基于数据驱动的自动机关重件故障诊断方法研究

古 斌，刘朋科，宁变芳，张宁超，李佳兴

（1西北机电工程研究所 陕西 咸阳 712099）（2西安工业大学 电子信息工程学院 陕西 西安 710021)

1 引言

转膛自动机利用多个弹膛并行工作，大大缩短了自动循环时间，从而大幅度提升了射速。然而新技术的应用，一方面大大提高了转膛装备的综合性能；另一方面对转膛装备的维修保障工作也带来了新的挑战。转膛自动机能否发挥其应有的作战作用，在很大的程度上取决于它的自身装备维修保障的状况，也是近些年研究的热点问题[1-5]。转膛自动机中的关重件是整个机构的核心部件，其工作状态直接决定了转膛自动机的工作可靠性。由于部分关重件通常安装在转膛自动机的内部，开箱解体较为麻烦，传统的“望闻问切”的故障诊断方法难以客观有效地判断自动机关重件的运行故障[6-9]。因此，有必要对关重件的特定故障模式进行深入研究，寻找一种准确的自动机关重件运行特征提取和故障诊断方法。

20世纪30年代，西方国家就在采用一些简单的仪器仪表通过数据来监测设备，从而获得设备中的故障。Collacott[10]首次将故障诊断技术应用于工业生产方面，并取得一定成果；日本丰田利夫教授借鉴西方国家的先进技术，通过改进与创新提出了故障检测与诊断技术，使日本对于工业上的故障检测与诊断技术达到世界领先地位[11]。21世纪以后，故障在军事上应用愈加广泛。Zhiying Fang等[12]提出了一种故障检测与诊断系统，用于检测转膛体的故障。JoseLuis Casteleiro-Roca[13]设计研发了一种具有多种分类功能的智能检测系统来检测飞机发动机中热水器的故障，并且其检测结果显著。叶银忠等[14]对自行发射装备的随动系统进行故障诊断，为故障诊断技术奠定了基础。针对控装置故障，张鹏军等人提出了一种模糊神经网络的故障诊断方法，该方法不仅能对原始数据进行优化，而且能根据神经网络判断出相应的故障类型[15]。针对滚动轴承的故障，张锐戈等[16]提出了一种采用残差积累和控制图相结合的故障诊断方法，该方法不仅遵循质量守恒、能量守恒原理，并且还会生成相关的故障诊断策略，从而识别故障。由于该故障诊断方法生成的故障诊断策略往往对于具有多种故障的情况不适用，因此，陈保家等[17]在上述故障诊断方法的基础上，针对强背景噪声下的早期故障诊断问题,提出了一种融合遗传算法品质因子参数优化，子带重构共振稀疏分解和小波变换的故障诊断方法。我国在特种装备方面的故障检测与诊断技术越来越趋于成熟[18-20]，但是由于环境因素的影响，提出的故障检测与诊断方法往往达不到应有的标准，还存在一定的误差，尤其是针对目标应用监测参数，实现基于数据驱动的故障诊断方法的研究非常迫切。

2 算法原理

本文提出基于数据驱动的自动机关重件故障诊断方法，该方法与同类方法不同之处在于基于实验监测数据，使用集合经验模态分解（EEMD）对采集数据进行分解，消除了经验模态分解（EMD）产生的信号分量混叠问题，从而提高了故障诊断的准确性。为解决上述技术问题，本文采用的技术方案如图1所示，首先对采集的自动机关重件的温度、压力和角度三类数据进行EEMD分解，从而获得主要的IMF分量。分别计算主要IMF分量的各个特征值，并且组成相应的特征向量。

图1 算法原理流程

通过取多组三种不同的正常状态数据进行处理，组成相应的特征向量，从而计算三种正常状态下的马氏距离敏感阈值。然后通过取多组三种不同的未知状态信号，计算相应的特征向量。以求得的正常状态下的特征向量为依据，求得的正常状态之间的马氏距离敏感阈值为标准，根据此标准阈值与未知状态与正常状态之间马氏距离敏感阈值进行比较，进而判断转膛自动机驱动机构的故障状态情况。其中EEMD分解算法包含信号加噪、EMD分解、求解IMF分量、重构等主要步骤。

EEMD分解后得到的数据IMF分量，再计算K-L散度用以区分EEMD分解得到的虚假IMF分量与真实IMF分量，其中的特征向量，包括波形指数、峰值指数、峭度指数和裕度指数种特征参数。

其中的马氏距离敏感阈值，其计算方法为：

式中CF为变量间的马氏距离，μ、δ2为变量的平均值与方差，N为信号组数，i为信号序号，k为经验系数。

3 方案验证

基于数据驱动的自动机关重件故障诊断方法包含采集数据、预处理、特征提取、计算马氏距离敏感阈值和故障判决5个主要步骤，包括：（1）对采集的温度、压力和角度三类信号进行EEMD分解，从而获得主要的IMF分量；（2）分别计算主要IMF分量的各个特征值，并且组成相应的特征向量。（3）取多组三种不同的正常状态信号进行处理，按照步骤（1）与（2）组成相应的特征向量，从而计算三种正常状态下的马氏距离敏感阈值；（4）取多组三种不同的未知状态信号进行处理，按照步骤（1）与（2）计算相应的特征向量；（5）判断转膛自动机关重件的故障状态情况。将三种正常状态的信号时域指标均值作为标准向量，然后求出各个正常状态标准的马氏距离敏感阈值，如图3所示。

