故障现象矢量距离判别方法在收割机故障诊断中的应用*

杨俊凯，徐云杰

(湖州师范学院 工学院，浙江 湖州 313000)



故障现象矢量距离判别方法在收割机故障诊断中的应用*

杨俊凯，徐云杰

(湖州师范学院 工学院，浙江 湖州 313000)

为了更快诊断收割机故障，实施故障预警，提升故障排除速度，应用基于故障现象的矢量距离判别方法，解决收割机因随机影响因素过多导致诊断困难的问题。通过研究收割机故障现象空间发现，每一种故障现象的出现均服从0～1分布，每种故障对应的故障现象矢量会自然形成以各自故障现象矢量期望为聚点的聚类，用系统聚类分析对原始故障现象进行分类，再用距离判别法对新加入故障现象确定其类别归属并将结果反馈到数据库，实现系统实时诊断经验的自学习。利用蒙特卡洛方法进行编程，证明了这种诊断方法实时性好、算法简单和诊断准确率高。

收割机故障；故障现象矢量；距离判别；故障诊断

0 引言

堵塞故障是收割机最常见的故障，因此国内外在这方面研究较多。国外的堵塞故障诊断与报警系统的研究已非常成熟，并广泛装备到联合收割机上[1-2]。例如 John Deere、凯斯、纽荷兰、CLASS 等品牌收割机都装备高性能的故障诊断监控系统。国内这方面还未达到成熟阶段，陈进、汪凤珠等人[3-5]在堵塞故障诊断上都取得了一定的成果。中国农业大学、中国农业机械化科学研究院等在故障诊断等方面也做了研究[6]。堵塞故障诊断的目的是控制收割机性能参数的调整或预警。与堵塞故障诊断不同，收割机机械部件一旦发生磨损、变形、碎裂等故障，只能进行人工更换，机械部件故障诊断的目的是找到故障点或提前预警，目前针对收割机机械部件的故障诊断研究还较少。

联合收割机机械部件故障诊断的实质是寻找一个故障现象空间到故障空间的映射。为了准确地找到最大限度的空间，常采用专家系统、BP神经网络、模糊算法、DS 证据理论和遗传算法等的智能诊断方法[7-8]。专家系统知识获取难，BP神经网络知识推理能力弱，模糊算法以串行推理为主知识获取能力较弱，DS证据理论证据冲突较大时，存在一票否决现象，遗传算法具有对网络或样品的训练收敛速度慢的缺点[8]，因此单独使用一种是很难完成具有较高的诊断实时性要求的任务。L-M算法可以克服这个缺点，但提高了计算的复杂性和设计难度[8]。基于模糊理论的故障诊断专家系统可以描述系统的模糊状态，基于规则简单的设计可实现传统的故障诊断专家系统[9]。但基于规则的专家系统有规则的制定和知识获取两个瓶颈问题[10-11]。解决规则制定和解决复杂规则的策略容易返回到神经网络和遗传算法的复杂算法问题时，使问题变得复杂了。机器学习能够有效地解决知识获取的问题，但机器学习容易引发组合爆炸。通过研究故障现象的概率分布和由故障集群引起的聚类特性，本文将距离判别方法用于机械故障诊断，将诊断结果反馈到故障数据库，提供了很好的解决方案，解决了传统的基于规则的专家系统的两个问题，使复杂的系统结构和软件设计难度大大降低，诊断效率和工程实用性大大增强。

1 建立故障模型

1.1 故障矢量现象的数学表示法

造成谷物联合收割机常见故障的原因主要包括机器零部件的正常磨损、事故性故障、维修(安装)调整不正确和使用、调整不当造成的故障四个方面。统计显示，造成故障的原因中因轴承内进入泥沙而引起轴承损坏、生锈以及链过松等非主要随机因素引起的故障较多。故障现象和故障之间总体可以描述为：一个故障可能导致多个现象的发生；一个故障现象也可能是由不同的故障引发的；多个故障现象是不能肯定由哪一个故障引发的，但是都符合统计学。

1.2 专家系统模型的建立

诊断系统模型见图1。

整个故障诊断系统是一个专家系统。它获取并输入一个故障现象矢量并根据距离判别规则和已有数据进行推理。推理机根据判别分析规则发出诊断结果即诊断概率分析表，其中最大概率故障是首选结果，有些则是通过减少概率顺序选择的。诊断概率分析表将进一步给维修人员提供确认参考。经确认的结果将反馈到数据库故障记录库中，以备下次诊断参考。

