基于自學(xué)習(xí)理論的機(jī)械故障診斷系統(tǒng)設(shè)計與實(shí)現(xiàn)

吳 星 劉春梅

（柳州職業(yè)技術(shù)學(xué)院，廣西 柳州 545006）

基于自學(xué)習(xí)理論的機(jī)械故障診斷系統(tǒng)設(shè)計與實(shí)現(xiàn)

吳 星 劉春梅

（柳州職業(yè)技術(shù)學(xué)院，廣西 柳州 545006）

文章設(shè)計一種基于自學(xué)習(xí)理論的機(jī)械故障檢測方法，該方法通過對多組機(jī)械振動信號的采集，由 SVM 訓(xùn)練器進(jìn)行故障的初步檢測，經(jīng)過多樣本投票算法實(shí)現(xiàn)故障檢測的最終結(jié)果判定。該監(jiān)測方法綜合應(yīng)用了 SVM 分類器，以及多樣本采樣檢測并投票的思路，提高了機(jī)械故障檢測的精度。

自學(xué)習(xí)理論；故障診斷；SVM

機(jī)械設(shè)備的故障檢測與診斷和技術(shù)是指在特定的工作環(huán)境下，根據(jù)機(jī)械設(shè)備在運(yùn)行的中所發(fā)出的工況信號或信息來判斷機(jī)械是否處于正常的工作狀態(tài)。如果機(jī)械設(shè)備工作發(fā)生異常，可以根據(jù)機(jī)械發(fā)生異常情況的部位和原因盡快在最短的時間做出正確的判斷，從而在最短的時間內(nèi)及時處理，恢復(fù)正常生產(chǎn)。目前機(jī)械故障診斷方法有很多，既有基于靜態(tài)的機(jī)械故障診斷方法，也有基于動態(tài)的機(jī)械故障診斷方法，其中與機(jī)械振動為檢測對象的機(jī)械故障檢測方法，是目前機(jī)械故障檢測領(lǐng)域中的一種主流方法。但是基于機(jī)械振動故障檢測方法對故障的診斷精度和故障識別種類，很大程度取決于對機(jī)械振動信號的分析和處理能力。目前已有的機(jī)械故障診斷方法，絕大多數(shù)都將研究的重點(diǎn)放在對機(jī)械振動信號的采集與分析算法上，這其中也包括大量對所采集到的機(jī)械振動信號進(jìn)行不同變換，或者信號轉(zhuǎn)換等處理，以提高機(jī)械振動信號的識別能力。然而目前這一系列典型的機(jī)械故障診斷方法，其所設(shè)計的故障時間和診斷算法，很大程度取決于統(tǒng)計或者概率分析，并沒有十分明確的故障識別依據(jù)。也正因?yàn)槿绱耍壳八岢龅臋C(jī)械故障檢測方法具有較強(qiáng)的局限性，即針對不同的場景、不同的檢測對象，其故障檢測的能力和效果往往差別很大。為了提高機(jī)械故障診斷的精度和適應(yīng)面，需要研究具有自學(xué)習(xí)能力的機(jī)械故障檢測方法，能夠根據(jù)故障診斷過程中所采集到的數(shù)據(jù)以及特點(diǎn)，動態(tài)的調(diào)整機(jī)械故障診斷策略，提高故障診斷的精度。

1 系統(tǒng)設(shè)計思路

SVM(Support Vector Machine），中文的意思是支持向量機(jī)器。是機(jī)器學(xué)習(xí)領(lǐng)域一個有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識別、分類、以及回歸分析。SVM在許多實(shí)際應(yīng)用，特別是在分類問題在顯示其突出的能力。SVM的基本設(shè)計理念是最大化分類邊界。支持向量機(jī)的基本目的是最大化分類超平面。由于現(xiàn)實(shí)應(yīng)用中，許多問題都不是線性可分的，因此對于一個非線性可分問題，應(yīng)該將其映射為線性可分問題。首先，將輸入的向量映射到高維特征空間中，通過求解二次規(guī)劃問題找到最優(yōu)分類超平面，因此這個算法的空間復(fù)雜度最少是O(n2)。

