非平稳特征提取方法与智能诊断技术在自动机故障诊断中的应用

贾兰俊，田福庆，罗 荣

(1. 中国船舶重工集团公司 第七一三研究所，河南 郑州 450015；2. 海军工程大学 兵器工程系，湖北 武汉 430033；3. 海军装备研究院，北京 100161)

非平稳特征提取方法与智能诊断技术在自动机故障诊断中的应用

贾兰俊1，田福庆2，罗 荣3

(1. 中国船舶重工集团公司 第七一三研究所，河南 郑州 450015；2. 海军工程大学 兵器工程系，湖北 武汉 430033；3. 海军装备研究院，北京 100161)

回顾对目前常用的非平稳特征提取方法与智能诊断技术，并总结舰炮自动机故障诊断需解决的难题，介绍非平稳特征提取方法与智能诊断技术在舰炮自动机故障诊断中的应用现状，详细阐述舰炮自动机故障诊断研究中存在的问题及对发展趋势的展望。

特征提取；故障诊断；舰炮；自动机

0 引 言

随着飞机和导弹航速的大幅度提高，作为舰艇近程防空主要装备的小口径舰炮射速近十几年有了数倍的提高。高射速自动机是小口径舰炮的核心部件，日益朝着高度自动化、复杂化方向发展，结构日趋精细复杂，其产生故障或失效的潜在可能性也越来越大，其运行安全性、可靠性问题也就越来越突出。一旦自动机发生故障，将直接影响舰炮武器装备性能的发挥，制约战斗力的生成，甚至造成灾难性的事故，故研究舰炮自动机故障诊断技术对始终保持舰炮武器装备战备完好性，提高舰炮武器装备保障效率和综合保障能力等均有着重要的意义[1]。

因舰炮自动机长期工作在高载荷、高温、高压、高冲击以及变工况下，其各构件非常容易出现裂纹及磨损故障。事实上，裂纹及磨损故障逐渐成为舰炮状态监测与故障诊断领域持续关注的焦点。在自动机实射动作中采用现代的测试与分析手段，从而监测自动机的运动形态，分析故障产生的原因与机理，通过信号分析与处理识别故障的部位与程度，提出一种能在多干扰、低信噪比的复杂振动信号中，快速、准确提取故障特征并识别故障的方法，是舰炮状态监测与诊断领域亟待解决的问题。

由于对高射速舰炮自动机射击时冲击响应现场测试的困难和数据处理技术有效性的限制，至今没有开展利用试验测试手段实施自动机的故障诊断和机构动作可靠性研究工作。所能够采用的主要是基于故障树分析的仿真计算和可靠性理论研究。当前军事装备的科技含量越来越高，相应的维修保障手段也有了很大的进步，特别是在交通电力、航空航天等领域已经形成了一批融合非平稳特征提取与智能诊断方法的实用的故障诊断技术。而在兵器等领域仍主要使用传统的方法，采用故障事后开箱解体方式检测诊断，不但检测与维修成本高、周期比较长，而且容易受到不确定性因素的影响。有必要发展一种快速、高效的高速自动机故障诊断方法，实现由事后维修、定期检修到在线健康状态预测和视情维修，逐步向智能诊断发展，提高军事装备的使用和维修效率。

本文对目前常用的非平稳特征提取方法与智能诊断技术进行全面的回顾与总结，并阐述非平稳特征提取方法与智能诊断技术在舰炮自动机故障诊断中的应用现状。

1 非平稳特征提取方法研究现状

机械设备在出现故障（如裂纹、断裂、剥落等）时，即可视为复杂的非线性系统，其动态响应行为既复杂且多变，从而造成故障响应信号频率、统计特性（包括时域统计特性和频域统计特性）随时间不断变化，即故障响应信号呈现有明显的非平稳特征。另外，故障信号往往被强噪声以及其他强干扰信号（比如邻近部件正常振动信号以及传递环节的干扰信号）所淹没，信噪比低，呈现显著的微弱性。这些均给正确提取其故障特征、准确识别其当前运行状态带来很大的困难。基于平稳性假设的经典信号处理方法，无法同时兼顾信号在时域和频域中的全貌和局部化特征，在工程应用中则表现出非平稳特征提取困难等局限性，不再适用，取而代之的是非平稳信号处理方法。迄今，国内外学者在非平稳信号处理方面所做的研究工作有很多，多种非平稳信号处理方法得到应用。

