吉大海，芮光超，張維義

(1.中國人民解放軍91550 部隊(duì)，遼寧 大連 116000；2.鄭州機(jī)電工程研究所，河南 鄭州 450015)

0 引 言

筒蓋系統(tǒng)是潛艇導(dǎo)彈發(fā)射系統(tǒng)的重要組成部分。若是無法及時(shí)診斷并處理筒蓋系統(tǒng)發(fā)生的故障，將會對人員、潛艇和海洋環(huán)境造成威脅。筒蓋故障診斷系統(tǒng)能夠提前發(fā)現(xiàn)筒蓋系統(tǒng)的故障，降低嚴(yán)重事故發(fā)生的概率。因此筒蓋的故障診斷系統(tǒng)的構(gòu)建必不可缺。筒蓋在運(yùn)作過程中會產(chǎn)生很多不同的信號，其中振動信號是診斷故障的重要特征來源。本文利用故障診斷的相應(yīng)方法，采集包括振動信號在內(nèi)的多項(xiàng)特征，搭建筒蓋的故障診斷系統(tǒng)。

隨著信息技術(shù)的進(jìn)步，故障診斷的方法也在一步步地發(fā)展,但基本流程卻基本相似。首先是信號采集，在線檢測設(shè)備狀態(tài)特征的信息。接著是對檢測到的原始信號使用數(shù)據(jù)處理方法將其轉(zhuǎn)換成相應(yīng)的特征量。然后是從特征量中分辨正?；蛘弋惓５臓顟B(tài)。最后是根據(jù)獲得的信息,準(zhǔn)確判斷出設(shè)備當(dāng)前的狀態(tài)是否正常。

1 本文解決方案

1.1 方案概述

在本文中，將筒蓋的振動信號作為故障診斷特征,并以此特征反應(yīng)出筒蓋設(shè)備的相應(yīng)狀態(tài)，建立筒蓋故障診斷系統(tǒng)。同時(shí)，按照分層評估、系統(tǒng)定位的方法，利用歷史數(shù)據(jù)進(jìn)行模型優(yōu)化，利用實(shí)時(shí)在線數(shù)據(jù)進(jìn)行筒蓋的故障診斷。滿足狀態(tài)監(jiān)測和故障診斷的要求，其基本過程如圖1 所示。

圖1 筒蓋系統(tǒng)故障診斷基本過程Fig.1 The basic process of fault diagnosis of cylinder cover system

1.2 特征提取方法

如圖1 所示的筒蓋系統(tǒng)，多加速度傳感器采集的運(yùn)行參數(shù)代表著與相對應(yīng)故障的映射關(guān)系，并以此為基礎(chǔ)實(shí)現(xiàn)故障診斷系統(tǒng)。同時(shí)，有關(guān)部件的狀態(tài)也與筒蓋運(yùn)行過程中出現(xiàn)的振動信息有著聯(lián)系，可以用來監(jiān)測和診斷筒蓋機(jī)械部件的運(yùn)行狀態(tài)。

1.2.1 基于特征頻帶能量值輸入的故障特征提取

筒蓋運(yùn)動的沖擊過程是非平穩(wěn)的，在頻域內(nèi)它的能量呈現(xiàn)寬頻帶分布，因此振動信號的特征可以有相應(yīng)頻帶的能量信息進(jìn)行表示。筒蓋與基座間通過8 個(gè)大型螺栓連接，當(dāng)螺栓出現(xiàn)斷裂或松動時(shí)，其產(chǎn)生的振動信號與正常狀態(tài)相比會產(chǎn)生差異。因此，可以在筒蓋基座的螺栓附近安裝壓電加速度傳感器。

為了獲取相應(yīng)頻帶的能量值數(shù)據(jù)，需要分別在正常與螺絲松動的狀態(tài)下采集相應(yīng)的振動信號，并計(jì)算時(shí)域最大峰值、公共率在內(nèi)的多個(gè)能量值，進(jìn)行綜合對比。

1.2.2 基于小波降噪及區(qū)間小波包分解的故障特征提取

小波變換通過變換就能讓信號的某些特征變得易于處理，非常適用于探測筒蓋的震動信號。小波包分解可以劃分信號，讓它們處于不同的頻帶里。設(shè)備的運(yùn)行狀態(tài)就可以利用這些信號的不同的能量表示進(jìn)行分辨和表示。為了診斷螺栓松動故障，將筒蓋振動信號利用小波包分解進(jìn)行故障信息提取，同時(shí)利用參數(shù)平均法來提高特征向量的準(zhǔn)確性。

試驗(yàn)研究表明，小波包分解方法將整個(gè)頻率區(qū)間平分，分解了一些不重要或是無關(guān)的成分區(qū)間，而對影響結(jié)果好壞的成分之間的信號無法細(xì)致分解。

