基于投影尋蹤的旋轉(zhuǎn)設(shè)備潛在故障識(shí)別方法*

程曉涵， 汪愛(ài)明， 陳玉林， 李 偉， 孟國(guó)營(yíng)

(中國(guó)礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院 北京，100083)

基于投影尋蹤的旋轉(zhuǎn)設(shè)備潛在故障識(shí)別方法*

程曉涵， 汪愛(ài)明， 陳玉林， 李 偉， 孟國(guó)營(yíng)

(中國(guó)礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院 北京，100083)

為了解決潛在故障階段特征信號(hào)微弱、有效信息難以提取的問(wèn)題，提出一種基于投影尋蹤的旋轉(zhuǎn)設(shè)備潛在故障識(shí)別和預(yù)警方法。通過(guò)計(jì)算得出24個(gè)特征指標(biāo)用以描述設(shè)備運(yùn)行狀態(tài)。為避免單一投影方向揭露信息的片面性，提出利用最佳投影方向矩陣將不同狀態(tài)(包括正常狀態(tài)和異常狀態(tài))下的24個(gè)特征指標(biāo)投影到二維空間，得到投影值的分布特征，并以此建立特征評(píng)價(jià)指標(biāo)體系。通過(guò)觀察待評(píng)估的某一時(shí)刻的24個(gè)特征指標(biāo)的投影值分布與上述特征評(píng)價(jià)指標(biāo)體系相對(duì)比，即可判斷該時(shí)刻設(shè)備運(yùn)行狀態(tài)是否存在異常和故障類型。試驗(yàn)數(shù)據(jù)分析表明，該方法具有較好的可行性和可靠性，在捕捉早期故障信號(hào)方面具有很高的靈敏性。

24特征指標(biāo)； 投影尋蹤； 最佳投影方向矩陣； 特征評(píng)價(jià)指標(biāo)體系； 狀態(tài)識(shí)別和預(yù)警

引 言

旋轉(zhuǎn)機(jī)械在各行業(yè)內(nèi)均是生產(chǎn)的核心設(shè)備,其運(yùn)行狀況是否良好直接關(guān)系到生產(chǎn)安全，因此其早期潛在故障的識(shí)別與預(yù)警至關(guān)重要。旋轉(zhuǎn)設(shè)備潛在故障識(shí)別和預(yù)警方法本質(zhì)上就是模式識(shí)別或分類問(wèn)題，包括信號(hào)檢測(cè)、特征提取、狀態(tài)識(shí)別及診斷決策等具體實(shí)施步驟，但最核心的環(huán)節(jié)還在于特征提取。振動(dòng)信號(hào)是設(shè)備運(yùn)行狀態(tài)的信息載體，潛在的故障階段，特征信號(hào)微弱，同時(shí)由于噪聲干擾，有效信息極易被湮沒(méi)，因此采用科學(xué)有效的信號(hào)分析工具和算法挖掘微弱的故障特征信號(hào)顯得十分關(guān)鍵。

武兵等[1]提出利用支持向量回歸技術(shù)對(duì)多個(gè)特征量進(jìn)行并行預(yù)測(cè)，并綜合各類特征及其各步的剩余使用壽命預(yù)測(cè)結(jié)果，通過(guò)置信區(qū)間估計(jì)確定最終預(yù)測(cè)結(jié)果。蔡劍華等[2]提出了一種由信號(hào)的高階譜重構(gòu)功率譜，再由重構(gòu)的功率譜提取故障信息的故障診斷方法，在抑制高斯有色噪聲、提取信號(hào)中有用信息方面優(yōu)于傳統(tǒng)功率譜方法，同時(shí)具有很高的分辨率。Mohsen等[3]研究了軸承元件的動(dòng)態(tài)接觸機(jī)制，用鍵合圖建立了相應(yīng)的振動(dòng)模型，獲取了損傷軸承的振動(dòng)響應(yīng)。袁幸等[4]研究一種基于物理模型辨識(shí)的滾動(dòng)軸承故障診斷方法，即通過(guò)物理模型構(gòu)建標(biāo)準(zhǔn)模式數(shù)據(jù)庫(kù)，進(jìn)而識(shí)別故障。陳偉等[5]引入小波包以及共振解調(diào)技術(shù)進(jìn)行故障特征提取與優(yōu)化，利用支持向量數(shù)據(jù)描述(support vector data description，簡(jiǎn)稱SVDD)建立一種郵政分揀機(jī)供包臺(tái)系統(tǒng)軸承故障的診斷模型。周曉峰等[6]提出一種分層的獨(dú)立分量分析(independent component analysis，簡(jiǎn)稱ICA)振動(dòng)信號(hào)消噪方法，用獨(dú)立分量分析方法實(shí)現(xiàn)有用信號(hào)和背景噪聲源的分離，達(dá)到消除背景噪聲的目的，有效地提取故障信息，提高后續(xù)故障分析和診斷的準(zhǔn)確性。

