基于小波網絡的機械設備故障自動化檢測方法

黃 磊，李 慧，張 媛

（1.銀川科技學院 信息工程學院，銀川 750021;2.江蘇海洋大學 計算機工程學院，連云港 222000）

0 引言

機械設備由驅動裝置、變速裝置、傳動裝置、制動裝置等部分組成，并廣泛的應用在農業、礦產、石化、電力等行業中。在機械設備的使用過程中，由于正常磨損、錯誤操作、設備過載等原因，影響機械設備的內部結構，使得機械設備在實際工作中產生性能偏移，喪失部分或全部功能，這種現象被稱為機械故障。

為了保證各種生產工作的穩定安全運行，避免出現因機械設備故障而造成意外事故，提出機械設備故障自動化檢測。所謂機械故障檢測就是對機械系統中所有的設備的運行參數和數據進行實時檢測，從而判斷當前設備是否處于正常運行狀態，及時確定故障類型、原因以及位置。從目前階段的發展情況來看，現有的機械設備故障檢測方法在實際的應用過程中存在明顯的檢測時效和精度低的問題，為此引入小波網絡的概念。小波網絡是小波分析和神經網絡兩種技術的融合體，通過小波網絡相關技術的應用，以期能夠提升機械設備故障檢測的自動化性能和檢測效果。

1 機械設備故障自動化檢測方法設計

機器設備故障診斷的基本思想和目標是對未來工作狀態進行識別和預測。圖1表示的是機械設備故障自動檢測的原理架構。

圖1 機械設備故障自動化檢測原理架構

在此次機械設備故障自動化檢測方法的設計過程中，通過小波網絡的應用實現對特征提取步驟的優化，進而提高最終檢測結果的時效性和精度。

1.1 構建機械設備組成模型

不同類型機械設備的內部結構和工作原理均不相同，而在啟動機械設備故障檢測程序之前，首先需要確定待檢測設備的基本組成和工作原理。以機械設備中的軸承設備為例，其結構如圖2所示。

圖2 軸承機械設備組成結構圖

圖2中D和d分別表示的是滾道和滾動體直徑。從圖中可以直觀的看出軸承由外圈、內圈、滾動體、保持架等部件組成[1]。按照一定的比例得出各個組成部分的模型，按照圖2表示的空間關系進行組合，得出軸承機械設備組成模型的構建結果。同理可以根據其他類型機械設備的組成結構，得出相應的模型構建結果。

1.2 設置機械設備故障檢測判據

軸承機械設備在使用過程中，產生低頻、高頻振動信號[2]。在構建的軸承機械設備組成模型下，根據軸承機械設備的振動理論，可以得出該設備在正常運行狀態下的動力方程為：

式(2)最終得出的計算結果fi、fcp、fn和fw分別表示軸承工作軸旋轉、保持架旋轉、滾動體以及內/外徑固有頻率。另外參數n為轉速，γ和z分別為接觸角和滾動體數量，ρ為密度，a、I和E對應的是回轉軸線到中性軸的直徑、慣性矩和彈性模量。因此在軸承機械設備的故障檢測工作中，可以根據故障機理設置故障檢測判據，即設置公式2計算得出的頻率計算結果為設備的標準運行頻率，允許的頻率浮動范圍為±0.5Hz。除了工作頻率外，設備諧波、波動幅值等也是重要的檢測指標，按照上述方式得出運行標準和允許浮動范圍，得出正常工作狀態下設備工作參數的波動范圍，并將其作為機械設備故障的檢測判據。另外針對各種類型機械設備的故障類型，進行檢測標準的進一步劃分，將不同的故障類型以特征向量的形式表示，保證檢測結果的精準度。

1.3 自動化采集機械設備實時信號

在待檢測的機械設備上設置測點，并安裝相應的傳感器設備。在機械設備殼體上安裝傳感器，利用該設備采集設備的實時信號。為了抑制環境中的干擾信號，使用數字濾波器來進行信號過濾。根據技術指標實現低通濾波信號與高通濾波信號之間的轉換，轉換過程可以表示為：

