旋转机械故障检测在AGV设备中的应用研究

田露旭 高向远 廖亚兵 费秀国 耿国盛

(1.南京农业大学工学院，江苏 南京 210031；2.南京创力传动机械有限公司，江苏 南京 211103)

0 引言

2019年11月11日上午8点，据菜鸟驿站方面统计，从凌晨至上午8点，天猫8小时发货量破亿，刷新纪录。能做到如此快速地完成出库任务，离不开AGV设备的功劳，如果AGV在运行过程中发生故障而没有及时处理，将会导致任务失败，这不仅会对单个任务造成影响，还会使整个系统进行重新调整。本文对低速旋转机械故障的诊断技术进行分析总结，对AGV设备的使用维护进行归纳总结，对于准确排除AGV小车故障有非常大的借鉴意义，有利于提高物流作业的工作效率。

1 小波函数与BP神经网络算法

1.1 小波函数的选择

其中：λ——为相似性系数，属于无量纲系数；

si——为对于的小波基函数作绝对值后各波峰所包含的面积；

hi——为小波基函数作绝对值后各波峰的极大值；

ai——为小波基函数作绝对值后各波峰的加权系数；

n——为小波基函数作绝对信后波峰的数量；

通过计算得到λDaubechies10=7.5[3]为小波基函数中与AGV冲击信号相似程度最高的小波基函数，这里我们通过MATLAB对db10低频高频信号小波函数及尺度函数小波特性进行简要分析。从图1的db10小波的低频高频信号图，图2的db10小波函数及尺度函数图可以发现db10的小波函数与冲击信号的相似度较高。

图1 db10小波的低频高频信号图

图2 db10小波函数及尺度函数图

1.2 BP神经网络算法的优化

通过小波分析后，进行相应的特征提取，这时候我们就需要相应的手段来对特征值进行分析处理以此来判断旋转机械所存在的具体故障。信号正向传播与误差逆向传播的各层权矩阵的修改过程是周而复始进行的。权值不断修改的过程是网络学习训练的过程。直到网络输出的误差逐渐减少到预先所设定的精度范围。[4]在这里我们选用BP神经网路并利用遗传算法对其进行优化处理以此来对更加准确的特征值进行分析处理。具体流程如图3所示：

2 基于MATLAB的AGV旋转机械故障检测实现

2.1 首先分析AGV设备常见的电机故障[4]

(1)松动。松动包括电机排线与驱动器之间接头的松动以及零件之间正常的配合关系被破坏造成配合间隙超差而引起的松动。第一种情况会导致AGV小车行走时的卡顿现象，第二种较为复杂由松动引起的振动具有一定的非线性，其振动信号的频率成份相当复杂，除了基频(等于转频)以外，还产生高频次谐波和分频振动，频谱结构成梳状，有时还表现出一些方向特征很明显，主要在垂直方向很强烈。

图3 遗传算法对BP神经网络改善流程图

(2)电机过热。因为AGV工作属于长时间低速工作，或者高负载工作，因此很容易导致电机发热严重，从而影响电机的正常运行。

(3)电机驱动器损坏。电机驱动器内部损坏会导致电机无法按照正常的控制量控制速度。

(4)安装误差。由于AGV在运行过程中存在抖动现象，有可能导致固定电机的螺丝松动，最后影响电机的正常运行，甚至可能导致电机与传动链条脱落，使得电机无法正常运行。

2.2 振动信号的收集与处理

这里通过对应力波的收集，并运用db10小波进行应力波的信号分解。

2.3 故障诊断识别

通过收集不同的故障数据，对神经网络进行训练，并运用遗传算法对神经网络的隐含层权值进行改进，得到如图四所示样式的BP神经网络，最后做到较为准确的输出故障。

图4 BP神经网络示意图

3 总结

本文对AGV小车的旋转机械故障检测方法的实现进行了简要的分析，并总结出利用小波分析、遗传算法、BP神经网络来对旋转机械的震动信号进行分析处理以此来实现对AGV设备故障进行有效检测，为实现智能化检测提供了依据。随着AGV设备在各个领域的不断应用，通过此技术来有效地进行AGV的电机设备进行故障检测越来越重要，故此技术在AGV设备领域的应用前景广阔。