基于投影尋蹤的旋轉設備潛在故障識別方法*

程曉涵， 汪愛明， 陳玉林， 李 偉， 孟國營

(中國礦業大學(北京) 機電與信息工程學院 北京，100083)

基于投影尋蹤的旋轉設備潛在故障識別方法*

程曉涵， 汪愛明， 陳玉林， 李 偉， 孟國營

(中國礦業大學(北京) 機電與信息工程學院 北京，100083)

為了解決潛在故障階段特征信號微弱、有效信息難以提取的問題，提出一種基于投影尋蹤的旋轉設備潛在故障識別和預警方法。通過計算得出24個特征指標用以描述設備運行狀態。為避免單一投影方向揭露信息的片面性，提出利用最佳投影方向矩陣將不同狀態(包括正常狀態和異常狀態)下的24個特征指標投影到二維空間，得到投影值的分布特征，并以此建立特征評價指標體系。通過觀察待評估的某一時刻的24個特征指標的投影值分布與上述特征評價指標體系相對比，即可判斷該時刻設備運行狀態是否存在異常和故障類型。試驗數據分析表明，該方法具有較好的可行性和可靠性，在捕捉早期故障信號方面具有很高的靈敏性。

24特征指標； 投影尋蹤； 最佳投影方向矩陣； 特征評價指標體系； 狀態識別和預警

引 言

旋轉機械在各行業內均是生產的核心設備,其運行狀況是否良好直接關系到生產安全，因此其早期潛在故障的識別與預警至關重要。旋轉設備潛在故障識別和預警方法本質上就是模式識別或分類問題，包括信號檢測、特征提取、狀態識別及診斷決策等具體實施步驟，但最核心的環節還在于特征提取。振動信號是設備運行狀態的信息載體，潛在的故障階段，特征信號微弱，同時由于噪聲干擾，有效信息極易被湮沒，因此采用科學有效的信號分析工具和算法挖掘微弱的故障特征信號顯得十分關鍵。

武兵等[1]提出利用支持向量回歸技術對多個特征量進行并行預測，并綜合各類特征及其各步的剩余使用壽命預測結果，通過置信區間估計確定最終預測結果。蔡劍華等[2]提出了一種由信號的高階譜重構功率譜，再由重構的功率譜提取故障信息的故障診斷方法，在抑制高斯有色噪聲、提取信號中有用信息方面優于傳統功率譜方法，同時具有很高的分辨率。Mohsen等[3]研究了軸承元件的動態接觸機制，用鍵合圖建立了相應的振動模型，獲取了損傷軸承的振動響應。袁幸等[4]研究一種基于物理模型辨識的滾動軸承故障診斷方法，即通過物理模型構建標準模式數據庫，進而識別故障。陳偉等[5]引入小波包以及共振解調技術進行故障特征提取與優化，利用支持向量數據描述(support vector data description，簡稱SVDD)建立一種郵政分揀機供包臺系統軸承故障的診斷模型。周曉峰等[6]提出一種分層的獨立分量分析(independent component analysis，簡稱ICA)振動信號消噪方法，用獨立分量分析方法實現有用信號和背景噪聲源的分離，達到消除背景噪聲的目的，有效地提取故障信息，提高后續故障分析和診斷的準確性。

筆者將投影尋蹤方法引入到旋轉設備狀態識別和預警方法的研究之中，通過將24個特征指標投影到二維空間中，觀察和分析特征指標投影值的分布特點，建立24特征評價指標體系，實現潛在故障特征的提取以及后續的狀態識別功能，以便在故障萌芽階段主動采取維護措施，避免設備長期工作在非正常狀態和故障持續劣化，造成不可挽回的安全事故。