不同的筒蓋振動信號的頻率分布在不同的區(qū)域，因此為了進(jìn)行細(xì)致的特征提取，需要使用到基于區(qū)間的小波包分解方法。

圖2 基于區(qū)間的小波包分解（單位：KHz）Fig.2 Wavelet packet decomposition based on interval (unit:KHz)

筒蓋振動信號經(jīng)4 層分解后得到圖3 中更為細(xì)致的8 個(gè)信號，能夠明顯地顯示出不同振動信號的區(qū)別。

圖3 基于區(qū)間小波包分解的筒蓋系統(tǒng)故障診斷Fig.3 Fault diagnosis of cylinder cover system based on interval wavelet packet decomposition

筒蓋故障的診斷一個(gè)較大的困難就來源于振動信號的大量噪聲。信號中的突變或尖峰在小波變換面前無所遁形。因此其有很好的降噪效果。因此這里采用小波變換進(jìn)行降噪。

1.2.3 基于筒蓋系統(tǒng)運(yùn)行狀態(tài)參數(shù)的故障特征提取

對于復(fù)雜而又精密的筒蓋系統(tǒng)來說，應(yīng)考慮盡量多的可能影響筒蓋故障狀態(tài)的運(yùn)行信號，通多這些信號檢測筒蓋系統(tǒng)更多的狀態(tài)特征，是該故障診斷系統(tǒng)的判斷更有說服力。

研究發(fā)現(xiàn)，針對筒蓋系統(tǒng)不同的運(yùn)行狀態(tài)，筒蓋系統(tǒng)的液壓流量L（L/min）、壓力P（kPa）、液壓油溫度T（℃）和液壓桿位移S（mm）有不同的特征，正好符合我們的要求，因此將上述的諸多特征聯(lián)合起來使用在本系統(tǒng)上。

1.3 診斷模型構(gòu)建

整個(gè)故障診斷系統(tǒng)的構(gòu)建過程中，關(guān)鍵問題之一就是如何建立一個(gè)最有的數(shù)學(xué)模型，使得故障特征向量和故障狀態(tài)建立映射關(guān)系。泛化性能是問題的一個(gè)解決方法，支持向量機(jī)正適合建立這模型。

粒子群優(yōu)化算法（PSO 算法）在支持向量機(jī)參數(shù)優(yōu)化領(lǐng)域已經(jīng)被普遍使用，同時(shí)，故障檢測時(shí)也常常會使用到。HPSOP-PDT 算法在繼承PSO 原有特性的前提上,改進(jìn)了PSO 算法極易陷入局部最優(yōu)的問題。為了達(dá)到更好的效果，可采取如下步驟進(jìn)行分步優(yōu)化：

1）用HPSOP-PDT 算法對CV_RBF_OVO 函數(shù)進(jìn)行優(yōu)化，選擇最佳模型參數(shù)。

2）以正交表為基準(zhǔn)，選取多個(gè)交叉驗(yàn)證優(yōu)化函數(shù)，實(shí)施SVM 的結(jié)構(gòu)和參數(shù)的優(yōu)化。

在建模時(shí)，可以先實(shí)施步驟1，若交叉驗(yàn)證結(jié)果不理想，再實(shí)施步驟2。

面對不同的問題時(shí)，需要調(diào)整相對應(yīng)的支持向量機(jī)的模型結(jié)構(gòu)和參數(shù)。為了獲得最佳的模型結(jié)構(gòu)和參數(shù)，需要使用正確的選擇方法，還要考慮其模型評價(jià)指標(biāo)。

K 折交叉驗(yàn)證是常用于機(jī)器學(xué)習(xí)模型調(diào)優(yōu)的方法,它會將原本的訓(xùn)練數(shù)據(jù)分為k份,每次取其中一份作為驗(yàn)證集,其他為訓(xùn)練集?？偣策M(jìn)行k次實(shí)驗(yàn)，在所有測試結(jié)束之后，計(jì)算所有測試之后測試準(zhǔn)確率的平均值，將其作為性能評價(jià)的結(jié)果。

2 實(shí)驗(yàn)過程

本次試驗(yàn)中分別針對基于特征頻帶能量值輸入、小波降噪及區(qū)間小波包分解、筒蓋系統(tǒng)運(yùn)行狀態(tài)參數(shù)的不同故障特征進(jìn)行了試驗(yàn)，根據(jù)筒蓋基座的振動信號分別提取故障特征，并利用預(yù)設(shè)模型結(jié)構(gòu)的支持向量機(jī)和優(yōu)化模型結(jié)構(gòu)的支持向量機(jī)構(gòu)建了故障診斷模型，驗(yàn)證故障診斷能力。

