基于稀疏分類算法的礦物傳送設備故障診斷方法

夏輝麗,　郭亞男，　余發軍,2

(1.中原工學院 信息商務學院, 河南 鄭州　451191；

2.武漢科技大學 冶金自動化與檢測技術教育部工程研究中心， 湖北 武漢　430081)

基于稀疏分類算法的礦物傳送設備故障診斷方法

夏輝麗1,郭亞男1，余發軍1,2

(1.中原工學院 信息商務學院, 河南 鄭州451191；

2.武漢科技大學 冶金自動化與檢測技術教育部工程研究中心， 湖北 武漢430081)

摘要：針對現有基于特征頻率識別的礦物傳送設備故障診斷方法存在易受強噪聲干擾的問題，提出了基于稀疏分類算法的礦物傳送設備故障診斷方法。首先，利用計算機測取設備已知故障類型的振動信號，并對其進行傅里葉變換；然后，以傅里葉變換系數構造訓練字典，將待測故障類型的振動信號傅里葉變換系數在該訓練字典上進行稀疏分解，求取稀疏系數；最后，利用重構信號最小誤差判別故障類型。仿真和測試結果表明，該方法能有效診斷出礦物傳送設備中軸承的故障類型，為煤礦傳送設備的故障監測提供了一種新方法。

關鍵詞：礦物傳送設備； 故障診斷； 稀疏分類； 傅里葉變換

0引言

煤礦生產運輸過程中，傳送設備起著將礦物自動傳送至目標地點的作用，因此，保證其正常運行對整個生產運輸環節至關重要。然而，由于長期受重載工況和外侵灰塵的影響，煤礦中的傳送設備極易發生故障，特別是傳動軸承及傳動齒輪等關鍵部件發生故障的概率更高。一旦滾動軸承的內外環或齒輪間有外侵物落入，在重載工況下很容易產生故障，所以，對此類設備進行故障監測與診斷對保障煤礦安全正常生產至關重要。

現有煤礦傳送設備的故障診斷方法有鐵譜分析法[1]、溫度監測法[2]和振動監測法[3]等。鐵譜分析法利用磁性方法把混于潤滑油中的鐵質磨粒分離出來,根據磨粒形態尺寸的差異性確定故障部位,但目前對磨粒差異性判斷還沒有形成科學客觀的理論。溫度監測法則根據傳送設備的溫度進行狀態監測，如參考文獻[2]利用紅外技術對煤礦傳送系統進行溫度保護，但這一方法只能保護設備，并不能診斷故障。振動監測法是最常用的故障診斷方法，其根據設備的振動信號故障特征頻率進行故障診斷，但生產背景噪聲嚴重干擾故障特征成分的提取，并且某些設備的故障特征頻率往往不可知。

針對以上方法存在的問題，筆者提出了基于稀疏分類算法[4]的礦物傳送設備故障診斷方法。該方法利用不同故障類型下振動信號的波形差異性進行故障診斷。首先，利用快速傅里葉變換將設備的振動信號轉換至頻域，用已知故障類型傅里葉系數建立訓練字典，然后對待測信號在該訓練字典上進行稀疏分解，利用重構信號最小誤差進行故障類型的判別，克服了利用故障特征頻率判別故障類型的劣勢，為煤礦傳送設備的故障監測提供了一種有效方法。

1稀疏分類算法

假設礦物傳送設備有C種已知故障類型，令A=[A1,A2,…,AC]為振動信號訓練集合，Ai為第i種(i=1,2,…,C)故障的子訓練集合，y為待測故障類型的振動信號測試樣本，則利用稀疏分類算法對y進行歸類包含如下步驟：

步驟1：對測試樣本y在字典A上進行稀疏分解，即

(1)

步驟2：利用稀疏分解系數重構待測信號，根據重構誤差最小值進行歸類，即

(2)

由稀疏分類算法可以看出，該方法是利用同類樣本具有最小的稀疏重構誤差這一基本理論實現歸類的，這一點與線性Fisher分類器[5]具有相似的原理。區別在于稀疏分類算法是利用信號稀疏分解思路實現的，具有極大的自適應性和非線性優點，而線性Fisher分類器則直接利用向量類間距進行超平面線性劃分，對非線性歸類問題無能為力。

