基于支持向量數據描述的火炮自動機故障狀態監測技術研究

王斐，房立清，陳敬文

(1.武警士官學校 軍械系，浙江 杭州 310023; 2.陸軍工程大學石家莊校區 火炮工程系，河北 石家莊 050003;3.駐重慶地區第二軍事代表室，重慶 400000)

自動機是自行高炮火力系統的核心組成部分，其結構復雜，工作在高溫高壓高過載的環境下，在長期使用過程中容易產生一系列故障，甚至造成嚴重的射擊事故[1-4]?；跔顟B的維修CBM(Condition Based Maintenance)是一種預防性維修策略，通過對機械系統的健康狀態進行實時監測，可對系統早期故障的發生、發展做出及時預警，進而有針對性地開展維修活動，確保整個系統的運行平穩、安全和可靠，利用CBM技術可有效實現設備的預知管理和維護，避免重大事故的發生[5]。考慮到自動機從正常狀態到故障狀態需要經歷一系列故障發展過程，因此可將CBM技術應用于自動機故障狀態監測中，對其運行狀態進行實時監測，及時發現早期異常狀態，開展相應的維修策略，避免嚴重故障的發生，這對于提升自行高炮武器系統的戰斗力具有重要的意義。

在自動機故障狀態監測中，所建立的狀態監測模型需要具備以下兩方面能力：一方面需要從自動機不同運行狀態的振動信號中有效區分正常與故障狀態(異常狀態檢測)；另一方面需要對自動機故障的性能退化過程具有良好的監測作用。

準確獲取系統的不同狀態信息并進行識別是狀態監測技術的基礎。然而在自動機實際運行過程中，獲取正常運行狀態樣本較為容易，而獲取故障樣本則比較困難。在僅能獲取自動機正常狀態樣本的前提下，采用特定方法，以實現正常狀態和故障狀態的準確檢測和識別，當處于故障狀態便可以進一步根據其他信息確定故障部位和故障類型，通過這種方式也可以有效預防事故的發生。這種在只有單一狀態樣本的情況下進行的故障樣本與正常樣本的評估與分類通常被稱為“單值分類”問題。

支持向量數據描述(support vector data description, SVDD)[6-8]是一種能夠實現目標樣本和非目標樣本區分的單值(One-class)分類方法，其核心思想是通過非線性映射將樣本映射到高維的內積空間，在特征空間中尋找一個包含全部或大部分樣本且體積最小的超球體(最優超球體)來對目標數據集進行超球體描述。SVDD方法只需要一類樣本數據進行分類模型的構建，計算速度較高，魯棒性強[9-12],在異常檢測、樣本多分類問題和故障檢測等領域應用廣泛。

筆者提出一種基于SVDD的自動機故障狀態監測模型，通過正常狀態下的自動機振動信號提取反映樣本狀態信息的特征指標作為訓練樣本完成SVDD監測模型的訓練與構建。通過多種自動機關重件故障模擬試驗對模型進行了驗證，驗證結果表明所提出的監測模型不僅可以準確識別自動機正常狀態與故障狀態，同時也具有良好的早期故障檢測能力，并可以較為準確地反映自動機關重件故障性能退化過程。

1 基本理論

1.1 支持向量數據描述(SVDD)

SVDD是一種重要的單值分類算法，理論基礎為Vapnik提出的VC維(Vapnik-Chervonenkis Dimension)分類器的統計學習方法。與SVM分類器中定義的最優超平面不同，SVDD在高維空間中定義了一個體積最小的超球體，將給定的訓練數據映射到高維空間中，使得訓練數據盡可能多的包含于該超球體中，不屬于該類的數據則位于超球體之外。給定一個目標類樣本集X={x1,x2,…,xn}，定義一個包含所有或幾乎所有目標類樣本的超球體，超球體球心為a，半徑為R?？紤]到目標樣本中可能存在少數野點，為了提高算法對訓練樣本中野點的魯棒性，引入松弛因子ξi，允許部分樣本點分布于超球體之外，此時SVDD優化問題描述為

(1)

式中，C>0為指定的懲罰參數，用以調節錯分訓練樣本數(球外樣本數)和R的大小。

徑向基核函數(RBF)是使用最為廣泛的核函數，無論是小樣本還是大樣本，高維還是低維等情況，均有良好的分類效果，筆者選用RBF作為SVDD的核函數。

通過核函數的方法將訓練樣本由低維空間映射到高維空間中，從而在新的高維空間中對目標樣本進行很好的描述，在映射空間φ中超球體半徑R可由任意支持向量到中心的距離計算得到，

(2)

對于新樣本z，它與球心的距離可表示為

(3)

1.2 變模態分解方法簡介

變模態分解(variational mode decomposition, VMD)是一種自適應與準正交信號分解方法，可將信號非遞歸地分解為不同尺度下的限帶內享模態函數(band-limited intrinsic mode function,BIMF)分量之和，對于非平穩、非線性信號具有很強的處理能力。同其他信號自適應分解方法如EMD、LMD方法相比，在含噪脈沖信號分解、故障特征頻率提取、克服模態混疊方面有很大的優越性。