对于非平稳故障特征提取，通常首先利用非平稳信号处理方法对故障信号进行时间-尺度（或频率）分解，然后采用经典信号处理方法对分解结果作进一步分析。通过将非平稳信号处理方法与平稳信号处理方法的有机结合，可以充分发挥这两类方法的优点，提取出对不同故障非常敏感的特征信息，从而提高故障诊断的成功率与准确性。至今为止，人们已经提出了多种应用于非平稳故障特征提取的非平稳信号处理方法，其中最具代表性的有短时傅利叶变换、二次型时频分布、循环平稳信号分析、经验模式分解及小波变换等。

1.1 基于短时傅里叶变换的非平稳特征提取的研究现状

短时傅里叶变换（Short Time Fourier Transform, STFT）的基本过程包括以下 2 步：

1）首先用一固定长 度的窗函数沿时间轴逐步滑动来将非平稳信号截取为 若干信号片段（这些信号片段可视为平稳的，并且前 后信号片段之间允许部分重叠）；

2）再计算每一信号 片段的傅利叶变换（Fourier Transform, FT），即可得 到任意时刻的频谱，将每个时刻的频谱按时间顺序排 列在一起即是非平稳信号基于 STFT 的时频分布图。 STFT 因能表征非平稳信号时域或频域的局部特征，故 而在特征提取与故障诊断方面得到了一定的应用，例如 W.J.Wang 利用 STFT 分析齿轮故障信号，取得了 较好诊断效果[2]；Yang-Hann Kim 利用 STFT 较为准确 地计算了旋转机械瞬时转速[3]。

STFT 的结果可以粗略地反映信号中的频率成分如何随时间而变。窗函数的长短决定了时间精度。但在STFT 过程中，一旦窗函数类型和长度选定就不再变化，因此其时间分辨率与频率分辨率在时频面内所有局部区域均是相同的，这就是 STFT 的固定时频分辨率局限性。另外，STFT 的实际应用中存在最佳窗长选择的难点。窗长决定了时间分辨率，窗长越短，时间分辨率越高，而频率分辨率越低；窗长越长，频率分辨率越高，但时间分辨率越低。以上两点限制了 STFT在工程上的应用。

1.2 基于二次型时频分布的非平稳特征提取的研究现状

二次型时频分布由 Wigner 于 1932 年在量子力学中首先提出，而后由 Ville 于 1948 年将其引入到信号处理领域，故后人又称二次型时频分布为 Wigner-Ville时频分布。随后，学者们根据不同的应用需要，针对原始 Wigner-ville 时频分布的不足，提出了各种改进形式的 Wigner-Ville 时频分布。1966 年，Cohen 通过研究发现各种改进形式的 Wigner-Ville 时频分布完全可以用一个统一的形式表示，即可以通过对经典 Wigner-Ville时频分布施加不同的核函数来构造出各种的改进的Wigner-Ville 时频分布。这种统一表示的 Wigner-Ville时频分布通常被人们称为 Cohen 类时频分布。Cohen类时频分布是 Wigner-Ville 时频分布的推广，其性能取决定于所选择的核函数，因此如何设计性能优良的核函数是二次型时频分布理论的一个重要研究内容。

Wigner-Ville 时频分布尽管具有非常高的时频分辩率，但由于其是双线性变换，处理多分量信号时存在严重的交叉干扰项，模糊了原信号时频特征。因此，如何避免交叉干扰项对分析结果的影响一直是时频分析领域研究的经典问题，众多学者提出了诸多解决方法。Meng Q. F. 等先对转子振动信号进行带通滤波以筛选出感兴趣的单分量成分，然后再计算这些单分量的 Wigner-Ville 时频分布，较好地避免了交叉干扰项的不利影响[4]，然而该方法对波动剧烈且频率成分异常复杂的故障信号难以取得满意的效果；文献[5–6]根据旋转机械各零部件故障响应信号的不同特性，设计了相应的核函数，成功地抑制了交叉干扰项的出现，有效地提取了不同零部件的故障时频特征。但是该函数对交叉干扰项的抑制是以牺牲时频分辨率为代价的，当待处理的故障信号频率成分既复杂且相隔接近时，难以设计出一个既能抑制交叉干扰项又能保持所需要的时频分辨率的核函数。尽管 Wigner-Ville 时频分布在机械故障诊断领域取得了一定的应用成果，但由于其处理多分量信号时存在严重的交叉干扰项，严重制约了其非平稳故障特征提取能力，限制了其在故障诊断领域的深入应用。近几年，随着其他各种非平稳信号处理方法的出现与飞速发展，学者与工程师们对Wigner-Ville 时频分布的研究热情逐步让位于这些后来兴起的非平稳信号处理方法。

