基于小波網(wǎng)絡(luò)的煙草制絲設(shè)備停機故障檢測方法

唐勁松，覃寧波，韋典進(jìn)，丁 力

（廣西中煙工業(yè)有限責(zé)任公司，廣西南寧 530001）

0 引言

為提高煙草產(chǎn)品的質(zhì)量，近年來我國煙草制絲設(shè)備不斷引入全新的技術(shù)和手段，實現(xiàn)更新?lián)Q代。但由于在煙草制絲設(shè)備運行過程中仍然存在著停機故障問題，無法保證生產(chǎn)的連續(xù)性，阻礙產(chǎn)品質(zhì)量的進(jìn)一步提升。針對這一現(xiàn)象分析得出，其主要原因是煙草制絲設(shè)備在檢查與維修環(huán)節(jié)存在一些問題，無法在第一時間給出明確的故障診斷結(jié)果，也無法給出相應(yīng)的解決對策，及時恢復(fù)設(shè)備的正常運行。

針對這一問題，相關(guān)人員開展了深入研究，并提出了多種針對煙草制絲設(shè)備停機故障的檢測方法[1]。但大部分檢測方法在實際應(yīng)用中存在準(zhǔn)確率和精度受外界環(huán)境影響嚴(yán)重、檢測結(jié)果時效性差等問題。對此，引入小波網(wǎng)絡(luò)技術(shù)，開展對煙草制絲設(shè)備停機故障檢測方法的設(shè)計研究[2]。小波網(wǎng)絡(luò)當(dāng)前被廣泛應(yīng)用于數(shù)學(xué)、圖像等非線性領(lǐng)域。通過引入小波網(wǎng)絡(luò)，利用其時域局部化性質(zhì)，采用滑動可變的時頻窗對信號進(jìn)行處理，從而提高信號的識別精度。基于這一應(yīng)用優(yōu)勢，對煙草制絲設(shè)備故障檢測方法進(jìn)行優(yōu)化研究。

1 基于小波網(wǎng)絡(luò)的煙草制絲設(shè)備停機故障檢測方法設(shè)計

1.1 故障特征提取

在煙草制絲設(shè)備出現(xiàn)停機故障時，結(jié)合小波網(wǎng)絡(luò)技術(shù)，通過軟閾值估計的方式對獲取到的設(shè)備運行原始信號進(jìn)行降噪閾值處理。在過濾噪聲的同時，需要確保信號當(dāng)中有利于檢測的信號全部保留，并完成對其后續(xù)的預(yù)處理操作[3]。在確定煙草制絲設(shè)備停機故障信號特征時，選擇具有對稱性和正則性的小波基指標(biāo)。針對煙草制絲設(shè)備停機故障的特征提取而言，需要提取非平穩(wěn)信號的瞬時以及突變成分等，從而使小波包在分析的過程中能夠?qū)δ芰肯鄬械男盘栠M(jìn)行分解，從而確定各個分區(qū)的頻率成分及比重。基于上述需要，本文選擇MH 小波函數(shù)作為基礎(chǔ)，將其代入到高斯函數(shù)當(dāng)中，并得到公式：

式（1）中，ψ（t）為小波函數(shù)；t 為煙草制絲設(shè)備停機故障特征。將式（1）作為基礎(chǔ)，在此過程中，基于小波鏡像濾波器的使用，對設(shè)備運行中的不同故障信號表達(dá)方式進(jìn)行完整描述，并根據(jù)其停機狀態(tài)，將信號劃分成多個頻段，以此種方式實現(xiàn)基于小波的信號分解處理。在此基礎(chǔ)上，提取信號的特征矢量，將其與時域信息進(jìn)行對接，以j 層中的第i 個小波信號為例，對其進(jìn)行描述，表達(dá)式為：

式（2）中，E（Pj，i）為第j 層第i 個小波包分解后的頻段能量；k 為能量特征矢量。為了進(jìn)一步提高后續(xù)在小波網(wǎng)絡(luò)當(dāng)中訓(xùn)練的速度，對通過公式（2）獲取到的頻段能量進(jìn)行歸一化處理。在完成處理后，實現(xiàn)煙草制絲設(shè)備的停機故障特征從高維度到低維度的壓縮，進(jìn)而形成一個具有歸一化特征的能量特征矢量，以減小其在小波網(wǎng)絡(luò)環(huán)境中輸入層節(jié)點的數(shù)量，從而進(jìn)一步縮小小波網(wǎng)絡(luò)的訓(xùn)練規(guī)模，降低檢測方法的運算難度[4]。除此之外，通過上述操作，可有效加快小波網(wǎng)絡(luò)的收斂速度，提高檢測結(jié)果對故障類型診斷的實時性。

1.2 故障類型測定

由于煙草制絲設(shè)備具有較強的非線性特性，引發(fā)停機故障的因素眾多，并且一種故障出現(xiàn)時其特征通常不存在一一對應(yīng)的關(guān)系，在實際操作過程中還會出現(xiàn)故障與故障之間的耦合[5]。針對這一問題，結(jié)合基于小波網(wǎng)絡(luò)提取到的煙草制絲設(shè)備停機故障特征，按照圖1 所示的流程完成初步檢驗。

