基于WSN的旋轉機械設備故障時頻監(jiān)測方法

孫留存,胡從川,錢大龍

(中國綠發(fā)投資集團有限公司,北京 100020)

0 引言

隨著現(xiàn)代化科技與工業(yè)的迅猛發(fā)展,旋轉機械設備成為應用最為廣泛的機械設備之一[1],其工況不但會影響自身機械設備的運行狀態(tài),還會直接影響后續(xù)生產環(huán)節(jié),因此對旋轉機械設備工況實時監(jiān)測至關重要。

目前,旋轉機械設備監(jiān)測技術已受到國內外學者的高度重視,國外故障監(jiān)測技術發(fā)展較早,1965年,快速傅里葉變換的提出與應用為故障監(jiān)測奠定技術基礎[2],而后經歷10余年的發(fā)展,頻譜分析和電子測量技術被引入機械故障監(jiān)測之中,在1985年左右,微型計算機成為機械故障監(jiān)測的重心,商業(yè)化機械故障監(jiān)測系統(tǒng)隨之誕生;國內故障監(jiān)測技術起步較晚,于20世紀70年代末引入國外先進技術,經本土化創(chuàng)新后逐漸發(fā)展起來,目前已形成帶有我國自身特色的機械故障監(jiān)測理論與技術并開發(fā)出眾多機械故障監(jiān)測系統(tǒng)投入使用。陳仁祥等[3]采用連續(xù)小波變換處理信號數(shù)據(jù),獲取時間尺度矩陣并構造環(huán)境狀態(tài)空間,利用卷積神經網(wǎng)絡擬合強化學習中Q函數(shù)生成深度Q網(wǎng)絡,將環(huán)境狀態(tài)空間輸入深度Q網(wǎng)絡,輸出狀態(tài)特征表示,通過智能體和環(huán)境狀態(tài)空間交互學習最大化Q函數(shù)值,實現(xiàn)旋轉機械設備故障監(jiān)測;劉頡等[4]采用歸一化后故障信號生成Hankel矩陣,通過奇異值分解獲取信號特征向量構建圖數(shù)據(jù),引入GCN提取圖數(shù)據(jù)故障特征,利用softmax分類器實現(xiàn)故障監(jiān)測;侯召國等[5]融合深度殘差網(wǎng)絡和長短時記憶網(wǎng)絡提升故障監(jiān)測模型時序信息捕獲能力,在殘差塊中加入Dropout層,增強故障監(jiān)測能力,將預處理后旋轉機械設備信號輸入網(wǎng)絡模型,實現(xiàn)旋轉機械設備故障診斷與監(jiān)測。但以上方法沒有降維故障信號,導致訓練時間長、故障監(jiān)測準確率低。

為解決上述方法中存在的問題,引入集合經驗模態(tài),提出一種基于WSN的旋轉機械設備故障時頻監(jiān)測方法。

1 旋轉機械設備故障信號預處理

1.1 WSN數(shù)據(jù)融合模型

在傳統(tǒng)旋轉機械設備故障監(jiān)測中通常采用有線方式采集信號,適應性和靈活性較差,無法滿足現(xiàn)代智能化工業(yè)的需要,因此,本文方法引入無線傳感器網(wǎng)絡[6](WSN)用于旋轉機械設備故障信號的采集。

為避免故障監(jiān)測過程中出現(xiàn)單一節(jié)點故障或誤差較大等問題,WSN通常采用多節(jié)點同時監(jiān)測同一設備關鍵點的方式,但由此會導致采集的信號數(shù)據(jù)相似度過高的情況,而上位機用戶往往僅需獲取旋轉機械設備工況,并非全部節(jié)點詳細數(shù)據(jù)細節(jié),若傳輸全部無線傳感器節(jié)點數(shù)據(jù)至Sink節(jié)點,不但對故障監(jiān)測沒有實際幫助,還會造成節(jié)點能量的浪費,因此,需要在各節(jié)點向Sink節(jié)點傳輸數(shù)據(jù)前在本地對數(shù)據(jù)預處理,降低通信代價,提高故障監(jiān)測效率。

引入LEACH路由協(xié)議分簇節(jié)點,構建網(wǎng)絡融合模型,如圖1所示,具體步驟如下所述。

圖1 WSN數(shù)據(jù)融合模型

a.數(shù)據(jù)級融合:各無線傳感器節(jié)點采集故障信號數(shù)據(jù)并處理信號,濾除信號噪聲,提取時頻信息。

b.特征級融合:各成員節(jié)點處理后數(shù)據(jù)傳輸至簇頭節(jié)點,簇頭節(jié)點采用主成分分析法降維數(shù)據(jù)。

c.決策級融合:簇頭節(jié)點將降維后特征數(shù)據(jù)傳輸至Sink節(jié)點,Sink節(jié)點通過免疫聚類RBF神經網(wǎng)絡模型監(jiān)測旋轉機械設備運行狀況。