筆者將投影尋蹤方法引入到旋轉(zhuǎn)設(shè)備狀態(tài)識(shí)別和預(yù)警方法的研究之中，通過(guò)將24個(gè)特征指標(biāo)投影到二維空間中，觀察和分析特征指標(biāo)投影值的分布特點(diǎn)，建立24特征評(píng)價(jià)指標(biāo)體系，實(shí)現(xiàn)潛在故障特征的提取以及后續(xù)的狀態(tài)識(shí)別功能，以便在故障萌芽階段主動(dòng)采取維護(hù)措施，避免設(shè)備長(zhǎng)期工作在非正常狀態(tài)和故障持續(xù)劣化，造成不可挽回的安全事故。

1 總體方案設(shè)計(jì)

圖1 總體方案流程圖Fig.1 Flow chart of overall scheme

如圖1所示，本方案從設(shè)備關(guān)鍵部位的監(jiān)測(cè)監(jiān)控系統(tǒng)中提取振動(dòng)信號(hào)，經(jīng)數(shù)據(jù)分析和計(jì)算得出24個(gè)特征指標(biāo)用以描述設(shè)備運(yùn)行狀態(tài)。利用二維投影方法將所述24個(gè)特征指標(biāo)投影到二維空間，得到投影值的分布特征。由于特征指標(biāo)的投射值分布對(duì)于某一固定設(shè)備在正常運(yùn)轉(zhuǎn)狀態(tài)下是固定不變的，以此建立特征評(píng)價(jià)指標(biāo)體系。通過(guò)觀察待評(píng)估的某一時(shí)刻的24個(gè)特征指標(biāo)的投影分布與特征評(píng)價(jià)指標(biāo)體系相對(duì)比，即可判斷某一時(shí)刻設(shè)備運(yùn)行狀態(tài)是否存在異常，進(jìn)而提醒工作人員采取相應(yīng)的維護(hù)措施。

2 24個(gè)特征指標(biāo)的選取

表征設(shè)備運(yùn)行狀態(tài)的特征指標(biāo)種類繁多，而且每個(gè)特征指標(biāo)對(duì)設(shè)備運(yùn)行狀態(tài)的規(guī)律性、敏感性和聚類性各不相同。為了能全面描述設(shè)備的運(yùn)動(dòng)狀態(tài)，筆者采用13個(gè)時(shí)域特征指標(biāo)(如表1中第1～13項(xiàng)所示)和11個(gè)頻域特征指標(biāo)(如表1中第14～24項(xiàng)所示)[7-9]。

3 基于投影尋蹤的24特征指標(biāo)向量的建立處理

3.1 振動(dòng)數(shù)據(jù)預(yù)處理

對(duì)原始振動(dòng)數(shù)據(jù){ai,i=1,2,…,n}進(jìn)行預(yù)處理，具體步驟如下：

1) 對(duì)振動(dòng)數(shù)據(jù){ai,i=1,2,…,n}進(jìn)行傅里葉變換得到{xi0,i=1,2,…,n}；

2) 按表1中的各公式計(jì)算出能夠描述設(shè)備運(yùn)行狀態(tài)的24特征指標(biāo)向量

3.2 對(duì)24特征指標(biāo)向量的投影處理

3．2．1 24特征指標(biāo)向量X的訓(xùn)練樣本的預(yù)處理

設(shè)備某一工作狀態(tài)(可為正常狀態(tài)或某一典型故障狀態(tài){qi,i=1,2,…,s})下的24特征指標(biāo)向量X構(gòu)成訓(xùn)練樣本空間,可以用p×n的矩陣X*={x*(i,j)|i=1,2,…,p;j=1,2,…,n}來(lái)表示。其中：x*(i,j)為第j個(gè)狀態(tài)樣本的第i個(gè)特征指標(biāo)；p為訓(xùn)練樣本的容量；n為特征指標(biāo)的數(shù)量。