1.3 基于循环平稳信号分析的非平稳特征提取的研究现状

若信号的统计特征函数随时间呈周期性的变化，则这类信号被称为循环平稳信号。

循环平稳信号的信号特性表现为周期性平稳，其实质仍属于非平稳信号。循环平稳信号在自然界中广泛存在，例如滚动轴承以及齿轮等旋转部件的故障振动信号即是循环平稳信号，对这些故障信号进行循环平稳分析可以较好地抑制强噪声干扰，有效地提取出淹没在强噪声中的周期性故障特征。因此，近十几年来，学者与工程师们开始深入研究循环平稳信号分析方法及其在机械故障诊断领域中的应用。如文献[7]中Boulnaut.L 等研究了基于二阶循环平稳信号分析的齿轮故障特征提取方法，实验结果表明该方法可以有效地提取出齿轮故障信号中隐藏的故障特征频率信息；上海交通大学陈进领衔的研究团队深入研究了基于循环平稳信号分析方法的滚动轴承及齿轮故障特征提取技术，取得诸多的研究成果，有力推动了循环平稳信号分析方法在旋转机械故障诊断中的实用化进程[8]。

尽管循环平稳信号分析在机械故障诊断领域的应用取得了一定成绩，但是也还有较多关键问题未得到圆满解决，束缚了其进一步深入应用，例如：如何减少计算量以及如何在非高斯、非平稳噪声环境中提高轴承、齿轮的循环平稳解调分析方法的鲁棒性等。

1.4 基于经验模式分解的非平稳特征提取的研究现状

经验模式分解（Empirical Mode Decomposition：EMD）方法是由美国宇航局 Norden E Huang 于 1998 年提出的，是信号处理发展史上对基于傅里叶变换的平稳线性谱分析方法的一个重大突破。EMD 是一种自适应非平稳信号分解方法，其能够以自适应基的方式，将原信号中的低、高频分量分别分解到不同且近乎平稳的本征模态函数中。自从诞生之日起，EMD 就得到众多不同领域学者的高度关注，其已广泛用于地球物理学、图像处理等诸多领域的研究。利用 EMD 进行故障诊断是目前机械故障诊断领域一个比较热门的课题。例如：湖南大学程军圣教授[9]领衔的研究团队深入研究了 EMD 方法及其在旋转机械故障诊断中的应用，并用该方法有效地提取到齿轮、滚动轴承等部件微弱故障特征信息；中 V. K. Rai 等[10]研究了将 EMD 与FT 结合的轴承故障特征提取方法，该方法先将轴承故障信号进行 EMD 分解，而后计算分解得到的内模函数或其组合的傅利叶变换来提取故障特征信息，取得了良好的效果。

由于 EMD 方法理论并不完备，缺少严密的数学基础支撑，而且其应用还存在一些重要问题需要解决或进一步加以改进，其中主要有收敛准则问题、零均值问题、端点效应问题、包络线估计与拟合问题、模态混叠问题及内模函数筛选标准问题等，这些问题是进一步推广 EMD 方法在实际中应用的瓶颈所在。

1.5 基于小波变换的非平稳特征提取的研究现状

小波变换吸取了傅里叶变换中的三角基函数与短时傅里叶变换中的时移窗函数的特点，形成了不胜枚举的振荡而又衰减的基函数，其基本思想即是用一个基函数，通过伸缩和平移构成的小波函数系去表示或逼近一信号或函数。小波变换通过变尺度滑动窗沿时间轴对信号分段截断后进行处理，不仅可以实现不同时刻不同频率信号的合理分离，在时域和频域都具有较强的描述信号局部特征的能力，而且具有自适应时频特性，并且变换结果不存在交叉项，因此小波变换克服了短时傅里叶变换固定时频分辨率的缺陷，避免了二次型时频分布中交叉项对分解结果的影响，也不存在经验模态分解理论基础不完善以及模态混叠等问题，故小波变换在处理非平稳信号时具有独特优势，被广泛地应用于许多工程应用领域，同时也是故障诊断领域内持续的研究热点，有着相当广阔的应用前景。

Daubechies 与 Mallat 对小波分析的卓越贡献，使其迅速在机械故障诊断领域中得以广泛应用，并在非平稳微弱故障特征提取方面发挥了极大作用，成功解决大量经典信号处理方法难以解决的工程实际诊断问题。就目前已发表的研究文献或已公开的研究成果来看，小波分析在机械故障诊断中的应用模式主要有以下 4 种：

① 将小波变换用于对故障信号的滤波，实现信噪分离，提取微弱故障特征

小波变换因具有多分辨率特性及自相似特性，可以有效消除故障信号中加性白噪声，因此被认为是实现故障信号消噪最好的方法，广泛地应用于故障信号的预处理。文献[11]研究了基于小波（包）变换的线性滤波消噪方法，并用于对故障信号的预处理，有效地提高了信噪比。

