基于FastAP的港口機械故障診斷研究

莊志忠

（福建船政交通職業(yè)學院，福建福州350007）

港口作為國際貿易門戶，是物資進出口的集散地.隨著現(xiàn)代工業(yè)技術的快速發(fā)展，港口自動化、機械化程度逐漸提高.但由于港口機械工作環(huán)境復雜，且工作量巨大，因此機械的零件極易發(fā)生故障.為避免因機械故障帶來的經(jīng)濟損失，有必要對機械故障進行實時準確的診斷，并及時對故障進行檢修，確保港口生產(chǎn)運輸?shù)陌踩?目前，針對港口機械故障診斷的方法主要包括基于統(tǒng)計分析和基于信號處理的方法，如張龍[1]等、羅忠[2]等基于優(yōu)化指標一致性原則，提出了對滾動軸承故障的診斷方法，可有效檢測出故障部位；潘繼財[3]、孫玉偉[4]等基于采用聲音特征與改進稀疏表示的信號處理方法，有效實現(xiàn)了機械故障診斷.但上述方法往往存在診斷準確率較低的問題.近年來，人工智能技術的快速發(fā)展，為機械故障診斷帶來了新的契機，故本研究利用人工智能技術，通過FastAP聚類算法挖掘機械數(shù)據(jù)中有效的故障信息，并進行識別，實現(xiàn)了港口機械故障診斷，提高了故障診斷的準確率.

1 FastAP算法簡介

FastAP算法是在AP聚類算法基礎上，通過引入不完全相似度，以提高算法聚類效果的一種改進聚類算法[5].其具體實現(xiàn)流程如下：

步驟1：計算樣本的相似度矩陣S；

步驟2：根據(jù)壓縮相似度矩陣算法計算壓縮相似度矩陣S′，如式（1）[6]；

式中，enew表示聚類范例；Cnew表示新聚類；Ne表示每次迭代中的范例.

步驟3：將S′進行稀疏化，得到稀疏性相似度矩陣S*；

步驟4：迭代計算吸引度矩陣R=（r（i，j））和歸屬度矩陣A=（a（i，j））；

步驟5：判斷算法是否都達到迭代次數(shù)，若達到最大迭代次數(shù)，則返回聚類簇信息，結束算法；若算法沒有達到迭代次數(shù)，則判斷算法迭代過程是否收斂，若收斂，則返回聚類簇信息，結束算法，反之，則返回步驟4.

上述流程可用圖1示意.

圖1 FastAP算法流程

2 基于FastAP的港口機械故障診斷模型

根據(jù)上述對FastAP算法分析可知，F(xiàn)astAP算法的聚類簇無須預先設置，且實現(xiàn)過程較為簡單[7].因此，研究選用該算法作為故障診斷算法，并構建如圖2所示的港口機械故障診斷模型.模型包括故障特征提取、聚類分析、故障診斷三個模塊.

圖2 基于FastAP的港口機械故障診斷模型

第一個模塊：故障特征提取

故障特征提取是為了更快速準確獲取樣本特征，以提高故障聚類精確度，進而提高故障診斷準確率[8].先采用EEMD分解港口機械時域振動信號，得到IMFs分量.然后采用近似熵分析方法計算IMFs分量近似熵，并將其轉換為故障特征向量.

假設每個港口機械原始故障樣本均包含一段長度為n的時域信號x=（x1，x2，…，xm），EEMD分解得到m個IMFs分量為I=（I1，I2，…，Im）.采用近似熵方法計算IMFs分量近似熵，并組成特征向量V=（v1，v2，…，vm），V即為港口機械故障特征.

第二個模塊：聚類分析

聚類分析結果直接影響港口機械故障診斷準確率[9].本研究通過計算FastAP算法聚類結果的聚類精準度是否達到設定閾值，判斷算法聚類效果.若聚類精準度達到設定閾值，則保存聚類結果，結束聚類分析；若聚類精準度沒有達到設定閾值，說明算法沒有達到最佳聚類效果，此時調整算法參數(shù)并對調參后的算法再次進行聚類分析，直至聚類精度達到設定閾值.

第三個模塊：故障診斷

故障診斷即對故障樣本進行識別，是整個模型的最終目的，其具體診斷步驟如下：

步驟1：EEMD分解故障樣本信號x=（x1，x2，…，xm）得到IMFs分量I=（I1，I2，…，Im）；

步驟2：計算I=（I1，I2，…，Im）的近似熵值，并組成特征向量V=（v1，v2，…，vm）；

步驟3：根據(jù)式（3）計算v與聚類中心距離；

式中，s（i，j）表示數(shù)據(jù)點xi和xj的相似度值.

步驟4：選擇與特征向量距離最小（dmin）的簇，并計算簇內最大距離（dmax）；

步驟5：比較dmin與dmax的大小，若dmin>dmax，則將故障樣本歸為未知類別，并轉至步驟7，反之則執(zhí)行步驟6；

步驟6：統(tǒng)計實際類別，并選取出現(xiàn)次數(shù)最多的類別為故障樣本類別；

步驟7：輸出診斷結果.

上述步驟可用圖3示意.

圖3 故障診斷流程

3 仿真實驗

3.1 實驗環(huán)境

在MATLAB軟件上進行仿真，選用Windows7作為操作系統(tǒng)，硬件條件為Intel corei3-2328M，CPU為2.20 GHz，RAM為4 096 MB.