稀疏分類算法是L1范數的最優化問題，可以借助于目前廣泛采用的稀疏編碼算法求解其稀疏系數。常用于求解L1范數的基追蹤算法有l1ls[6]和SLEP[7]等，由于SLEP具有全局最優值和運算速度快等優點，所以本文選用SLEP算法對礦物傳送設備振動信號進行稀疏編碼，其具體實現過程參見參考文獻[7]，這里不再贅述。

2基于稀疏分類算法的故障診斷方法

在礦物傳送設備的易損壞部件(如軸承和齒輪箱)的周圍安裝加速度傳感器采集振動信號，通過信號線將振動信號傳送至監控室的計算機上，并進行存儲和分析，以監控當前設備的運行狀態。然而，一方面加速度傳感器的采集頻率很高，且采集的振動信號往往包含不同強度的背景噪聲；另一方面，整個系統的轉速及負載具有不確定性，因此，采集的振動信號是一種典型的非平穩信號，這意味著如果直接利用已知故障類型的振動信號構造訓練字典，噪聲和振動信號起始采樣點會嚴重影響稀疏分類算法的性能。

為了解決以上問題，需先對各種故障類型的振動信號進行傅里葉變換，將其轉換至頻域，再進行稀疏分解。振動信號v的離散傅里葉變換定義為

(3)

式中：Fv為離散傅里葉變換的系數向量；m和M分別為振動信號采樣點數和離散傅里葉變換總點數(M≤m)。

利用各已知故障類型的振動信號傅里葉變換系數的模向量構造訓練字典(式(4))，并將待測振動信號y轉換至頻域，利用其模向量在訓練字典A上稀疏分解(式(5))，最后，利用式(2)進行故障類型識別。

(4)

(5)

基于稀疏分類算法的礦物傳送設備故障診斷方法步驟如下：

步驟1：采集已知故障類型的振動信號，并利用離散傅里葉變換將這些振動信號轉換至頻域。

步驟 2：利用變換系數模向量構造訓練字典。

步驟3：將待測故障類型的振動信號變換系數模向量在訓練字典上進行稀疏分解。

步驟4：找出重構誤差最小的類別，并以此進行故障類型判別。

3仿真分析

為了分析基于稀疏分類算法的礦物傳送設備故障診斷方法的性能，建立4種仿真信號分別模擬傳送設備中軸承的4種常見的故障類型，即正常、內環故障、外環故障和滾動體故障。其中，正常工況用標準差為1的高斯白噪聲模擬；內環故障和滾動體故障工況分別用調幅頻率為0.2 Hz和0.3 Hz的周期性脈沖模擬；外環故障用等幅的周期性脈沖模擬，4種工況仿真信號波形如圖1所示。

利用本文方法對該4種工況仿真信號進行分析：首先，對每種仿真信號加入信噪比(SNR)為-2～2 dB的高斯白噪聲，使每種仿真信號數為50個，用該200個信號構成訓練字典；其次，利用離散傅里葉變換將每個信號轉換至頻域；最后，隨機選擇其中任一信號在訓練字典上進行稀疏分解，并進行重構，找出重構誤差最小的故障類別，即為該信號所屬的故障類型。每種仿真信號試驗30次，取其正確率的平均值作為最后的識別率，其結果如圖2所示。

(a) 正常工況

(b) 內環故障

(c) 外環故障

(d) 滾動體故障

圖2　4種工況仿真信號識別率隨信噪比變化關系曲線

由圖2可以看出，4種工況仿真信號的識別率都受信噪比的影響，隨著信噪比的增加，正確率明顯增加，當信噪比為1 dB以上時，故障診斷的正確率都在82%以上，因此，所提方法可以作為傳送設備中軸承故障診斷的方法，對噪聲具有一定的免疫性。

4實驗驗證

為了進一步驗證所提方法的有效性，將該方法應用到美國西儲大學設備監測實驗室的軸承振動數據集[8]上。該數據集包含0.213, 0.427, 0.640，0.853 cm 4種單點故障大小，軸承的型號為6205-2RS。用本文方法分析該種軸承的1種正常工況、3種外環故障、4種內環故障和4種滾動體故障，共12種故障類型。每種故障類型的振動信號采樣頻率都為12 kHz，采樣點都為2 048個，每種故障類型都隨機選取50個振動信號，共計600個振動信號構造訓練字典，在剩余的振動信號中選擇30個作為測試樣本。分別用本文方法與支持向量機[9]方法對該測試樣本集進行分類識別，診斷正確率見表1。

