 毅，等.基于遞歸圖分析的壓縮機故障診斷方法研究［J］.計算機與數(shù)字工程，2013，41（6）：984-986.

YANG Jun，ZHOU Bing－yan，ZHANG Yi，et al.Compressor fault diagnosis based on recurrence plot analysis［J］.Computer and Digital Engineering，2013，41（6）：984-986.

［8］ 劉家亮，王海燕，姜 喆，等.垂直線列陣結構對PTRM陣處理空間增益的影響［J］.魚雷技術，2010，18（4）：263-267.

LIU Jia-liang，WANG Hai-yan，JIANG Zhe，et al.Influence of ULA structure on PTRM array spatial gain［J］.Torpedo Technology，2010，18（4）：263-267.

［9］ 尹 剛，張英堂，李志寧，等.基于MSPCA的缸蓋振動信號特征增強方法研究［J］.振動與沖擊，2013，32（6）：143-147.

YIN Gang，ZHANG Ying-tang，LI Zhi-ning，et al.Fault feature enhancement method for cylinder head vibration signal based on multiscale principal component analysis［J］.Journal of Vibration and Shock，2013，32（6）：143-148.

［10］ 李 兵，徐 榕，賈春寧，等.基于自適應形態(tài)提升小波與改進非負矩陣分解的大型機電設備故障診斷方法［J］.兵工學報，2013，34（3）：353-360.

LI Bing，XU Rong，JIA Chun-ning，et al.Engine fault diagnosis utilizing adaptive morphological lifting wavelet and improved non-negative matrix factorization［J］.Acta Armamentarii，2013，34（3）：353-360.