② 将小波变换用于对故障信号的时频分析

小波变换具有自适应时频特性，其在低频段频率分辨率较高，而在高频段时间分辨率较高，因此非常适合于对故障信号进行时频分析。McFadden P D 在文献[12]中用小波变换对齿轮箱故障振动信号进行了时频分析，结果表明其可以很好地揭示故障信号中的时频特征。

③ 信号突变点检测

机械故障信号的奇异点，又叫突变点，其通常蕴含了大量故障特征，比如故障诱发的转速突变、摩擦、断裂、变形、振动以及冲击等，因此突变点的检测一直是故障诊断的核心内容。小波变换能在时域、频域同时局部化信号，而且能自动变化窗长，因此在检测信号突变点方面具有独特的优越性。利用小波变换检测故障信号突变点主要有以下 2 个目的：一是提取突变点发生的空间或时刻位置，并计算故障发生的周期，从而推断出故障部位；二是区分突变点不同的突变类型，并计算表征其奇异性程度的 Lipschitz 指数，从而判定故障类型或者确定故障程度。林京等[13]在提出了基于小波变换的故障信号突变点检测方法，计算了突变点的 Lipschitz 指数并作为信号包络特征识别的指标，利用该指标成功诊断出压缩机换气阀故障。

④ 将小波变换与其他方法结合来提取故障特征

将小波变换与其他方法相结合来提取故障特征，是近年来故障诊断领域中的一个重要研究方向，取得了较多研究成果，例如：美国学者 Samuel 和 Pines[14]提出了一种将第二代小波变换与匹配追踪相结合的齿轮故障特征提取方法，并在直升机传动系统的故障检测中取得了满意的效果。

2 智能诊断技术研究现状

由于机械设备结构日趋复杂，各零部件之间紧密联系甚至高度耦合，影响设备运行的不确定因素骤增，使得其故障特性呈现为明显的非线性、复杂性、复合故障并发性等，以至于征兆与故障之间呈现出难以解释的、错综复杂的非线性对应关系，甚至不确定关系。单纯地借助非平稳信号分析方法，难以处理征兆与故障之间具有非线性对应关系与不确定关系的故障诊断问题。人工智能技术，比如模糊逻辑、神经网络、遗传算法、专家系统、粗糙集等，因其拥有强大的非线性映射能力及卓越的学习能力，适合处理征兆与故障之间无确定关系的复杂故障诊断问题，并可以实现诊断的自动化，而成为故障诊断领域中的研究热点与发展方向之一，尤其在大型复杂或非线性系统故障诊断中的应用更是引人注目。

智能诊断技术实现了算法过程与推理过程的综合、数值处理与符号逻辑的统一、数理逻辑与辩证逻辑的融合、知识库与数据库的交互等，其种类有很多，如基于专家系统的、基于支持向量机的、基于人工神经网络的、基于模糊逻辑的、基于遗传算法的以及基于粗糙集的等，其中基于神经网络的智能故障诊断技术研究的最多，应用也最为广泛，几乎覆盖了所有的学科和工程领域。目前，神经网络理论研究仍在飞速发展，各领域学者们已经提出了许多不同结构或学习算法的神经网络，如 BP 神经网络、RBF 神经网络等。由于神经网络具有卓越的鲁棒性和容错性、独特而又高效的联想、推理、记忆以及自学习行为、高度的自适应以及高度的非线性映射与逼近能力，因而在故障诊断中极具潜力，并得到了广泛的应用。神经网络用于故障诊断主要有以下 3 种模式：

① 模式识别的角度应用神经网络，使其作为故障诊断的分类器。Yang D.M. 等[15]将双相干谱、双谱、功率谱与神经网络技术结合起来，成功区分了发动机轴承内、外圈以及保持架等 3 种故障状态。

② 从预测的角度应用神经网络，使其作为故障预测的预测模型。李斌等[16]依据飞机舵面故障预测系统的设计要求，利用 BP 神经网络成功建立了故障预测模型，并利用风洞实验数据对某机方向舵卡死故障进行了预测和分析，结果验证了该神经网络预测模型的有效性和优越性。

③ 从知识处理的角度应用神经网络，构建基于神经网络的故障诊断专家系统。文献[17]为提高部队的作战效能，采用控制技术、人工神经网络技术以及微电子技术研制了机载火控系统故障诊断专家系统，并实际应用中取得了良好效果。

从神经网络在故障诊断中应用的发展趋势上看，当前主要研究方向为：神经网络与故障诊断理论的集成、神经网络与信号处理的结合等。神经网络与故障诊断理论的集成有以下 2 种形式：一是把神经网络结构优化与识别方法、推理规则相集成；二是与神经网络的前后处理相集成。前一种集成是一种实质性集成，极大地提升神经网络的性能。神经网络与故障诊断理论的结合实例有概率神经网络、模糊神经网络等多种，其中概率神经网络是 Bayes 决策理论与径向基神经网络实质性的集成，非常适合于模式分类问题。

