某車用調光電機異音檢測識別

張 新,鄭燕萍,Antoine AUGEIX,鄭曉嬌

(1.南京林業大學,南京210037;2.艾默林汽車活動照明組件有限公司,無錫214000)

0 引 言

噪聲問題是機械運轉過程不可避免的,對于噪聲國內外都規定了一定的聲功率級限值。然而某汽車車燈組件廠在實際生產中發現,某型號車燈電機調光裝置在工作時其噪聲測量小于規定的限值60 dB(40 cm處),但人耳卻能聽到一種不正常的敲打聲音如“卡啦卡啦”聲,影響該產品聲品質,稱之“異音”。這些異音件會影響產品市場競爭力,因此需要借助有經驗的工人憑借人耳進行質量檢查。但是僅靠人主觀判斷的結果,不具有規范性且生產效率低,同時分選工作的人員因重復工作會心生煩躁而產生判斷誤差。因此迫切需要一種更加科學、更加系統、更加直觀的異音故障檢測裝置,從而確保產品質量,提高生產效率,滿足生產要求。

異音故障診斷一直以來是故障診斷領域備受關注的研究方向。研究一套異音檢測設備離不開故障診斷的常用4個步驟:故障機理研究與狀態監測;信息處理與故障特征提取;智能故障診斷方法;故障預測與決策技術[1]。隨著計算機技術的發展,以人工神經網絡和支持向量機為代表的智能診斷技術廣泛應用于齒輪箱的故障診斷中。然而人工智能方法一方面需要大量的統計數據作為支撐,還需要找出充分表征故障特征的參數才能更好地進行分類,容易陷入局部最優化的問題;另一方面在產線上次品率出現機會較少,基于機器學習的診斷方法對計算機性能要求極高,不利于產線大批量操作。因此,傳統模式識別或人工神經網絡算法在這一環境下應用效果可能并不顯著,需要另辟蹊徑[2]。

本文所研究的車燈電機調節裝置,采用的是塑料材質的小模數齒輪傳動,而非傳統的齒輪箱機構,因小模數塑料齒輪有著重量輕、噪聲低、自潤滑良好、生產效率高和制造成本低等優點,現已廣泛應用于汽車電器等各領域[3]。但是我國在塑料齒輪箱傳動的電機異音故障診斷分析研究不夠深入,加上小模數塑料齒輪是注塑成型的,其精度等方面不如金屬齒輪,易出現制造誤差,導致裝配后其運行過程中的不穩定性,從而引起產品異音。這種異音產生原因復雜,產生位置多樣,但總體來說并非大的故障,因而在實際生產中不需要做產線上故障定位,僅需要分選出正常件和異音件即可。而異音本身就是一個相對主觀的存在,是人耳對產品聲音品質的感受。在選擇特征參數不夠準確的情況下,利用機器學習方法有時候反倒分辨率不高。基于以上分析并通過實踐,本文在診斷方法上利用將主觀決策數學化的層次分析法(AHP)對調光電機進行異音識別,在識別的有效性、可靠性、可行性、簡明性和廣泛的適應性方面具有良好的工程應用價值。

1 異音檢測方案與數據采集

1.1 檢測方案制定

異音的檢測常用的是基于噪聲的檢測和基于振動的檢測。設計出一套自動化的異音檢測系統對此調光電機進行在線的異音檢測,來代替人工識別應用于產品生產線中是廠家迫切需求的。然而產線上背景噪聲過大,采用對聲音的檢測不可取,因此采用測試振動的方法更加合理。為了獲得更多信息,傳感器選擇壓電式加速度傳感器,其位置布置要合理考慮振動傳播方向和易于檢測的方向,由于該調光電機需要通電工作,電機安裝在內部,綜合考慮,將傳感器用螺栓固定在接口的夾具處,如圖1所示,接合時即貼緊機構,既能在檢測時保證傳感器位置固定不變,同時又不影響正常操作,并且與產線流水線上接口檢測步驟一致。

