Large mechanical equipment fault detection model simulation optimization of mining

夏雪剛

XIA Xue-gang

（陜西鐵路工程職業(yè)技術(shù)學(xué)院 電氣與信息工程系，渭南 714000）

?

大型機(jī)械設(shè)備故障的優(yōu)化挖掘檢測(cè)模型仿真

Large mechanical equipment fault detection model simulation optimization of mining

夏雪剛

XIA Xue-gang

（陜西鐵路工程職業(yè)技術(shù)學(xué)院 電氣與信息工程系，渭南 714000）

摘 要：大型機(jī)械設(shè)備的系統(tǒng)構(gòu)成復(fù)雜，容易產(chǎn)生故障，對(duì)故障數(shù)據(jù)進(jìn)行優(yōu)化挖掘?qū)崿F(xiàn)故障及時(shí)診斷。傳統(tǒng)方法采用故障數(shù)據(jù)自適應(yīng)重寫方法實(shí)現(xiàn)機(jī)械設(shè)備故障挖掘，存在精度不高，診斷性能不好的問題。提出一種基于模糊推理分裂波束形成的大型機(jī)械設(shè)備故障的優(yōu)化挖掘檢測(cè)模型。分析了大型機(jī)械設(shè)備的故障發(fā)生和檢測(cè)原理，采用模糊推理算法實(shí)現(xiàn)對(duì)大型機(jī)械設(shè)備的故障數(shù)據(jù)的采集和特征提取，根據(jù)特征提取結(jié)果進(jìn)行分裂波束形成，提高對(duì)故障數(shù)據(jù)的聚類能力，實(shí)現(xiàn)大型機(jī)械設(shè)備故障的優(yōu)化挖掘。仿真結(jié)果表明，采用該模型進(jìn)行大型機(jī)械設(shè)備的故障數(shù)據(jù)挖掘和檢測(cè)診斷，能準(zhǔn)確實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的恢復(fù)跟蹤和波束形成，提高故障的檢測(cè)性能，檢測(cè)準(zhǔn)確率較高。

關(guān)鍵詞：機(jī)械設(shè)備；故障；挖掘；檢測(cè)模型

0 引言

大型機(jī)械設(shè)備通常處于高溫高熱等惡劣的工作環(huán)境中，機(jī)械設(shè)備的組成部件構(gòu)成復(fù)雜，耦合因素較多，導(dǎo)致大型機(jī)械設(shè)備的故障發(fā)生率較高，需要對(duì)大型機(jī)械設(shè)備進(jìn)行實(shí)時(shí)的故障數(shù)據(jù)挖掘和監(jiān)測(cè)，保證大型機(jī)械設(shè)備的運(yùn)行正常，機(jī)械設(shè)備等機(jī)械設(shè)備的故障診斷是由機(jī)械設(shè)備自身的固有規(guī)律決定的，因此，機(jī)械設(shè)備的故障數(shù)據(jù)也不是一個(gè)沒有規(guī)律的無常數(shù)據(jù)，通常而言，大型機(jī)械設(shè)備的故障數(shù)據(jù)監(jiān)測(cè)具有隨機(jī)性，不同時(shí)刻監(jiān)測(cè)的數(shù)據(jù)具有不可重復(fù)性，這就加重了對(duì)大型機(jī)械設(shè)備故障數(shù)據(jù)挖掘的難度，大型機(jī)械設(shè)備的故障源之間相互耦合，決定了故障數(shù)據(jù)的多重屬性，對(duì)故障數(shù)據(jù)進(jìn)行優(yōu)化挖掘?qū)崿F(xiàn)故障及時(shí)診斷，研究大型機(jī)械設(shè)備的故障數(shù)據(jù)挖掘算法和檢測(cè)模型具有重要意義[1]。

