基于FastAP的港口机械故障诊断研究

庄志忠

（福建船政交通职业学院，福建福州350007）

港口作为国际贸易门户，是物资进出口的集散地.随着现代工业技术的快速发展，港口自动化、机械化程度逐渐提高.但由于港口机械工作环境复杂，且工作量巨大，因此机械的零件极易发生故障.为避免因机械故障带来的经济损失，有必要对机械故障进行实时准确的诊断，并及时对故障进行检修，确保港口生产运输的安全.目前，针对港口机械故障诊断的方法主要包括基于统计分析和基于信号处理的方法，如张龙[1]等、罗忠[2]等基于优化指标一致性原则，提出了对滚动轴承故障的诊断方法，可有效检测出故障部位；潘继财[3]、孙玉伟[4]等基于采用声音特征与改进稀疏表示的信号处理方法，有效实现了机械故障诊断.但上述方法往往存在诊断准确率较低的问题.近年来，人工智能技术的快速发展，为机械故障诊断带来了新的契机，故本研究利用人工智能技术，通过FastAP聚类算法挖掘机械数据中有效的故障信息，并进行识别，实现了港口机械故障诊断，提高了故障诊断的准确率.

1 FastAP算法简介

FastAP算法是在AP聚类算法基础上，通过引入不完全相似度，以提高算法聚类效果的一种改进聚类算法[5].其具体实现流程如下：

步骤1：计算样本的相似度矩阵S；

步骤2：根据压缩相似度矩阵算法计算压缩相似度矩阵S′，如式（1）[6]；

式中，enew表示聚类范例；Cnew表示新聚类；Ne表示每次迭代中的范例.

步骤3：将S′进行稀疏化，得到稀疏性相似度矩阵S*；

步骤4：迭代计算吸引度矩阵R=（r（i，j））和归属度矩阵A=（a（i，j））；

步骤5：判断算法是否都达到迭代次数，若达到最大迭代次数，则返回聚类簇信息，结束算法；若算法没有达到迭代次数，则判断算法迭代过程是否收敛，若收敛，则返回聚类簇信息，结束算法，反之，则返回步骤4.

上述流程可用图1示意.

图1 FastAP算法流程

2 基于FastAP的港口机械故障诊断模型

根据上述对FastAP算法分析可知，FastAP算法的聚类簇无须预先设置，且实现过程较为简单[7].因此，研究选用该算法作为故障诊断算法，并构建如图2所示的港口机械故障诊断模型.模型包括故障特征提取、聚类分析、故障诊断三个模块.

图2 基于FastAP的港口机械故障诊断模型

第一个模块：故障特征提取

故障特征提取是为了更快速准确获取样本特征，以提高故障聚类精确度，进而提高故障诊断准确率[8].先采用EEMD分解港口机械时域振动信号，得到IMFs分量.然后采用近似熵分析方法计算IMFs分量近似熵，并将其转换为故障特征向量.

假设每个港口机械原始故障样本均包含一段长度为n的时域信号x=（x1，x2，…，xm），EEMD分解得到m个IMFs分量为I=（I1，I2，…，Im）.采用近似熵方法计算IMFs分量近似熵，并组成特征向量V=（v1，v2，…，vm），V即为港口机械故障特征.

第二个模块：聚类分析

聚类分析结果直接影响港口机械故障诊断准确率[9].本研究通过计算FastAP算法聚类结果的聚类精准度是否达到设定阈值，判断算法聚类效果.若聚类精准度达到设定阈值，则保存聚类结果，结束聚类分析；若聚类精准度没有达到设定阈值，说明算法没有达到最佳聚类效果，此时调整算法参数并对调参后的算法再次进行聚类分析，直至聚类精度达到设定阈值.

第三个模块：故障诊断

故障诊断即对故障样本进行识别，是整个模型的最终目的，其具体诊断步骤如下：

步骤1：EEMD分解故障样本信号x=（x1，x2，…，xm）得到IMFs分量I=（I1，I2，…，Im）；

步骤2：计算I=（I1，I2，…，Im）的近似熵值，并组成特征向量V=（v1，v2，…，vm）；

步骤3：根据式（3）计算v与聚类中心距离；

式中，s（i，j）表示数据点xi和xj的相似度值.

步骤4：选择与特征向量距离最小（dmin）的簇，并计算簇内最大距离（dmax）；

步骤5：比较dmin与dmax的大小，若dmin>dmax，则将故障样本归为未知类别，并转至步骤7，反之则执行步骤6；

步骤6：统计实际类别，并选取出现次数最多的类别为故障样本类别；

步骤7：输出诊断结果.

上述步骤可用图3示意.

图3 故障诊断流程

3 仿真实验

3.1 实验环境

在MATLAB软件上进行仿真，选用Windows7作为操作系统，硬件条件为Intel corei3-2328M，CPU为2.20 GHz，RAM为4 096 MB.