圖1 振動檢測裝置布置圖

1.2 信號數據采集

電機的轉頻和最高嚙合頻率均在230 Hz左右,振動檢測裝置的一階固有頻率約在2 000 Hz,因而采樣頻率選擇10 kHz。該調光電機裝置一個工作循環包含兩個行程,球頭桿的伸出與縮回運動。因此在這兩個行程結束后采集的時域信號波形為一組信號。原始的信號波形包含大量干擾噪聲信號,經過高通濾波、均值化等信號預處理后,得到最終測試信號如圖2所示。

圖2 振動信號時域波形

2 特征參數的選取

異音診斷中的特征提取是要選擇合適的特征參數來描述和區分該調光電機的正常狀態和異音狀態。由于各特征參量的不確定性及其對不同故障類型的敏感程度不一樣,為了增加檢測系統的可靠性,必須綜合考慮信號的各種特征。一般時域信號可以直觀評價振動大小,頻域信號則能提供故障產生位置的信息。鑒于需要區分出異音與正常件,本文對采集的時域信號的幾個特征參數進行提取。文獻[4]研究表明,在分類準確率得到保證的前提下,使用的特征參數越少越好,為尋求最佳的特征參數集,需要對特征參數進行組合迭代。經過不一致率的迭代表明:峰峰值xp-p,波峰因素Cf,峭度Ku這3個時域參數對于此款調光電機異音識別有著較好的一致率。

如圖3所示,簡諧振動x=Asin峰值xp=A;峰峰值xp-p=2A,單位為m/s2,峰值只對上下對稱的信號才有意義,選取峰峰值則能較好地反映信號中突變成分和能量大小;波峰因素Cf=xp/xrms,其中xrms是有效值,Cf可以敏感捕捉信號中的沖擊成分;峭度其中μx是均值,Ku用來檢驗信號偏離正態分布的程度,振動信號的幅值分布接近正態分布,峭度指標值Ku≈3。考慮到該調光電機運行的特殊性,有兩個行程,補充參數r=其中1表示球頭桿做伸出運動,2表示球頭桿做縮回運動,r為兩行程峰峰值的比值。此參數可以表明兩個行程之間運行的穩定程度。這4個特征參數除峰峰值是有量綱的參數,其余3個皆無量綱。圖4是采集到50組正常樣本和50組異音樣本的特征參數值的折線圖。

圖3 簡諧振動示意圖

圖4 50組正常樣本與50組異音樣本的各特征參數值折線圖

1號～50號是10組正常樣本,51號～100號則是10組異音樣本。從折線圖上可以直觀看出,正常樣本的各參數范圍均比異音樣本范圍小,據統計正常件Xp-p范圍大致不超過60,r在0.8～1.25之間,Cf不超過4,Ku不超過3.2。但這個限度范圍并不完全能夠劃分正常件與異音件,正如前文所述每種特征參量對不同振動情況的敏感程度不同。異音本身是一個主觀性評價的產物,不同人耳對異音的敏感程度不一樣,同一個人也會因時間地點環境甚至主觀情緒對異音感知產生差異。采用目前主流的支持向量機分類,一方面信息冗余造成過度學習,另一方面難以找到合適的核函數等參數,需要大量實驗數據反復測試,對硬件要求高,也不能完全表達主觀感受,這是廠家不愿意去使用的原因。因而本文創新性使用統計學AHP法來對以上各參數進行權重分配達到綜合測定的目的。

3 基于AHP法的異音識別

層次分析法(Analytic Hierarchy Process,以下簡稱AHP)是一種可以計算某件復雜問題的各影響因素權重的實用方法。它是由美國運籌學家、匹茲堡大學T.L.Saaty教授在20世紀70年代初期提出的,沿用至今,能將復雜的主觀決策問題客觀化,將各因素之間內在聯系數學化,具有高度的有效性、簡明性、可行性、可靠性和廣泛的適應性[5]。