圖1 煙草制絲設(shè)備停機故障初步檢驗流程

從完成預(yù)處理的煙草制絲設(shè)備停機故障特征中選擇具有檢測價值的特征，并將其輸入PNN（Probabilistic Neural Network，概率神經(jīng)網(wǎng)絡(luò)）中，通過小波網(wǎng)絡(luò)對其進(jìn)行故障分類以及識別評估，從而判斷故障狀態(tài)。假設(shè)煙草制絲設(shè)備的停機故障包括F1，F(xiàn)2，F(xiàn)3，…，F(xiàn)q，共q 種類型，則在本檢測方法中最小風(fēng)險準(zhǔn)則判斷p 維矢量的狀態(tài)為：

式（3）中，Hq和Hk為對應(yīng)兩種故障類型的先驗發(fā)生概率；Lq和Lk為兩種代價因子；fq（X）和fk（X）分別為概率在空間內(nèi)的表達(dá)密度。根據(jù)式（3），實現(xiàn)對煙草制絲設(shè)備停機故障類型的測定。在實際檢測過程中，要實現(xiàn)一個故障的識別，共需要n 個d 維度的停機故障訓(xùn)練樣本。從q 類故障中隨機選擇故障特征，將其輸入由n 個小波網(wǎng)絡(luò)神經(jīng)元組成的網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中，每一個輸入單元都與n 個模式單元的樣本完全連通，以此使求和層中神經(jīng)元的數(shù)量與設(shè)備停機故障的類型數(shù)量相同，從而實現(xiàn)神經(jīng)元與故障類型的一一對應(yīng)，確保最終得到的檢測結(jié)果具有更高的精度條件。

2 對比實驗

完成對煙草制絲設(shè)備停機故障檢測方法的理論設(shè)計后，為進(jìn)一步驗證該方法在實際應(yīng)用中的合理性，以某煙草產(chǎn)品生產(chǎn)企業(yè)作為依托，針對該產(chǎn)品生產(chǎn)車間使用的煙草制絲設(shè)備對其進(jìn)行停機故障檢測。在煙草制絲設(shè)備運行過程中，分別利用本文提出的故障檢測方法和基于壓縮感知的檢測方法同時對該設(shè)備進(jìn)行檢測，分別設(shè)置五種不同的停機故障類型為：局部放電、低能量放電、高能量放電、過熱情況A 和過熱情況B。其中，過熱情況A 為絕緣過熱或熱崩潰；過熱情況B 為鐵芯片邊緣結(jié)構(gòu)出現(xiàn)環(huán)流所致。利用特征量歐氏距離作為對比指標(biāo)，對兩種檢測方法對上述五種故障問題發(fā)生時得到的檢測結(jié)果歐氏距離進(jìn)行計算，其公式為：

式（4）中，d 為特征量歐氏距離；X 為檢測結(jié)果與實際停機故障特征量比值；Y 為實際停機故障特征量；n 為故障檢測結(jié)果中的數(shù)組元素數(shù)量。通過式（4）計算得出數(shù)值，其取值范圍0～1，越無限接近于1，則證明該停機故障檢測方法的檢測結(jié)果的精度越低；反之，數(shù)值越無限接近于0，證明該停機故障檢測方法的檢測結(jié)果的精度越高。根據(jù)公式計算得出兩種停機故障檢測方法的特征量歐氏距離d 如表1 所示。

從表1 數(shù)據(jù)可以看出，在設(shè)備正常運行時，兩種檢測方法的d 值均為0。本文提出的檢測方法應(yīng)用到煙草制絲設(shè)備的停機故障檢測，檢測結(jié)果的特征量歐氏距離d 值明顯小于基于壓縮感知的檢測方法。d 值越小，越接近于0，說明檢測結(jié)果精度越高。因此實驗證明，引入小波網(wǎng)絡(luò)的檢測方法在實際應(yīng)用中具有更高的檢測精度，可為設(shè)備的運行維護(hù)提供更可靠的檢測依據(jù)。

表1 兩種故障檢測方法應(yīng)用效果對比

3 結(jié)束語

在煙草產(chǎn)品生產(chǎn)過程中，制絲設(shè)備存在的問題相對明顯的主要原因是工作量大、維修效率低，并且沒有合理的檢測技術(shù)作為技術(shù)支撐等。對此，在明確煙草制絲設(shè)備的運行機制的基礎(chǔ)上，設(shè)計研究基于小波網(wǎng)絡(luò)的煙草制絲設(shè)備停機故障檢測方法，并通過對比實驗證明該方法的實際應(yīng)用優(yōu)勢。在今后的研究中，還將針對小波網(wǎng)絡(luò)進(jìn)行更進(jìn)一步的探究，找出其在檢測方法中應(yīng)用的最佳方式，進(jìn)一步提高該檢測方法的檢測質(zhì)量，促進(jìn)煙草制絲設(shè)備維修的速度和效果提升。