通過以上流程即可實現(xiàn)信號數(shù)據(jù)的分析和整理,最終經由上位機輸出旋轉機械設備運行狀況信息,實現(xiàn)旋轉機械設備監(jiān)測。

1.2 振動信號去噪

目前,旋轉機械設備故障監(jiān)測最常用的方法是分析信號振動信息進而判定故障原因,但由于旋轉機械設備結構和振源較為復雜,導致采集到的信號中噪聲較多,若想要準確判定旋轉機械設備運行狀況,必須對采集到的信號去噪處理。本文方法引入小波包閾值去噪法處理故障信號,獲取質量更高的振動信號用于后續(xù)計算。

小波包閾值去噪法根據(jù)信號和噪聲在不同尺度上小波包系數(shù)特性的區(qū)別對兩者加以判斷,保留原始信號小波包系數(shù),濾除噪聲分量中的小波分量,通過小波包重構去噪信號,具體流程如下所述。

(1)

b.依據(jù)事先設定的熵標準確定最優(yōu)小波包基。

c.確定閾值θ,采用θ處理小波包分解系數(shù),用L表示信號長度,σ表示噪聲標準差,則閾值θ的確定方式為

(2)

傳統(tǒng)小波包閾值法在去噪過程中往往采用統(tǒng)一閾值去噪信號,但該方法會引發(fā)過扼殺的情況,因此,本文方法通過自適應閾值選取法確定小波包分解中各層小波包系數(shù)閾值[7],求解j個閾值均值并以該值為最終去噪的全局閾值?。

(3)

2 引入集合經驗模態(tài)的故障時頻信號分解

由于旋轉機械設備結構復雜且各部件間傳動具有非線性特征,導致振動信號存在不平穩(wěn)等問題,為故障監(jiān)測帶來一定難度,因此 ,本文引入集合經驗模態(tài)分解法提取旋轉機械設備信號時頻特征,通過時頻特征描述故障信息。采用EEMD提取時頻特征主要流程如下所述。

a.分解時刻t不同狀態(tài)的振動信號,生成主IMF分量ci(t)。

(4)

依據(jù)式(4)可獲取歸一化能量指標,記作tp1=z(1),tp2=z(2),…,tpn=z(N)。

(5)

根據(jù)式(5)可得到IMF矩陣中的奇異熵指標,記作H1,H2,…,Hn。

結合歸一化能量指標和IMF矩陣奇異譜熵指標,完成時頻特征的提取。

3 振動故障信號特征降維

主成分分析法是應用最為廣泛的數(shù)據(jù)降維方法之一,將其用于故障監(jiān)測中能夠選取盡可能少的指標表示故障信號特征,避免冗余特征對故障監(jiān)測造成不必要的干擾。

(6)

采用v1,v2,…,vm構造特征矩陣V=[v1,v2,…,vm],S=diag(a1,a2,…,am)表示利用a1,a2,…,am建立的對角矩陣,分解協(xié)方差矩陣C,得到C=V·S·VT。

通過時頻特征向量構造主成分分析子空間,采用該子空間即可提供P中絕大部分特征信息,實現(xiàn)時頻特征降維。

4 旋轉機械設備故障時頻監(jiān)測

傳統(tǒng)旋轉機械設備故障監(jiān)測通常根據(jù)振動頻譜分析結果人工判定故障情況,但由于技術人員理論和經驗的限制,無法避免出現(xiàn)誤判、漏判的情況,為此,本文方法構建免疫RBF神經網(wǎng)絡監(jiān)測旋轉機械設備故障,由于RBF神經網(wǎng)絡在訓練中隱含層數(shù)據(jù)中心總數(shù)和位置獲取相對困難,因此引入免疫聚類算法獲取RBF神經網(wǎng)絡相關參數(shù),提高旋轉機械設備故障監(jiān)測準確率[8-9]。RBF主要結構如圖2所示。

圖2 RBF神經網(wǎng)絡結構

圖3 實驗現(xiàn)場

用X={x1,x2,…,xm}表示輸入的降維后故障特征,?xk∈X;Y={y1,y2,…,yn}表示輸出的故障監(jiān)測結果,?yj∈Y;Z={z1,z2,…,zN}表示隱含層輸出值,?zi∈Z;B={b1,b2,…,bm}表示輸出層偏置,?bj∈B,則zi和yj計算方式為