式中參數ak和br分別為低通濾波模塊的信號尺度因子和平移因子，z為初始采集信號。將實時采集的信號代入到式(3)中進行轉換與過濾，得出信噪比較高的機械設備運行信號。

1.4 利用小波網絡提取機械設備運行信號特征

為了實現對機械設備運行信號特征的精準提取，首先建立小波神經網絡。在傳統神經網絡結構的基礎上，選擇小波函數替換原本的激活函數，并選定特定小波參數。小波網絡中的激活函數為：

式中ψ(t)為母小波，t為信號頻寬系數，a和b為選定的小波參數。經過替換與建立得出小波網絡三層結構，遵循神經網絡的學習得出輸出結果。以小波網絡正向傳播得到的實際輸出與理想輸出之間的誤差為校正方向，并以其負梯度為校正方向，通過后向迭代調整神經元節點間連接權值[4]。正向傳播和反向傳播過程交替進行，反復調整，共同構成了小波網絡的學習過程，并分別得出三層結構的輸出為：

式中w為權值，ui和ci分別為正則項和約束值，xT為信號輸入。將自動化采集的機械設備實時信號導入到小波網絡中，經過三層分解得出特征提取結果，如圖3所示。

圖3 小波網絡提取機械設備運行信號特征原理圖

從圖3中可以看出，1個特征集合包含了最低頻的成分，用φ3來表示，標記為逼近信息。另外3個特征集合包含了逐次增高的高頻成分，標記為細節信息并用λ1、λ2和λ3來表示，得出的結果為機械設備運行信號的頻域特征提取結果。按照上述流程通過對信號進行小波分解得到其小波系數，再利用各種特征提取方法對小波系數進行處理，最終得到設備運行信號的頻域特征提取結果。另外時域特征的提取結果為：

其中μx和ηx(t)為信號均值和均方值，xP為信號峰值。那么式(6)最終計算得出的結果為脈沖特征和裕度特征，分別反映機械設備運行信號的振動沖擊情況和當前磨損情況。綜合小波網絡輸出的頻域特征向量以及時域特征向量，完成信號特征提取操作。

1.5 實現機械設備故障自動化檢測

1.5.1 識別機械設備故障類型

首先將提取出的機械設備故障特征與設置的檢測判據進行比對，判斷當前設備是否發生故障。若存在故障，則利用公式7確定當前運行特征與設置故障標準特征之間的相似度。

式中xi和yi分別為提取特征和標準特征，k為特征數量。最終確定相似度最大值對應的故障，即為機械設備的故障類型識別結果。

1.5.2 確定機械設備故障位置

通過小波分析得到的信號波動誤差，根據信號的奇異性，可以對故障點進行定位。假設自動采集的機械設備運行信號不連續，任意信號的奇異性指數表示為σ。設定常數K，讓奇異性函數中的所有奇異點 t都滿足以下條件：

式中t0代表突變奇異點，如果上式成立，那么則稱機械設備運行信號x（t）中的t0的奇異指數為σ，若σ取值為1則信號在t0上則是光滑不存在突變的，否則t0為奇異點，也就是機械設備中的故障點。采用雙端檢測法，根據奇異點反饋結果，確定故障點的時間窗寬度，對故障點的距離進行測量[5]。距離測定公式如下：

式中t1M和t1N分別為M和N端首波頭的時刻，v為信號的傳播速度。通過式(9)的計算結果，確定信號波與故障點之間的距離，從而推算出設備的故障點位置。

1.5.3 輸出故障檢測結果

以故障檢測結果為驅動開關，編寫故障預警程序。預警程序啟動后，立即開啟蜂鳴器并向機械設備的管理人員和維護人員同時發送故障信息。若當前機械設備未檢測到故障，則輸出界面顯示正常，不啟動故障預警程序。若當前機械設備檢測到故障，將機械設備是否存在故障、故障類型以及故障位置的檢測結果以數據的方式，通過顯示器進行直接輸出，同時啟動相應的預警程序。

