基于聲強(qiáng)傳感器的裝載機(jī)故障診斷系統(tǒng)探究

張偉敏

（中鐵隧道股份有限公司，河南 鄭州 450001）

近年來，振動檢測診斷法在裝載機(jī)變速箱診斷中得到廣泛應(yīng)用。J.R.Ottewill（2013）提出對變速箱轉(zhuǎn)軸具體位置進(jìn)行估計的同步信號平均法。趙志宏（2013）基于振動信號將獨立分量與相關(guān)系數(shù)結(jié)合完成了故障特征信號的提取，促使振動檢測診斷法在工程實踐中得到應(yīng)用。莫易敏（2017）基于動態(tài)學(xué)習(xí)率與機(jī)器學(xué)習(xí)方法完成振動檢測診斷法的拓展。然而，振動診斷法雖然取得工程應(yīng)用價值，但是由于安裝的加速傳感器價格較為昂貴，導(dǎo)致診斷器未能得到很好推廣。本文受趙志紅的研究方法啟示，采用聲強(qiáng)傳感器來完成裝載機(jī)變速箱的噪聲故障診斷，根據(jù)噪聲的特點提出基于FastICA-SVM 的噪聲診斷算法，并且證實該算法的可靠性和有效性。

1 基于FastICA-SVM 的噪聲診斷算法

1.1 負(fù)熵最大化的FastICA 固定點算法

從理論角度而言，噪聲傳遞因受聲速的限制與環(huán)境障礙的影響，聲響傳感器接受的信號應(yīng)該為存在延時與混響的噪聲信號，因此，基于聲響傳感器對裝載機(jī)變速箱故障噪聲的判斷，應(yīng)屬于對線性卷積混合噪聲信號的判斷。在噪聲信號分離中，其關(guān)鍵信息隱藏在信號波形中，同時由于不用估計信號與源信號的順序一致性，因此，可以采用線性ICA 算法來完成噪聲診斷。線性ICA 根據(jù)所需處理的混合情況可進(jìn)一步劃分為瞬時混合與卷積混合。而通過固定點迭代尋優(yōu)算法，可滿足信號非高斯性最大化，進(jìn)一步將負(fù)熵作為隨機(jī)變量非高速性度量標(biāo)準(zhǔn)，負(fù)熵最大化的FastICA固定點算法可表示為：

1.2 “一對一”支持向量機(jī)

支持向量機(jī)針對多分類問題常常采用“一對多”和“一對一”兩種方法。其中，“一對多”源于組合多分類SVM 策略，測試階段中選取最大分類函數(shù)對應(yīng)分類器來甄別樣本。然而，“一對多”構(gòu)造具有泛化能力差、類別增多導(dǎo)致訓(xùn)練時間過長等缺陷。裝載機(jī)變速箱故障產(chǎn)生的噪聲因工況而異，針對故障有限工況的情形，“一對一”構(gòu)造顯然比“一對多”構(gòu)造更具備優(yōu)勢，因此，采用“一對一”支持向量機(jī)來完成特征向量訓(xùn)練。假設(shè)裝載機(jī)變速箱故障工況噪聲存在K 分類問題，“一對一”策略將產(chǎn)生K(K-1)/2 個分類器。以4 分類為例，可以訓(xùn)練得到6 個分類器。在測試過程中，樣本通過6 個分類器完成投票過程，最終選取最大值為樣本最終類別。針對裝載機(jī)變速箱故障產(chǎn)生的噪聲信號特征，選取高斯核函數(shù)來完成支持向量機(jī)的構(gòu)建。高斯核函數(shù)表達(dá)式為：

1.3 FastICA-SVM 故障診斷流程

根據(jù)前文所述，將構(gòu)建FastICA-SVM 模型完成裝載機(jī)變速箱的故障噪聲診斷。FastICA-SVM 模型流程包含訓(xùn)練流程和診斷流程，具體如圖1 所示。

圖1 FastICA-SVM 模型診斷流程

2 變速箱工況源信號模擬

根據(jù)FastICA-SVM 模型診斷流程，采用MATLAB 對裝載機(jī)變速箱的四類振動信號進(jìn)行模擬。通過四類振動信號卷積混合來完成裝載機(jī)變速箱的四類工況模擬，具體如表1 所示。