故障信号前期特征提取效果好坏对神经网络分类器性能有直接影响。若前期特征信息提取不全面、不充分，则势必会减弱分类器的鲁棒性和可靠性，抑制诊断准确性的提高，故神经网络与信号处理的结合在智能诊断中的运用非常普遍。由于基于平稳性假设的传统信号处理方法无法全面准确地提取非平稳故障特征信息，故传统信号处理方法与神经网络相结合难以有效诊断复杂故障。对于非平稳信号处理的理论研究在近 20 年来突飞猛进，陆续提出了众多的非平稳信号处理方法，因此将非平稳信号处理方法与神经网络相结合是趋势所在，也是研究热门。

3 舰炮自动机故障诊断研究现状与展望

3.1 舰炮自动机振动机理及故障形式

舰炮自动机是一个复杂的动力学系统，可完成火药能量转换、储存释放和动力传递等多种功能。舰炮自动机结构在炮弹击发和供输过程中产生强烈的冲击、振动和噪声，自动机机箱可看成是以机箱本体和各机构构件组成的振动系统。自动机击发动作产生的火药气体，推动机框等后面的一系列构件高速运动，完成自动供输弹过程和连续射击，这是自动机主要的激振源。由于射击击发时机箱转动轴和转膛滑板等构件周期性运动，支撑刚度反复变化、结构作用扭矩也连续变化，它们都引起激振力作用，都将会产生一定频率和方向的机械振动。构件在机箱内 3 个方向的运动和冲击会导致机箱径向和轴向的振动，进而形成整个自动机机箱的弯扭振动。自动机的运行状态发生卡滞和构件出现裂纹等不正常状态，将直接反映在机构传递特性上，如转动轴的松动、偏心、局部疲劳裂纹或断裂等将会影响到响应特性的较低频成份，转膛滑板发生过度磨损、胶合点蚀等损伤时，响应特性的较高频率成份加大，所有这些都使动载荷加大，冲击振动也相应加剧。

3.2 舰炮自动机故障诊断需解决的技术难题

尽管自动机部件故障必然引起其振动响应信号出现变化，然而实际射击时，除了强烈的背景噪声外，其内部各零部件的高速运动、撞击和振动响应经不同的传递路径到机箱表面并叠加在一起，而且往往互相干扰，使现有传统的测试和诊断方法很难有效地得到应用。目前，自动机故障诊断中还存在许多难题有待于进一步解决，主要表现在：

1）舰炮自动机运动形态定量分析与应用难题

舰炮自动机结构复杂，其动作过程为火药气体推动构件，带动后面一系列部件连续循环动作，自动完成推弹及退弹过程。定量分析舰炮自动机运动形态，准确识别舰炮自动机正常与故障时运动形态出现的差异，是有效对舰炮自动机进行故障诊断的关键之一。因为自动机动作中高速高压高温的外部环境和其动作过程的复杂性、动作状态的瞬时性，因此对其运动形态进行定量分析具有相当难度。又由于强烈的背景噪声与强干扰信号，故通过外部采集到的响应信号也难以提取到足够全面准确反映其运动形态的基本信息特征，通过运动形态来进行自动机故障诊断从实际应用上讲具有一定难度。

2）短时冲击振动信号的检测与提取难题

自动机工作环境恶劣，要获得稳定且有效的振动信号，关于测试设备及测点选择的分析研究就显得极为必要，又因为自动机的动作特点，其振动响应信号为短时瞬态的，具有显著的非平稳性，而且一些构件的裂纹及磨损的振动响应也很微弱，这种信号的微弱变化被识别出来很难。实际射击中，背景噪声强，其他相邻设备状态信息的加入，以及被诊断设备本身的复杂性，检测过程中恶劣的工作条件，使得在某一点采集到的信号中不但含有大量噪声，而且还有部分混叠。这给故障的准备诊断和定位带来很大的难度，诊断结果与实验室研究的预期结果有很大的差距，实际上往往难以判断有无故障发生，故障的程度、类型与部位更无法判别。因此，研究适合分析处理短时瞬态冲击信号的非平稳信号处理方法，并与振动响应机理结合，有效进行特征提取，就显得非常必要。

3）确定可靠有效的故障特征参量难题

自动机的故障征兆可以通过不同的特征参量表现出来。故障程度、部位和类型等对特征参量的敏感程度差别很大，故障信息在特征参量中不明显。如何在庞大的特征参量集中根据不同故障对特征参量的敏感程度进行优化选择以筛选出个数较少、类别可分性高、能提供互补信息的最优特征参量集是实现舰炮自动机实时在线故障诊断的一个难题。