2 性能測試實驗

為了測試設計基于小波網絡的機械設備故障自動化檢測方法的檢測性能，分別從精度和時效性兩個方面設計性能測試實驗。

2.1 準備機械設備樣本

此次實驗選擇的機械設備樣本主要來自某工業生產工廠，選擇的機械設備類型包括滾動軸承、齒輪、鏈條等，其中部分樣本如圖4所示。

圖4 機械設備樣本示意圖

實驗中準備的機械設備樣本數量共200件，且每個樣本的型號、大小以及類型均不相同，將機械設備樣本隨機分成5組，每組的樣本數量相同。實驗中需要使用的信號數據分為兩個部分，具體包括正常機械設備運行數據和故障設備運行數據，初始選擇的機械設備樣本均為生產質檢合格設備，不存在質量問題，此時將機械設備調整為工作狀態得出的數據即為正常運行數據。之后通過人為破壞的方式使得設備樣本產生不同程度的損傷，即將樣本調整為故障狀態。此時設備運行得出的數據即為故障運行數據，兩種實驗數據各包含有4組樣本，每組15個采樣點，采樣頻率為6000Hz。機械設備的工作轉速均設置為3140r/min。

2.2 配置小波網絡運行環境

由于設計的機械設備故障自動化檢測方法引用了小波網絡技術，為保證該技術能夠在實驗環境中正常運行，需要在實驗環境中配置相應的運行環境。將實驗環境中的存儲器容量擴大至16TB，處理器選擇AMD Ryzen 5 5600G，為小波網絡技術的運行提供硬件支持。另外在實驗環境中編寫小波網絡可視化運行程序，實現對小波網絡運行情況的實時監控。

2.3 設置故障檢測性能測試指標

根據實驗目的設置查全率和查準率兩個指標作為故障檢測精度的測試指標，精度測試指標的數值結果可以表示為：

式中變量Num為實驗中準備的總樣本數量，TN和TP分別表示的是得出檢測結果以及檢測正確的樣本數量。最終計算得出的θacc和θall的結果越大，說明對應故障檢測方法的精準度越高。另外故障檢測方法時效性的量化測試指標為時間開銷，可以通過計算檢測方法啟動到檢測結果輸出的時間，得出時間開銷的求解結果，時間開銷越大說明故障檢測結果的時效性越低，一般來講故障檢測結果在10s內具有較高的參考價值。

2.4 實驗過程與結果分析

采用微電子STM32F103ZET6傳感器設備對準備的機械設備樣本的工作信號進行采集，得出的初始信號的采集結果。其中樣本Sap01的信號波形如圖5所示。

圖5 機械設備樣本初始信號波形圖

將圖5表示的初始信號導入到小波網絡中，得出信號特征的提取結果。通過設計故障檢測方法的運行以及與正常運行信號的比對，得出機械設備的故障檢測結果，如圖6所示。

圖6 機械設備故障檢測結果

同理可以得出其他機械設備樣本的故障檢測結果。為了體現出設計故障檢測方法的運行優勢，實驗中設置現有的基于卷積神經網絡的機械故障檢測方法作為實驗的對比方法，并在相同的實驗環境下得出相應的故障檢測結果。通過相關運行數據的統計，得出故障檢測方法運行性能的測試結果，如表1所示。

表1 機械設備故障檢測方法運行性能測試結果

將表1中的數據代入到式(10)中可以得出基于卷積神經網絡的機械故障檢測方法的查全率和查準率分別為98.0%和96.9%，設計故障檢測方法的查全率和查準率均為99.5%。由此可見設計的故障檢測方法的精度得到明顯提升。從時效性方面來看，兩種檢測方法均滿足時效性要求，但相比之下設計方法的時間開銷平均節省了1.218s，即設計故障檢測方法在時效性方面更加具有優勢。

3 結語

機械設備的故障處理是一個多層次、多角度的處理系統，通過小波網絡的應用，有效的提高了機械設備故障檢測方法的運行性能，提高了檢測結果的參考價值，對于故障處理與維修而言具有重要意義。在實驗結果的支持下，可以將優化設計的機械設備故障檢測方法應用到實際的故障處理工作中，節省大量的人力和資金。