3.2 數(shù)據(jù)來源及預處理

算法驗證數(shù)據(jù)集包括兩類，一類為MATLAB隨機生成的服從高斯分布的4個合成數(shù)據(jù)集，如表1；一類為UCI機器學習庫中的7個真實數(shù)據(jù)集，如表2.

表1 4個合成數(shù)據(jù)集

表2 7個真實數(shù)據(jù)集

考慮到7個真實數(shù)據(jù)集中不同數(shù)據(jù)集間屬性值變化范圍較大，會影響算法聚類精度，為減少不同數(shù)據(jù)集間的屬性值影響，對7個數(shù)據(jù)集進行歸一化處理.然后，將處理后的數(shù)據(jù)集轉化為.mat文件輸入算法即可.

故障診斷驗證選用美國凱斯西儲大學滾動軸承驅動端故障數(shù)據(jù)作為實驗數(shù)據(jù)集，包括軸承工作轉速為1797RPM和1772RPM的兩種數(shù)據(jù)集[10].具體如表3所示

表3 故障樣本

3.3 評價指標

選用相似度總和（SS）、聚類精確性（Accu）、聚類計算時間作為評估FastAP算法性能的指標.其計算方法如式（4）和（5）.

式中，N表示數(shù)據(jù)點xi的總數(shù)；s（i，ci）表示xi與其所屬范例xci的相似度；ci、c*分別表示算法聚類結果與實際聚類標簽，當時，δ（ci，

3.4 參數(shù)設置

將AP算法和FastAP算法迭代次數(shù)分別設置為50和500，阻尼系數(shù)均設置為0.5，偏好參數(shù)均設置為相似度矩陣的中位數(shù).FastAP算法的壓縮率和稀疏率分別設置為0.2和0.5.

3.5 結果與分析

3.5.1 算法驗證

為驗證本研究算法的有效性，采用本算法與標準AP算法對算法驗證實驗數(shù)據(jù)集進行聚類，結果如表4、5所示.由表4可知，在4個合成數(shù)據(jù)集上，標準AP算法和FastAP算法在相似度總和、聚類精確性指標差異較小，但FastAP算法的聚類計算時間更短，且隨著數(shù)據(jù)量的增加，聚類計算時間的優(yōu)勢更明顯.由表5可知，4個真實數(shù)據(jù)集在相似度總和指標上，標準AP、FastAP算法的差異較?。辉诰垲惥_性指標上，標準AP算法和FastAP算法較為接近；在聚類計算時間指標上，F(xiàn)astAP算法表現(xiàn)最好，標準AP算法表現(xiàn)最差.整體來看，雖然FastAP算法聚類精確度略低于標準AP算法，但其整體性能更好.

表4 合成數(shù)據(jù)集聚類結果

表5 真實數(shù)據(jù)集聚類結果

3.5.2 故障診斷驗證

為驗證基于FastAP算法對故障診斷的效果，利用港口機械故障數(shù)據(jù)集進行故障診斷，得到如表6和表7所示結果.由表可知，本研究提出的FastAP算法對故障的診斷準確率均高于92%，且隨著故障樣本的增多，故障診斷正確率逐漸增大.

表6 1797RPM轉速診斷結果

表7 1772RPM轉速診斷結果

表9 工作轉速為1772RPM的診斷結果

為進一步證明本算法對故障診斷的優(yōu)越性，采用k-means算法和FastAP算法對apen1~apen3進行故障診斷，得到如表8、9所示結果.當工作轉速為1797RPM時，k-means算法和FastAP算法對故障診斷的準確率差異明顯，F(xiàn)astAP算法的準確率明顯高于k-means算法，且當k-means算法聚類中心較少時，F(xiàn)astAP算法對故障診斷準確率優(yōu)勢更明顯；當工作轉速為1772RPM時，k-means算法和FastAP算法的故障診斷準確率差異較小，分析其原因是該工作轉速下，故障樣本較多，故兩種算法的診斷準確率都較高.整體來看，本研究提出的基于FastAP算法的故障診斷方法，無論故障樣本的多少均可進行準確診斷，故本研究算法性能優(yōu)于k-means算法.

表8 工作轉速為1797RPM的診斷結果

3.5.3 實例驗證

為驗證實際應用效果，選用某個散貨港口皮帶機系統(tǒng)部分歷史數(shù)據(jù)為故障樣本進行故障診斷，得到如表10所示結果.由表10可知，本研究提出的FastAP算法對正常狀態(tài)、內外圈故障、滾動體故障診斷的準確率達到100%；對裂紋故障的診斷準確率為80%，對軸承松動故障的診斷準確率為0，其原因是裂紋故障和軸承松動故障樣本較少，尤其是軸承松動故障僅有6個樣本，這導致算法在聚類分析時難以提取到有效信息，進而導致故障診斷準確率較低.

表10 故障診斷結果

4 結論

綜上所述，通過構建的基于FastAP算法故障診斷方法，可有效識別不同類型的機械故障，相較于標準AP算法和k-centers算法，本研究算法性能更好，在相似度總和、標準化互信息、聚類精確性、聚類計算時間四項指標上表現(xiàn)更好；相較于k-means算法，本研究算法故障診斷準確率更高，達到92%以上；通過在港口機械故障診斷中的應用，驗證了本算法的可行性和有效性，可準確診斷港口皮帶機正常狀態(tài)、內外圈故障狀態(tài)、滾動體故障狀態(tài)，診斷準確率達到了100%.但本算法仍存在待改進的地方，如FastAP算法運行模式為單機模式，一定程度上限制了故障聚類分析效率.下一步，研究將考慮在spark平臺上對算法進行實現(xiàn)，以提高故障分析效率.