表1　本文方法和支持向量機方法的診斷正確率

由表1可以看出，利用本文方法和支持向量機方法的設備軸承故障診斷數據集分類正確率都在80%以上，隨著故障點尺寸的增加，診斷正確率也明顯增加，故障點尺寸越大，診斷越準確；本文方法在故障點的正確率比支持向量機方法高5%左右。

在本文方法中，懲罰因子γ對診斷結果有重要的影響，圖3顯示了軸承故障診斷數據集分類正確率隨懲罰因子γ的變化規律。

圖3　軸承故障診斷正確率與懲罰因子γ變化關系曲線

由圖3可看出，當γ∈[0.000 1,0.8]時，軸承故障診斷正確率幾乎不受懲罰因子γ的影響；但當γ趨于0或1時，診斷正確率會迅速下降。這意味著只要保持懲罰因子γ在[0.000 1,0.8]區間，其對診斷正確率的影響可以忽略。

5結語

基于稀疏分類算法的礦物傳送設備故障診斷方法以礦物傳送設備易損壞部件(軸承)為分析對象，首先將設備振動信號轉換至頻域，再利用頻域稀疏分類算法對不同故障類型的振動信號進行歸類。對4種仿真工況下的故障類型振動信號和西儲大學實驗室軸承振動數據分別進行分析，并與支持向量機方法對比，結果驗證了基于稀疏分類算法的礦物傳送設備故障診斷方法的有效性和優勢，為煤礦傳送設備的故障監測提供了一種新的有效方法。

參考文獻：

[1]楊樹蓮,劉春潮. 鐵譜監測技術在煤礦設備故障診斷中的應用[J]．中國煤炭, 2002,28(4):42-43.

[2]余安徽,黃小劍,白志青．基于紅外技術的煤礦傳送系統溫度保護中的研究[J]．科技信息,2012,29(21): 438-439．

[3]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，2011：8-9．

[4]WRIGHT J, YANG A Y, GANESH A,etal. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2009,31(2):210-227.

[5]陳才扣，楊靜宇. Fisher大間距線性分類器[J].中國圖像圖形學報，2007,12(12)：2143-2147.

[6]KIM S J, KOH K, LUSTIG M,etal. A method for large-scale L1-regularized least squares[J]. IEEE Journal on Selected Topics in Signal Processing, 2007,1(4):606-617.

[7]LIU J, JI S, YE J. SLEP: sparse learning with efficient projections[R]. Phoenix: Arizona State University, 2009.

[8]Case Western Reserve University. Case Western Reserve University bearing data center website [EB/OL].[2015-09-20]. http://csegroups.case.edu/bearingdatacenter/pages/download-data-file.

[9]QI Zhiquan, TIAN Yingjie, SHI Yong. Robust twin support vector machine for pattern classification[J].Pattern Recognition, 2013,46(1):305-316.

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160126.1546.011.html

Fault diagnosis method of mineral transmission equipment based on

sparse classification algorithm

XIA Huili1,GUO Yanan1,YU Fajun1,2

(1.College of Information and Business，Zhongyuan University of Technology，Zhengzhou 451191，China；

2.Engineering Research Center of Metallurgical Automation and Measurement Technology of

Ministry of Education，Wuhan University of Science and Technology，Wuhan 430081，China)

Abstract:In view of the problem that the existing fault diagnosis methods based on feature frequency identification for mineral transmission equipments are susceptible to strong noise, a new fault diagnosis method based on sparse classification algorithm for mineral transmission equipment was proposed. Firstly, vibration signals for the known fault types of equipment are collected by computer and transformed by Fourier transformation. Then, the Fourier transformation coefficient vectors of test vibration signal are sparsely coded on a dictionary, which is constructed by merging the Fourier transformation coefficient vectors of the known vibration signals, so as to get sparse coefficient. At last, the fault types of the test samples are labeled by identifying their minimal reconstruction errors. The simulation and test results demonstrate that the method can effectively diagnose the fault type of bearing of mineral transmission equipment, which provides a novel method for fault monitoring of transmission equipment in coal mine.

Key words:mineral transmission equipment; fault diagnosis; sparse classification; Fourier transformation

中圖分類號：TD67

文獻標志碼：A網絡出版時間：2016-01-26 15:46

文章編號：1671-251X(2016)02-0043-04

DOI:10.13272/j.issn.1671-251x.2016.02.011

夏輝麗，郭亞男，余發軍.基于稀疏分類算法的礦物傳送設備故障診斷方法[J].工礦自動化，2016,42(2)：43-46.