張力傳感器故障早期檢測與診斷

張文科

（上海通用東岳汽車動力總成有限公司，山東 煙臺 264006）

張力傳感器故障早期檢測與診斷

張文科

（上海通用東岳汽車動力總成有限公司，山東 煙臺 264006）

針對張力傳感器早期故障，提出了一種基于經驗模態分解（EM D）和多特征組合的帶鋼張力信號故障辨識方法。通過對帶鋼張力信號處理表明，該方法能有效辨識帶鋼生產中的故障，為帶鋼生產控制與故障分析處理提供理論依據。

張力傳感器；EM D；多特征組合；故障辨識

帶鋼張力傳感器是帶鋼張力測量與控制系統的重要部件，其測量精度和穩定性是影響張力控制效果的關鍵因素。它的測量結果直接影響系統的運行，影響分析、決策的正確性，一旦傳感器發生故障，后果可能將十分嚴重，因此，對 張力傳感器故障進行早期檢測和診斷就顯得非常重要。

張力傳感器發生故障的主要表現形式有：

（1）失效故障（傳感器失靈，輸出的測量值為常數）；（2）偏差故障（測量值與真實值相差一常數）；（3）沖擊故障（測量值受隨機沖擊信號干擾）；（4）周期干擾故障（測量值受某頻率的周期信號干擾）；（5）漂移故障（測量值與真實值的差值隨時間而呈現一定規律的變化）；（6）精度下降故障（傳感器測量能力變差，精度等級變低，表現為測量值均值不變，方差變大）。此時傳感器輸出信號是非平穩的，信號頻率成分比較豐富，采用單純的時域分析或者頻域分析都不能有效的檢測出信號的故障特征。為此本文提出了基于信號自適應分解和多特征組合的帶鋼張力傳感器故障辨識方法。利用經驗模態分解（EMD）將信號自適應分解成若干個平穩的固有模態函數（IMF）與殘余項之和，提取每個分量中能表現信號波動特征的多個特征量，組合形成全局特征向量輸入到支持向量機（SVM)進行學習和分類。該方法有效的改善了傳統分類方法的缺陷，如神經網絡結構的選擇、易陷入局部極小點、過學習問題等，具有非常優異的泛化、推廣能力，特別是在小樣本輸入情況下，體現出更大的優勢。

1　經驗模態分解（EMD）

2　EMD和多特征組合的故障辨識方法

張力傳感器早期檢測與診斷新方法的主要步驟如圖1所示。將張力信號預處理后進行EMD分解；對獲取的IMF分量提取特征，組合形成全局特征向量；選取部分向量作為訓練集輸入到SVM中構建最佳多分類器，剩下部分作為測試集，利用設計的多分類器進行故障類別辨識。

液壓信號波動異常時，信號能量會發生變化，同時反映信號尖峭以及扁平程度的裕度、峰度以及表現信號幅值變化強度的波動系數也會改變。

方差體現了信號在其均值附近的波動大小，也可以很好的反映信號的波動特性。而根據信號自適應分解得到的IMF分量的能量、方差、裕度、偏度、峰度、波動系數也會改變。

因此本文選取了能量、方差、裕度、偏度、峰度、波動系數表示液壓信號的波動特性，參數分別為e、v、l、s、f，公式如下所示。

圖1　張力傳感器早期檢測與診斷新方法的主要步驟

為了消除幅值對特征信息的影響，對提取特征量按公式（5）～（7）歸一化處理，形成特征向量。

公式（8）～（13）為歸一化后形成的特征向量。最后將上述特征向量組合起來，形成全局特征向量。

3　SVM分類器訓練

將帶鋼張力傳感器7種狀態信號組成的訓練集進行特征向量的提取，并且將提取的6種特征向量組成了一個全局特征向量];;;;;[FSQLVET =，再采用第四章所介紹的SVM分類算法建立“一對多”的多類分類器，這里建立了7個狀態分類器。構造7個兩類支持向量機分類器，然后把7個兩分類器組合在一起實現多分類的功能；改進目標函數，然后建立7分類支持向量機，將多分類面的參數求解合并到一個最優化問題。分類器邏輯圖如圖2所示。

