基于自學習理論的機械故障診斷系統設計與實現

吳 星 劉春梅

（柳州職業技術學院，廣西 柳州 545006）

基于自學習理論的機械故障診斷系統設計與實現

吳 星 劉春梅

（柳州職業技術學院，廣西 柳州 545006）

文章設計一種基于自學習理論的機械故障檢測方法，該方法通過對多組機械振動信號的采集，由 SVM 訓練器進行故障的初步檢測，經過多樣本投票算法實現故障檢測的最終結果判定。該監測方法綜合應用了 SVM 分類器，以及多樣本采樣檢測并投票的思路，提高了機械故障檢測的精度。

自學習理論；故障診斷；SVM

機械設備的故障檢測與診斷和技術是指在特定的工作環境下，根據機械設備在運行的中所發出的工況信號或信息來判斷機械是否處于正常的工作狀態。如果機械設備工作發生異常，可以根據機械發生異常情況的部位和原因盡快在最短的時間做出正確的判斷，從而在最短的時間內及時處理，恢復正常生產。目前機械故障診斷方法有很多，既有基于靜態的機械故障診斷方法，也有基于動態的機械故障診斷方法，其中與機械振動為檢測對象的機械故障檢測方法，是目前機械故障檢測領域中的一種主流方法。但是基于機械振動故障檢測方法對故障的診斷精度和故障識別種類，很大程度取決于對機械振動信號的分析和處理能力。目前已有的機械故障診斷方法，絕大多數都將研究的重點放在對機械振動信號的采集與分析算法上，這其中也包括大量對所采集到的機械振動信號進行不同變換，或者信號轉換等處理，以提高機械振動信號的識別能力。然而目前這一系列典型的機械故障診斷方法，其所設計的故障時間和診斷算法，很大程度取決于統計或者概率分析，并沒有十分明確的故障識別依據。也正因為如此，目前所提出的機械故障檢測方法具有較強的局限性，即針對不同的場景、不同的檢測對象，其故障檢測的能力和效果往往差別很大。為了提高機械故障診斷的精度和適應面，需要研究具有自學習能力的機械故障檢測方法，能夠根據故障診斷過程中所采集到的數據以及特點，動態的調整機械故障診斷策略，提高故障診斷的精度。

1 系統設計思路

SVM(Support Vector Machine），中文的意思是支持向量機器。是機器學習領域一個有監督的學習模型，通常用來進行模式識別、分類、以及回歸分析。SVM在許多實際應用，特別是在分類問題在顯示其突出的能力。SVM的基本設計理念是最大化分類邊界。支持向量機的基本目的是最大化分類超平面。由于現實應用中，許多問題都不是線性可分的，因此對于一個非線性可分問題，應該將其映射為線性可分問題。首先，將輸入的向量映射到高維特征空間中，通過求解二次規劃問題找到最優分類超平面，因此這個算法的空間復雜度最少是O(n2)。

本文要設計的機械故障診斷系統目標是利用 SVM的基本思想，為機械設備提供一種具有自學習能力的診斷方法。利用該方法能夠解決典型的機械故障檢測與識別，并能夠適應對多種不同種類、不同性能特點的機械設備進行故障檢測和診斷。

2 系統實現

2.1系統組成

根據上面的設計思路，設計的機械故障檢測方法的整體實現結構圖如圖 1所示，系統分別由機械故障訓練模塊、機械振動采樣模塊和機械振動分類模塊等部分組成。而且在機械故障檢測過程中，每一次機械故障的分類結果都將做為訓練數據，送入機械故障訓練模塊，以修正機械故障檢測的分類規則。SVM訓練器初始狀態，由被檢測對象的大量振動信號進行訓練得到，被檢測機械設備的多組振動信號采樣分析，在設計時使用了三組機械振動信號進行診斷和分析，SVM分類器使用最優分類面策略進行設計并實現。

圖1　機械故障檢測方法的整體實現結構圖

2.2數據采集與分析

從圖 1中可以看出，機械振動數據通過前端的傳感器獲取。數據是通過采集機械設備運行過程中的振動信號生成，對振動信號進行分析，設計SVM訓練器運行振動信號進行分類識別，從而實現對機械故障的檢測和診斷。在設計過程中，為了提高對機械故障診斷的準確性，在被檢測機械設備上部署了多個不同測量點的機械振動信號采樣傳感器，所使用的傳感器型號為Shinkawa的CV-861，此類傳感器的靈敏度與精確度比較高，通過這些高性能的傳感器可以獲得機械運轉過程中多種不同檢測對象的振動信號。之后將每一組機械振動信號分別送入SVM訓練器，通過大量的機械振動信號的訓練和分析，形成SVM訓練器的分類規則，當真正進行機械故障診斷時，通過部署在機械設備上多組機械振動測量傳感器，分別采樣機械運轉時的振動信號，并通過SVM分類器實現對機械振動信號的檢測和識別。當每一個SVM分類器檢測得到了一個檢測結果之后，再由投票選擇器對檢測得到的多組檢測結果，進行分析并投票得到最終的檢測結果。整個數據的SVM訓練和分析如圖2所示。

圖2　機械故障檢測結果對分類器修正原理圖

2.3算法實現

為了獲得精確的機械設備故障數據，滿足故障分析的需求，本系統結合投票算法的優點，將算法引入特征選擇過程中，初始化多個驗證樣本，區分特征的重要性，構建多個投票分類器，然后使用大數投票法構建多分類器投票機制進行數據信號識別，該機制很好地發揮了各個分類器的優勢，提高了識別的準確率。 本文應用于機械故障檢測的多樣本投票算法是一種基于權重大小的投票算法。其算法的描述過程如如圖3所示。