3.3 舰炮自动机故障诊断研究现状

舰炮自动机复杂结构与运动形态，致使其征兆与故障之间呈现出错综复杂的非线性对应关系或难以解释的不确定关系。单纯通过信号处理手段，难以全面深入而准确地提取能正确刻画系统故障特性的特征信息，因此仅仅通过信号处理方法直接识别其故障部位与程度，有效对舰炮自动机进行故障诊断具有较高难度，也是不现实的。所以，现有的火炮自动机故障诊断研究主要沿“非平稳信号特征提取+智能诊断”这条思路展开。

潘铭志等[18]中针对自动机实射动作冲击响应振动信号，利用小波分析快速进行信噪分离，并采用功率谱分析结合小波包分解对各频段能量谱分析，提取特征向量，然后输入 BP 神经网络故障识别，取得了一定效果。都衡等[19]针对小口径火炮自动机工作时产生的短时冲击信号，提出一种将局域波分解与信息熵相结合提取特征量，并利用 Elman 神经网络进行故障识别的诊断方法。潘龙等[20]针对自动机工作时的短时冲击信号特征，运用聚合经验模态分解对自动机故障信号进行预处理，再通过 Hilbert 变换，计算信号的时频多尺度熵，作为自动机故障诊断的特征量，最后将特征向量输入支持向量机进行故障分类识别，结果表明将 HHT 时频多尺度熵和 SVM 相结合在自动机故障诊断中的有效性。文献[21]提出基于 EEMD 与广义维数优化逼近的自动机故障诊断方法，该方法先使用聚合经验模态分解结合相关系数法对自动机故障信号进行预处理，然后再求取其广义分形维数来实现自动机故障的识别。文献[22]提出了一种运用信息熵和遗传算法优化的支持向量机对小口径火炮自动机进行故障诊断的方法，该方法首先运用具有自适应特性的局域波对信号进行分解得到 IMF 分量，并对各 IMF 分量进行Hilbert 变换，接着利用信息熵理论提取局域波特征空间谱熵、边际谱熵和时频熵作为故障特征，最后将特征向量输入遗传算法优化的支持向量机进行故障分类识别。曹满亮等[23]针对自动机运动循环过程和振动信号的非线性短时冲击特性，提出了截取振动信号中有用信息进行第 2 代小波分析，在此基础上提取第 2 代小波熵，把其作为特征向量分别应用 BP 神经网络和概率神经网络对自动机进行故障模式识别。潘宏侠等[24]提出了基于小波尺度谱重排与小波排列熵的自动机故障诊断方法，该方法首先用小波包变换对自动机振动响应信号进行时频分析，并对每层小波包系数进行小波尺度谱重排处理，然后计算出每层小波系数的排列熵，并以此作为自动机短时瞬态冲击时微弱故障信号的特征量，使用支持向量机对特征量进行故障分类识别。

3.4 舰炮自动机故障诊断研究存在的问题与展望

尽管我国对舰炮自动机故障诊断进行了一定的研究，但其研究理论层次不够深，应用水平较低，研究成果还远未达到可用于实际故障诊断的水平，还未形成一套快速、高效的舰炮自动机故障诊断方法。存在以下问题：

1）舰炮自动机故障机理研究不足

目前，我国舰炮自动机故障诊断主要是利用实测的某型号武器自动机的故障振动数据展开特征提取与模式识别方面的研究，缺乏对自动机故障机理的深入探索。自动机故障机理是指通过理论或大量的试验分析，得到反映自动机故障状态信号与自动机系统参数之间的规律，其具体的研究过程如下：首先根据自动机物理特点，建立相应数学力学模型；然后通过仿真研究获得其响应特征；再结合试验修正模型，准确获知某一故障的表征。这一反复式的研究过程是故障机理及故障征兆研究的有效手段，也是自动机故障诊断技术的重要基础和依据。由于通常获得自动机较全面的故障数据样本不现实，因此只有通过机理仿真研究，才能对系统未知故障和弱故障进行有效的预知和识别，以避免漏诊和误诊。

2）故障诊断手段比较有限

到目前为止，随着信号处理技术的不断发展，振动故障诊断技术己经发展成一套比较完整的体系，成为机械故障诊断领域的主流方向。在现阶段，我国舰炮自动机故障诊断研究也主要是集中于基于振动信号处理的故障诊断方法上。除了采用振动信号来诊断自动机故障外，以下方法也有可能被应用于自动机的故障诊断中：超声与声发射检测、声信号检测、红外检测、X 射线检测等，遗憾的是它们在舰炮自动机故障诊断中的研究还较少。