AHP步驟[6]:1)模型的建立。分析待解決問題,建立層次指標體系;2)因子分析,對各層次之間,結合統計根據所學知識與經驗,對影響因子的差異性重要性進行判斷。在這里層次分析法引入1～9標度法,將判斷定量化,具體可參見文獻[7];3)寫出判斷矩陣。通過計算判斷矩陣,得出最大特征值及其對應的特征向量,完成一致性檢驗,得出該層各影響因素對上層的相對重要性權值。4)綜合加權。從最底層開始依次對上一層因素本身的權值進行加權綜合,最終可以得到最底層影響因子對整體的相對重要性權值。

在異音識別問題決策上,利用層次分析法對已提取出的4種特征參數進行權重分配。依照上述步驟首先要將問題層次化:最頂層是異音件識;第一層把樣件分為伸出和縮回兩個行程,在產線上不論哪個行程有異音都判斷該樣件為異音件,所以第一層B1,B2權重相同,如此可以簡化省去第一層;第二層C層即是判斷異音對應的4種屬性即xp-p,r,Cf,Ku,也是最底層。再對各影響因子分析:本文研究的異音問題,測試統計200組異音件的特征參數數值,可以發現xp-p＞60約占62.5%,r超出0.8～1.25的約占50%,Cf＞4.1的約占 67.2%,Ku＞3.2約占50.1%。由此得出,xp-p與Cf同等重要,r與Ku同等重要。寫出判斷矩陣如表1。

表1 判斷矩陣

經計算得出CI=0,說明該矩陣具有完全一致性,通過一致性檢驗。最后求得各特征參數權重如表1所示:xp-p與Cf各占比重0.333 33,r與Ku各占比重0.166 67。為了更加清楚表達每個參數值在不同范圍段的重要程度,結合統計和專家意見,又對各參數的不同范圍進行了打分,如表2所示。

表2 各參數值范圍段打分

一個參數的Si滿分是4分,兩個行程各占50%。最終判別方法為相應階段分數乘以相應權重后求和,即:

Δmax=4,Δ＜2.0可判斷為異音件。該界限劃分標準是在正常件不被誤判基礎上,盡可能多地判別出異音件,并盡量與人耳所聽保持同步。

對上述100個樣本的正常件和異音件做檢驗分析,計算結果表明:上述50組正常件Δ全部大于2,表示正常件沒有誤判。50組異音件中,除7,8兩號樣件沒有被識別出,剩余全部識別,異音識別率尚可。又反復測試過200組調光電機,該判別法共判別出19組異音件,人耳聽音篩選出20組異音件,好件無誤判,壞件判別率與人耳分選同步率達95%。將該決策方法通過C++語言寫入檢測軟件,能夠保證在采集到一組樣件的時域波形后得到各時域特征參數值,給出判別結果。檢測軟件識別界面如圖5所示。

圖5 異音判別界面(截圖)

圖5 (a)、圖5(b)分別為測得正常件和異音件的兩個完整行程后的時域波形;中間波形則是軟件自動捕捉兩個行程,將兩行程分開,并且考慮到電機起動與結束的瞬間會產生較大的振動,影響特征參數值,因而將每段行程的時域信號波形前0.2 s和后0.2 s自動切掉后再顯示并取值,得到的各參數數值會顯示在界面的右上端,而判別結果則顯示在最左側,不合格會顯示紅色“NOK”,合格會顯示綠色“OK”,通過計算驗證可知上述機器判斷結果都是正確的;最下面的圖形提供的是兩個行程的FFT信號,這對于今后的故障位置找尋提供便捷信息,還可以人為設定警戒線,能輔助異音檢測人員更好地識別異音。應用至產線上,在隔振措施良好情況下,能夠完全實現異音檢測功能,與理論研究相符合。

4 結 語

異音檢測是電機企業在生產和投入市場都非常關注的領域,這一領域的研究也是方法各異。本文通過AHP法,將人的聽覺主觀反映到各特征參數的權重上,結合專家打分制度,使車用調光電機異音判別更加可靠。并將此決策方法通過C++語言編寫入檢測軟件中,能夠實現產品在線檢測完立即給出判別結果。對后期測試驗證結果表明,異音件的判斷準確率達90%,正常件也無誤判情況,符合廠家要求。