為消除各特征指標(biāo)量綱的影響并統(tǒng)一其值的波動(dòng)范圍，需要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理

(1)

3．2．2 24個(gè)特征指標(biāo)的投影處理

(2)

3.2.3 利用遺傳算法建立最佳投影方向矩陣

為了將前述步驟2中各類設(shè)備狀態(tài){qi,i=1,2,…,s}下的投影值區(qū)域分離開(kāi)來(lái)，構(gòu)造投影目標(biāo)函數(shù)以尋求最佳的投影方向矩陣A=[a1,a2,…,am](其中包含最優(yōu)投影方向ab)。

(3)

(4)

表1 時(shí)域與頻域特征參量

最大化目標(biāo)函數(shù)[15]為

max:Q(a)=SzDz

(5)

約束條件為

(6)

4 24特征評(píng)價(jià)指標(biāo)體系的建立與狀態(tài)識(shí)別

4.1 24特征評(píng)價(jià)指標(biāo)體系的建立

圖2 24特征評(píng)價(jià)指標(biāo)體系示意圖Fig.2 Schematic diagram of evaluation index system of 24 characteristic indexes

4.2 設(shè)備狀態(tài)識(shí)別

此時(shí)可能出現(xiàn)一種特殊情況：投射值w′的分布位置與已建立的24特征評(píng)價(jià)指標(biāo)體系中任何投影值分布帶不重合，說(shuō)明設(shè)備出現(xiàn)了一種新的異常狀態(tài)，需要在24特征評(píng)價(jià)指標(biāo)體系中補(bǔ)充。即便無(wú)法及時(shí)診斷故障類型，因?yàn)橥队爸祑′偏離24特征評(píng)價(jià)指標(biāo)體系中的正常狀態(tài)投影值分布帶，亦能說(shuō)明此時(shí)設(shè)備出現(xiàn)異常，能及時(shí)捕捉到設(shè)備故障征兆。

5 應(yīng)用分析

5.1 滾動(dòng)軸承滾動(dòng)體損傷24特征評(píng)價(jià)指標(biāo)體系的建立

筆者借助美國(guó)西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心官方網(wǎng)站公布的軸承探傷測(cè)試數(shù)據(jù)集，針對(duì)滾動(dòng)軸承正常狀態(tài)和3種故障狀態(tài)(內(nèi)圈故障、外圈故障和滾動(dòng)體故障)的不同故障尺寸數(shù)據(jù)進(jìn)行分析，驗(yàn)證了所提方法的可行性。

針對(duì)軸承內(nèi)圈5種不同的損傷狀態(tài)：正常、滾動(dòng)體損傷0.177 8 mm、滾動(dòng)體損傷0.355 6 mm、滾動(dòng)體損傷0.533 4 mm和滾動(dòng)體損傷0.711 2 mm，采樣頻率為12 kHz，經(jīng)計(jì)算得到每種故障類型的特征指標(biāo)空間，對(duì)其進(jìn)行投影尋優(yōu)，得到最優(yōu)投影方向矩陣An。

圖3所示為各故障特征指標(biāo)空間在最優(yōu)投影方向矩陣An下的投影值分布情況，可以看出投影值明顯分為4層：正常狀態(tài)下投射值分布在主軸線為0.5附近(☆所示)；滾動(dòng)體損傷尺寸為0.177 8 mm時(shí)投射值分布在主軸線為-8附近(△所示)；滾動(dòng)體損傷0.711 2 mm時(shí)投射值分布在主軸線為-13附近(×所示)；滾動(dòng)體損傷0.355 6 mm(□所示)和0.533 4 mm(*所示)時(shí)投射值重疊在一起，分布在主軸線為-11附近，區(qū)分起來(lái)非常困難。

圖3 不同滾動(dòng)體損傷狀態(tài)在最佳投影矩陣下的投影值Fig.3 Projection values of the roller damage state under the best projection matrix

為了解決□層和*層投影值無(wú)法區(qū)分的問(wèn)題，需要對(duì)這兩種狀態(tài)進(jìn)行單獨(dú)投射，投射值分布如圖4所示。滾動(dòng)體損傷0.355 6 mm時(shí)投射值分布在主軸線為-14附近(□所示)，滾動(dòng)體損傷0.533 4 mm(*所示)時(shí)投射值分布在主軸線為8附近(*所示)。圖3和圖4形成了這5種狀態(tài)下完整的評(píng)價(jià)指標(biāo)體系。