傳統(tǒng)方法中，對(duì)型機(jī)械設(shè)備的故障數(shù)的挖掘模型主要采用的是時(shí)域分析、頻域分析和統(tǒng)計(jì)分析等方法，并配合人工智能診斷方法，如人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等方法實(shí)現(xiàn)對(duì)大型機(jī)械設(shè)備故障數(shù)據(jù)的實(shí)時(shí)挖掘和檢測(cè)[2]。大型機(jī)械設(shè)備系統(tǒng)故障診斷技術(shù)是現(xiàn)代工業(yè)文明發(fā)展的產(chǎn)物，大型機(jī)械設(shè)備故障診斷的本質(zhì)特點(diǎn)是通過使用一定的信號(hào)處理手段，獲取機(jī)械設(shè)備運(yùn)行的相關(guān)信息，通過數(shù)據(jù)挖掘從而確定對(duì)故障部位的定位和發(fā)現(xiàn)，挖掘故障產(chǎn)生的原因、性質(zhì)和部位。傳統(tǒng)方法采用故障數(shù)據(jù)自適應(yīng)重寫方法實(shí)現(xiàn)機(jī)械設(shè)備故障挖掘，存在精度不高，診斷性能不好的問題。對(duì)此，相關(guān)文獻(xiàn)進(jìn)行了算法改進(jìn)設(shè)計(jì)[3,4]，其中，文獻(xiàn)[3]提出一種基于變維Kalman濾波的大型機(jī)械設(shè)備故障特征數(shù)據(jù)流抗干擾挖掘算法，提高了故障診斷性能，但算法存在特征空間維數(shù)較大，計(jì)算開銷大的問題；文獻(xiàn)[4]提出一種基于平均互信息關(guān)聯(lián)維提的大型機(jī)械設(shè)備故障節(jié)點(diǎn)定位算法，實(shí)現(xiàn)故障的優(yōu)化挖掘，構(gòu)建大型機(jī)械設(shè)備故障特征數(shù)據(jù)的實(shí)體模型，提取大型機(jī)械設(shè)備故障特征數(shù)據(jù)差分累積函數(shù)特征，提高故障診斷能力，但是該算法的抗干擾性能不好[5～8]。

對(duì)此，為了克服傳統(tǒng)方法的弊端，針對(duì)傳統(tǒng)方法出現(xiàn)的問題，本文提出一種基于模糊推理分裂波束形成的大型機(jī)械設(shè)備故障的優(yōu)化挖掘檢測(cè)模型。首先分析了大型機(jī)械設(shè)備的故障發(fā)生原理，采用模糊推理算法實(shí)現(xiàn)對(duì)大型機(jī)械設(shè)備的故障數(shù)據(jù)的采集和特征提取，根據(jù)特征提取結(jié)果進(jìn)行分裂波束形成，提高對(duì)故障數(shù)據(jù)的聚類能力，實(shí)現(xiàn)大型機(jī)械設(shè)備故障的優(yōu)化挖掘，仿真實(shí)驗(yàn)進(jìn)行了性能測(cè)試，展示了本文算法在實(shí)現(xiàn)大型機(jī)械設(shè)備故障挖掘和檢測(cè)中的優(yōu)越性能。

1 大型機(jī)械設(shè)備故障診斷原理和故障數(shù)據(jù)特征提取

1.1 大型機(jī)械設(shè)備故障診斷原理

為了定量分析大型機(jī)械設(shè)備的故障數(shù)據(jù)挖掘模型，首先分析設(shè)備故障發(fā)生原理，大型機(jī)械設(shè)備故障診斷主要是通過監(jiān)測(cè)設(shè)備的有關(guān)參數(shù)實(shí)現(xiàn)對(duì)機(jī)械設(shè)備內(nèi)部特征的定量分析，對(duì)大型機(jī)械設(shè)備的運(yùn)行狀態(tài)和故障原因進(jìn)行實(shí)時(shí)定位和分析，故障檢測(cè)的基礎(chǔ)是采用信號(hào)檢測(cè)方法，要實(shí)現(xiàn)對(duì)被測(cè)機(jī)械設(shè)備運(yùn)行狀態(tài)信息的構(gòu)建和工況識(shí)別。大型機(jī)械設(shè)備故障檢測(cè)診斷的原理示意框圖如圖1所示。從框圖可以看出，大型機(jī)械設(shè)備故障檢測(cè)診斷的第一步是信號(hào)的檢測(cè)采集，其中可能涉及到降噪濾波的處理，第二步是故障信號(hào)的特征提取，這一步是發(fā)動(dòng)機(jī)故障診斷技術(shù)的關(guān)鍵，能否有效提取具有區(qū)分故障類別的特征決定能否有效進(jìn)行故障診斷，得到故障的原因和產(chǎn)生部位，以及故障發(fā)生發(fā)展的狀態(tài)趨勢(shì)[9～15]。

