基于SVM算法的环锭纺纱机钢丝圈故障诊断

侯平智，唐飞平，吴 锋

(杭州电子科技大学自动化学院,浙江 杭州 310018)

基于SVM算法的环锭纺纱机钢丝圈故障诊断

侯平智，唐飞平，吴 锋

(杭州电子科技大学自动化学院,浙江 杭州 310018)

使用普瑞美RING EXPERT装置采集环锭纺纱机钢丝圈振动信息，结合联合时域频域方法提取钢丝圈振动信息特征向量，在运用交叉验证法和网格搜索法进行参数优化的基础上，利用支持向量机智能算法对钢丝圈出现的不平衡、碰磨、裂纹等故障进行诊断分析.仿真结果表明，诊断耗时短，正确率达到88.0%，基本解决了中小型纺织企业环锭纺纱机钢丝圈故障诊断问题.

环锭纺纱机钢丝圈；信息采集；特征提取；支持向量机算法；故障诊断

0 引 言

环锭纺纱机是我国运用最广、效果最好的纺纱设备.钢丝圈是环锭细纱机重要部件之一.钢丝圈的运行故障将阻碍生产过程，浪费生产资料，影响纺纱质量，甚至危及纺纱机的寿命.近年来，该领域的专家对钢丝圈故障诊断进行了深入研究，得到了很多宝贵的研究成果.Y型光电式钢丝圈轨迹测定仪利用光电式传感器检测出钢丝圈的振动来反映钢丝圈的振动特性[1].文献[2]对钢丝圈的制作工艺进行了研究，将传统与现代设计相结合，降低了钢丝圈发生故障机率.文献[3]对纺纱断头的监测进行了研究，但没有对断头前的故障进行诊断分析，不能为实践提供预测指导作用.这些研究都是针对钢丝圈的物理性能进行故障评判，并没有对出现异常故障进行理论模型分析.文献[4-5]在利用简易传感器采集钢丝圈机械物理量的基础上，使用统计学的分析方法进行故障诊断.文献[6]通过分析锭子和钢丝圈的运行数据特征差异比来探究钢丝圈故障诊断依据，文献[7]通过纱线动态飞圈张力来反映钢丝圈的工作状况.文献[6-7]都是通过关联因子来间接反映故障状态的方式，在一定程度简化了问题的复杂性，但实际上却牺牲了正确率.随着数据样本复杂性、多样性的增加，在非线性情况下时，其诊断能力也很有限.

实际生产中，不同纺纱机匹配不同的钢丝圈种类，导致运行规律迥异；钢丝圈运行速度快、数据量大，很难及时处理.而支持向量机(Support Vector Machine, SVM)算法的出现缓解了这些限制和缺陷，简化了样本的复杂，运用特征信息方式抽离出实时数据的核心信息，屏蔽了设备不同带来的复杂性.该理论可以针对故障样本数量有限，处于非线性情况下的数据做出深入探究，对故障问题做出快速准确的诊断[8]，综合以上的算法优势和实际应用情况的应用，本文运用SVM算法对环锭纺纱机钢丝圈的进行故障诊断.

1 基于SVM的环锭纺纱机钢丝圈故障诊断模型

1.1 模型建立

针对一个函数集，如果存在N个样本能够被函数集中的函数按所有可能的2N种形式分开，则称函数集能够把N个样本打散；其中，能够打散的最大样本数N被称为这个函数集的VC维，一般用h表示[9].基于SVM算法模型的学习能力就是通过其逻辑函数集的VC维h来处理风险误差.

二维情况下的超平面分类如图1所示.图1中，N个实心和空心圆点分别表示两类钢丝圈故障样本集，并且存在一个平面H把样本按照故障类型正确的分为2类，横坐标为输入的特征量i，纵坐标为实际故障类别o，F(i)为一个平面的表示函数.设H1和H2为与超平面H平行且与分离样本点最邻近的直线，两者之间的距离称m，根据VC理论研究得到VC维h与m满足

h=f(1/m2)

(1)

其中，f(*)为单调增函数，即m2与h成反比.很显然，介于H1和H2最中间的平面是能够最大化分类故障样本的平面，被称作最优超平面，而求解该平面的最优函数就是模型构建的主要目标.

图1 二维情况下的超平面分类示意图

一般情况下，用经验风险最小化准则(Empirical Risk Minimization, ERM)来表现智能模型算法训练性能，但实际上ERM只说明训练误差较小，而不是实际风险最小.所以本文引入置信风险的概念，统计学理论中给出了实际风险、经验风险、置信风险之间的关系为

(2)

g(x)=wTx+b

(3)

其中，g(x)表示钢丝圈故障诊断输出模型，x为输入的特征空间向量，w为平面的方向参量，b为偏移参量.此时实际输出用yi表示，对于两类故障问题有yi∈{-1,+1}，显然|g(x)|≥1，所以当诊断正确时必须有

yi[wTx+b]>1,i=1,2,3,…,N

(4)

(5)

(6)

(7)

式(7)为一个有唯一解的二次规划的不等式问题，其中αi为朗格朗日乘子.由泛函理论有K(xi,yi)满足Φ(xi)TΦ(xi)=K(xi,xi)，其中K(xi,yi)为核函数，所以又可转化为：

(8)

所以，可得故障结果判别函数：

(9)

1.2 模型分析

由模型建立过程分析可知，需要确立3个重要的解决方案：钢丝圈运行时振动信息的采集和特征信息的提取方案，建立SVM算法的核函数极其相关参数的确定优化问题.