3.2 数据来源及预处理

算法验证数据集包括两类，一类为MATLAB随机生成的服从高斯分布的4个合成数据集，如表1；一类为UCI机器学习库中的7个真实数据集，如表2.

表1 4个合成数据集

表2 7个真实数据集

考虑到7个真实数据集中不同数据集间属性值变化范围较大，会影响算法聚类精度，为减少不同数据集间的属性值影响，对7个数据集进行归一化处理.然后，将处理后的数据集转化为.mat文件输入算法即可.

故障诊断验证选用美国凯斯西储大学滚动轴承驱动端故障数据作为实验数据集，包括轴承工作转速为1797RPM和1772RPM的两种数据集[10].具体如表3所示

表3 故障样本

3.3 评价指标

选用相似度总和（SS）、聚类精确性（Accu）、聚类计算时间作为评估FastAP算法性能的指标.其计算方法如式（4）和（5）.

式中，N表示数据点xi的总数；s（i，ci）表示xi与其所属范例xci的相似度；ci、c*分别表示算法聚类结果与实际聚类标签，当时，δ（ci，

3.4 参数设置

将AP算法和FastAP算法迭代次数分别设置为50和500，阻尼系数均设置为0.5，偏好参数均设置为相似度矩阵的中位数.FastAP算法的压缩率和稀疏率分别设置为0.2和0.5.

3.5 结果与分析

3.5.1 算法验证

为验证本研究算法的有效性，采用本算法与标准AP算法对算法验证实验数据集进行聚类，结果如表4、5所示.由表4可知，在4个合成数据集上，标准AP算法和FastAP算法在相似度总和、聚类精确性指标差异较小，但FastAP算法的聚类计算时间更短，且随着数据量的增加，聚类计算时间的优势更明显.由表5可知，4个真实数据集在相似度总和指标上，标准AP、FastAP算法的差异较小；在聚类精确性指标上，标准AP算法和FastAP算法较为接近；在聚类计算时间指标上，FastAP算法表现最好，标准AP算法表现最差.整体来看，虽然FastAP算法聚类精确度略低于标准AP算法，但其整体性能更好.

表4 合成数据集聚类结果

表5 真实数据集聚类结果

3.5.2 故障诊断验证

为验证基于FastAP算法对故障诊断的效果，利用港口机械故障数据集进行故障诊断，得到如表6和表7所示结果.由表可知，本研究提出的FastAP算法对故障的诊断准确率均高于92%，且随着故障样本的增多，故障诊断正确率逐渐增大.

表6 1797RPM转速诊断结果

表7 1772RPM转速诊断结果

表9 工作转速为1772RPM的诊断结果

为进一步证明本算法对故障诊断的优越性，采用k-means算法和FastAP算法对apen1~apen3进行故障诊断，得到如表8、9所示结果.当工作转速为1797RPM时，k-means算法和FastAP算法对故障诊断的准确率差异明显，FastAP算法的准确率明显高于k-means算法，且当k-means算法聚类中心较少时，FastAP算法对故障诊断准确率优势更明显；当工作转速为1772RPM时，k-means算法和FastAP算法的故障诊断准确率差异较小，分析其原因是该工作转速下，故障样本较多，故两种算法的诊断准确率都较高.整体来看，本研究提出的基于FastAP算法的故障诊断方法，无论故障样本的多少均可进行准确诊断，故本研究算法性能优于k-means算法.

表8 工作转速为1797RPM的诊断结果

3.5.3 实例验证

为验证实际应用效果，选用某个散货港口皮带机系统部分历史数据为故障样本进行故障诊断，得到如表10所示结果.由表10可知，本研究提出的FastAP算法对正常状态、内外圈故障、滚动体故障诊断的准确率达到100%；对裂纹故障的诊断准确率为80%，对轴承松动故障的诊断准确率为0，其原因是裂纹故障和轴承松动故障样本较少，尤其是轴承松动故障仅有6个样本，这导致算法在聚类分析时难以提取到有效信息，进而导致故障诊断准确率较低.

表10 故障诊断结果

4 结论

综上所述，通过构建的基于FastAP算法故障诊断方法，可有效识别不同类型的机械故障，相较于标准AP算法和k-centers算法，本研究算法性能更好，在相似度总和、标准化互信息、聚类精确性、聚类计算时间四项指标上表现更好；相较于k-means算法，本研究算法故障诊断准确率更高，达到92%以上；通过在港口机械故障诊断中的应用，验证了本算法的可行性和有效性，可准确诊断港口皮带机正常状态、内外圈故障状态、滚动体故障状态，诊断准确率达到了100%.但本算法仍存在待改进的地方，如FastAP算法运行模式为单机模式，一定程度上限制了故障聚类分析效率.下一步，研究将考虑在spark平台上对算法进行实现，以提高故障分析效率.