基于圖1給出的故障檢測(cè)原理，進(jìn)行大型電力設(shè)備的故障數(shù)據(jù)挖掘，實(shí)現(xiàn)故障檢測(cè)和診斷。令R為大型機(jī)械設(shè)備故障特征數(shù)據(jù)中包含有四元組(Ei,Ej,d,t)的信任關(guān)系，數(shù)據(jù)分類屬性A={A1,A2…,Am}，大型機(jī)械設(shè)備故障特征數(shù)據(jù)挖掘的指向性信號(hào)的信號(hào)強(qiáng)度為A，MA長(zhǎng)度為r，波數(shù)為k，那么k-1時(shí)刻的大型機(jī)械設(shè)備故障特征數(shù)據(jù)集成的信息狀態(tài)方程為：

在熱點(diǎn)噪聲數(shù)據(jù)的干擾下采，用自適應(yīng)算法控制電力數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中的數(shù)據(jù)故障特征，設(shè)大型機(jī)械設(shè)備故障特征數(shù)據(jù)振動(dòng)信號(hào)時(shí)間序列為{x1,x2,…,xN}，對(duì)大型機(jī)械設(shè)備故障特征數(shù)據(jù)準(zhǔn)確度概率函數(shù)密度表達(dá)式為：

需要構(gòu)建電力設(shè)備的故障數(shù)據(jù)權(quán)重分配機(jī)制，進(jìn)行故障分類屬性診斷，故障數(shù)據(jù)的后驗(yàn)概率估計(jì)為p(x0)，得到：

該概率密度函數(shù)能有效地反應(yīng)并賦值給每個(gè)分類節(jié)點(diǎn)不同的使用概率，得到大型機(jī)械設(shè)備故障特征數(shù)據(jù)挖掘的狀態(tài)函數(shù)表示為：

1.2 大型機(jī)械設(shè)備故障數(shù)據(jù)信號(hào)模型及特征提取

從上分析可見，故障診斷的基礎(chǔ)是實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的挖掘和信號(hào)模型構(gòu)建，采用信號(hào)檢測(cè)算法實(shí)現(xiàn)對(duì)挖掘特征的提取[16～18]。本文采用模糊推理算法進(jìn)行大型機(jī)械設(shè)備的故障信號(hào)模型構(gòu)建，模糊推理過程如圖2所示。

圖2　大型電力設(shè)備故障數(shù)據(jù)模糊推理步驟

假設(shè)存在p個(gè)分布式機(jī)械設(shè)備故障目標(biāo)點(diǎn)，令A(yù)j(L)作為聚類中心，其中j=1,2,…,k，故障數(shù)據(jù)的相干分布源模型：

大型機(jī)械設(shè)備故障信號(hào)矢量s(t)=[s1(t),s2(t),…,sq(t)] T和噪聲矢量n(t)是相互獨(dú)立，首先用傳統(tǒng)的FCM算法進(jìn)行數(shù)據(jù)集的模糊劃分，觀測(cè)數(shù)據(jù)矢量z(t)的協(xié)方差矩陣，然后對(duì)數(shù)據(jù)集進(jìn)行相干波束形成，得到模糊推理分裂波束形成輸出為：