圖4 滾動(dòng)體損傷直徑分別為0.355 6 mm和0.533 4 mm時(shí)的投影值分布Fig.4 Distribution of projection when roller damage diameter respectively are 0.355 6 mm and 0.533 4 mm inches

5.2 滾動(dòng)體運(yùn)行狀態(tài)的評(píng)估

圖5 狀態(tài)評(píng)估Fig.5 State assessment

從軸承探傷測(cè)試數(shù)據(jù)集中任選一個(gè)待測(cè)樣本，并將其24個(gè)特征指標(biāo)的預(yù)測(cè)值按照最優(yōu)投影方向矩陣An下進(jìn)行投影，其投影值分布情況如圖5“○”所示。投影值分布基本與滾動(dòng)體損傷0.711 2 mm時(shí)的投射值相重疊，由于這里使用的試驗(yàn)數(shù)據(jù)屬于單一故障類型數(shù)據(jù)，因此可以判斷出此時(shí)滾動(dòng)體的狀態(tài)為滾動(dòng)體損傷0.711 2 mm，而待測(cè)樣本實(shí)際損傷情況亦為0.711 2 mm，證明利用該方法進(jìn)行故障判斷的結(jié)果正確。

在實(shí)際工程應(yīng)用中，故障類型遠(yuǎn)不限于上述實(shí)驗(yàn)中的故障種類，初期建立的故障特征指標(biāo)體系可能無(wú)法涵蓋所有故障類型，會(huì)出現(xiàn)新的故障類型的投影值分布與已有的故障類型重疊的現(xiàn)象。例如本研究中投影值主軸線位于-13附近，可能是滾動(dòng)體損傷0.711 2 mm之外的其他故障導(dǎo)致。此時(shí)，雖然暫時(shí)區(qū)分不出是已有的故障類型還是新型故障，但是依然能判斷出異常，推斷可能的故障類型，并向工作人員提出報(bào)警進(jìn)行故障排查，同樣發(fā)揮預(yù)警功能。

6 結(jié)束語(yǔ)

為實(shí)現(xiàn)煤礦大型旋轉(zhuǎn)設(shè)備潛在故障識(shí)別并實(shí)現(xiàn)預(yù)警功能，采用振動(dòng)數(shù)據(jù)進(jìn)行分析處理，在投影尋蹤理論體系的基礎(chǔ)上提出基于24個(gè)特征指標(biāo)的特征指標(biāo)評(píng)價(jià)體系，建立了評(píng)價(jià)設(shè)備狀態(tài)是否正常的衡量標(biāo)準(zhǔn)。提出了最佳投影方向矩陣，從而避免了單一投影方向下可能出現(xiàn)揭露特征不完整的弊端，更加全面地暴露潛藏信息。利用美國(guó)西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心軸承探傷測(cè)試數(shù)據(jù)集驗(yàn)證了所提出的潛在故障識(shí)別和預(yù)警方法的可行性。

[1] 武兵,林健,熊曉燕. 基于支持向量回歸的多參數(shù)設(shè)備故障預(yù)測(cè)方法[J]. 振動(dòng)、測(cè)試與診斷, 2012,32(5):791-795.

Wu Bing, Lin Jian, Xiong Xiaoyan. Prediction method of equipment failure based on support vector of regression parameters[J]. Journal of Vibration, Measurement & Diagnosis, 2012,32(5):791-795.(in Chinese)

[2] 蔡劍華,胡惟文,王先春. 基于高階統(tǒng)計(jì)量的滾動(dòng)軸承故障診斷方法[J]. 振動(dòng)、測(cè)試與診斷, 2013,33(2):298-301.

Cai Jianhua, Hu Weiwen, Wang Xianchun. Statistics method for rolling bearing fault diagnosis based on higher order statistics[J]. Journal of Vibration, Measurement & Diagnosis, 2013,33(2):298-301.(in Chinese)

[3] Mohsen N, Bryant M D. Dynamic modeling if rolling element bearings with surface contact defects using bond graphs[J]. ASME, Jounal of Tribology 2011,133(1):1-12.