1 總體方案設計

圖1 總體方案流程圖Fig.1 Flow chart of overall scheme

如圖1所示，本方案從設備關鍵部位的監測監控系統中提取振動信號，經數據分析和計算得出24個特征指標用以描述設備運行狀態。利用二維投影方法將所述24個特征指標投影到二維空間，得到投影值的分布特征。由于特征指標的投射值分布對于某一固定設備在正常運轉狀態下是固定不變的，以此建立特征評價指標體系。通過觀察待評估的某一時刻的24個特征指標的投影分布與特征評價指標體系相對比，即可判斷某一時刻設備運行狀態是否存在異常，進而提醒工作人員采取相應的維護措施。

2 24個特征指標的選取

表征設備運行狀態的特征指標種類繁多，而且每個特征指標對設備運行狀態的規律性、敏感性和聚類性各不相同。為了能全面描述設備的運動狀態，筆者采用13個時域特征指標(如表1中第1～13項所示)和11個頻域特征指標(如表1中第14～24項所示)[7-9]。

3 基于投影尋蹤的24特征指標向量的建立處理

3.1 振動數據預處理

對原始振動數據{ai,i=1,2,…,n}進行預處理，具體步驟如下：

1) 對振動數據{ai,i=1,2,…,n}進行傅里葉變換得到{xi0,i=1,2,…,n}；

2) 按表1中的各公式計算出能夠描述設備運行狀態的24特征指標向量

3.2 對24特征指標向量的投影處理

3．2．1 24特征指標向量X的訓練樣本的預處理

設備某一工作狀態(可為正常狀態或某一典型故障狀態{qi,i=1,2,…,s})下的24特征指標向量X構成訓練樣本空間,可以用p×n的矩陣X*={x*(i,j)|i=1,2,…,p;j=1,2,…,n}來表示。其中：x*(i,j)為第j個狀態樣本的第i個特征指標；p為訓練樣本的容量；n為特征指標的數量。

為消除各特征指標量綱的影響并統一其值的波動范圍，需要對樣本數據進行歸一化處理

(1)

3．2．2 24個特征指標的投影處理

(2)

3.2.3 利用遺傳算法建立最佳投影方向矩陣

為了將前述步驟2中各類設備狀態{qi,i=1,2,…,s}下的投影值區域分離開來，構造投影目標函數以尋求最佳的投影方向矩陣A=[a1,a2,…,am](其中包含最優投影方向ab)。

(3)

(4)

表1 時域與頻域特征參量

最大化目標函數[15]為

max:Q(a)=SzDz

(5)

約束條件為

(6)

4 24特征評價指標體系的建立與狀態識別

4.1 24特征評價指標體系的建立

圖2 24特征評價指標體系示意圖Fig.2 Schematic diagram of evaluation index system of 24 characteristic indexes

4.2 設備狀態識別

此時可能出現一種特殊情況：投射值w′的分布位置與已建立的24特征評價指標體系中任何投影值分布帶不重合，說明設備出現了一種新的異常狀態，需要在24特征評價指標體系中補充。即便無法及時診斷故障類型，因為投影值w′偏離24特征評價指標體系中的正常狀態投影值分布帶，亦能說明此時設備出現異常，能及時捕捉到設備故障征兆。

5 應用分析

5.1 滾動軸承滾動體損傷24特征評價指標體系的建立

筆者借助美國西儲大學軸承數據中心官方網站公布的軸承探傷測試數據集，針對滾動軸承正常狀態和3種故障狀態(內圈故障、外圈故障和滾動體故障)的不同故障尺寸數據進行分析，驗證了所提方法的可行性。

針對軸承內圈5種不同的損傷狀態：正常、滾動體損傷0.177 8 mm、滾動體損傷0.355 6 mm、滾動體損傷0.533 4 mm和滾動體損傷0.711 2 mm，采樣頻率為12 kHz，經計算得到每種故障類型的特征指標空間，對其進行投影尋優，得到最優投影方向矩陣An。