數(shù)據(jù)量過大將會導(dǎo)致支持向量機(jī)的結(jié)果出現(xiàn)較大的偏差，因此需將原始數(shù)據(jù)集歸一化。首先將訓(xùn)練子集歸一化，然后按相同的方法對測試子集歸一化。

設(shè)數(shù)據(jù)集的某個(gè)特征量為X，將其劃分為訓(xùn)練子集Xtr和 測試子集Xte，Xtr的 最大值為Xtrmax、最小值為Xtrmin，則Xtr的歸一化數(shù)據(jù)為

而Xte的歸一化數(shù)據(jù)為

2.1 基于特征頻帶能量值輸入的故障診斷

為了監(jiān)測筒蓋的運(yùn)動狀態(tài)，可以提取筒蓋基座振動信號，并計(jì)算相應(yīng)的能夠反映筒蓋運(yùn)動狀態(tài)的特征向量。

首先，進(jìn)行數(shù)據(jù)的劃分和歸一化，根據(jù)訓(xùn)練子集，使用HPSO-PDT 算法對CV_RBF_OVO 函數(shù)進(jìn)行優(yōu)化，得到的模型參數(shù)為：[C,γ]=[23.87,21.58]。取k等于10，進(jìn)行交叉驗(yàn)證之后，可以得到結(jié)果為100%。同時(shí)，支持向量機(jī)對訓(xùn)練子集和測試子集的結(jié)果都達(dá)到100%。交叉驗(yàn)證方法保障了模型的泛化性，此支持向量機(jī)從分類結(jié)果和從魯棒性來看均滿足要求，沒有必要再進(jìn)行模型結(jié)構(gòu)優(yōu)化。

2.2 基于小波降噪及區(qū)間小波包分解的故障診斷

為了對相應(yīng)故障進(jìn)行診斷，對筒蓋系統(tǒng)的四種狀態(tài)（1-正常、2-螺栓松動、3-解鎖不到位、4-連接銷松動）分別獲取20 組振動信號。對信號進(jìn)行降噪處理，再提取特征向量，最后進(jìn)行歸一化處理，得到相應(yīng)的數(shù)據(jù)集。

經(jīng)過數(shù)據(jù)集的劃分和歸一化處理以及函數(shù)的優(yōu)化之后，[C,γ]=[29.25,2-2.16]為最后得到的結(jié)果。取k等于10，進(jìn)行交叉驗(yàn)證，得到結(jié)果為93.26%。支持向量機(jī)對訓(xùn)練和測試子集的正分率分別為100%和95.17%。從數(shù)據(jù)上看，雖然預(yù)測結(jié)果還不錯(cuò)，但是該支持向量機(jī)還能變得更好。

2.3 基于筒蓋系統(tǒng)運(yùn)行狀態(tài)參數(shù)的故障診斷

通過信號采集系統(tǒng)采集液壓流量L（L/min）、壓力P（kPa）、液壓油溫度T（℃）和液壓桿位移S（mm）作為故障特征向量，在筒蓋不同的運(yùn)行狀態(tài)下（1-正常、2-油壓過低、3-油溫過高、4-行程過短）分別采集運(yùn)行參數(shù)。進(jìn)行數(shù)據(jù)的劃分和歸一化，得到相應(yīng)的數(shù)據(jù)。由于數(shù)據(jù)量大，僅列出表1 部分?jǐn)?shù)據(jù)。

表1 筒蓋系統(tǒng)狀態(tài)歸一化數(shù)據(jù)（部分）Tab.1 Normalized data of cylinder cover system state (partial)

使用同樣的方法得到最優(yōu)的模型參數(shù)為：[C,γ]=[212.4,27.32]，取k等于10，進(jìn)行交叉驗(yàn)證之后，可以得到結(jié)果為100%。支持向量機(jī)對訓(xùn)練和測試子集的正分率分別為100%和93.47%。分類效果理想，但還可以更進(jìn)一步提高準(zhǔn)確率。

圖4 測試機(jī)預(yù)測曲線（部分）Fig.4 Test machine prediction curve (partial)

3 結(jié) 語

本報(bào)告依據(jù)筒蓋系統(tǒng)的故障診斷需求，開展了系統(tǒng)架構(gòu)論證和具體的方案設(shè)計(jì)，進(jìn)行了原理性試驗(yàn)。

對于筒蓋系統(tǒng)，通過筒蓋基座的振動信號可以觀察到不同運(yùn)行狀態(tài)的差異，同時(shí)以振動數(shù)據(jù)為基礎(chǔ)，借助時(shí)頻域方法可以有效提取故障特征，建立筒蓋系統(tǒng)故障特征向量。最后，以筒蓋系統(tǒng)故障特征向量和故障現(xiàn)象為輸入，訓(xùn)練出筒蓋系統(tǒng)故障診斷模型，并通過交叉驗(yàn)證證明了模型的準(zhǔn)確性。