精密機械狀態異常智能檢測算法

董育偉，何 峰，姜胤嘉

（淮陰工學院，江蘇淮安 223300）

0 引言

隨著科學技術的發展，各類機械向精密化、復雜化的方向發展，自動化技術的大量應用導致很多設備的維修、維護費用極高，且一旦停產就會造成巨大的經濟損失。為保證設備不會因不及時維修而造成損壞，需要設計設備狀態異常的智能檢測方法。文獻［1］以解決多尺度樣本熵為核心，提出了一種基于計劃性改進方法的智能檢測算法，該算法在多尺度拓展的基礎上，結合最大相關冗余條件建立了一個樣本分類器，使用多尺度的樣本熵替代傳統的樣本熵，避免了大幅度的閾值信息丟失現象。文獻［2］以故障特征不明顯的情況為例，提出了一種以故障信號特征提取為基礎模型的智能診斷方法，提取特征信號，將數據進行歸一化處理，并建立數據模型。使用能量譜序列，將數據的時間特性在卷積神經網絡的基礎上進行分類。文獻［3］為避免因數據分布不均勻導致故障特征無法表達的情況，設計了一種適用于不同工況的機械故障診斷方法，在保留原始信號的基礎上，建立深度卷積神經網絡模型，提升網絡訓練效率，挖掘樣本信息，并通過小型注意力機制形成特征通道。結合已有研究成果，本文設計了一種新的精密機械狀態異常智能檢測算法。

1 設備異常特征提取

在精密機械設備中，最典型的部件就是由傳動軸與軸承組成的齒輪箱，該部件在異常檢測中需要不斷分析信號中的各類異常元素。并通過設備的故障判定與定位，進行異常分析。軸承結構一般起連接作用，經常會有大量的荷載施加在軸承結構中，這種現象會導致結構加速老化，并導致設備運轉出現問題。軸承一般由內圈、外圈以及滾動體等結構組成，任何老化、局部損壞等問題的出現都會導致振動頻率出現異常。軸承磨損故障以及軸承老化故障是最常見的兩種故障類型，根據磨損以及疲勞剝落產生的脈沖沖擊，可以使用滾動體的自轉頻率作為滾道的故障調制函數。

式中，d（t）表示滾道試點部位的故障調制函數；fn和fm分別表示滾動體在開始沖擊前后的自轉頻率；Ap表示故障信號的周期。

當軸承表面出現明顯老化現象時，可以通過周期性信號解析多種成分耦合在一起的頻譜現象。當頻率在1000 Hz 以內時為低頻段，當頻率在100～200 000 Hz 之間時為中等頻段，當信號頻率在200 000 Hz 以上時為高頻段。通過頻段檢測，可以對一部分傳感器的精度問題進行有效分析。在這些頻域內，假設時域信號的周期為2π，則可以通過正交基展開信號模型：

式中，f（x）表示信號模型；f（n）表示信號函數的傅立葉級數；m 表示正交基的數量。

通過多個離散函數的特征周期，對成分轉換進行表達。在現實生活中，非平穩信號隨處可見，信號成分也會隨著時間的變動而逐漸增加，從相關故障信息中獲取難度特征，需要具備變化快、不平穩等特性[4]。在預定義的信號模型中構建一個相匹配的內核函數，需要逐漸改變時域網格特征，通過平移和轉換兩個因子建立獨特的高斯窗函數，并實現高頻率的分辨率，避免信號集中度較差的情況發生。在待處理的信號映射下，小波函數的模型可以表示為：

式中，Gwt（t，w，c）表示小波函數；t 表示信號傳遞的時間；w表示現行調頻的角度；c 表示平移因子；Km（t）表示高斯窗函數；jk表示幅值。

通過這些參數因子，獲取適用于設備特征提取的模型，并將時頻信號轉換為集中性最佳的波段。若其中的信號在時域中有變化性，則一切信號分來那個都將與中心頻段相關，且幅值保持不變。據此，可以通過數據采集器獲取振動信號，并得到與時間波形數據具備明顯差異的特征值。采用頻譜分析的方式，可以對振動信號的幅值進行沖擊，其中的均值表示隨機過程的中心趨勢。用頻譜分析的方式，對信號進行代數化處理，其所采集到的信號頻率結構也會隨之發生改變[5]。結合網絡特征，對故障進行判別，并在始于能量特征分析中盡量獲取設備的運行狀態。將振源信號轉化為頻譜信號，一般可以表示為：