圖2　SVM分類器邏輯圖

將上節中提取到的張力信號特征向量輸入到SVM分類器進行狀態識別，在SVM分類器中所采用的核函數是高斯徑向基核函數。之所以采用高斯徑向基SVM分類器是因為參數較簡單，而且局部調節性很好。R BF分類器需要設置的參數有懲罰參數C和核函數參數σ。由于實驗中進行小范圍參數尋優，為了提高準確率并節約時間，采用K-CV網格交叉驗算法來確C和σ，它們分別是C=32，σ=1。

在SVM1中定義z1=+1表示正常狀態，z1=-1表示除正常狀態以外的其它6種狀態；在SVM2中定義z2=+1表示失效故障，z2=-1則表示其它6種狀態；在SVM3定義z3=+1表示偏差故障，z3=-1表示其它6種狀態；在SVM4定義z4=+1表示沖擊故障，z4=-1代表其它狀態；在SVM5定義z5=+1表示周期干擾狀態，z5=-1代表其它狀態；在SVM6定義z6=+1表示漂移故障，z6=-1代表其它狀態；在SVM7中定義z7=+1表示噪聲干擾，z7=-1代表其它狀態。

4　故障辨識結果及分析

將樣本測試集的特征向量作為3節所構造的7狀態高斯徑向基SVM分類器的輸入信號，進行狀態辨識，分類結果表明狀態辨識效果良好。為了更直觀的分析和說明辨識結果，將分類結果以表格的形式呈現，表1展示了分類測試結果，表2統計了10次分類測試的結果，表3比較了各種狀態的分類準確率。分析表1和表2中的數據可知，基于EMD方法和多特征組合的SVM分類方法對帶鋼張力傳感器狀態的辨識度較好，辨識結果可以達到較高的準確率，該故障診斷方法是有效的。

表2　SVM分類準確率

分析表3的數據可知，SVM分類器的分類準確率較高，分類有效。在分類結果中，偏差、沖擊、漂移3種狀態的分類準確率最高，說明這3種狀態的特征向量的辨識度最高；而正常狀態和噪聲干擾情況下的特征向量分類準確率相對較低，且在分類時兩種狀態容易混淆，因此這兩種狀態的特征向量提取方式還有待改善。總體結果表明，基于EMD方法和多特征組合的SVM分類方法對帶鋼張力信號的故障診斷方法是有效的。

表1　SVM分類測試結果

表3　7種狀態分類測試結果

5　結論

本文針對帶鋼張力信號的特點，提出了一種基于EMD分解和多特征組合的故障辨識方法。該方法充分考慮到帶鋼張力信號的非線性、非平穩等特性，具備信號自適應處理分析能力，在小樣本下仍然能對故障具有很高的辨識率。在對帶鋼張力傳感器的五種輸出狀態辨識結果表明，利用帶鋼張力信號自適應分解和多特征組合的故障辨識方法在小樣本下仍然具有很高的準確率，而且性能明顯高于單一特征故障辨識方法，為傳感器故障辨識提供了新思路。

本文是在生產工況正常下判斷傳感器狀態，如果生產工況發生改變，辨識結果可能并非張力傳感器故障所致，但是此時的分類結果仍然可以為查找工況改變原因提供一定的參考依據。

[1] 蔡艷平，李艾華，石林鎖，白向峰，沈金偉．基于EMD與譜峭度的滾動軸承故障檢測改進包絡譜分析[J]．振動與沖擊，2011,30(2):167～172.

[2] 范庚，馬登武.基于EMD和R VM-AR的航空發動機磨損故障預測模[J]．計算機測量與控制，2013,21(7):1746～1749．

[3] 鄧麗君.基于多傳感器信息融合的液壓系統故障診斷方法研究[D].太原：太原科技大學，2013.

TP212

A

1671-0711（2016）09（下）-0047-03