基于神經網絡的煙草包裝機械故障信號檢測方法

韋典進，唐勁松，覃寧波，劉小蘇

（廣西中煙工業有限責任公司，廣西南寧 530001）

0 引言

為滿足煙草行業的產業發展需求，將推進產業發展的核心與重點置于保障煙草包裝機械穩定運行層面。因塑料材質的齒輪具有良好的強度綜合性能，能夠在應用中實現較好的輕量化開發，目前在市場內已被廣泛應用在煙草機械運行設計中。但在進一步對機械運行的分析時發現，機械齒輪的運行主要在于傳動力，而此結構也正是機械結構中最容易出現問題的部件[1]。一旦此部件在應用中出現傳動方面的問題，或在運行中出現失效故障，將導致機械設備的整體運行出現異常，對企業造成較大的經濟損失。因此，需要采取有效的措施，及時發現機械運行中構件的故障現象，發現運行中的早期異常信號，將故障控制置于故障問題發生前[2]。目前，相關研究成果較多，較為常用的故障信號檢測方法是時域分析法，此種方法是指在機械運行的原始信號上進行故障信號特征值的直接定位與提取，根據信號的特征及其映射的方向，對機械故障進行無量綱分析。但此種方法在應用中存在信號中攜帶噪聲過多的問題，因此本文在研究中引進神經網絡，通過對網絡的多次訓練，提高對故障信號識別的精確度，從而實現對機械運行中的故障信號定位，降低由于機械運行異常導致的經濟損失。

1 基于神經網絡的故障信號檢測方法設計

1.1 煙草包裝機械運行信號采集與小波去噪

為了實現對煙草包裝機械在運行過程中異常信號或故障信號的高精度檢測，需要在相關研究前，對機械設備運行端與PC通信端運行中產生的數字信號進行獲取。考慮到通過此種方式獲取的信號受到機械設備運行環境、機械振動等多種因素的影響與干擾，獲取的信號中可能攜帶一定的噪聲，此種噪聲會干擾后期技術人員對機械故障的識別[3]。因此，在捕獲機械運行信號后，可結合小波技術的應用，對信號集合進行去噪處理。

在去噪過程中，可將機械運行信號表示為一個終端信號，根據機械運行的常態化狀態，可以認為識別到的信號屬于一個低頻信號，此類信號通常較為平緩，因此，可以根據信號中攜帶能量的集中情況，進行信號噪聲小波系數的放大。放大過程中控制噪聲的背景保持不斷，對呈現放大狀態的噪聲進行層數分解，將噪聲的層數設定為Y，按照Y 在空間內的分布，對Y1～Yn層的信號值進行分解處理，處理后得到一個低頻噪聲信號與噪聲背景，將背景噪聲進行冗余值去除處理，便能得到一個與終端對接的通信信號[4]。為了確保在此過程中獲取的故障信號的有效性，可在處理信號時，根據噪聲的表達方式，將其波形以曲線圖的方式呈現在計算機終端，當噪聲表現得較為平滑且無異常間斷現象時，則可輸出此時的信號，作為提取的故障信號。當呈現在終端的故障信號存在間斷或表達曲線不連續時，可根據提取過程的需求或根據故障分析對信號的需求，截取集中一部分信號，并要求此部分信號具有連續性特點，按此種方式進行故障信號的輸出。

1.2 基于神經網絡的故障信號識別模型訓練

在完成對連續故障信號的截取后，將信號集合導入對應的識別模型，引進神經網絡對識別模型進行訓練。在此過程中，可以先設定一個神經元，將神經元按照信號的隨機組合方式進行排列，得到一個模擬人腦行為或意識的神經網，圖1 為神經網絡中神經元的結構示意。

圖1 中，神經元是基本單元，能夠將x1～xn定義為網絡結構的前端輸入值，針對此數值的表達可以是一個變量，對應的w1～wn表示為不同深入變量的權重值，假設輸入的總量表示為w.x，則可以通過引進激活函數的方式輸出一個神經系數y。調用ELU函數，此函數是一種線性整流函數，在調用此函數激活神經元時，函數的表達式為：

圖1 神經網絡中神經元結構示意

從公式（1）中可以看出，此類函數具有較強的飽和性，可以在計算中通過提取函數最大值的方式，進行訓練值的輸出[5]。將訓練結果值作為訓練模型的收斂值，按照此數值進行模型的收斂處理，當收斂后模型的識別精度趨近于1.0 時，導出在此種狀態下的模型結構，從而完成對故障信號識別模型的訓練。

1.3 故障信號動態識別

在完成上述設計后，以動態化的方式對故障信號進行識別。在識別過程中，考慮到煙草包裝機械的運行受PLC 邏輯控制，因此，可借助PLC 內部較為豐富的邏輯空間，在不增加原有程序的基礎上進行故障信號的自動化判斷。根據其動作過程具有一定周期性的特點，將全部執行的動作作為一個識別周期，設定在一個循環識別周期內，且每個動作都環環相扣，一旦其中一個識別行為發生脫節，便會導致剩余動作的對接出現問題。為了滿足信號檢測過程中的連續性需求，可對識別模型中的每個節點進行標志位累加，并將判斷標識的標志位進行翻轉與鎖定，按照標志位的順序進行識別條件的復位。在此過程中，對每個信號節點進行一次識別，并疊加識別后的信號結果，使結果呈現一定連續性，以此種方式實現對故障信號的有效檢測。但在此過程中應注意：當程序在正常執行條件下，應保證檢測的環境不發生變化，一旦環境發生突變便會造成程序與周期的變化，從而造成信號表達方式的異常。因此，需要按照上述提出方式，在確保環境穩定的條件下進行故障信號識別與檢測。

2 對比實驗

為驗證基于神經網絡的信號檢測方法在實際應用中的可行性與合理性，選擇將其與基于時域分析法的信號檢測方法應用到某煙草產品的生產車間，對包裝機械運行過程中的故障信號進行檢測。人為引入3 種故障信號類型，分別為磨損故障、膠合故障、裂紋故障，將3 種故障類型與包裝機械在正常運行過程中產生的信號構成一組信號集合，分別利用本檢測方法和基于時域分析法的信號檢測方法對信號集合進行檢測，同時按照表1內容設置信號的參數。

表1 實驗中信號集合參數信息

在實驗設置條件的基礎上完成實驗，并計算兩種信號檢測方法結果的均方差，計算公式為：

式（2）中，DX 為均方差；ai為隨機變量；EX 為檢測結果錯誤信號數量；pi為變換系數。根據公式計算得出兩種檢測方法的均方差。均方差數值越大，則說明檢測結果精度越低，反之同理。計算結果見表2。實驗數據顯示，基于神經網絡的檢測結果均方差明顯小于基于時域分析的檢測結果均方差，說明基于神經網絡的檢測方法的檢測結果精度更高，可為煙草包裝機械運行提供更可靠的安全保障條件。

表2 兩種檢測方法檢測結果的均方差

3 結束語

針對煙草包裝機機械運行中常用構件出現故障影響生產持續性問題，提出一種基于神經網絡的故障信號檢測方法。在完成對方法的設計后，通過對比實驗證明此方法的真實有效，但此次實驗也存在一些不足之處，例如，僅從一個單一的維度對設計成果進行檢驗，未能選擇多個煙草生產單位進行實踐應用。因此，還需要在后期的研究中，將提出的研究點作為檢測設計成果的方向，通過實踐掌握設計方法的不足，從而使設計方法得到進一步完善。