如表1，是三类正常状态时域指标均值的训练样本表，如图2所示，是将三种正常状态的信号时域指标均值作为标准向量，然后求出各个正常状态标准的马氏距离敏感阈值。

表1 三类正常状态时域指标均值的训练样本表

图2 正常状态标准的马氏距离敏感阈值

本文以强度、气密性等故障为例，计算得到的马氏距离敏感阈值见表2。

表2 4种异常特征值中的1组IMF分量的测试样本表

根据算法流程，以求得的正常状态下的特征向量为依据，以求得的正常状态之间的马氏距离敏感阈值为标准，从而根据此标准阈值与未知状态和正常状态之间马氏距离敏感阈值进行比较，判断转膛自动机关重件的故障状态情况。如图3、图4、图5分别计算出3种不同测试物理量故障状态的阈值分布情况分。

图3 温度测试阈值分布

图4 压力测试阈值分布

图5 位移测试阈值分布

在上面对阈值进行实验过程中，EEMD分解的算法如图6所示，包含信号加噪、EMD分解、求解IMF分量、重构等4个主要步骤。

图6 EEMD分解的算法流程

如图6所示，首先设定总体平均次数为N，然后将不同程度的白噪声信号ni(t)，(i=1,2,…N)添加到原始信号x(t)中去，从而组成新的原始信号xi(t)：

将组成新的原始信号xi(t)进行EMD分解，从而分解为若干个不同的IMF分量[{c1,j(t)},{c2,j(t)}，…{cN,j(t)}],j=1,2,…,j,其中j为IMF的个数。第次分解后表示为：

上式中，ri,j(t)为残余分量；

通过求第j个IMF分量的均值，得到最终IMF分量：

其中cj(t)表示EEMD分解的第j个IMF分量，其中i=1,2,….N,j=1,2,…,j:

图中EEMD分解重构后为：

式中x(t)代表信号重构后的信号。

为了更明显地区分虚假分量与真实分量在数量上的差别，本文采用K-L散度法来识别并消除EEMD分解后出现的虚假分量。其中，基于K-L散度法改进EEMD的特征提取包括以下步骤：（1）将系统采集的三种信号参数进行EEMD分解，从而得出若干个不同的IMF分量；（2）根据系统要求选择适量的IMF分量，并计算这些IMF分量与其降噪后信号x(t)之间的K-L散度值；（3）将步骤（2）中求解的K-L散度值进行数据的归一化处理；（4）根据求得的K-L散度值，然后根据给定的阈值λ，从而判断这分量与原始信号之间的相似程度。即大于阈值则表示相似程度较小，则属于虚假分量，应当去除；同样的小于阈值λ则表示相似程度较大，则属于真实分量，应当保存。

其中，K-L散度的计算方法，步骤如下：

求解两信号的概率分布。设两信号与其概率分布分别为X={x1,x2,…xn}和Y={y1,y2,…yn}与p(x)和q(x)，满足：

然后计算两信号间的K-L距离：

计算两信号间的K-L散度：

其中，特征提取选用波形指数、峰值指数、峭度指数和裕度指数等4种特征参数表示自动机关重件的故障特征情况；

其中，马氏距离的敏感阈值计算首先计算变量x与变量b之间的马氏距离。

式中，x=(x1,x2,…xN)T，u=(u1,u2,…uN)T为变量b，S为变量x与变量b之间的协方差。

敏感阈值的定义如下式：

式中：μ、δ2—变量的平均值与方差。

k系数的选取采用切比雪夫不等式来估算马氏距离的概率分布，则相关的关系如下：

4 结论

基于数据驱动的自动机关重件故障诊断方法，能够克服模型与实际监测的误差，体现试验数据的重要性，基于数据驱动预测模型。该方法包含采集数据、预处理、特征提取、计算马氏距离敏感阈值和故障判决等5个主要步骤。其中采集数据特指采集自动机关重件的温度、压力和角度信号；预处理采用EEMD分解方法重构信号，并计算K-L散度消除虚假信号分量；特征提取包括选用波形指数、峰值指数、峭度指数和裕度指数等4种特征参数表示自动机关重件的故障特征情况；计算马氏距离敏感阈值与正常运行时的阈值进行比较，得到故障诊断结果。本文提出的故障诊断方法基于数据驱动，通过EEMD算法解决了信号在传统EMD分解时出现的模态混叠现象，并通过马氏距离算法消除了多元变量间的相关性，故障诊断结果较传统阈值法准确率高、虚警率低，具有显著实际意义和实用价值。