本文要設(shè)計的機(jī)械故障診斷系統(tǒng)目標(biāo)是利用 SVM的基本思想，為機(jī)械設(shè)備提供一種具有自學(xué)習(xí)能力的診斷方法。利用該方法能夠解決典型的機(jī)械故障檢測與識別，并能夠適應(yīng)對多種不同種類、不同性能特點(diǎn)的機(jī)械設(shè)備進(jìn)行故障檢測和診斷。

2 系統(tǒng)實(shí)現(xiàn)

2.1系統(tǒng)組成

根據(jù)上面的設(shè)計思路，設(shè)計的機(jī)械故障檢測方法的整體實(shí)現(xiàn)結(jié)構(gòu)圖如圖 1所示，系統(tǒng)分別由機(jī)械故障訓(xùn)練模塊、機(jī)械振動采樣模塊和機(jī)械振動分類模塊等部分組成。而且在機(jī)械故障檢測過程中，每一次機(jī)械故障的分類結(jié)果都將做為訓(xùn)練數(shù)據(jù)，送入機(jī)械故障訓(xùn)練模塊，以修正機(jī)械故障檢測的分類規(guī)則。SVM訓(xùn)練器初始狀態(tài)，由被檢測對象的大量振動信號進(jìn)行訓(xùn)練得到，被檢測機(jī)械設(shè)備的多組振動信號采樣分析，在設(shè)計時使用了三組機(jī)械振動信號進(jìn)行診斷和分析，SVM分類器使用最優(yōu)分類面策略進(jìn)行設(shè)計并實(shí)現(xiàn)。

圖1　機(jī)械故障檢測方法的整體實(shí)現(xiàn)結(jié)構(gòu)圖

2.2數(shù)據(jù)采集與分析

從圖 1中可以看出，機(jī)械振動數(shù)據(jù)通過前端的傳感器獲取。數(shù)據(jù)是通過采集機(jī)械設(shè)備運(yùn)行過程中的振動信號生成，對振動信號進(jìn)行分析，設(shè)計SVM訓(xùn)練器運(yùn)行振動信號進(jìn)行分類識別，從而實(shí)現(xiàn)對機(jī)械故障的檢測和診斷。在設(shè)計過程中，為了提高對機(jī)械故障診斷的準(zhǔn)確性，在被檢測機(jī)械設(shè)備上部署了多個不同測量點(diǎn)的機(jī)械振動信號采樣傳感器，所使用的傳感器型號為Shinkawa的CV-861，此類傳感器的靈敏度與精確度比較高，通過這些高性能的傳感器可以獲得機(jī)械運(yùn)轉(zhuǎn)過程中多種不同檢測對象的振動信號。之后將每一組機(jī)械振動信號分別送入SVM訓(xùn)練器，通過大量的機(jī)械振動信號的訓(xùn)練和分析，形成SVM訓(xùn)練器的分類規(guī)則，當(dāng)真正進(jìn)行機(jī)械故障診斷時，通過部署在機(jī)械設(shè)備上多組機(jī)械振動測量傳感器，分別采樣機(jī)械運(yùn)轉(zhuǎn)時的振動信號，并通過SVM分類器實(shí)現(xiàn)對機(jī)械振動信號的檢測和識別。當(dāng)每一個SVM分類器檢測得到了一個檢測結(jié)果之后，再由投票選擇器對檢測得到的多組檢測結(jié)果，進(jìn)行分析并投票得到最終的檢測結(jié)果。整個數(shù)據(jù)的SVM訓(xùn)練和分析如圖2所示。

圖2　機(jī)械故障檢測結(jié)果對分類器修正原理圖

2.3算法實(shí)現(xiàn)