[4] 袁幸,朱永生,張優(yōu)云，等. 基于模型辨識(shí)的滾動(dòng)軸承故障診斷[J]. 振動(dòng)、測(cè)試與診斷,2013,33(1):12-17.

Yuan Xing, Zhu Yongsheng, Zhang Youyun,et al. Rolling bearing fault diagnosis based on model identification[J]. Journal of Vibration, Measurement & Diagnosis, 2013,33(1):12-17.(in Chinese)

[5] 陳偉,賈慶軒,孫漢旭. 利用小波包和SVDD的分揀機(jī)軸承故障診斷[J]. 振動(dòng)、測(cè)試與診斷, 2012,32(5):762-766.

Chen Wei, Jia Qingxuan, Sun Hanxu. Bearing fault diagnosis using wavelet packet and SVDD sorting machine[J]. Journal of Vibration, Measurement & Diagnosis, 2012,32(5):762-766. (in Chinese)

[6] 周曉峰,楊世錫,甘春標(biāo). 一種旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的盲源分離消噪方法[J]. 振動(dòng)、測(cè)試與診斷,2012,32(5):714-717.

Zhou Xiaofeng, Yang Shixi, Gan Chunbiao. A blind source separation de-noising method for rotating machinery vibration signal[J]．Journal of Vibration, Measurement & Diagnosis, 2012,32(5):714-717. (in Chinese)

[7] 劉永斌. 基于非線性信號(hào)分析的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)診斷研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué),2011.

[8] 徐麗娟,張春福,曲貴波,等. 基于振動(dòng)分析的軸承故障檢測(cè)方法分析[J].交通科技與經(jīng)濟(jì),2009(5):118-120.

Xu Lijuan, Zhang Chunfu, Qu Guibo, et al.Analysis of bearing fault detection method based on vibration analysis[J]. Technology and Economic Traffic, 2009(5):118-120. (in Chinese)

[9] 李力,廖湘輝,張圓. 循環(huán)平穩(wěn)度無(wú)量綱指標(biāo)應(yīng)用于滾動(dòng)軸承狀態(tài)分類[J]. 機(jī)械傳動(dòng)，2005,29(3): 21-23.

Li Li, Liao Xianghui, Zhang Yuan. Degree of cyclostation dimensionless index is applied to rolling bearing status classification[J]. Mechanical Drive,2005,29(3):21-23.(in Chinese)

[10]付強(qiáng),趙小勇.投影尋蹤模型原理及其應(yīng)用[M].北京：科學(xué)出版社,2006:47-180.

[11] Maechler M, Mertin D, Schimert J,et al. Projection pursuit learning networks for regression[C]∥Proceedings of the 2nd International Conference on Tools for Artificial Intelligence. USA:IEEE,1990:350-358.

[12] Safavian S R， Rabiee H R, Fardanesh M. Projection pursuit image compression with variable block size segmentation[C]∥IEEE Signal Process Lett．USA:IEEE, 1997:117-120.

[13]Holland J H. Genetic algorithms and the optimal allocations of trials[J]. Society for Industrial and Applied Mathematics Journal of Computing, 1973,2:88-105.

[14] Fu Qiang, Lu Tieguang, Fu Hong. Applying PPE model based on raga to classify and evaluate soil grade[J]. Chinese Geographical Science, 2002, 12(2):136-141.

[15] Sun Yankun, Fu Qiang. Using RAGA for multi-objective planning of soil and water conservation in a small watershed[J]. Nature and Science, 2004,2(1):79-84.

10.16450/j.cnki.issn.1004-6801.2015.03.003

*國(guó)家自然科學(xué)基金資助項(xiàng)目(U1361127)；北京市教育委員會(huì)科學(xué)研究與研究生培養(yǎng)共建資助項(xiàng)目；中央高校基本科研業(yè)務(wù)費(fèi)資助項(xiàng)目

2014-05-12；

2014-06-05

TP277； TN911.7； TH165+3

程曉涵，女，1986年3月生，講師。主要研究方向?yàn)楣收显\斷、預(yù)知維護(hù)和動(dòng)力學(xué)分析。曾發(fā)表《Design of mining equipment health diagnositic system(4M system)》(《Computer Science and Automation Engineering(CSAE),2011 IEEE International Conference on》2011,Vol.1)等論文。 E-mail:chengxh212@163.com