1.2.1 数据采集

本文采用普瑞美的RING/RINGEYE振动信息采集装置.基于电磁感应原理，在钢领板两侧各装一个轨道，再在两轨道上分别装载电磁感应监测装置和永磁磁场单元，当钢丝圈运动时切割磁感线产生电感应信号获取振动信息.由于电磁信号的迅速性和精准性，能实时准确采集到钢丝圈的振动信息，为后期故障诊断提供了正确的数据基础.

1.2.2 特征提取

时域和频域分别反映数据时间轴和频域轴上的特征，在数据分析上各有优势，本文综合两者的优势，采用联合时频域特征提取方法(Joint Time-Frequency Domain, JTFD)对数据进行特征信息提取[11]，简洁有效地提取不同故障状态下的特性细节，有利于分类各种故障下的特征类别信息，具体流程如图2所示.

图2 JTFD样本特征信息提取流程图

1.2.3 参数确定

核函数和参数的选择本质是一种优化问题.交叉验证是一种将钢丝圈的训练集均分成N个子集，一份钢丝圈的训练子集为测试数据，其他N-1个子集数据为训练集，持续N次，选择最优的一组参数[12].网格搜索指在SVM进行钢丝圈故障分类时，如：要确定惩罚因子ξ.网络法将ξ∈[ξ1,ξ2]，步长ξs针对每一个参数对ξ′进行训练，取效果最好的一组参数，结合这两种算法即可确定最优核函数选择与参数.

1.3 算法实现

综上所述，本文采用RING EXPERT装置进行振动信息的采集；选用JTFD方法，全面且不失简洁地对数据进行特征提取；再结合SVM模型中对非线性复杂数据的处理和基于结构风险最小化原则的误差处理机制，使得故障诊断准确可靠.具体步骤如下：

1)通过RING EXPERT装置采集现场实时数据样本，JTFD方法提取样本数据的特征向量获得模型训练特征向量集；

2)利用交叉验证法与网格搜索法的LIBSVM开源包进行SVM模型最优参数组合的选择，本文采用专为SVM分类机的LIBSVM开源包进行仿真；

3)由样本特征向量集、SVM核函数和参数值进行有故障与无故障模型的训练，得到无故障分类机模型；

4)再由上述模型分类出有故障的样本，并按步骤2方式得到不平衡诊断模型，同理得到不平衡的训练样本，得到有碰磨的故障诊断分类机模型，具体流程如图3所示.

图3 SVM诊断分类机模型训练算法流程图

最终得到3类诊断模型，可以实现4种故障类型的诊断.诊断算法流程如图4所示.首先将现场数据进行特征提取；再用于无故障诊断模型，判断是否属于无故障，若是，则诊断为无故障状态，诊断结束；否则同理进行另外2种模型的诊断，直至诊断为某一明确状态；最终整个诊断结束.

图4 SVM故障分类机诊断算法流程图

2 基于SVM算法的环锭纺纱机钢丝圈故障诊断仿真

2.1SVM分类机的训练

RING EXPERT装置采集现场350组实时数据作为基础数据；由JTFD方法提取特征向量；再利用基于LIBSVM开源库中交叉验证法与网格搜索法进行参数优化，确定由建模过程中引入的松弛变量值及各核函数的参数.由LIBSVM计算的最优参数组合值如表1所示.通过比较正确率高低，易知这里选择径向基核函数组合是比较合适的.

表1 各核函数和参数最优组合表

按照图3流程图由LIBSVM开源包进行SVM多分类机的训练，通过MATLAB仿真得到的3种局部分类结果如图5所示.结果都是相当清晰明了，表明模型训练过程基本上达到了的预期过程.

图5 无故障、不平衡分、有碰磨分类结果局部图

图6 完整SVM训练结果模型平面示意图

为了综合分析，将350组现场实时数据通过分类处理后，得出的综合分类平面示意图如图6所示.区域一为碰磨故障，区域二为不平衡状况，区域三为有裂纹故障，区域四为无故障状态.可以看出，分类结果明朗有效，达到了最初模型分类的理想效果.

