基于ACO-SVM的火炮供輸彈系統(tǒng)機(jī)械故障診斷

李孟克，許昕，潘宏俠,1b，張航，高俊峰，劉燕軍

(1. 中北大學(xué) a. 機(jī)械工程學(xué)院；b. 系統(tǒng)辨識與診斷技術(shù)研究所，山西 太原 030051；2. 中車永濟(jì)電機(jī)有限公司，山西 永濟(jì) 044500；3. 內(nèi)蒙古一機(jī)集團(tuán)，內(nèi)蒙古 包頭 014030； 4. 內(nèi)蒙古北方重工集團(tuán)，內(nèi)蒙古 包頭 014000)

0 引言

供輸彈系統(tǒng)是一種復(fù)雜的機(jī)電液一體化系統(tǒng)，其內(nèi)部結(jié)構(gòu)復(fù)雜、外部工作環(huán)境惡劣，對其采集的信號中常夾雜著大量的干擾信號，因而導(dǎo)致用于供輸彈系統(tǒng)故障診斷的特征參量中常常會出現(xiàn)數(shù)量不足或多余，甚至也會出現(xiàn)這些特征參量出現(xiàn)沖突矛盾的現(xiàn)象。這給供輸彈系統(tǒng)故障的有效識別帶來了極大難度。因此急需一種有效的辦法來解決這種問題，這將對我國火炮的可靠性和安全性具有深遠(yuǎn)而又重要的影響[1]。

本文使用蟻群優(yōu)化支持向量機(jī)(ACO-SVM)算法對供輸彈系統(tǒng)進(jìn)行故障診斷。首先從供輸彈系統(tǒng)的振動(dòng)信號中提取特征，然后使用ACO-SVM算法對其不同工況的特征參量進(jìn)行故障診斷，并與支持向量機(jī)(SVM)算法進(jìn)行對比。

1 算法研究

1.1 ACO算法

(1)

式中：Jkξ(i)={S-tabuξ}表示第ξ個(gè)螞蟻下一步要選擇的食物源節(jié)點(diǎn)；η表示路徑的啟發(fā)信息；α表示路徑上信息量的相對重要性；β表示啟發(fā)信息的相對重要性[3]。

當(dāng)其完成對m個(gè)食物源節(jié)點(diǎn)的信息訪問后，為防止在尋找食物源節(jié)點(diǎn)的非最優(yōu)路途上的信息素量過多。因此需及時(shí)對螞蟻所在路途中釋放的信息量進(jìn)行及時(shí)更新：

τij(t+n)=(1-ρ)τij(t)+ρΔτij(t)

(2)

(3)

(4)

式中：Q為正常數(shù)，影響算法的收斂速度；Lξ代表第ξ只螞蟻在本次循環(huán)中走過的路徑長度。由此設(shè)計(jì)出一套使用ACO算法優(yōu)化參量，得到最優(yōu)值的約簡圖，如圖1所示。

圖1 ACO算法尋優(yōu)流程圖

1.2 SVM算法

支持向量機(jī)算法[4]是一種將復(fù)雜樣本數(shù)據(jù)進(jìn)行分類與回歸的復(fù)雜算法，設(shè)一組樣本集為

T={(xi，yi)}，i=1,2,…,n，xi∈Rm，yi∈{-1，1}

(5)

式中：xi為輸入變量；yi為輸出變量。

為了使樣本集中的數(shù)據(jù)能夠正確分類識別，建立最佳超平面函數(shù)如下[5]：

f(x)=wT·x+b

(6)

式中：w為權(quán)向量；b為偏置截距。

樣本輸入點(diǎn)到超平面的距離公式為

(7)

樣本點(diǎn)到分類平面的距離為

(8)

由于每個(gè)支持向量的y(wT·x+b)>1>0，故最大距離d為

(9)

(10)

樣本集的某類組合為w:

(11)

式中：λi為拉格朗日乘子；n為樣本集里的個(gè)數(shù)。因?yàn)闃颖炯慕M合會受樣本集里點(diǎn)的位置和類別yi的影響[6]，故將其修改為

(12)

進(jìn)而得到SVM算法的決策回歸方程為

(13)

式中〈xi，x〉表示向量的內(nèi)積。

1.3 信息熵

在1949年香農(nóng)提出信息熵用來度量信息不確定性[7-8]。任何一件事情的發(fā)生都會帶來不同的信息量(即可能產(chǎn)生n種信息量)，且每一個(gè)信息量的出現(xiàn)都有一定的概率(將每個(gè)信息量出現(xiàn)的概率記為P(B1),P(B2),…,P(Bn))，而信息熵則是在結(jié)果出來前對所有可能發(fā)生事件所帶來的信息量的一種期望。由此可以得出信息熵的計(jì)算公式：

(14)

