基于局域波信息熵的高速自動機故障診斷

都 衡，潘宏俠

（中北大學機械工程與自動化學院，山西 太原 030051）

基于局域波信息熵的高速自動機故障診斷

都 衡，潘宏俠

（中北大學機械工程與自動化學院，山西 太原 030051）

針對小口徑火炮自動機工作時產生的短時沖擊信號，提出一種將局域波分解與信息熵相結合提取特征量，并利用Elman神經網絡進行故障識別的診斷方法。首先運用具有自適應特性的局域波對振動信號進行分解得到IMF分量，再接著利用信息熵理論提取IMF信息熵、局域波能譜熵及能矩譜熵作為故障特征量，最后將特征向量輸入Elman神經網絡進行故障分類識別。實驗結果表明：該方法能準確，有效地識別故障。

人工智能；高速自動機；故障診斷；信息熵；局域波

0 引 言

自動機的運動比較復雜，在運動過程中會伴隨著激烈、復雜的撞擊、摩擦、振動和跳動等。而自動機工作的可靠性在自動武器研制過程中尤為重要，據統計，輕武器故障80%是由自動機引起的，研制的工作量70%是在解決武器的自動機可靠性問題，貫穿于槍械研制的全過程[1]。針對高速自動機的狀態監測與早期故障診斷是裝備現代化的方向，也是很多學者關注研究的熱點。目前，國內外對高速自動機可靠性分析研究的較多，但通過試驗測試研究自動機故障的很少，一些實驗室臺架研究，還沒有實現在線實時故障診斷測試；針對供輸彈過程中單一問題研究較多，較系統研究診斷技術工程實際應用未見報道。小口徑火炮自動機維修保障手段相對落后，傳統方法采用聽、摸、看和經常的大拆大卸、開箱解體方式檢查，維修成本高、周期長，受主觀因素的干擾易造成誤診漏診，遠遠不能適應現實裝備研制和維修需要[2]，因而研究一種高效的故障診斷方法顯得尤為重要。

局域波時頻譜是一種新的分析非平穩、非線性信號的時頻分析方法。信息熵是對系統不確定性程

度的描述，可以對設備狀態的變化情況進行度量。本文針對自動機工作時產生的短時沖擊瞬態信號,將二者相結合，運用局域波對這種非平穩、非線性信號進行分解得到IMF（本征模式分量）。在此基礎上運用能反映事物復雜性測度的信息熵對IMF分量進行處理，提取IMF信息熵、局域波能譜熵、能矩譜熵作為故障特征進行故障診斷。最后建立神經網絡進行訓練，對故障進行智能識別。

1 局域波分解的基本原理

2000年，馬孝江教授[3]通過對非平穩信號內在特征的深入分析，結合Huang的思想和EMD算法，首次提出局域波（Local Wave）的概念。局域波分解能基于信號的局部時變特征自適應地分解到具有多分辨率特性、正交的基本模式空間，分解得到的IMF分量反映了信號在基本模式空間中的尺度、模式結構及能量分布。因此本文將研究信號在基本模式空間中的信息特征，從中提取能有效反映系統狀態的特征量，為故障診斷奠定基礎。為此首先應用局域波分析方法對信號進行分解。具體算法流程如圖1所示。

圖1 EMD分解流程圖

IMF是滿足以下兩個條件的信號：

（1）整個信號中零點數與極點數相等或最多相差1。

（2）信號上任意一點，由局部極大值點確定的包絡線和由局部極小值點確定的包絡線的均值為零，即信號關于時間軸局部對稱。

在局域波分解過程中，當殘余分量rn（t）成為一個單調函數或常量，或第n階IMF分量cn（t）或其余量rn（t）小于預設值時，分解過程結束。在實際情況中，很難保證上下包絡的均值絕對為零，需要給出“篩分”過程結束的標準，通常當滿足式（1）時，就可以認為滿足IMF的均值為零的條件。

式中：ε——篩分門限，通常將ε的值取0.2～0.3[4]。

2 信息熵特征提取模型

在自信息理論的基礎上，香農（Shannon）定義自信息的數學期望為信息熵[5]，即信息源的平均信息量：

2.1 IMF信息熵

當機械系統發生故障時，其振動信號分解的IMF將發生變化，相應的信號尺度、模式結構及能量分布也將發生改變，IMF凝集了系統狀態的重要信息，對狀態變化規律反映敏感。本文利用值域平均法提取該IMF分量的信息熵作為特征參數[6]。步驟如下：