2.2 仿真测试结果分析

针对上述的训练模型，抽取50组工业实际数据进行模型测试，为了清晰的反映测试结果，将四维诊断输出结果拆分为4种情况进行对比，结果如图7所示.“1”表示诊断出该情况，“0”表示不属于该情况.由图6可以很明显地看出，一定允许误差范围内，50组数据的诊断结果和实际结果基本吻合，仅有6组数据诊断效果不够理想，其中，总体诊断正确率达到了88.0%.4张图综合来看，每组数据诊断结果也是唯一无二义性的，因此诊断效果相当理想，表明本文模型确实能够对实际的诊断提供可靠的工作支持.

图7 50组次数据测试结果对比图

为了深入研究SVM诊断分类机的优质特性，跟踪诊断过程中的相关参数来说明问题，结果如表2所示，不论在训练正确率还是在测试正确率方面，分类机推理算法的结果都是比较准确理想的.同时也可以看出计算时间效率比较合理的，基本满足纺织工厂要求的迅速性，高效性的进行故障诊断.

表2 由LIBSVM得出SVM故障诊断算法的评价结果

根据SVM算法的故障诊断建模策略来看，本质上是在构建SVM多分类机，将采集的数据进行特征向量提取得训练集，再由训练集逼近求取最优超平面，相当于将输入特征向量和诊断结果进行关系映射，最后根据最优超平面对未知数据进行诊断分析.综合实验数据及测试结果可以看出，本文模型的建立过程和模型分析处理方案效果显著.

3 结束语

本文结合SVM算法提出一种解决纺织企业中环锭纺纱机钢丝圈故障诊断问题的智能诊断模型，通过理论和实验测试研究发现，本文提出的算法比较理想地实现了诊断功能，运算效率基本符合企业生产要求，为企业提供了一定的技术支持.由于模型训练过程中仍有一定的时间开销，当现场钢丝圈数特别多且实时性要求特别高时，对正确率有一定的影响，后续还需进一步优化.

[1]宋晓亮,杨艺,张慧灵,等.光电式断纱检测头性能试验研究[J].棉纺织技术,2015,43(3):19-22.

[2]BAGWAN A, KOLI M, DALAL S,等.调整钢丝圈质量——控制纱线品质与断头率的有效措施[J].国际纺织导报,2015,43(7):15-16.

[3]龚羽,倪远.环锭细纱机纺纱断头监测技术现状与发展评析[J].纺织导报,2012(6):100-104.

[4]SONNTAG E. Ceratwine ring/traveller system-progress in ring spinning through high-performance ceramics[J]. Melliand Textilberiche, 1997,78(10):684-685.

[5]GNEUPEL M, STUSAK M. Sensor system for a ring spinning machine: EP1540053[P].2014-04-30.

[6]UDDIN N, AFROZ F, JALIL M A. Retrofitting of Simple Mechanical Compacting Device (RoCoS) on Conventional Ring Spinning Machine for Improving Yarn Quality[J]. European Scientific Journal, 2015,11(3):68-74.

[7]NOCKE A, UNGER R, KRZYWINSKI F, et al. Measurement methods of dynamic yarn tension in a ring spinning process[J]. Fibres & Textiles in Eastern Europe, 2016,24(1):115.

[8]WIDODO A, YANG B S. Application of nonlinear feature extraction and support vector machines for fault diagnosis of induction motors[J]. Expert Systems with Applications, 2007,33(1):241-250.

[9]李琴,伊晓玲,曹根牛.关于支持向量基中二次函数集VC维的研究[J].科技信息(学术研究),2007(33):78-79.

[10]程从华,白龙. 基于删失数据的Log-Gompertz回归模型的统计推断[J].宁夏大学学报:自然科学版,2015(2):115-120.

[11]唐静远.模拟电路故障诊断的特征提取及支持向量机集成方法研究[D].成都:电子科技大学,2010.

[12]荣海娜,张葛祥,金炜东.系统辨识中支持向量机核函数及其参数的研究[J].系统仿真学报,2006,18(11):3204-3208.

Fault Diagnosis of Ring Spinning Frame Based on SVM Algorithm

HOU Pingzhi, TANG Feiping, WU Feng

(SchoolofAutomation,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

This paper firstly adopts the Bremen RING EXPERT device to collect the vibration information, and combines with the time-frequency domain method to extract the characteristic vector of the vibration information of steel wire ring. Then, it use the support vector machine(SVM) intelligent algorithm for the fault diagnosis and analysis based on the parameters optimization by the cross validation method and the grid search method, when the steel wire ring appears the unbalance, rubbing and cracking state. The simulation results show that the diagnosis time is short and the correct rate is 88.0%, basic solves the small and medium-sized textile enterprises ring spinning frame steel wire circle fault diagnosis problem.

ring spindle spinning machine; information acquisition; feature extraction; support vector machine algorithm; fault diagnosis

10.13954/j.cnki.hdu.2017.04.010

2016-09-13

浙江省公益技术研究资助项目(2015C31084)

侯平智(1968-)，男，浙江杭州人，高级工程师，智能控制.

TP206+.3

A

1001-9146(2017)04-0047-06