圖3所示為各故障特征指標空間在最優投影方向矩陣An下的投影值分布情況，可以看出投影值明顯分為4層：正常狀態下投射值分布在主軸線為0.5附近(☆所示)；滾動體損傷尺寸為0.177 8 mm時投射值分布在主軸線為-8附近(△所示)；滾動體損傷0.711 2 mm時投射值分布在主軸線為-13附近(×所示)；滾動體損傷0.355 6 mm(□所示)和0.533 4 mm(*所示)時投射值重疊在一起，分布在主軸線為-11附近，區分起來非常困難。

圖3 不同滾動體損傷狀態在最佳投影矩陣下的投影值Fig.3 Projection values of the roller damage state under the best projection matrix

為了解決□層和*層投影值無法區分的問題，需要對這兩種狀態進行單獨投射，投射值分布如圖4所示。滾動體損傷0.355 6 mm時投射值分布在主軸線為-14附近(□所示)，滾動體損傷0.533 4 mm(*所示)時投射值分布在主軸線為8附近(*所示)。圖3和圖4形成了這5種狀態下完整的評價指標體系。

圖4 滾動體損傷直徑分別為0.355 6 mm和0.533 4 mm時的投影值分布Fig.4 Distribution of projection when roller damage diameter respectively are 0.355 6 mm and 0.533 4 mm inches

5.2 滾動體運行狀態的評估

圖5 狀態評估Fig.5 State assessment

從軸承探傷測試數據集中任選一個待測樣本，并將其24個特征指標的預測值按照最優投影方向矩陣An下進行投影，其投影值分布情況如圖5“○”所示。投影值分布基本與滾動體損傷0.711 2 mm時的投射值相重疊，由于這里使用的試驗數據屬于單一故障類型數據，因此可以判斷出此時滾動體的狀態為滾動體損傷0.711 2 mm，而待測樣本實際損傷情況亦為0.711 2 mm，證明利用該方法進行故障判斷的結果正確。

在實際工程應用中，故障類型遠不限于上述實驗中的故障種類，初期建立的故障特征指標體系可能無法涵蓋所有故障類型，會出現新的故障類型的投影值分布與已有的故障類型重疊的現象。例如本研究中投影值主軸線位于-13附近，可能是滾動體損傷0.711 2 mm之外的其他故障導致。此時，雖然暫時區分不出是已有的故障類型還是新型故障，但是依然能判斷出異常，推斷可能的故障類型，并向工作人員提出報警進行故障排查，同樣發揮預警功能。

6 結束語

為實現煤礦大型旋轉設備潛在故障識別并實現預警功能，采用振動數據進行分析處理，在投影尋蹤理論體系的基礎上提出基于24個特征指標的特征指標評價體系，建立了評價設備狀態是否正常的衡量標準。提出了最佳投影方向矩陣，從而避免了單一投影方向下可能出現揭露特征不完整的弊端，更加全面地暴露潛藏信息。利用美國西儲大學軸承數據中心軸承探傷測試數據集驗證了所提出的潛在故障識別和預警方法的可行性。

[1] 武兵,林健,熊曉燕. 基于支持向量回歸的多參數設備故障預測方法[J]. 振動、測試與診斷, 2012,32(5):791-795.

Wu Bing, Lin Jian, Xiong Xiaoyan. Prediction method of equipment failure based on support vector of regression parameters[J]. Journal of Vibration, Measurement & Diagnosis, 2012,32(5):791-795.(in Chinese)

[2] 蔡劍華,胡惟文,王先春. 基于高階統計量的滾動軸承故障診斷方法[J]. 振動、測試與診斷, 2013,33(2):298-301.

Cai Jianhua, Hu Weiwen, Wang Xianchun. Statistics method for rolling bearing fault diagnosis based on higher order statistics[J]. Journal of Vibration, Measurement & Diagnosis, 2013,33(2):298-301.(in Chinese)

[3] Mohsen N, Bryant M D. Dynamic modeling if rolling element bearings with surface contact defects using bond graphs[J]. ASME, Jounal of Tribology 2011,133(1):1-12.