（1）設c（t）為信號x（t）的某個本征模式分量，c（t）中的最大值賦值為cmax，最小值賦值為cmin。

（2）設置區間[cmin，cmax]中的N等分點Bi，[cmin，B1]，…，[Bi，Bi+1]，…，[BN-1，cmax]，這N個區間作為特征量的N個離散值域D∈{D1，D2，…，DN}，當某個樣本的該屬性的值落入[Bi，Bi+1]區間時，就認為該樣本在該屬性上具有相應的離散屬性值Di。

（3）本文已知該離散信號的采樣點總數n，c（t）落在第i個區間的樣本點個數為mi，則根據統計學c（t）落在第i個區間的概率P（Bi）=mi/n。因此由定義可得該IMF信息熵為

2.2 局域波能譜熵與局域波能矩譜熵

根據局域波分解原理，在忽略殘余分量的情況下分解前后能量近似守恒，即

式中：Ei——ci（t）的能量，則E=[E1，E1，…，En]為n個IMF的能譜。各IMF分別包含了不同的頻率成分和頻帶，則E形成了信號能量在頻率域的一種劃分[7]。

為更好地描述各IMF的能量大小及沿時間軸上的分布特點，在IMF能量的基礎上定義了IMF能量矩，用以改進IMF能量的測度[8]。定義如下：

式中：N——信號長度；

Δt——采樣周期。

相應的局域波能譜熵定義為

局域波能矩譜熵定義為

式中：Hnp——各IMF能量分布的不確定性；

Hnj——各IMF能量-時間分布的不確定性[9]。

3 自動機故障診斷分析

3.1 自動機故障實驗

自動機射擊動作時由于火藥氣體燃燒，在激振力的作用下會產生一定方向和頻率的沖擊振動，構件的裂紋或松動等故障會影響到其響應成分的頻率能量特性。本文結合自動機本身的運動特性，針對短時沖擊信號特點，從信息的定量描述角度提取故障特征進行故障診斷。

圖2 實驗臺架及測試系統結構圖

故障實驗以W85自動機作為實驗對象，在靶場射擊實驗臺上進行射擊測試，實驗臺架及測試系統整體結構如圖2所示。采用電火花線切割的方法在自動機備件上預制裂紋槽，使裂紋在射擊過程中自動地產生和擴展。實驗時在閉鎖片上分別對稱設置兩種不同的故障：故障1在閉鎖片閉鎖斜面的圓角處、沿其半徑方向設置0.5mm深的裂紋槽；故障2沿經過閉鎖片回轉圓心且垂直于閉鎖片內平面的方向設置0.5mm深的裂紋槽。閉鎖片裂紋位置及局部放大圖如圖3所示。在槍尾上方和機箱左側分別布置三向壓電式加速度傳感器，對小口徑火炮自動機高速動作和撞擊過程產生的沖擊振動進行測試。運用計算機便攜式DASP系統采集記錄兩個測點位置的3組沖擊加速度響應信號，形成三向6路數據采集系統。分別對故障1、故障2、正常3種工況下的多次單發與三連發射擊進行信號采集。3種工況下三連發射擊時槍尾上方傳感器的振動信號時域波形如圖4所示。

圖3 閉鎖片上裂紋故障及局部放大圖

圖4 各工況下自動機振動信號時域圖

3.2 故障診斷與結果分析

對所采集記錄的沖擊響應信號做零均值化、濾波、重采樣、野點剔除等預處理之后，將自動機3種工況的振動信號分別進行局域波分解，提取各個狀態信號的IMF分量。經過分析，提取各個狀態信號的前10個IMF分量就已經涵蓋了自動機振動信號最顯著、最重要的故障特征。槍尾上方X向加速度振動信號

EMD分解結果如圖5所示。運用信息熵理論對各個IMF分量進行處理并提取IMF信息熵、域波能譜熵與局域波能矩譜熵作為故障診斷的特征向量，然后將特征向量輸入Elman神經網絡進行故障識別。自動機故障診斷整體思路流程如圖6所示。