其中，矩陣Us和Un的大型機(jī)械設(shè)備故障信號(hào)列矢量，分別由奇異值和σn對(duì)應(yīng)的奇異矢量構(gòu)成。且故障特征存在通過上述分析實(shí)現(xiàn)了對(duì)大型機(jī)械設(shè)備的故障數(shù)據(jù)的采集和特征提取，為實(shí)現(xiàn)大型機(jī)械設(shè)備故障數(shù)據(jù)優(yōu)化挖掘奠定基礎(chǔ)。

2 算法改進(jìn)實(shí)現(xiàn)

基于模糊推理分裂波束形成原理，得到大型機(jī)械設(shè)備故障數(shù)據(jù)相對(duì)于左波束輸出l(t)為：

同理可以得出對(duì)于右波束的輸出r(t)：

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本算法在實(shí)現(xiàn)大型機(jī)械設(shè)備故障數(shù)據(jù)挖掘和故障檢測(cè)中的性能，進(jìn)行仿真實(shí)驗(yàn)。計(jì)算機(jī)使用Intel i5-3230M 2.6GHz雙核CPU，4GB DDR3 RAM，仿真軟件采用Matlab 7.0，實(shí)驗(yàn)中選100個(gè)大型機(jī)械設(shè)備故障樣本數(shù)據(jù)對(duì)其特征提取進(jìn)行訓(xùn)練，該100個(gè)大型機(jī)械設(shè)備故障樣本對(duì)應(yīng)均有6個(gè)特征描述，因此該樣本集可以表示為100行×6列的波束陣列矩陣，整個(gè)大型機(jī)械設(shè)備故障樣本集包括了10個(gè)類別，樣本每類數(shù)目為122，故障數(shù)據(jù)波束接收陣為均勻線列陣，故障檢測(cè)陣元個(gè)數(shù)為10，故障診斷陣元的方位角是5度。根據(jù)上述分析，構(gòu)建本文設(shè)計(jì)的基于，基于模糊推理分裂波束形成的大型機(jī)械設(shè)備故障的優(yōu)化挖掘檢測(cè)模型。首先構(gòu)建故障監(jiān)測(cè)數(shù)據(jù)的信號(hào)模型，得到原始的故障監(jiān)測(cè)數(shù)據(jù)信號(hào)直方圖波形如圖3所示。

圖3　大型機(jī)械設(shè)備故障數(shù)據(jù)挖掘直方圖

根據(jù)圖3，采用模糊推理算法實(shí)現(xiàn)對(duì)大型機(jī)械設(shè)備的故障數(shù)據(jù)的采集和特征提取，根據(jù)特征提取結(jié)果進(jìn)行分裂波束形成，提高對(duì)故障數(shù)據(jù)的聚類能力，最后得到本文設(shè)計(jì)的故障檢測(cè)模型對(duì)大型機(jī)械設(shè)備故障檢測(cè)結(jié)果如圖4所示，從圖可見，采用本文算法，能有效實(shí)現(xiàn)對(duì)大型機(jī)械設(shè)備的故障特征提取和數(shù)據(jù)挖掘，能準(zhǔn)確實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的恢復(fù)跟蹤和波束形成，提高故障的檢測(cè)性能，檢測(cè)準(zhǔn)確率比傳統(tǒng)模型提高23.45%。

圖4　故障檢測(cè)波束形成輸出結(jié)果

4 結(jié)論

大型機(jī)械設(shè)備通常處于高溫高熱等惡劣的工作環(huán)境中，機(jī)械設(shè)備的組成部件構(gòu)成復(fù)雜，耦合因素較多，導(dǎo)致大型機(jī)械設(shè)備的故障發(fā)生率較高，需要對(duì)大型機(jī)械設(shè)備進(jìn)行實(shí)時(shí)的故障數(shù)據(jù)挖掘和監(jiān)測(cè)，保證大型機(jī)械設(shè)備的運(yùn)行正常，本文提出一種基于模糊推理分裂波束形成的大型機(jī)械設(shè)備故障的優(yōu)化挖掘檢測(cè)模型。研究結(jié)果表明，采用本模型能有效實(shí)現(xiàn)對(duì)大型機(jī)械設(shè)備故障數(shù)據(jù)的挖掘和檢測(cè)，對(duì)故障的檢測(cè)精度提高幅度較大，故障分析的可靠性較好。

參考文獻(xiàn)：

[1] 尹文也,石峰,何偉基,顧國(guó)華,陳錢.時(shí)間相關(guān)單光子計(jì)數(shù)型激光雷達(dá)距離判別法[J].光子學(xué)報(bào),2015,44(5).