為了獲得精確的機(jī)械設(shè)備故障數(shù)據(jù)，滿足故障分析的需求，本系統(tǒng)結(jié)合投票算法的優(yōu)點(diǎn)，將算法引入特征選擇過程中，初始化多個驗(yàn)證樣本，區(qū)分特征的重要性，構(gòu)建多個投票分類器，然后使用大數(shù)投票法構(gòu)建多分類器投票機(jī)制進(jìn)行數(shù)據(jù)信號識別，該機(jī)制很好地發(fā)揮了各個分類器的優(yōu)勢，提高了識別的準(zhǔn)確率。 本文應(yīng)用于機(jī)械故障檢測的多樣本投票算法是一種基于權(quán)重大小的投票算法。其算法的描述過程如如圖3所示。

圖3　機(jī)械故障檢測投票算法流程圖

2.4SVM訓(xùn)練器構(gòu)建

數(shù)據(jù)分類是數(shù)據(jù)挖掘中的一個重要題目。數(shù)據(jù)分類是指在已有分類的訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，根據(jù)某種原理，經(jīng)過訓(xùn)練形成一個分類器；然后使用分類器判斷沒有分類的數(shù)據(jù)的類別。由于支持向量機(jī)需要求解多次二次規(guī)劃問題，訓(xùn)練時間復(fù)雜度和空間復(fù)雜度分別為O(n3)和O(n2),其中n表示訓(xùn)練樣本的數(shù)目。因此，減少整個訓(xùn)練集的大小可以有效的提高訓(xùn)練效率。由于支持向量機(jī)的訓(xùn)練集中，有效的樣本只有支持向量，因此在訓(xùn)練分類器之前，提取支持向量可以有效的提高訓(xùn)練分類器的時間和空間效率。在支持向量機(jī)中，分類邊界是由支持向量決定的。為了保證分類效率，應(yīng)該有效的保存那些最有可能成為支持向量的樣本。根據(jù)SVM理論，在分類邊界附近的樣本，成為支持向量的可能性更高。因此，接近決策邊界的樣本更有可能在檢測點(diǎn)附近的邊緣。根據(jù)上述原理，本文構(gòu)建一種基于最優(yōu)分類面的SVM分類器，具體如圖4所示。

圖4　基于最優(yōu)分類面的SVM分類器構(gòu)造原理圖

3 系統(tǒng)工作流程

本文提出基于自學(xué)習(xí)的機(jī)械故障檢測和診斷方法，相對于傳統(tǒng)的機(jī)械故障檢測方法，性能上得到了很大的改善。機(jī)械故障診斷方法在每一次得到的檢測結(jié)果，都將做為SVM訓(xùn)練器的輸入數(shù)據(jù)，實(shí)現(xiàn)機(jī)械故障診斷的分類規(guī)則調(diào)整，使得機(jī)械故障診斷方法具備自學(xué)習(xí)能力，能夠利用歷史的檢測數(shù)據(jù)修正故障檢測方法。與此同時，機(jī)械故障檢測方法以多組振動信號做為檢測的數(shù)據(jù)源，能夠覆蓋被檢測的機(jī)械對象多種振動信號，并綜合進(jìn)行采樣和分析處理，確保了檢測結(jié)果的準(zhǔn)確性。

為了便于對基于自學(xué)習(xí)的機(jī)械故障檢測系統(tǒng)的深入了解，下面將基于自學(xué)習(xí)的機(jī)械故障詳細(xì)的檢測過程結(jié)合實(shí)際應(yīng)用，對系統(tǒng)具體實(shí)施過程和實(shí)施方案進(jìn)行詳細(xì)的陳述。

首先，在本文設(shè)計的系統(tǒng)進(jìn)行機(jī)械故障檢測方法之前，首先在被檢測機(jī)械設(shè)備上安裝多個機(jī)械振動傳感器，采集多種不同類型的機(jī)械振動信號；讓被檢測機(jī)械設(shè)備開始運(yùn)轉(zhuǎn)，分別采集機(jī)械設(shè)備正常運(yùn)轉(zhuǎn)，以及在不同故障類型條件下運(yùn)轉(zhuǎn)的振動信號，獲取被檢測機(jī)械設(shè)備的振動原始數(shù)據(jù)。