圖5 自動機故障1振動信號EMD分解結果

建立Elman神經網絡，由于在提取IMF信息熵時所分區間個數為10，因而IMF信息熵特征量為10。此外還有局域波能譜熵與局域波能矩譜熵兩特征量，總的故障特征量為12，所以神經網絡的輸入神經元為12。3種故障狀況，所以神經網絡的輸出神經元個數為3，分別為（1，0，0）對應故障1；（0，1，0）對應故障2；（0，0，1）對應正常。理論上Elman網絡中間層的神經元數目是任意選定的，但是隨著問題復雜性的不斷提高，需要在中間層增加更多的神經元以使網絡精度更高，速度更快。經反復試驗,選定中間層神經元個數為28時，網絡精度高，速度快。隱含層神經網元的傳遞函數采用S型正切函數tansig（），輸出層神經元傳遞函數采用S型對數函數logsig（），訓練次數為500，訓練目標為0.0001。提取3種工況三連發射擊時的15組特征量作為訓練樣本，對網絡進行訓練。以3種故障狀況下機箱左側面X向（身管軸線方向）振動信號提取的特征量為例，歸一化后如表1所示。同樣提取3種工況三連發射擊時的15組特征量作為測試樣本，輸入訓練好的網絡進行故障識別。如果認為0.9以上為故障，根據統計該網絡診斷準確率在95%以上。表2為以3種故障狀況下槍尾

表1 歸一化后作為訓練樣本的部分特征向量

表2 神經網絡診斷的部分結果

圖6 小口徑火炮自動機故障診斷整體思路流程圖

上方X向（身管軸線方向）振動信號為例的故障識別結果。

4 結束語

本文針對高速自動機工作時的沖擊響應信號，提出將局域波分解與信息熵有效結合，運用信息技術和現代信號分析方法構建一種能夠精確表征信號特征的信息熵提取模型。針對自動機故障診斷的特點，建立了不同空間信息熵特征提取模型，提取IMF信息熵、局域波能譜熵和能矩譜熵作為特征量，最后將所提取的特征量輸入Elman神經網絡進行故障診斷。結果證明所建立故障診斷模型故障識別率高達95%，能有效識別故障，從而為自動機沖擊振動信號特征提取和系統故障診斷提供了一種方法。

[1]林淵.武器自動機運動規律信號降噪方法的研究[D].太原：中北大學，2009.

[2]潘銘志，潘宏俠，趙潤鵬，等.自動機機箱振動分析與診斷研究[J].火炮發射與控制學報，2012（2）：67-70.

[3]別鋒鋒.基于局域波時頻譜的往復機故障智能診斷方法研究[D].大連：大連理工大學，2006.

[4]于德介，程軍圣，楊宇.Hilbert-Huang變換在齒輪故障診斷中的應用[J].機械工程學報，2005，41（6）：102-107.

[5]謝平.故障診斷中信息熵特征提取及融合方法研究[D].秦皇島：燕山大學，2006.

[6]韓中合，韓悅，朱霄珣.基于IMF信息熵與SVM的轉子振動故障智能診斷方法[J].華北電力大學學報，2012，39（4）：81-85.

[7]Yang Y，Yu D J，Cheng J S.A roller bearing fault diagnosis method based on EMD energy entropy and ANN[J].Journal of Sound and Vibration，2006（294）：269-277.

[8]秦太龍，楊勇，程珩，等.基于IMF能量矩和神經網絡的軸承故障診斷[J].振動、測試與診斷，2008，28（3）：229-232.

[9]楊先勇.基于信號局部特征提取的機械故障診斷方法研究[D].杭州：浙江大學，2009.

High-speed automaton fault diagnosis based on local wave information entropy

DU Heng，PAN Hong-xia
（Mechanical Engineering and Automation College，North University of China，Taiyuan 030051，China）

As short-term impact signal will produce when small caliber gun’s automaton works，a diagnostic method forthiscase hasbeen proposed with the localwave decomposition and information entropy combined extract feature vectors and using Elman neural network recognition fault.Firstly，the local wave with self adaptive feature is used to break down the vibration signal into a series of IMF components.Then it takes advantage of the information entropy theory to extract the IMF information entropy，local wave energy spectrum entropy and energy moment spectrum entropy as the fault feature.Finally，the feature vector is input to the Elman neural network for fault classification and recognition.The experimental results show that the method can identify the fault accurately and effectively.

artificial intelligence；high-speed automaton；fault diagnosis；information entropy；local wave

TH117；TP206+.3；TP183；TN911.7

：A

：1674-5124（2014）01-0115-04

10.11857/j.issn.1674-5124.2014.01.029

2013-06-25；

：2013-08-02

國家自然科學基金項目（51175480）

都 衡（1987-），男，山西臨汾市人，碩士研究生，專業方向為機電系統故障診斷。