[4] 袁幸,朱永生,張優云，等. 基于模型辨識的滾動軸承故障診斷[J]. 振動、測試與診斷,2013,33(1):12-17.

Yuan Xing, Zhu Yongsheng, Zhang Youyun,et al. Rolling bearing fault diagnosis based on model identification[J]. Journal of Vibration, Measurement & Diagnosis, 2013,33(1):12-17.(in Chinese)

[5] 陳偉,賈慶軒,孫漢旭. 利用小波包和SVDD的分揀機軸承故障診斷[J]. 振動、測試與診斷, 2012,32(5):762-766.

Chen Wei, Jia Qingxuan, Sun Hanxu. Bearing fault diagnosis using wavelet packet and SVDD sorting machine[J]. Journal of Vibration, Measurement & Diagnosis, 2012,32(5):762-766. (in Chinese)

[6] 周曉峰,楊世錫,甘春標. 一種旋轉機械振動信號的盲源分離消噪方法[J]. 振動、測試與診斷,2012,32(5):714-717.

Zhou Xiaofeng, Yang Shixi, Gan Chunbiao. A blind source separation de-noising method for rotating machinery vibration signal[J]．Journal of Vibration, Measurement & Diagnosis, 2012,32(5):714-717. (in Chinese)

[7] 劉永斌. 基于非線性信號分析的滾動軸承狀態監測診斷研究[D]. 合肥：中國科學技術大學,2011.

[8] 徐麗娟,張春福,曲貴波,等. 基于振動分析的軸承故障檢測方法分析[J].交通科技與經濟,2009(5):118-120.

Xu Lijuan, Zhang Chunfu, Qu Guibo, et al.Analysis of bearing fault detection method based on vibration analysis[J]. Technology and Economic Traffic, 2009(5):118-120. (in Chinese)

[9] 李力,廖湘輝,張圓. 循環平穩度無量綱指標應用于滾動軸承狀態分類[J]. 機械傳動，2005,29(3): 21-23.

Li Li, Liao Xianghui, Zhang Yuan. Degree of cyclostation dimensionless index is applied to rolling bearing status classification[J]. Mechanical Drive,2005,29(3):21-23.(in Chinese)

[10]付強,趙小勇.投影尋蹤模型原理及其應用[M].北京：科學出版社,2006:47-180.

[11] Maechler M, Mertin D, Schimert J,et al. Projection pursuit learning networks for regression[C]∥Proceedings of the 2nd International Conference on Tools for Artificial Intelligence. USA:IEEE,1990:350-358.

[12] Safavian S R， Rabiee H R, Fardanesh M. Projection pursuit image compression with variable block size segmentation[C]∥IEEE Signal Process Lett．USA:IEEE, 1997:117-120.

[13]Holland J H. Genetic algorithms and the optimal allocations of trials[J]. Society for Industrial and Applied Mathematics Journal of Computing, 1973,2:88-105.

[14] Fu Qiang, Lu Tieguang, Fu Hong. Applying PPE model based on raga to classify and evaluate soil grade[J]. Chinese Geographical Science, 2002, 12(2):136-141.

[15] Sun Yankun, Fu Qiang. Using RAGA for multi-objective planning of soil and water conservation in a small watershed[J]. Nature and Science, 2004,2(1):79-84.

10.16450/j.cnki.issn.1004-6801.2015.03.003

*國家自然科學基金資助項目(U1361127)；北京市教育委員會科學研究與研究生培養共建資助項目；中央高?；究蒲袠I務費資助項目

2014-05-12；

2014-06-05

TP277； TN911.7； TH165+3

程曉涵，女，1986年3月生，講師。主要研究方向為故障診斷、預知維護和動力學分析。曾發表《Design of mining equipment health diagnositic system(4M system)》(《Computer Science and Automation Engineering(CSAE),2011 IEEE International Conference on》2011,Vol.1)等論文。 E-mail:chengxh212@163.com