通過VMD分解，可將自動機原始振動信號分解為不同尺度下的BIMF分量，通過計算各分量的樣本熵值可得到不同故障狀態下的自動機特征向量，可進一步為自動機故障狀態監測提供良好的數據支撐。

2 自動機振動測試平臺簡介

通過實彈射擊的方式進行故障診斷試驗是行之有效的方法，但這種方法故障設置較為困難，危險性大，同時受試驗場地和研究成本的限制，因此目前對自動機故障診斷技術的研究還不能完全通過實彈射擊的方式進行。為了試驗需要，根據自動機運行特點，搭建了自動機振動測試平臺，該平臺可模擬自動機實彈射擊過程中的部分運行工況，利用平臺上的振動加速度傳感器獲取不同故障形式下的信號，并通過對振動信號進行分析實現自動機典型故障的狀態監測。

本文的自動機振動測試平臺由導氣式自動機、承載系統、連接裝置、氣動系統、模擬射擊控制系統、數據測試與采集系統6部分組成。平臺各部分組成結構示意圖如圖1所示。利用自動機振動測試平臺進行信號采集如圖2所示，過程中所使用的數據采集卡為NI公司的NI9234。振動傳感器選用三向壓電式加速度傳感器CA-YD-193A01，該型傳感器具有較高的測試精度和可靠性，技術指標完全滿足自動機的工況環境。傳感器布置于自動機支撐塊附近的炮箱表面上，該區域表面較為平坦，且與激振源的距離很近，可以測得反映自動機不同故障狀態下的振動情況。

3 基于SVDD的自動機狀態監測模型

3.1 自動機狀態監測模型建立流程

SVDD故障狀態監測模型主要由訓練過程和狀態監測過程兩部分組成，模型構成如圖3所示。

該故障狀態監測模型構建的具體步驟為：

1)以正常狀態下的樣本為訓練樣本，通過一定的特征提取方法提取反映樣本狀態信息的特征指標Vnormal；

2)利用正常樣本的特征指標作為訓練樣本構建SVDD分類器，在這個過程中需要根據樣本特征選取合適的懲罰參數C與核函數參數σ，并最終得到包含正常樣本超球面O，超球體半徑為R；

3)計算測試樣本特征指標Vtest，輸入到構建好的SVDD分類器中求得Vtest與超球體球心之間的廣義距離d，d可由式(3)求出，這里定義狀態指標CI(condition indicator),CI可由式(4)求出，以CI值作為故障程度判定的依據，當d≤R時，則樣本為正常樣本；當d>R時，樣本屬于故障樣本，故障樣本d的取值越大則CI值越大，此時故障程度越深。

(4)

3.2 自動機故障特征提取流程

自動機信號的特征提取方法是依據圖4所述特征提取流程，得到反映自動機狀態信息的樣本熵特征值。以自動機正常運行狀態下的30組振動信號作為樣本，按照故障特征提取流程得到SVDD狀態檢測模型所需的特征向量。

3.3 SVDD模型參數選取

在構建自動機SVDD狀態監測模型過程中，需要選取合適的懲罰參數C與核函數參數σ。在對SVDD的模型特點進行研究的過程中發現，要使模型對故障狀態更加敏感，對性能退化過程的反映更加準確，就需要使得所得到的超球體盡可能緊支，即所得超球體中所包含的訓練樣本盡可能多且超球體半徑盡可能小，這樣所得到的SVDD模型將更加精確。

根據文獻[13]的研究成果，懲罰參數C與核函數參數σ的一般取值范圍為0

由圖5可知，超球體內樣本數K與懲罰參數C及核函數參數σ有較大關系；K隨著σ的增大而增大并逐漸趨于穩定，但當σ增加到一定程度時K有減小的趨勢；當C的取值較小時(C=0.1,0.3)，K的取值整體較小，當C的值增大時(C=0.5,0.7,1.0)，K值變化規律趨于穩定。超球體半徑R隨著σ的增大而逐漸減小，且與C的取值關系不大。根據上述所提模型選取原則，經綜合考慮，自動機狀態監測SVDD模型的參數選擇定為C=0.5，σ=44，此時，超球體所含訓練樣本數量最多且超球體半徑較小，這種情況下得到的超球體對正常狀態樣本的包圍更加緊密，對異常狀態樣本也更加敏感，也更為容易地監測到自動機異常狀態的發生。

4 SVDD模型在自動機檢測中的應用

4.1 自動機異常狀態檢測

在自動機實際工作過程中，受高溫、高壓、強燒蝕、高射速等工況條件的影響，自動機閉鎖塊易發生磨損、點蝕故障；輸彈機構中的輸彈簧易發生疲勞故障；由于相關試驗條件的限制，通過預制故障模擬以上3種故障形式：