式中，Bq（t）表示t 時刻的頻譜異常特征信號；Bf（t）表示t 時刻的振源信號。據此可以獲取精密機械設備的狀態異常特征。

2 設計設備異常檢測算法

結合上文內容，可以設計相應的異常檢測算法，具體算法流程如圖1 所示。

圖1 檢測算法流程

首先需要輸入原始數據，并對數據進行初始化處理。對數據特征進行匹配，并均勻分配資源。訓練網絡模型，判斷條件是否滿足需求，若不滿足，則需要重新返回到數據的初始化處理階段。當條件滿足時，可以進入較小值的刪除階段。在該階段中，數據較小一般為非異常狀態的數值，刪除此類數據，可以減小篩選數量，提高檢測精度與檢測效率。判斷是否所有類型的數據均被算法篩選，如果存在未被篩選的數據，需要將其返回到初始化處理階段，反之則可以輸出最終結果。通過該算法，即可得到精密機械狀態異常的智能檢測結果。

3 應用實例分析

3.1 樣本數據集

在精密機械內部，滾動軸承是最重要的組成部分，直接決定整個設備的性能。本實驗對滾動軸承的多個部位進行智能檢測，以驗證本文檢測算法的有效性。選擇某滾動軸承故障振動信號作為實驗數據，并選擇其他算法作為對照組，各部位的參數如表1 所示。

表1 軸承實驗參數

該實驗的數據集中共包含450 個訓練樣本和900 個測試樣本，軸承的異常狀態可以分為3 種類型，依據故障的尺寸與深度，將其劃分為3 個故障檔次，標記為1、2、3。

3.2 模型訓練

在本文的檢測算法中，對已知樣本進行輸入與輸出，進行神經網絡訓練。設置動量因子為0.9，學習因子為0.1，目標精度為0.001，迭代次數為500。此時的網絡訓練過程如圖2 所示。

圖2 網絡訓練過程

在訓練過程中，初始的模型精度為100～10-1之間，但是隨著迭代次數的不斷增加，精度逐漸提高，在第400 次迭代時達到了10-3，即0.001。

3.3 不同狀態下檢測率與誤報警率對比

好的監測算法需要具備較高的檢測率以及較低的誤報警率，對上述3 種不同的軸承異常狀態進行測試，對比本文算法與傳統的改進多尺度快速樣本熵診斷方法、LSTM-CNN-CBAM 方法、注意力深度遷移聯合適配方法，驗證本文算法的有效性。實驗結果如表2～表4 所示。

表2 滾動體故障

表3 外圈故障

表4 內圈故障

如表2～表4 所示，在同一故障類型的不同程度中，各算法的檢測精度并沒有根本性的差異。通過本文算法獲取的9 種軸承檢測率均大于99%，誤報警率小于1%，兩項測試的標準差均不超過0.2，可見該檢測結果可信。改進多尺度快速樣本熵診斷方法、LSTM-CNN-CBAM 方法以及注意力深度遷移聯合適配3種傳統方法的檢測精度則均小于本文算法，標準差也相對較大。

4 結束語

本文設計了一種應用于精密機械狀態檢測的異常檢測智能算法，通過該算法可以獲取較高精度的檢測結果。實驗數據證明了該算法的優越性。在相同條件下，本文算法的檢測率均高于其他傳統算法，誤報警率也相對較低。在下一階段的研究中，可以將異常度檢測與故障診斷相融合，對設備早期的故障以及微弱故障進行檢測，并利用智能算法劃分樣本分布閾值，使其能夠具備自適應的優點。