基于巡检机器人的电缆卷筒减速器故障诊断技术

朱敏捷，李建华，周灵刚

(国网浙江省电力有限公司台州供电公司，浙江 台州 318000)

0 引言

由于我国电力需求高，所以各城市设定的电缆、电线铺设量均较大[1]。为了便于对这些电缆、电线进行合理的保护及控制，设计了电缆卷筒作为保护电缆线的重要设备。电缆卷筒虽然可以有效地对电缆、电线进行控制和保护，但其本身是一个大型的机械设备，电缆卷筒除了对电缆电线进行保护外，还能够维护设备的运行，不过由于体积过大，也会带来很多不便[2]。对电缆卷筒进行生产时，电缆卷筒中的减速器时常发生故障，这就会给电缆卷筒带来影响，导致其设备无法运行，甚至会影响到工作进程。为了解决上述问题，需要对电缆卷筒减速器故障诊断技术进行有效研究。

陈乐瑞等[3]提出结合非线性频谱和核主元分析的机器人用RV减速器故障诊断方法，存在故障诊断效果差的问题。毛君等[4]提出基于深度自编码网络的采煤机截割部减速器故障诊断方法，但该方法存在不同状态下故障诊断误判率高的问题。

为了解决上述方法中存在的问题，提出基于巡检机器人的电缆卷筒减速器故障诊断技术。

1 基于巡检机器人的电缆卷筒减速器

1.1 构建巡检机器人数据采集系统

巡检机器人本身具有可视化摄像机、高清摄像头及监测传感器等智能设备，它可以快速地对数据进行采集和分析，能够完全代替人工进行检测，在机械领域中有着较高的使用率[5]。

然而电缆卷筒在运行期间，它的减速器极易发生故障，影响电缆卷筒设备工作运行状况，为了解决这种问题的发生，需要构建一个巡检机器人系统对电缆卷筒减速器发出的振动信号进行采集，便于对电缆卷筒减速器的故障进行诊断[6]。建立的巡检机器人数据采集系统如图1所示。

图1 巡检机器人数据采集系统

巡检机器人数据采集系统可以进行远程监控[7]、数据传输等操作，用户可以通过监控软件对想要接收的数据进行采集，还可以对采集的数据进行处理后直接生成报表。因此，需要利用巡检机器人数据采集系统对电缆卷筒减速器进行远程监控，以此获取电缆卷筒减速器发出的振动信号数据，完成电缆卷筒减速器数据采集。

1.2 电缆卷筒减速器特征提取

1.2.1 核函数的确立

KPCA[8]属于非线性特征提取方法，主要利用核函数将采集到的数据输送到输入空间中，利用输入空间直接映射到特征空间内，实现特征提取。

设定减速器采集数据的数据集为：XT=x1,x2,x3,…,xl∈Rn×l，n为变量总数，l为样本数据，R为输入空间，XT为数据集。根据设定的数据集，取得基于KPCA的目标函数为

(1)

φ为R到特征空间的映射；yi为投影；j为投影量；T为时刻。

特征空间F主要由多个映射值组成，标记为φ(x1),φ(x2),…,φ(xl)，而特征点φ(xi)中，必须要有投影量j，这样特征空间才能完全成立，所以投影量j必须要满足下述条件，即

(2)

βi为展开方向。

将式(2)引入到式(1)中，就相当于对目标函数进行转换，转换后的方程表达式为

φ(xi)T+φ(xi)=1

(3)

为了获取式(3)的非线性问题，所以需要把核函数K(i,j)=φ(xi)T+φ(xi)引入到式(3)中，那么这时引入核函数的目标函数就可以定义为

(4)

通过确立的核函数，将其引入到式(3)后得到式(4)，利用拉普拉斯特征将式(4)映射到特征空间中，对减速器进行特征提取。

1.2.2 减速器特征提取

利用LE映射将构造的相应空间输送到式(4)中，达到高维数据引入到低维空间的目的。再利用拉普拉斯特征映射，即LE，对低维空间的特征数据进行映射，从中取得电缆卷筒减速器特征子集，具体流程如下：

a.对各数据的近邻点xi∈R进行确立，根据确立结果建立数据之间的邻域关系图H。

b.根据H确立邻接权矩阵，且确立的方式分为2种，分别是热核方式和简单连接方式。可以依据不同的H选择相应的确立方式。

c.通过构建的邻接权矩阵，对减速器数据的低维输入数据进行计算，取得减速器特征向量[9]为

Ly=λ+D+y

(5)

L为拉普拉斯矩阵；D为对角矩阵；λ为低维输入数据。

对式(5)进行特征分解后，可以取得电缆卷筒减速器特征向量，达到电缆卷筒减速器特征提取的目的。

2 电缆卷筒减速器故障诊断

电缆卷筒减速器在进行故障诊断时[10]，由于造成电缆卷筒减速器故障的因素较多，所以容易存在故障诊断不到位、故障诊断误差大等一系列问题。因此，为了能够精准地对电缆卷筒减速器进行故障诊断，基于卷积神经网络构建出一个电缆卷筒减速器故障诊断模型，构建的模型如图2所示。

