基于數據驅動的自動機關重件故障診斷方法研究

古 斌，劉朋科，寧變芳，張寧超，李佳興

（1西北機電工程研究所 陜西 咸陽 712099）（2西安工業大學 電子信息工程學院 陜西 西安 710021)

1 引言

轉膛自動機利用多個彈膛并行工作，大大縮短了自動循環時間，從而大幅度提升了射速。然而新技術的應用，一方面大大提高了轉膛裝備的綜合性能；另一方面對轉膛裝備的維修保障工作也帶來了新的挑戰。轉膛自動機能否發揮其應有的作戰作用，在很大的程度上取決于它的自身裝備維修保障的狀況，也是近些年研究的熱點問題[1-5]。轉膛自動機中的關重件是整個機構的核心部件，其工作狀態直接決定了轉膛自動機的工作可靠性。由于部分關重件通常安裝在轉膛自動機的內部，開箱解體較為麻煩，傳統的“望聞問切”的故障診斷方法難以客觀有效地判斷自動機關重件的運行故障[6-9]。因此，有必要對關重件的特定故障模式進行深入研究，尋找一種準確的自動機關重件運行特征提取和故障診斷方法。

20世紀30年代，西方國家就在采用一些簡單的儀器儀表通過數據來監測設備，從而獲得設備中的故障。Collacott[10]首次將故障診斷技術應用于工業生產方面，并取得一定成果；日本豐田利夫教授借鑒西方國家的先進技術，通過改進與創新提出了故障檢測與診斷技術，使日本對于工業上的故障檢測與診斷技術達到世界領先地位[11]。21世紀以后，故障在軍事上應用愈加廣泛。Zhiying Fang等[12]提出了一種故障檢測與診斷系統，用于檢測轉膛體的故障。JoseLuis Casteleiro-Roca[13]設計研發了一種具有多種分類功能的智能檢測系統來檢測飛機發動機中熱水器的故障，并且其檢測結果顯著。葉銀忠等[14]對自行發射裝備的隨動系統進行故障診斷，為故障診斷技術奠定了基礎。針對控裝置故障，張鵬軍等人提出了一種模糊神經網絡的故障診斷方法，該方法不僅能對原始數據進行優化，而且能根據神經網絡判斷出相應的故障類型[15]。針對滾動軸承的故障，張銳戈等[16]提出了一種采用殘差積累和控制圖相結合的故障診斷方法，該方法不僅遵循質量守恒、能量守恒原理，并且還會生成相關的故障診斷策略，從而識別故障。由于該故障診斷方法生成的故障診斷策略往往對于具有多種故障的情況不適用，因此，陳保家等[17]在上述故障診斷方法的基礎上，針對強背景噪聲下的早期故障診斷問題,提出了一種融合遺傳算法品質因子參數優化，子帶重構共振稀疏分解和小波變換的故障診斷方法。我國在特種裝備方面的故障檢測與診斷技術越來越趨于成熟[18-20]，但是由于環境因素的影響，提出的故障檢測與診斷方法往往達不到應有的標準，還存在一定的誤差，尤其是針對目標應用監測參數，實現基于數據驅動的故障診斷方法的研究非常迫切。

2 算法原理

本文提出基于數據驅動的自動機關重件故障診斷方法，該方法與同類方法不同之處在于基于實驗監測數據，使用集合經驗模態分解（EEMD）對采集數據進行分解，消除了經驗模態分解（EMD）產生的信號分量混疊問題，從而提高了故障診斷的準確性。為解決上述技術問題，本文采用的技術方案如圖1所示，首先對采集的自動機關重件的溫度、壓力和角度三類數據進行EEMD分解，從而獲得主要的IMF分量。分別計算主要IMF分量的各個特征值，并且組成相應的特征向量。

圖1 算法原理流程

通過取多組三種不同的正常狀態數據進行處理，組成相應的特征向量，從而計算三種正常狀態下的馬氏距離敏感閾值。然后通過取多組三種不同的未知狀態信號，計算相應的特征向量。以求得的正常狀態下的特征向量為依據，求得的正常狀態之間的馬氏距離敏感閾值為標準，根據此標準閾值與未知狀態與正常狀態之間馬氏距離敏感閾值進行比較，進而判斷轉膛自動機驅動機構的故障狀態情況。其中EEMD分解算法包含信號加噪、EMD分解、求解IMF分量、重構等主要步驟。

EEMD分解后得到的數據IMF分量，再計算K-L散度用以區分EEMD分解得到的虛假IMF分量與真實IMF分量，其中的特征向量，包括波形指數、峰值指數、峭度指數和裕度指數種特征參數。

其中的馬氏距離敏感閾值，其計算方法為：

式中CF為變量間的馬氏距離，μ、δ2為變量的平均值與方差，N為信號組數，i為信號序號，k為經驗系數。

3 方案驗證

基于數據驅動的自動機關重件故障診斷方法包含采集數據、預處理、特征提取、計算馬氏距離敏感閾值和故障判決5個主要步驟，包括：（1）對采集的溫度、壓力和角度三類信號進行EEMD分解，從而獲得主要的IMF分量；（2）分別計算主要IMF分量的各個特征值，并且組成相應的特征向量。（3）取多組三種不同的正常狀態信號進行處理，按照步驟（1）與（2）組成相應的特征向量，從而計算三種正常狀態下的馬氏距離敏感閾值；（4）取多組三種不同的未知狀態信號進行處理，按照步驟（1）與（2）計算相應的特征向量；（5）判斷轉膛自動機關重件的故障狀態情況。將三種正常狀態的信號時域指標均值作為標準向量，然后求出各個正常狀態標準的馬氏距離敏感閾值，如圖3所示。