[2] 雪剛,唐遠(yuǎn)炎.幾何布局和行為檢測(cè)相結(jié)合的遮擋目標(biāo)跟蹤[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(13):42-46.

[3] 黎恒,李智.基于高階微分的EMD均值計(jì)算方法[J].電子學(xué)報(bào), 2015,43(6):1073-1077.

【上接第141頁】

造服務(wù)資源與需求的匹配程度。下一步研究主要集中在對(duì)用自然語言描述的需求和服務(wù)描述的解析，以及匹配算法的優(yōu)化等方面。

[1] 王云霞,邱勝海,王志亮.面向服務(wù)的制造新模式-云制造研究綜述[J].現(xiàn)代制造工程,2013,03:124-128.

[2] 李伯虎,張霖,王時(shí)龍.云制造—面向服務(wù)的網(wǎng)絡(luò)化制造新模式[J].計(jì)算機(jī)集成制造系統(tǒng),2010,16(1):l-7.

[3] 尹超,黃必清,劉飛.中小企業(yè)云制造服務(wù)平臺(tái)共性關(guān)鍵技術(shù)體系[J].計(jì)算機(jī)集成制造系統(tǒng),2011,17(3):495-502.

[4] Wu, Z., et al. , Tolerance Design and Adjustment of Complex Customized Product Based on Cloud Manufacturing[A].13th CIRP conference on Computer Aided Tolerancing.Elsevier:Amsterdam Holland[C].2015.27:169-175.

[5] Martin D,Paolucei M, Mcllraith S.Bring Semantics to Web Services with 0WL.S[J].World Wide Web,2007,10(3):243-277.

[6] Katia S,Widof S, Klusch M,et al .LARKS:Dynamic Matchmaking among Heterogeneous Software Agents in Cyberspace[J].Autonomous Agents and Multi-Agent Systems,2002,1(5):173-203.

[7] Bernstein A,Klein M.Towards high-precision service retrieval[J]. In IEEE Internet Computing, 2004,8(1):30-36.

[8] 趙巖,莫蓉.制造資源能力與制造工藝約束的匹配度研究[J].計(jì)算機(jī)集成制造系統(tǒng),2009,15(4):712-718.

[9] 尹勝,尹超,劉飛,等.網(wǎng)絡(luò)化協(xié)同產(chǎn)品開發(fā)資源集成服務(wù)機(jī)制研究[J].計(jì)算機(jī)集成制造系統(tǒng),2009,15(11):2233-2240.

[10] Wu, D., et al., Cloud manufacturing: Strategic vision and state-ofthe-art[J]. Journal of Manufacturing Systems,2013.32(4):564-579.

[11] Talhi, A., et al,Towards a Cloud Manufacturing systems modeling methodology[A].15th IFAC Symposium on Information Control Problems in Manufacturing,.Elsevier:Amsterdam Holland[C].2015.48(3):288-293.

[12] Lin D.An information-theoretic definition of similarity[A]. Proceedings of the 15th international conference on Machine Learning. Wisconsin,USA[C]: ICML,1998:296-304.

[13] 白東偉.基于語義的Web服務(wù)匹配與發(fā)現(xiàn)技術(shù)研究[D].北京:北京郵電大學(xué),2007.

作者簡(jiǎn)介：夏雪剛（1979 -），男，陜西渭南人，講師，碩士，研究方向?yàn)檐浖陀?jì)算機(jī)網(wǎng)絡(luò)。

收稿日期：2015-12-06

中圖分類號(hào)：TP277

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-0134(2016)01-0153-03