趙燕燕，湯瑞，習崗，俞生偉

(1.鄭州西亞斯學院電信與智能制造學院，河南鄭州 451100；2.開封技師學院汽車工程系，河南開封 475000；3.西安理工大學理學院，陜西西安 710048；4.杭州大華儀器制造有限公司，浙江杭州 311400)

0 前言

金屬鍛壓已經成為現階段部件成型加工的一種重要技術，而鍛壓機則是其加工過程所需的一種關鍵成型設備[1]。為適應多種類型的產品加工需求，要求鍛壓機具備良好的通用性并可以實現高度自動化控制的功能，同時滿足鍛壓、沖壓等各類產線的加工過程[2-3]。采用智能診斷方法可以實現故障大規(guī)模診斷的功能，同時達到智能調控的效果。根據現有報道可知，已有多種智能診斷方法實現了診斷設備運行故障的功能[4]。當系統(tǒng)較復雜時，則難以建立準確的故障樹模型，通常采用遺傳算法實現運行設備的故障診斷，獲得良好的診斷性能[5-6]。雖然利用遺傳算法有助于刀具達到更高故障診斷準確率，但較易造成局部最優(yōu)，而且采用這一算法需要編制復雜的程序，極大提高了整體處理過程的難度[7]。董偉航等[8]利用人工神經網絡方法對機床伺服控制系統(tǒng)運行故障進行了診斷測試，實現了故障診斷精度的大幅提升，并且縮短了診斷過程的處理時間?？紤]到人工神經網絡方法只能存儲很少的故障數據，因此利用模糊理論實現機床刀架故障診斷。由于模糊理論分析方法缺乏良好的學習性能，較易出現錯誤的判斷結果[9]。杜柳青、李仁杰[10]采用粒子群算法對模擬電路的故障進行診斷分析，此算法具備快速收斂以及易于建模的優(yōu)勢，相對其他算法可利用參數調整的方式實現局部尋優(yōu)，同時實現故障信息的全局搜索功能，不需要復雜的操作過程。而在最初搜索的過程中會發(fā)生快速收斂，從而造成早熟以及需要進行大量計算的缺陷。張開哲等[11]針對鍛壓機轉臺軸承摩擦力矩精確度不足的問題，基于BP神經網絡與二階響應曲面法，提出了基于BP神經網絡與二階響應曲面法的預測方法。

采用單一故障診斷算法也會造成較多的問題，包括無法獲得高的故障診斷率以及需要設置復雜的診斷措施等[12]。為獲得更優(yōu)的診斷效果，本文作者運用故障樹分析與混沌粒子群相結合的方式實現故障診斷。

1 FTA優(yōu)化CPSO故障診斷方法

從鍛壓機故障產生的部位可知，它包含主控結構、主軸結構、伺服結構、液壓結構、潤滑結構等，文中重點研究了鍛壓機伺服結構運行過程中的故障診斷。為了對伺服結構故障進行準確、高效的診斷，綜合運用FTA與CPSO的優(yōu)勢進行了優(yōu)化計算，由此完成伺服故障樹測試。

1.1 伺服系統(tǒng)故障樹分析

鍛壓機伺服結構是在外部指令的作用下達到運動控制的過程，可以通過小功率指令對高功率負載進行控制，確保機械動作與電信號之間保持高精度匹配狀態(tài)，從而在不設置機械連接的條件下，達到遠距離的傳動控制效果。伺服系統(tǒng)在運行階段容易發(fā)生故障問題[13]，結合前期研究結果[14]，可以將鍛壓機伺服系統(tǒng)的故障分為繼電器有誤、機床達到極限、電流負載過大、開關失靈、電機永久磁體去磁、繞組內部短路等形式，得到圖1所示的故障樹。

圖1 鍛壓機伺服系統(tǒng)故障樹Fig.1 Fault tree of forging press servo system

1.2 伺服系統(tǒng)故障的CPSO分析

文中首先計算系統(tǒng)運行時FTA故障發(fā)生的概率，由此構建FTA-CPSO鍛壓機故障診斷法，之后利用CPSO實現精確的故障診斷。根據以上分析確定系統(tǒng)故障特征與概率。下面通過CPSO分析了鍛壓機伺服系統(tǒng)的故障[15]。

總共設置5個傳感器作為伺服系統(tǒng)欠壓報警故障的采集部件，各組數據分別為一個粒子，所有粒子組成故障種群，再將它置于D維搜索空間內，構建的D維向量Xj代表第j個粒子位置對應的變化率，CPSO粒子可以記錄搜索階段的最佳位置Xp，后續(xù)迭代時繼續(xù)更新粒子速度與位置以獲得合適的搜索路徑。

式中：W表示慣性權重，該參數是粒子保持原有運動狀態(tài)的能力，隨著慣性權重的增大，收斂速率也更快，處于較小慣性權重下時，則可以有效消除局部極值的問題；c1與c2為學習因子，有利于粒子運動到最佳位置；r1、r2都是取值介于[0，1]之間的隨機數。進行最優(yōu)粒子搜索時，容易產生局部最優(yōu)的結果，此時可以通過混沌擾動的方式克服。