图1 故障诊断专家系统模型

2 关键技术

2.1 推理规则的制定

制定规则需要解决设计故障数据表的问题。表1是F1的故障数据，其中每行代表一个故障现象矢量表。

表1 F1数据表

用上述方法，能够为每个Fi创建故障数据表。每个故障现象均服从标准的0～1分布，数学表达式见式(1)。每个现象的期望是pij，其中i代表该现象是由第i个故障引起的，j表示这个现象显示在第j个现象中，N为该故障的样本数据量；Iijt表示故障i的t次故障现象矢量是由j次故障分量引起的。

(1)

方差为：

(2)

不同现象之间的协方差为：

(3)

其中，P(Iiuk,Iivk)是两个故障现象，它只有四种联合概率：

(4)

(5)

(6)

欧氏距离比较直观，而马氏距离结果比较可信。在实际应用中，马氏距离需要知道的所有现象协方差矩阵的逆矩阵，涉及逆运算矩阵，所以相对复杂。

2.2 学习策略设计

当系统建成后，总结专家诊断经验和输入数据。在系统运行过程中自动学习，才能添加合适的故障现象矢量到故障数据库。按概率由大至小进行排序可能会造成误判，这意味着将最前面的诊断作为诊断结果可能是错误的，人不能完全控制这种判断。如果数据库中的数据是经验非常丰富的数据，可降低误判的可能性。系统会将误判断作为第二判断，且作为失败诊断概率输出。

存储形式影响问题解决效率，而调节和评估影响解决问题的准确性。故障和故障现象的匹配度可用式(7)表示。

(7)

其中，Ds为故障c与故障现象c′的匹配度；Wi是特征参数i的权重；n是所有症状的数量；Xi，Yi分别是故障c和故障现象c′的初始特征或结论可信度。如果Ds=1，表明故障和故障现象最为合适，即完全匹配；如果Ds=0，表明故障和故障现象完全不同，即不匹配。

当然，不是所有的经验数据都是有效的。根据专家的经验，故障现象矢量显然是不符合一个故障现象对应一个故障的关系。如果直接去除异常数据，当系统遇到同类问题持续累积会导致系统产生重大问题。系统进行距离判别时，这些异常数据应排除在外，以免影响小概率判别使得分析异常。如果经常出现这种异常，异常的频率自然会增大。根据异常的测定公式(8)，它将不再处于异常的范围。

(8)

其中，α是可以控制的异常辨别指数。

3 诊断算法设计

诊断算法流程如下：

(1)输入故障现象进行诊断Dx=(d1,d2,…,dn)。

(2)对所有故障Fi,i=1,2,…,n，执行如下①～③:

①按步骤(1)计算向量Fi的期望；

②按式(8)对所有故障现象矢量Fi进行异常判别；

③使用所有异常向量，重新计算Fi期望。

(3)对于被诊断矢量Dx，每个故障都按式(5)或式(6)计算欧洲(或马氏)距离Disi。

(5)按概率从小到大确认故障。

(6)确认结果反馈到故障数据表。

4 模型仿真

4.1 仿真算法设计

DFRk=nk/M

(9)

其中，nk是经过k次故障诊断后的矢量诊断频率，M是诊断的总次数。

(10)

仿真算法如下：

(1)用蒙特卡洛法对所有故障样本按故障现象矢量抽样，每个故障产生N组样本数据。

(2)使用随机抽样的方法，抽取一个故障x并建立一个故障现象矢量Dx。

(4)重复步骤(2)和步骤(3)m次。

4.2 仿真结果分析

取4LZ-4.5Z型履带式谷物联合收割机的六个典型旋转故障，记为I1,I2,…,I6。该系统的故障现象及相应的分布参数见表2。

表2 系统分布参数和对应的现象

根据表2设计故障数据库并进行仿真，使用欧几里得几何距离判别法进行距离判别。M=1 000,N=1 000，异常判别指标α=30。每个故障样本生成1 000个故障向量并提取1 000个故障样本仿真。输出结果见表3和表4。