其次，應(yīng)用SVM訓(xùn)練器訓(xùn)練其對所采樣得到的機(jī)械振動信號進(jìn)行訓(xùn)練，生成機(jī)械故障檢測的SVM分類規(guī)則。當(dāng)需要真的對被檢測的機(jī)械故障檢測時，再通過振動傳感器采集機(jī)械振動信號，并由SVM分類器進(jìn)行故障初步檢測。

最后，應(yīng)用多樣本投票算法對多個SVM分類器檢測得到多組初步的故障檢測結(jié)果進(jìn)行分析，對初步檢測的結(jié)果進(jìn)行投票分析，得到最終的故障檢測結(jié)果。將機(jī)械故障檢測結(jié)果作為SVM訓(xùn)練器的輸入數(shù)據(jù)，對SVM訓(xùn)練器進(jìn)行訓(xùn)練，調(diào)整SVM訓(xùn)練器的訓(xùn)練規(guī)則。

4 總結(jié)

本設(shè)計的機(jī)械故障檢測方法，其特點(diǎn)是具有自學(xué)習(xí)能力，能夠根據(jù)機(jī)械故障診斷的歷史數(shù)據(jù)自動的調(diào)整機(jī)械故障診斷方法，以提高故障的檢測精度。該檢測方法綜合應(yīng)用了基于機(jī)械振動的故障檢測原理，并設(shè)計專門的SVM訓(xùn)練器，提高機(jī)械故障診斷的精度，同時在進(jìn)行機(jī)械故障診斷時，通過設(shè)計多種機(jī)械振動采樣對象，分別進(jìn)行機(jī)械故障診斷，并最終將多個不同振動樣本診斷的結(jié)果，使用專門投票算法判定被檢測的機(jī)械設(shè)備是否存在故障。

本方法應(yīng)用機(jī)械振動的故障檢測原理，具有較強(qiáng)的通用性和實(shí)用性，和專門設(shè)計的SVM訓(xùn)練器以及故障診斷的投票算法，能夠提高故障檢測精度。并通用SVM訓(xùn)練器動態(tài)的調(diào)整機(jī)械故障診斷方法，使得在機(jī)械故障診斷過程中具備對歷史數(shù)據(jù)的學(xué)習(xí)能力。

[1] 王利群.論機(jī)械設(shè)備的狀態(tài)故障與檢測方法[J].中國教育技術(shù)裝備,2012,(35):113-114.

[2] 劉春梅.一種機(jī)械故障診斷方法:中國,CN103743585A[P]. 2014-04-23.

[3] 劉春梅.一種機(jī)械手精確控制系統(tǒng)及其方法:中國, CN103743477A[P].2014-04-23.

[4] 陳超,羅俊.關(guān)聯(lián)維數(shù)在航空發(fā)動機(jī)轉(zhuǎn)子振動監(jiān)控中的應(yīng)用研究[J].航空維修與工程,2006,(6):42-44.

[5] 劉希亮,陳小虎,王漢功.基于分形盒維數(shù)的齒輪泵故障診斷[J].機(jī)床與液壓,2009,37(7):255-257.

Design and implementation based on self-learning theory of mechanical fault diagnosis system

Article design a mechanical fault detection method based on self-learning theory, the method of multiple sets of mechanical vibration signal acquisition, initial fault detection performed by the SVM trainers, through various voting algorithm to achieve the end result of this failure detection determination. The integrated application monitoring method SVM classifier, and detecting and voting varied ideas this sampling, improve the accuracy of a mechanical fault detection.

Since learning theory; fault diagnosis; SVM

TP206

A

1008-1151(2015)07-0066-03

2015-06-11

廣西教育廳科研課題“基于自學(xué)習(xí)理論的機(jī)械故障診斷技術(shù)研究”（KY2015LX652）。

吳星（1980－），女，廣西柳州人，柳州職業(yè)技術(shù)學(xué)院講師，碩士，從事機(jī)械設(shè)計與制造教學(xué)與科研工作；劉春梅（1975－），女，廣西柳州人，柳州職業(yè)技術(shù)學(xué)院講師，碩士，從事機(jī)械自動化方向研究。