图2 电缆卷筒减速器故障诊断模型

如图2所示，构建的电缆卷筒减速器故障诊断模型主要通过3部分建立而成，包括卷积层、连接层和池化层。利用该模型对电缆卷筒减速器进行故障诊断时，可以将电缆卷筒减速器中的故障类型精准诊断出来，大大提高故障诊断效果。

将上述提取的电缆卷筒减速器特征向量输入到模型内进行训练，这时卷积层就能够接收到输入的特征向量数据，表示为Z，且Z∈RB×P。其中，B、P为输入的特征向量数据维数。由于获取的特征向量不同，所以与其相对应的维数也大不相同。那么特征向量数据输送到卷积层[11]后就能够得到与其相对应的特征输出，因此，卷积层中的电缆卷筒减速器输出特征可以表示为

(6)

通过式(6)就可以看出，电缆卷筒减速器输出特征向量在卷积层内的数量过多，这样就容易出现拟合问题，所以为了解决这种拟合问题的发生，需要利用池化层对最大电缆卷筒减速器特征进行保留，达到简化计算复杂度的目的，提高故障诊断效率，简化后的电缆卷筒减速器输出特征为

(7)

Ucn为在池化层内的第cn个输出特征，其中cn为输出数量；S为池化层内的池块尺寸。

电缆卷筒减速器特征向量数据经过卷积层和池化层后，会直接输出到全连接层，而全连接层就会直接对高级的特征向量数据进行分类[12]，因此，利用Softmax回归法对高级的电缆卷筒减速器特征向量进行故障诊断，方程表达式为

(8)

θ1(x)、θ2(x)、θK(x)为故障诊断模型的参数；Nj为故障诊断结果。

根据式(8)可知，电缆卷筒减速器特征向量输入到故障诊断模型中进行训练时，该模型的最终输出结果就是电缆卷筒减速器诊断的故障类型，可根据获取的故障类型实现电缆卷筒减速器故障诊断。

3 实验与分析

为了能够准确测试出电缆卷筒减速器的故障诊断效果，利用本文方法、文献[3]方法和文献[4]方法分别对不同状态下的电缆卷筒减速器进行故障诊断测试。

设立电缆卷筒减速器分别处于正常状态、故障状态2种状态下，其中故障状态具体表现为：摆线轮点蚀、偏心轴磨损和行星架点蚀故障3种。再对处于不同状态下的电缆卷筒减速器发出的振动信号进行采集。设置电缆卷筒减速器此时的转速为：A=450 r/s，而电缆卷筒减速器的采样频率为2 500 Hz。依据采集的数据将其统一划分成120×350的数据集，在数据集中选取100个测试样本数据，利用3种方法对不同状态下的电缆卷筒减速器故障诊断误判率进行实验测试，以此验证电缆卷筒减速器故障诊断效果，测试结果如图3～图6所示。

从图3中可以看出，在正常状态下文献[3]方法和文献[4]方法的故障诊断误判率运动轨迹迹象相差较小，而本文方法的运动轨迹要低于文献[3]方法和文献[4]方法，由此可见本文方法的误判率最小，表明在正常状态下本文方法的故障诊断误判率要优于其他2种方法。

图3 正常状态下的故障诊断误判率

图4 摆线轮点蚀状态下的误判率

图5 偏心轴磨损状态下的误判率

图6 行星架点蚀故障下的误判率

图4中，随着电缆卷筒减速器出现摆线轮点蚀后，3种方法的误判率均有所提升，其中文献[3]方法的提升速度过于明显，可以看出文献[3]方法受到摆线轮点蚀的影响较大，致使文献[3]方法的误判率要高于本文方法和文献[4]方法。而本文方法和文献[4]方法在测试期间虽然也受到了摆线轮点蚀的影响，但受到的影响较小，因此本文方法的误判率最低、故障诊断效果最佳。

图5中，在偏心轴磨损影响下，文献[3]方法的故障诊断误判率依旧要高于本文方法和文献[4]方法，可见文献[3]方法在故障状态下的故障诊断效果最差。反之，本文方法在偏心轴磨损状态下的误判率较低，验证了在偏心轴磨损状态下本文方法的故障诊断准确性最高。

由图6可知，文献[4]方法在测试期间受到行星架点蚀故障的影响最大，在整个测试中，文献[4]方法的误判率均高于本文方法和文献[3]方法，且上升速度也较快，表明文献[4]方法的误判率最高。与文献[4]方法相反的是，本文方法的误判率始终保持最低，故障诊断精度较高。

综上所述，本文方法在不同状态下的故障诊断误判率都要低于另外2种方法，这主要是因为本文方法对特征向量数据进行简化，解决了数据过多造成的拟合问题，以此提升了故障诊断效率，增强了电缆卷筒减速器故障诊断效果。

4 结束语

电缆卷筒减速器在使用期间极易发生故障，所以针对电缆卷筒减速器故障诊断方法存在的问题，提出基于巡检机器人的电缆卷筒减速器故障诊断技术。首先基于巡检机器人构建了一个数据采集系统，并对采集的数据进行特征提取后，将获取的特征向量数据输送到建立的故障诊断模型中，以此实现电缆卷筒减速器故障诊断。