基于聲強傳感器的裝載機故障診斷系統探究

張偉敏

（中鐵隧道股份有限公司，河南 鄭州 450001）

近年來，振動檢測診斷法在裝載機變速箱診斷中得到廣泛應用。J.R.Ottewill（2013）提出對變速箱轉軸具體位置進行估計的同步信號平均法。趙志宏（2013）基于振動信號將獨立分量與相關系數結合完成了故障特征信號的提取，促使振動檢測診斷法在工程實踐中得到應用。莫易敏（2017）基于動態學習率與機器學習方法完成振動檢測診斷法的拓展。然而，振動診斷法雖然取得工程應用價值，但是由于安裝的加速傳感器價格較為昂貴，導致診斷器未能得到很好推廣。本文受趙志紅的研究方法啟示，采用聲強傳感器來完成裝載機變速箱的噪聲故障診斷，根據噪聲的特點提出基于FastICA-SVM 的噪聲診斷算法，并且證實該算法的可靠性和有效性。

1 基于FastICA-SVM 的噪聲診斷算法

1.1 負熵最大化的FastICA 固定點算法

從理論角度而言，噪聲傳遞因受聲速的限制與環境障礙的影響，聲響傳感器接受的信號應該為存在延時與混響的噪聲信號，因此，基于聲響傳感器對裝載機變速箱故障噪聲的判斷，應屬于對線性卷積混合噪聲信號的判斷。在噪聲信號分離中，其關鍵信息隱藏在信號波形中，同時由于不用估計信號與源信號的順序一致性，因此，可以采用線性ICA 算法來完成噪聲診斷。線性ICA 根據所需處理的混合情況可進一步劃分為瞬時混合與卷積混合。而通過固定點迭代尋優算法，可滿足信號非高斯性最大化，進一步將負熵作為隨機變量非高速性度量標準，負熵最大化的FastICA固定點算法可表示為：

1.2 “一對一”支持向量機

支持向量機針對多分類問題常常采用“一對多”和“一對一”兩種方法。其中，“一對多”源于組合多分類SVM 策略，測試階段中選取最大分類函數對應分類器來甄別樣本。然而，“一對多”構造具有泛化能力差、類別增多導致訓練時間過長等缺陷。裝載機變速箱故障產生的噪聲因工況而異，針對故障有限工況的情形，“一對一”構造顯然比“一對多”構造更具備優勢，因此，采用“一對一”支持向量機來完成特征向量訓練。假設裝載機變速箱故障工況噪聲存在K 分類問題，“一對一”策略將產生K(K-1)/2 個分類器。以4 分類為例，可以訓練得到6 個分類器。在測試過程中，樣本通過6 個分類器完成投票過程，最終選取最大值為樣本最終類別。針對裝載機變速箱故障產生的噪聲信號特征，選取高斯核函數來完成支持向量機的構建。高斯核函數表達式為：

1.3 FastICA-SVM 故障診斷流程

根據前文所述，將構建FastICA-SVM 模型完成裝載機變速箱的故障噪聲診斷。FastICA-SVM 模型流程包含訓練流程和診斷流程，具體如圖1 所示。

圖1 FastICA-SVM 模型診斷流程

2 變速箱工況源信號模擬

根據FastICA-SVM 模型診斷流程，采用MATLAB 對裝載機變速箱的四類振動信號進行模擬。通過四類振動信號卷積混合來完成裝載機變速箱的四類工況模擬，具體如表1 所示。

2.1 獨立源數估計

獨立源數估計包含特征值分解法、AIC 準則、MDL 準則和BIC 準則。基于信噪比考慮，剔除特征值分解法；根據采樣點大于傳感器數量考慮，剔除AIC 準則和BIC 準則，因此，最終選取采用MDL 準則來完成獨立源數估計，MDL 可由轉換后的式3 表示

表1 診斷信號及表達式

通過對四種工況采集數據進行獨立源估計，結果如表2所示。其中，m 為12288，M 為6。

表2 四種工況的獨立源估計

2.2 工況診斷識別結果

完成四類工況下獨立源的相關系數計算，提取數據特征向量。根據前文可知，以4 分類為例，可以訓練得到6 個“一對一”支持向量機分類器，如表3 所示。

表3 “一對一”支持向量機分類器

訓練結果顯示，構建的FastICA-SVM 模型識別誤診率為7.75%，證明模型的可行性。

3 系統仿真分析

3.1 聲強傳感器選取

測試中采用G.R.A.S Type46AE 聲強傳感器，頻率范圍為3.15 ～20 千赫；動態范圍為17 ～138 分貝（A）；靈敏度為50 毫伏/Pa。為減少檢測的誤差，應首先在測試前標定聲強傳感器，接著安裝到前置放大器中，最后借助BNS 接頭，將其連接到LMS SCADAS 數據采集前端中。

3.2 測試及數據采集

（1）測試過程。首先測量穩定狀態下裝載機變速箱正常工況的噪聲數據，然后完成待測故障工況的噪聲數據測量，最終判斷待測故障工況屬于什么類別的故障。

（2）數據采集分類。需要注意的是，在數據采集分類前，需要根據《聲學 聲壓法測定噪聲源聲功率級和聲能級 反射面上方近似自由場的工程法》中的標準確定聲強傳感器的位置。爾后，便能進行數據的采集及分類工作，具體如下：分別對正常工況和待測工況噪聲數據進行180 次采樣，時間間隔為10 秒。其中，180 份噪聲數據樣本中的150 份用于訓練“一對一”支持向量機分類器，30 份噪聲數據樣本用于測試分類性能。共計得到360 份樣本。

3.3 工況特征向量計算

正常工況分離的獨立源采用N 表示，待測工況分離的獨立源采用F 表示，兩種工況的相關系數如表4、表5 所示。

表4 正常工況獨立分量的相關系數

表5 待測工況獨立分量的相關系數

四組工況樣本的特征向量結果為：（1）正常工況1：1.8354、1.4538；（2）正常工況2：1.8017、1.4923；（3）待測工況1：1.4316、1.7235；（4）待測工況2：1.3671、1.6284。從結果可知，無論是正常工況還是待測工況，樣本與分離所得獨立分量相關程度均為較高程度。

3.4 分類器訓練測試

進一步采用特征分布圖查看特征分布情況如圖2 所示，可知兩種工況被合理區分開來。

圖2 特征分布圖

從訓練結果可知，30 組正常工況識別誤診為4 組，30組待測故障工況識別誤診為1 組，總體誤診率為8.33%。因此可知：診斷達到較好效果。

4 結語

本文根據裝載機變速器故障噪聲提出基于FastICA-SVM的噪聲診斷算法，詳細說明FastICA-SVM 模型診斷流程，采用MATLAB 證實該算法的可靠性和有效性，并得到了以下三點結論：第一，無論是正常工況還是待測工況，樣本與分離所得獨立分量相關程度均為較高程度；第二，通過分類器訓練測試后，正常工況和待測工況被合理地區分開來，進一步表明了良好的診斷效果；第三，該算法可以高效可靠完成裝載機變速器的故障診斷，具有應用價值。