(7)

構建RBF神經網(wǎng)絡模型[10-11]的關鍵主要有以下3點:

a.確定隱含層節(jié)點中心總數(shù)。

b.確定節(jié)點中心位置。

c.輸出權值ωij。

因此,本文方法引入免疫聚類算法自適應選取隱含層中心總數(shù)和位置,并通過歐氏距離描述向量之間匹配度。免疫聚類算法由克隆選擇和免疫抑制2部分構成,主要流程如下所述。

a.隨機生成初始化免疫聚類算法聚類中心C0,設置最大迭代次數(shù)K。

b.計算xk與C0中全部中心匹配度rij=

c.獲取o個與xk匹配度最高的中心向量,記作Co=[c1,c2,…,co]。

d.克隆Co中全部向量,匹配度越高,則克隆數(shù)量Mc越大,用T表示克隆規(guī)模,則Mc∝T×rij。

e.對克隆后中心向量執(zhí)行變異操作,用η表示學習速率,η與rij呈正相關,得到變異后中心向量集Cp,ck=ck-η(ck-xk)。

h.重復以上步驟直到迭代次數(shù)達到K。

確定隱含層數(shù)據(jù)中心后對RBF神經網(wǎng)絡加以訓練,在訓練后網(wǎng)絡中輸入預處理的旋轉機械設備故障信號數(shù)據(jù),實現(xiàn)故障監(jiān)測。

5 實驗與結果

為驗證本文的旋轉機械設備故障時頻監(jiān)測方法整體有效性,需要進行實驗分析。采用CWRU電氣工程實驗中心的旋轉機械設備振動數(shù)據(jù)作為實驗數(shù)據(jù)集,以MOS管折彎機整型機為實驗對象,對其進行故障監(jiān)測研究,實驗現(xiàn)場傳感器設置如3圖所示。

分別采用無負載和0.746 kW負載下的8種不同旋轉機械設備狀態(tài)數(shù)據(jù)集作為模型檢測樣本,經處理后每種狀態(tài)中包含樣本600個,實驗樣本具體信息如表1所示。

表1 旋轉機械設備狀態(tài)數(shù)據(jù)集信息

為檢驗本文方法、文獻[3]方法和文獻[4]方法的旋轉機械設備故障監(jiān)測能力,測試不同方法的監(jiān)測耗時,結果如圖4所示。

圖4 監(jiān)測耗時測試結果

由圖4可以看出,與文獻[3]方法和文獻[4]方法相比,本文方法的監(jiān)測耗時更短,即采用本文方法能夠有效提高信號處理的速度,說明本文方法監(jiān)測模型具有更強的魯棒性。這是因為本文方法引入集合經驗模態(tài)分解法提取旋轉機械設備信號時頻特征,該方法能夠有效抑制振動信號不平穩(wěn)問題,降低故障監(jiān)測復雜度,提升監(jiān)測效率。

進一步檢測本文方法、文獻[3]方法和文獻[4]方法在相同負載和不同負載下的旋轉機械設備故障監(jiān)測準確率,結果如圖5所示。

圖5 故障監(jiān)測準確率檢測結果

由圖5可以看出,本文方法的故障監(jiān)測準確率明顯高于文獻[3]方法和文獻[4]方法,監(jiān)測準確率在95%左右,而文獻[3]方法和文獻[4]方法的監(jiān)測準確率平均值均未達到95%,說明本文方法在旋轉機械設備故障監(jiān)測中具有更強的自適應性和魯棒性,因為本文方法引入主成分分析法降維時頻特征,避免冗余特征對故障監(jiān)測造成不必要的干擾,從而提高了本文方法的故障監(jiān)測能力。

6 結束語

近年來,隨著工業(yè)的自動化和智能化發(fā)展,連續(xù)化、大型化以及大載荷、大功率等逐漸成為旋轉機械設備發(fā)展的主流趨勢。旋轉機械設備在使用過程中始終受到多種外界作用,導致其運行狀態(tài)產生一定的改變,進而造成異常、故障等情況的發(fā)生,影響系統(tǒng)的正常運行,因此對旋轉機械設備工況實時監(jiān)測是保障其安全運行的必要條件。為解決目前存在的訓練時間長、故障監(jiān)測準確率低的問題,本文通過小波包閾值去噪法去噪無線傳感器采集的故障信號,利用EEMD提取信號時頻特征,引入主成分分析法降維時頻特征,采用免疫RBF神經網(wǎng)絡完成旋轉機械設備故障監(jiān)測。實驗結果表明,本文方法能夠有效地縮短訓練時間、提高故障監(jiān)測準確率。