众所周知，振动传感器必须安装在相关设备上后才能获得相应的振动信号，因此有些不合适安装振动传感器的地方，特别是在测试环境在较为恶劣的设备上，就不适合采用基于振动的故障诊断方法。由于机械设备在运行过程中，不仅会产生振动，还会发出强烈的噪声。通常情况下，振动越强烈，产生的噪声就越大。与振动信号一样，机械设备发出的噪声信号中同样包含着反映设备状态的信息，所以噪声信号也可以作为机械设备故障诊断的研究对象。作为研究对象的噪声，既包括目标设备发出的有用声学信号，也包括其他设备发出的干扰声学信号。利用机械设备的声学信号对设备进行故障诊断（声学故障诊断技术），具有振动故障诊断技术所不可比拟的某些优点。一般来说，声学故障诊断技术具有如下特点：非接触式测量、设备简单、速度快、无须事先粘贴传感器和便于在线监测等，尤其可在不易测量振动信号的场合得到广泛的应用。因此基于声信号的机械设备状态监测和故障诊断是在非便利条件下有效的方式，利用声音信号进行舰炮自动机故障诊断可以成为舰炮自动机故障诊断领域中新的发展方向。

3）智能诊断环节比较薄弱

目前，我国舰炮自动机故障诊断基本沿着“特征提取+智能诊断”这一主线展开。然而现有研究的自动机故障诊断方法中智能诊断环节均只采用单一的智能分类器。由于自动机故障的复杂性、不确定性、多故障并发性、微弱性等，依靠单一智能技术的故障诊断已难以满足诊断要求。混合智能技术博采众家之长，充分利用不同智能技术的优势，在一定程度上能解决传统的单一的智能诊断技术存在的精度不高、泛化能力和通用性不强等难题，能够取得比单一智能技术更佳的效果。

从目前可以查阅到的文献可知，混合智能故障诊断技术已经受到国内外许多研究者的青睐，并取得了一定的进展。2002 年，美国麻省理工学院针对核电站大型复杂机电系统，综合贝叶斯网络、影响图、模糊逻辑、专家系统等人工智能方法进行在线监测、故障诊断和预知维修，提出了混合智能系统的概念[25]。2004 年，美国 Roshdy S. 认识到任何单一人工智能技术都不能完全解决复杂问题，只对复杂问题的某一部分或者某一阶段有效，所以提出了将两种或者两种以上的人工智能技术结合的思想。尝试将遗传算法和神经网络相结合以发现决策树的最佳分类规则，构造一个计算成本低、分类性能高的信号模式分类器[26]。

从上可知，混合智能技术引起了国内外学者的广泛关注，并取得了比单一智能技术更好的诊断效果，其也可以成为舰炮自动机故障诊断领域中新的研究方向。

4 结 语

本文首先全面回顾了基于短时傅里叶变换、二次型时频分布、循环平稳信号分析、经验模式分解以及小波变换等非平稳信号处理方法的非平稳特征提取研究现状以及以神经网络为代表的智能技术在机械故障诊断领域中的研究状况。然后，分析了舰炮自动机的振动机理与故障形式，归纳了其故障诊断需解决的技术难题，总结了其故障诊断研究现状，详细阐述了其故障诊断存在的问题以及对发展趋势的展望。

[1]赵润鹏. 基于运动形态与信息熵的自动机故障诊断研究[D].太原: 中北大学, 2012.

[2]WANG W J, MCFADDEN P D. Early detection of gear failure by vibration analysis I. Calculation of the time-frequency distribution[J]. Mechanical Systems and Signal Processing, 1993, 7(3): 193–203.

[3]KIM Y H, LIM B D. Instantaneous frequency of a transient mechanical signature and its estimation by a moving window; applicability and physical interpretation[J]. Mechanical Systems and Signal Processing, 1994, 8(4): 381–394.

[4]MENG Qing-feng, QU Liangsheng. Rotating machinery fault diagnosis using wigner distribution[J]. Mechanical Systems and Signal Processing, 1991, 5(3): 155–162.

[5]OEHLMANN H, BRIE D, BEGOTTO V, et al. Examination of gearbox cracks using time-frequency distributions[C]//Proceedings of International Conference on Acoustics, Speech, and Signal Processing. Detroit, MI: IEEE, 1995: 925–928.

[6]LOUGHLIN P J, BERNARD G D. Cohen-posch (positive) time-frequency distributions and their application to machine vibration analysis[J]. Mechanical Systems and Signal Processing, 1997, 11(4): 561–576.

[7]LOUGHLIN P J, PITTON J W, ATLAS L E. Construction of positive time-frequency distributions[J]. IEEE Transactions on Signal Processing, 1994, 42(10): 2697–2705.