2 ACO-SVM算法故障識別

ACO-SVM算法進(jìn)行供輸彈系統(tǒng)的機(jī)械故障診斷[9]，其具體步驟如圖2所示。

圖2 ACO-SVM算法流程圖

3 實(shí)驗(yàn)分析與論證

3.1 實(shí)驗(yàn)測點(diǎn)布置

在對供輸彈系統(tǒng)進(jìn)行振動(dòng)信號采集時(shí)，選擇的測點(diǎn)顯得尤為重要。測點(diǎn)的選擇應(yīng)盡量靠近易發(fā)生故障的位置附近。這樣既能防止振動(dòng)信號在沿傳播路徑發(fā)生分散而導(dǎo)致采集的工況信息不完整，又能減少外界條件的干擾[10]。此次通過對供輸彈系統(tǒng)的工作原理和常易出現(xiàn)的故障進(jìn)行分析并布置測點(diǎn)，本次試驗(yàn)對某火炮進(jìn)行故障信息采集，此次共涉及6處采集點(diǎn)，使用三相加速度傳感器進(jìn)行x、y、z三個(gè)方向的信號采集，設(shè)置本次實(shí)驗(yàn)的采樣頻率為25 600Hz，對振動(dòng)信號的收集使用LMS信號收集儀。表1為各測點(diǎn)的分布說明，圖3為各測點(diǎn)的示意圖。

表1 某型火炮測點(diǎn)位置說明表

圖3 振動(dòng)測點(diǎn)布置示意圖(后視圖)

3.2 實(shí)驗(yàn)過程及記錄

本次試驗(yàn)限定發(fā)射子彈的速度為450發(fā)/min，并對其產(chǎn)生的振動(dòng)信號進(jìn)行收集。在本次實(shí)驗(yàn)步驟如下。

第一步：讓火炮分別進(jìn)行1次3連發(fā)和1次6連發(fā)，在此次發(fā)射過程中每顆炮彈發(fā)射時(shí)均未出現(xiàn)異常現(xiàn)象，全程射速均維持在450發(fā)/min。

第二步：讓火炮進(jìn)行1次40連發(fā)，前期炮彈發(fā)射表現(xiàn)良好，但在第25發(fā)時(shí)出現(xiàn)了炮彈射速異常。經(jīng)研究發(fā)現(xiàn)其射速顯著降低，但最終也完成了40連發(fā)的任務(wù)。圖4為此次試驗(yàn)各發(fā)之間射擊時(shí)間間隔圖。

第三步：隨后現(xiàn)場工作人員對該火炮的供輸彈系統(tǒng)進(jìn)行及時(shí)的修復(fù)后，本實(shí)驗(yàn)繼續(xù)進(jìn)行接下來60連發(fā)的炮彈射擊。在這60連發(fā)的炮彈射擊中均表現(xiàn)良好，射擊速度維持在450發(fā)/min。

3.3 特征提取

本次實(shí)驗(yàn)共進(jìn)行180發(fā)射擊試驗(yàn)，其中正常狀況100發(fā)，其余狀況80發(fā)。首先對供輸彈系統(tǒng)所采集的復(fù)雜振動(dòng)信號進(jìn)行特征提取得到信息熵中的樣本熵[11]，以此來反映供輸彈系統(tǒng)在不同狀態(tài)下的運(yùn)動(dòng)狀態(tài)。由于篇幅有限，隨機(jī)選取不同狀態(tài)下5發(fā)樣本數(shù)據(jù)進(jìn)行討論。具體如表2所示。

圖4 40連發(fā)射擊實(shí)驗(yàn)時(shí)間間隔統(tǒng)計(jì)圖

表2 不同工況不同測點(diǎn)信息熵提取情況

在所提取的180組樣本熵中，選取正常狀態(tài)的前30組，其余狀態(tài)的前30組，作為訓(xùn)練樣本。剩余120組的樣本熵作為測試樣本，分別輸入到ACO-SVM算法和SVM算法中進(jìn)行故障的分類識別，并將兩組數(shù)據(jù)的診斷結(jié)果進(jìn)行對比，分類的結(jié)果如圖5和圖6所示。圖中圓圈代表實(shí)際的測試集分類，星號則代表預(yù)測測試集分類。若分類識別正確，則圈號和星號重疊，反之不重疊。此外算法分類識別中定義，y=+1代表為正常狀態(tài)，y=-1代表除正常狀態(tài)以外的其余狀態(tài)。診斷結(jié)果對比如表3所示。

圖5 SVM分類結(jié)果

圖6 ACO-SVM分類結(jié)果

表3 診斷結(jié)果對比

4 結(jié)語

本文針對火炮供輸彈系統(tǒng)故障信號所提取出的特征參量冗余復(fù)雜而導(dǎo)致故障類型不易識別的問題，提出一種基于ACO-SVM算法的供輸彈系統(tǒng)的機(jī)械故障診斷方法。通過分別使用ACO-SVM算法與SVM算法進(jìn)行機(jī)械故障分類識別，根據(jù)診斷結(jié)果對比發(fā)現(xiàn)，在相同的測試樣本中，采用SVM算法準(zhǔn)確率為89.2%，而采用ACO-SVM算法準(zhǔn)確率為95.0%，從而突顯出ACO-SVM算法對供輸彈系統(tǒng)的機(jī)械故障診斷方面的優(yōu)勢。