圖3　機械故障檢測投票算法流程圖

2.4SVM訓練器構建

數據分類是數據挖掘中的一個重要題目。數據分類是指在已有分類的訓練數據的基礎上，根據某種原理，經過訓練形成一個分類器；然后使用分類器判斷沒有分類的數據的類別。由于支持向量機需要求解多次二次規劃問題，訓練時間復雜度和空間復雜度分別為O(n3)和O(n2),其中n表示訓練樣本的數目。因此，減少整個訓練集的大小可以有效的提高訓練效率。由于支持向量機的訓練集中，有效的樣本只有支持向量，因此在訓練分類器之前，提取支持向量可以有效的提高訓練分類器的時間和空間效率。在支持向量機中，分類邊界是由支持向量決定的。為了保證分類效率，應該有效的保存那些最有可能成為支持向量的樣本。根據SVM理論，在分類邊界附近的樣本，成為支持向量的可能性更高。因此，接近決策邊界的樣本更有可能在檢測點附近的邊緣。根據上述原理，本文構建一種基于最優分類面的SVM分類器，具體如圖4所示。

圖4　基于最優分類面的SVM分類器構造原理圖

3 系統工作流程

本文提出基于自學習的機械故障檢測和診斷方法，相對于傳統的機械故障檢測方法，性能上得到了很大的改善。機械故障診斷方法在每一次得到的檢測結果，都將做為SVM訓練器的輸入數據，實現機械故障診斷的分類規則調整，使得機械故障診斷方法具備自學習能力，能夠利用歷史的檢測數據修正故障檢測方法。與此同時，機械故障檢測方法以多組振動信號做為檢測的數據源，能夠覆蓋被檢測的機械對象多種振動信號，并綜合進行采樣和分析處理，確保了檢測結果的準確性。

為了便于對基于自學習的機械故障檢測系統的深入了解，下面將基于自學習的機械故障詳細的檢測過程結合實際應用，對系統具體實施過程和實施方案進行詳細的陳述。

首先，在本文設計的系統進行機械故障檢測方法之前，首先在被檢測機械設備上安裝多個機械振動傳感器，采集多種不同類型的機械振動信號；讓被檢測機械設備開始運轉，分別采集機械設備正常運轉，以及在不同故障類型條件下運轉的振動信號，獲取被檢測機械設備的振動原始數據。

其次，應用SVM訓練器訓練其對所采樣得到的機械振動信號進行訓練，生成機械故障檢測的SVM分類規則。當需要真的對被檢測的機械故障檢測時，再通過振動傳感器采集機械振動信號，并由SVM分類器進行故障初步檢測。

最后，應用多樣本投票算法對多個SVM分類器檢測得到多組初步的故障檢測結果進行分析，對初步檢測的結果進行投票分析，得到最終的故障檢測結果。將機械故障檢測結果作為SVM訓練器的輸入數據，對SVM訓練器進行訓練，調整SVM訓練器的訓練規則。

4 總結

本設計的機械故障檢測方法，其特點是具有自學習能力，能夠根據機械故障診斷的歷史數據自動的調整機械故障診斷方法，以提高故障的檢測精度。該檢測方法綜合應用了基于機械振動的故障檢測原理，并設計專門的SVM訓練器，提高機械故障診斷的精度，同時在進行機械故障診斷時，通過設計多種機械振動采樣對象，分別進行機械故障診斷，并最終將多個不同振動樣本診斷的結果，使用專門投票算法判定被檢測的機械設備是否存在故障。

本方法應用機械振動的故障檢測原理，具有較強的通用性和實用性，和專門設計的SVM訓練器以及故障診斷的投票算法，能夠提高故障檢測精度。并通用SVM訓練器動態的調整機械故障診斷方法，使得在機械故障診斷過程中具備對歷史數據的學習能力。

[1] 王利群.論機械設備的狀態故障與檢測方法[J].中國教育技術裝備,2012,(35):113-114.

[2] 劉春梅.一種機械故障診斷方法:中國,CN103743585A[P]. 2014-04-23.

[3] 劉春梅.一種機械手精確控制系統及其方法:中國, CN103743477A[P].2014-04-23.

[4] 陳超,羅俊.關聯維數在航空發動機轉子振動監控中的應用研究[J].航空維修與工程,2006,(6):42-44.

[5] 劉希亮,陳小虎,王漢功.基于分形盒維數的齒輪泵故障診斷[J].機床與液壓,2009,37(7):255-257.

Design and implementation based on self-learning theory of mechanical fault diagnosis system

Article design a mechanical fault detection method based on self-learning theory, the method of multiple sets of mechanical vibration signal acquisition, initial fault detection performed by the SVM trainers, through various voting algorithm to achieve the end result of this failure detection determination. The integrated application monitoring method SVM classifier, and detecting and voting varied ideas this sampling, improve the accuracy of a mechanical fault detection.

Since learning theory; fault diagnosis; SVM

TP206

A

1008-1151(2015)07-0066-03

2015-06-11

廣西教育廳科研課題“基于自學習理論的機械故障診斷技術研究”（KY2015LX652）。

吳星（1980－），女，廣西柳州人，柳州職業技術學院講師，碩士，從事機械設計與制造教學與科研工作；劉春梅（1975－），女，廣西柳州人，柳州職業技術學院講師，碩士，從事機械自動化方向研究。