[8]毕果. 基于循环平稳的滚动轴承及齿轮微弱故障特征提取应用研究[D]. 上海: 上海交通大学, 2007.

[9]程军圣, 于德介, 杨宇. Hilbert-Huang变换端点效应问题的探讨[J]. 振动与冲击, 2005, 24(6): 40–42, 47.

[10]RAI V K, MOHANTY A R. Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert-Huang transform[J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2607–2615.

[11]徐科, 徐金梧. 小波变换在信号滤波中的应用[J]. 北京科技大学学报, 1997, 19(4): 382–385.

[12]WANG W J, MCFADDEN P D. Application of wavelets to gearbox vibration signals for fault detection[J]. Journal of Sound and Vibration, 1996, 192(5): 927–939.

[13]林京, 屈梁生. 基于连续小波变换的奇异性检测与故障诊断[J]. 振动工程学报, 2000, 13(4): 523–530.

[14]SAMUEL P D, PINES D J. Constrained adaptive lifting and the CAL4 metric for helicopter transmission diagnostics[J]. Journal of Sound and Vibration, 2009, 319(1/2): 698–718.

[15]YANG D M, STRONACH A F, MACCONNELL P. Third-order spectral techniques for the diagnosis of motor bearing condition using artificial neural networks[J]. Mechanical Systems and Signal Processing, 2002, 16(2/3): 391–411.

[16]李斌, 章卫国, 宁东方, 等. 基于神经网络技术的飞机舵面故障趋势预测研究[J]. 系统仿真学报, 2008, 20(21): 5840–5842, 5847.

[17]韩兆福, 葛银茂, 程江涛, 等. 机载火控系统故障诊断神经网络专家系统[J]. 仪器仪表用户, 2005, 12(6): 30–31.

[18]潘铭志, 潘宏侠, 赵润鹏, 等. 自动机机箱振动分析与诊断研究[J]. 火炮发射与控制学报, 2012(2): 67–70.

[19]都衡, 潘宏侠. 基于局域波信息熵的高速自动机故障诊断[J].中国测试, 2014, 40(1): 115–118, 136.

[20]潘龙, 潘宏侠, 马白雪. 应用HHT时频分析与SVM的自动机故障诊断[J]. 机械设计与制造, 2015(4): 59–61, 65.

[21]潘龙, 潘宏侠, 陈玉青. 应用EEMD与广义维数优化逼近的自动机故障诊断[J]. 组合机床与自动化加工技术, 2015(8): 82–85.

[22]都衡, 潘宏侠. 基于信息熵和GA-SVM的自动机故障诊断[J].机械设计与研究, 2013, 29(5): 127–130.

[23]曹满亮, 潘宏侠. 基于第二代小波及PNN的自动机智能故障诊断[J]. 机械设计与研究, 2015, 31(3): 22–26.

[24]潘宏侠, 马百雪, 许昕. 基于小波尺度谱重排与小波排列熵的自动机故障诊断[J]. 火炮发射与控制学报, 2015, 36(2): 64–67.

[25]YILDIZ B, GOLAY M W, KENNETH P M, et al. Development of a hybrid intelligent system for on-line real-time monitoring of nuclear power plant operations[C]//The 2002 PSAM6 (Probabilistic Safety Assessment and Management) Conference. San Juan, Puerto Rico, 2002, 52: 49–58.

[26]YOUSSIF R S, PURDY C N. Combining genetic algorithms and neural networks to build a signal pattern classifier[J]. Neurocomputing, 2004, 61: 39–56.

A review: the application of non-stationary feature extraction and intelligent diagnosis method in automata fault diagnosis

JIA Lan-jun1, TIAN Fu-qing2, LUO Rong3
(1. The 713 Research Institute of CSIC, Zhengzhou 450015, China; 2. Deptartment of Weaponry Engineering, Naval University of Engineering, Wuhan 430033, China; 3. Naval Equipment Institute, Beijing 100161, China)

The non-stationary feature extraction technique and intelligent diagnosis method are reviewed comprehensively in the paper. Additionally, the problems consisting in automata of naval gun fault diagnosis are summarized, and the application of non-stationary feature extraction and intelligent diagnosis method in automata fault diagnosis is introduced. Finally, the questions in the research of automata fault diagnosis are expatiated detailedly, and the future development of automata fault diagnosis is prospected.

feature extraction；fault diagnosis；naval gun；automata

TH113.1

A

1672–7619(2016)12–0170–08

10.3404/j.issn.1672–7619.2016.12.036

2016–07–29

贾兰俊(1967–)，男，研究员，主要从事舰炮技术研究。