以下為混沌擾動的具體處理過程。先對最佳粒子位置進行映射計算，使它轉化為定義域[0,1]內的值，具體計算過程為

按照以下公式獲得混沌變量可行解適應參數：

當迭代至最大次數時，搜索范圍大幅縮小，同時對較差粒子起到替換的作用。

采用FTA-CPSO算法診斷鍛壓機運行故障的步驟如下：

(1)首先構建鍛壓機的故障樹，確定系統(tǒng)最小割集并計算故障概率，按照從大往小的順序對故障概率進行排序；

(2)選擇最大故障概率為目標粒子，通過CPSO算法獲得最優(yōu)搜索，并確定最佳粒子；

(3)比較搜索粒子和目標粒子，判斷是否完成全局搜索條件；

(4)通過CPSO算法繼續(xù)搜索最優(yōu)粒子，并跟目標粒子進行對比分析；

(5)當條件符合時，搜索過程結束；當條件不符合時，重復執(zhí)行步驟(2)(3)(4)，直至各類故障模式都完成搜索過程。

圖2所示為故障診斷的具體流程。

圖2 故障診斷流程Fig.2 Fault diagnosis flow

2 實驗結果分析

文中對BXS-300T型鍛壓機開展了研究，測試現場如圖3所示，以DPS系統(tǒng)完成鍛壓機各項運行參數以及故障信號的采集。持續(xù)測試7 d，再分析伺服系統(tǒng)的故障。

圖3 測試現場照片Fig.3 Test site photos

為測試FTA-CPSO算法診斷鍛壓機故障的可靠性，將該算法和遺傳算法(GA)以及PSO算法進行了伺服系統(tǒng)故障診斷的性能測試對比。此次測試總共采集得到6種欠壓報警故障測試參數。經過初期預處理后獲得包含1 000組樣本的測試集，該數據集內同時存在正常與故障數據。之后再從現有故障庫內篩選500組故障數據進行訓練。從表1中可以看到：樣本數據包含了訓練與測試樣本2種類型。

表1 樣本數據的組成Tab.1 Composition of sample data

此實驗選擇MATLAB軟件程序，總共設置了500組訓練樣本，依次對GA、PSO與FTA-CPSO實施訓練。按照實際測試結果確定各項參數：將各算法種群大小設定在1 000，共迭代500次，對于PSO與FTA-CPSO 2種算法，同時將慣性權重設定為W=0.7，最大搜索步長為8，g為0.09，根據文獻[7]設置其他參數。算法訓練結果見表2所示。

表2 算法訓練結果Tab.2 Algorithm training results

對以上訓練情況進行分析，在訓練后算法內輸入1 000組樣本數據進行測試，分別以3種算法診斷欠壓報警故障獲得表3所示各項參數。分析表3可以得到：GA、PSO與FTA-CPSO依次達到了92.01%、94.06%與98.26%的準確率，其中，FTA-CPSO算法的故障診斷準確率比GA高6.25%，比PSO高4.20%。由此可以判斷，FTA-CPSO相對GA與PSO實現了準確率的顯著提升。從表3中可以看到：分別以3種算法進行故障診斷時的均方差依次為0.19、0.12與0.04，其中，GA相對FTA-CPSO具有了4倍以上的診斷率均方差，PSO相對FTA-CPSO具有了3倍的診斷率均方差。對各算法進行尋優(yōu)測試發(fā)現，GA與PSO的尋優(yōu)誤差較大，以FTA-CPSO算法進行處理可以獲得較小的誤差，相對GA與PSO達到了更優(yōu)診斷性能。

表3 診斷結果Tab.3 Diagnosis results

之后采用文中設計的FTA-CPSO算法測試了鍛壓機故障診斷的收斂性能。分別對各算法的適應值在不同迭代次數下達到的收斂狀態(tài)進行測試，結果見圖4?？梢园l(fā)現：經過多次迭代后，此實驗所有算法的適應值都有減小的趨勢。GA診斷樣本故障的過程中迭代約260次，達到了0.089的適應值。對樣本進行PSO故障診斷時，迭代約250次后適應值趨于穩(wěn)定，其值為0.086。FTA-CPSO算法進行200次迭代運算后其適應值也趨于穩(wěn)定，值為0.080。根據圖4可以發(fā)現，FTA-CPSO可以在最短時間內完成迭代計算。

圖4 適應值隨迭代次數變化Fig.4 Adaptation value changes with the number of iterations

FTA-CPSO算法通過故障樹分析的過程計算出故障模式概率，再根據CPSO算法搜索獲得較大概率的故障?？梢杂行Ы档偷螖?，同時搜索時間也明顯縮短，還可以有效避免產生局部極值的問題，大幅提升了診斷精度。

3 結論

文中開展基于FTA優(yōu)化CPSO算法的鍛壓機典型故障診斷研究，取得如下有益結果：

(1)FTA-CPSO算法的故障診斷準確率比GA高6.25%，同時比PSO高4.20%。FTA-CPSO算法可以獲得較小的誤差，相對GA與PSO達到了更優(yōu)的診斷性能。

(2)經過多次迭代后，此實驗所有算法的適應值都減小。FTA-CPSO可以在最短時間內完成迭代計算，可以有效降低迭代次數，同時搜索時間也明顯縮短。