如表1，是三類正常狀態時域指標均值的訓練樣本表，如圖2所示，是將三種正常狀態的信號時域指標均值作為標準向量，然后求出各個正常狀態標準的馬氏距離敏感閾值。

表1 三類正常狀態時域指標均值的訓練樣本表

圖2 正常狀態標準的馬氏距離敏感閾值

本文以強度、氣密性等故障為例，計算得到的馬氏距離敏感閾值見表2。

表2 4種異常特征值中的1組IMF分量的測試樣本表

根據算法流程，以求得的正常狀態下的特征向量為依據，以求得的正常狀態之間的馬氏距離敏感閾值為標準，從而根據此標準閾值與未知狀態和正常狀態之間馬氏距離敏感閾值進行比較，判斷轉膛自動機關重件的故障狀態情況。如圖3、圖4、圖5分別計算出3種不同測試物理量故障狀態的閾值分布情況分。

圖3 溫度測試閾值分布

圖4 壓力測試閾值分布

圖5 位移測試閾值分布

在上面對閾值進行實驗過程中，EEMD分解的算法如圖6所示，包含信號加噪、EMD分解、求解IMF分量、重構等4個主要步驟。

圖6 EEMD分解的算法流程

如圖6所示，首先設定總體平均次數為N，然后將不同程度的白噪聲信號ni(t)，(i=1,2,…N)添加到原始信號x(t)中去，從而組成新的原始信號xi(t)：

將組成新的原始信號xi(t)進行EMD分解，從而分解為若干個不同的IMF分量[{c1,j(t)},{c2,j(t)}，…{cN,j(t)}],j=1,2,…,j,其中j為IMF的個數。第次分解后表示為：

上式中，ri,j(t)為殘余分量；

通過求第j個IMF分量的均值，得到最終IMF分量：

其中cj(t)表示EEMD分解的第j個IMF分量，其中i=1,2,….N,j=1,2,…,j:

圖中EEMD分解重構后為：

式中x(t)代表信號重構后的信號。

為了更明顯地區分虛假分量與真實分量在數量上的差別，本文采用K-L散度法來識別并消除EEMD分解后出現的虛假分量。其中，基于K-L散度法改進EEMD的特征提取包括以下步驟：（1）將系統采集的三種信號參數進行EEMD分解，從而得出若干個不同的IMF分量；（2）根據系統要求選擇適量的IMF分量，并計算這些IMF分量與其降噪后信號x(t)之間的K-L散度值；（3）將步驟（2）中求解的K-L散度值進行數據的歸一化處理；（4）根據求得的K-L散度值，然后根據給定的閾值λ，從而判斷這分量與原始信號之間的相似程度。即大于閾值則表示相似程度較小，則屬于虛假分量，應當去除；同樣的小于閾值λ則表示相似程度較大，則屬于真實分量，應當保存。

其中，K-L散度的計算方法，步驟如下：

求解兩信號的概率分布。設兩信號與其概率分布分別為X={x1,x2,…xn}和Y={y1,y2,…yn}與p(x)和q(x)，滿足：

然后計算兩信號間的K-L距離：

計算兩信號間的K-L散度：

其中，特征提取選用波形指數、峰值指數、峭度指數和裕度指數等4種特征參數表示自動機關重件的故障特征情況；

其中，馬氏距離的敏感閾值計算首先計算變量x與變量b之間的馬氏距離。

式中，x=(x1,x2,…xN)T，u=(u1,u2,…uN)T為變量b，S為變量x與變量b之間的協方差。

敏感閾值的定義如下式：

式中：μ、δ2—變量的平均值與方差。

k系數的選取采用切比雪夫不等式來估算馬氏距離的概率分布，則相關的關系如下：

4 結論

基于數據驅動的自動機關重件故障診斷方法，能夠克服模型與實際監測的誤差，體現試驗數據的重要性，基于數據驅動預測模型。該方法包含采集數據、預處理、特征提取、計算馬氏距離敏感閾值和故障判決等5個主要步驟。其中采集數據特指采集自動機關重件的溫度、壓力和角度信號；預處理采用EEMD分解方法重構信號，并計算K-L散度消除虛假信號分量；特征提取包括選用波形指數、峰值指數、峭度指數和裕度指數等4種特征參數表示自動機關重件的故障特征情況；計算馬氏距離敏感閾值與正常運行時的閾值進行比較，得到故障診斷結果。本文提出的故障診斷方法基于數據驅動，通過EEMD算法解決了信號在傳統EMD分解時出現的模態混疊現象，并通過馬氏距離算法消除了多元變量間的相關性，故障診斷結果較傳統閾值法準確率高、虛警率低，具有顯著實際意義和實用價值。