1)F1：在閉鎖塊工作面設置深度為0.2 mm的磨損面，磨損面寬度為2 mm；

2)F2：在閉鎖塊工作面中心位設置兩個深度為1 mm，直徑為5 mm的點蝕坑，呈對稱分布；

3)F3：選取一根實際工作中疲勞失效的輸彈簧模擬彈簧疲勞失效故障。

具體故障設置如圖6所示。

為了驗證所建立的SVDD模型在自動機異常狀態檢測中的有效性，針對確定的關重件的典型故障類型，利用故障模擬試驗的樣本數據進行SVDD模型的驗證，所采用的樣本數據如表1所示。

表1 自動機狀態測試數據集描述

圖7為利用自動機測試平臺測得的4種狀態下的自動機振動信號。

按照特征提取流程，對振動信號進行5層VMD分解，得到BIMF分量，計算各分量的樣本熵值作為自動機的故障特征。之后將4種狀態下共170組混合特征集輸入SVDD狀態監測模型，得到的監測結果如圖8所示。

從圖8中的自動機故障數據集的CI值可知，自動機混合測試數據集中的正常狀態和異常狀態被明顯區分開來，同時對數據集的分布情況進行分析，結果如表2所示。其中測試結果的虛報樣本數為1，虛報率為0.5%，漏報樣本數為7，漏報率為4%，試驗中的總體故障檢測準確率達到了較高水平。通過以上分析可知，筆者所提出的SVDD模型能夠很好地區分自動機正常狀態與異常狀態，具有良好的異常狀態檢測效果。

表2 自動機多故障測試數據集計算結果

4.2 故障性能退化監測

自動機關重件在產生故障過程中需要經歷一系列性能退化過程，故障程度從輕微逐漸加重，所建立的狀態監測模型需要對這些故障程度的變化具有一定的量化反應能力，這樣可以盡早發現自動機的輕微故障，開展相應的維修策略，以防止故障的進一步加深，這在工程應用中對自動機進行狀態監測具有很大的意義。

在自動機實際運行過程中，幾乎沒有故障退化的數據樣本，為了驗證所提模型對自動機故障的性能退化的監測效果，筆者在自動機振動測試平臺上通過預制故障的方式模擬關重件的故障退化過程。在自動機實彈射擊過程中，輸彈簧疲勞是較為常見的故障形式，因此，以輸彈簧疲勞故障為研究對象，對于研究自動機關重件性能退化過程具有良好的代表性。

在模擬輸彈簧疲勞故障退化試驗中，使用一根全新的輸彈簧為試驗對象。當輸彈簧被截取一部分時，彈力值會發生相應變化，用截取彈簧的方式模擬彈簧疲勞，通過設置不同截取長度來模擬不同程度的疲勞。

試驗中，分別對此彈簧截取不同長度，代表不同疲勞程度下的輸彈簧；截取長度分別為0、2.8、4.9、6.5、8.4 cm，分別用于模擬正常、輕微、中度、重度及嚴重等5種不同故障階段的輸彈簧，這幾種狀態下的輸彈簧的具體情況如表3所示。

表3 不同狀態下輸彈簧的性能情況描述

5種狀態下的輸彈簧依次裝入自動機進行模擬射擊試驗，根據圖4所示提取每種狀態下樣本的故障特征向量，將這5種不同狀態下共250組特征向量集組成測試樣本輸入已經訓練好的SVDD狀態監測模型，得到圖9所示的監測結果。

由圖9可知，所提出的自動機SVDD狀態監測模型可以將正常狀態與多種不同程度的疲勞故障狀態完全區分開來，其中，虛報樣本數為3，虛報率為6%；漏報樣本數為0，漏報率為0；與此同時，監測模型較為清晰的揭示了隨著輸彈簧疲勞故障程度的增大，CI值逐漸增大這一故障退化現象。這說明筆者所提出的監測模型對于故障的發生具有很強的敏感性，具有良好的早期故障檢測能力，可以較早地檢測到微弱故障的發生，并可以在一定程度上描述自動機關重件的性能退化規律，對于開展相應的維修策略具有重要的實際意義。

5 結論

筆者提出了一種基于SVDD的自動機狀態監測模型，該模型在自動機關重件異常狀態檢測和故障性能退化狀態監測中具有良好的效果。主要結論如下：

1)建立了一種基于SVDD的自動機狀態監測模型，僅利用正常狀態下的自動機運行數據，并根據所提參數選取原則完成了監測模型的構建。

2)設置多種預制零件故障，將自動機SVDD狀態監測模型應用于異常狀態檢測，試驗結果具有較高的檢測正確率，驗證了該模型在異常狀態檢測中有良好的表現。

3)將SVDD模型應用于輸彈簧疲勞故障的性能退化程度監測試驗中，試驗結果說明了所建立的模型具有良好的早期故障檢測能力，同時可較好地反映自動機零件的性能退化規律，從而驗證了所建立的SVDD模型在自動機故障性能退化監測中具有良好的效果。