表3 排除异常的数目

由表3显示的结果，每一个故障异常数量少，这与实际情况相符。在表4中第一次故障检测率高达0.852。当k=2时即两次累计诊断，成功率高达0.949，这意味着独立故障的概率是两个元素成功率高达0.949。原因是矢量故障参数F1和F6非常接近。从以上定义可以知道，这两个故障可以作为一个模糊的群。目前，可以把它们作为一个故障，所以一次故障检测率达到了0.949。数据结果分析表明，这种基于故障现象矢量判别诊断方法是有效的。

表4 诊断仿真结果

5 结论

本文提出了一种基于故障现象矢量判别分析的收割机机械系统故障诊断方法。从故障现象矢量的聚类特征出发，提出基于设计规则进行推理判别分析的思想，建立专家系统并排除异常现象。最后，模拟收割机例证表明，该诊断方法具有实时性好、操作简单、诊断准确性高的特点。

[1] CRAESSAERTS G, BAERDEMAEKER J D, SAEYS W. Fault diagnostic systems for agricultural machinery[J]. Biosystems Engineering, 2010, 106(1):26-36.

[2] Nie Caili, Zhao Xiaoshun, Chen Huilian, et al. Development of fault diagnostic techni- que for modern agricultural machinery[J]. Journal of Agricultural Mechanization Research, 2007(9): 229-231.

[3] 陈进，龚丽霞，李耀明.基于FNN的联合收割机故障诊断系统研究[J]. 中国测试, 2014,40(5): 77-79.

[4] 汪凤珠，张俊宁，李瑞川，等.花生联合收获机作业在线监测与故障预警系统研究[J]. 农业机械学报,2015,46(增刊):69-73.

[5] 卢文涛，张莉杰，张东兴,等.联合收获机监控系统研究现状[J].农机化研究,2014,36(9): 256-259.

[6] 徐凯.基于BPNN与DS理论的联合收割机堵塞故障诊断与报警系统[D].镇江：江苏大学，2016.

[7] 李云松，任艳君.智能诊断技术发展综述[J].四川兵工学报，2010,31(4):122-125.

[8] 王建梅, 覃文忠. 基于 LM 算法的 BP 神经网络分类器[J]. 武汉大学学报(信息科学版), 2005, 30(10): 928-931.

[9] 杨慧, 杨欣. 模糊灰关联在 QAR 故障数据检测中的应用[J]. 计算机工程与设计, 2015, 36(7): 1896-1899.

[10] 刘志华，吴韬，曹瑞明.基于DataSocket 技术的设备状态监测与故障诊断系统[J]. 微型机与应用, 2015, 34(24): 84-87.

[11] 张美玲，胡晓. 基于LCD和改进 SVM 的轴承故障诊断方法[J]. 电子技术应用, 2016, 42(6): 81-83.

Application of fault phenomenon vector for distance discriminantmethod in harvester fault diagnosis

Yang Junkai, Xu Yunjie

(School of Technology, Huzhou University, Huzhou 313000, China)

In order to quickly diagnose harvester failure, advance early-warning fault and improve troubleshooting speed, the discrimination method for vector distance based on fault phenomenon is used to solve the problem that harvester is difficult to diagnose due to too many random factors. Each failure phenomenon is founded to obey the 0～1 distribution, and the fault phenomenon vector corresponding to each fault will naturally form clustering based on the vector expectation of the respective failure phenomenon as the clustering point. The original fault phenomenas are classified by systematic cluster analysis, the classification of new fault phenomena is identified by the distance discriminance and the results are fed back to the database, so the self-learning of real-time diagnostic experience is realized. The Monte Carlo method is applied to program, which can demonstrate that this method has good real-time performance, simple algorithm and high diagnostic accuracy.

harvester failure; fault phenomenon vector; distance discriminant; fault diagnose

TS210.1; S511

A

10.19358/j.issn.1674- 7720.2017.12.029

杨俊凯，徐云杰.故障现象矢量距离判别方法在收割机故障诊断中的应用[J].微型机与应用，2017,36(12)：98-101，105.

湖州市公益性项目(2014GZB01)

2016-12-20)

杨俊凯(1983-)，男，硕士，实验师，主要研究方向：机电一体化。

徐云杰(1976-)，通信作者，男，博士，副教授，硕士生导师，主要研究方向：林业机械智能化。E-mail：xyj9000@163.com。