2.1 獨立源數(shù)估計

獨立源數(shù)估計包含特征值分解法、AIC 準(zhǔn)則、MDL 準(zhǔn)則和BIC 準(zhǔn)則。基于信噪比考慮，剔除特征值分解法；根據(jù)采樣點大于傳感器數(shù)量考慮，剔除AIC 準(zhǔn)則和BIC 準(zhǔn)則，因此，最終選取采用MDL 準(zhǔn)則來完成獨立源數(shù)估計，MDL 可由轉(zhuǎn)換后的式3 表示

表1 診斷信號及表達(dá)式

通過對四種工況采集數(shù)據(jù)進(jìn)行獨立源估計，結(jié)果如表2所示。其中，m 為12288，M 為6。

表2 四種工況的獨立源估計

2.2 工況診斷識別結(jié)果

完成四類工況下獨立源的相關(guān)系數(shù)計算，提取數(shù)據(jù)特征向量。根據(jù)前文可知，以4 分類為例，可以訓(xùn)練得到6 個“一對一”支持向量機(jī)分類器，如表3 所示。

表3 “一對一”支持向量機(jī)分類器

訓(xùn)練結(jié)果顯示，構(gòu)建的FastICA-SVM 模型識別誤診率為7.75%，證明模型的可行性。

3 系統(tǒng)仿真分析

3.1 聲強(qiáng)傳感器選取

測試中采用G.R.A.S Type46AE 聲強(qiáng)傳感器，頻率范圍為3.15 ～20 千赫；動態(tài)范圍為17 ～138 分貝（A）；靈敏度為50 毫伏/Pa。為減少檢測的誤差，應(yīng)首先在測試前標(biāo)定聲強(qiáng)傳感器，接著安裝到前置放大器中，最后借助BNS 接頭，將其連接到LMS SCADAS 數(shù)據(jù)采集前端中。

3.2 測試及數(shù)據(jù)采集

（1）測試過程。首先測量穩(wěn)定狀態(tài)下裝載機(jī)變速箱正常工況的噪聲數(shù)據(jù)，然后完成待測故障工況的噪聲數(shù)據(jù)測量，最終判斷待測故障工況屬于什么類別的故障。

（2）數(shù)據(jù)采集分類。需要注意的是，在數(shù)據(jù)采集分類前，需要根據(jù)《聲學(xué) 聲壓法測定噪聲源聲功率級和聲能級 反射面上方近似自由場的工程法》中的標(biāo)準(zhǔn)確定聲強(qiáng)傳感器的位置。爾后，便能進(jìn)行數(shù)據(jù)的采集及分類工作，具體如下：分別對正常工況和待測工況噪聲數(shù)據(jù)進(jìn)行180 次采樣，時間間隔為10 秒。其中，180 份噪聲數(shù)據(jù)樣本中的150 份用于訓(xùn)練“一對一”支持向量機(jī)分類器，30 份噪聲數(shù)據(jù)樣本用于測試分類性能。共計得到360 份樣本。

3.3 工況特征向量計算

正常工況分離的獨立源采用N 表示，待測工況分離的獨立源采用F 表示，兩種工況的相關(guān)系數(shù)如表4、表5 所示。

表4 正常工況獨立分量的相關(guān)系數(shù)

表5 待測工況獨立分量的相關(guān)系數(shù)

四組工況樣本的特征向量結(jié)果為：（1）正常工況1：1.8354、1.4538；（2）正常工況2：1.8017、1.4923；（3）待測工況1：1.4316、1.7235；（4）待測工況2：1.3671、1.6284。從結(jié)果可知，無論是正常工況還是待測工況，樣本與分離所得獨立分量相關(guān)程度均為較高程度。

3.4 分類器訓(xùn)練測試

進(jìn)一步采用特征分布圖查看特征分布情況如圖2 所示，可知兩種工況被合理區(qū)分開來。

圖2 特征分布圖

從訓(xùn)練結(jié)果可知，30 組正常工況識別誤診為4 組，30組待測故障工況識別誤診為1 組，總體誤診率為8.33%。因此可知：診斷達(dá)到較好效果。

4 結(jié)語

本文根據(jù)裝載機(jī)變速器故障噪聲提出基于FastICA-SVM的噪聲診斷算法，詳細(xì)說明FastICA-SVM 模型診斷流程，采用MATLAB 證實該算法的可靠性和有效性，并得到了以下三點結(jié)論：第一，無論是正常工況還是待測工況，樣本與分離所得獨立分量相關(guān)程度均為較高程度；第二，通過分類器訓(xùn)練測試后，正常工況和待測工況被合理地區(qū)分開來，進(jìn)一步表明了良好的診斷效果；第三，該算法可以高效可靠完成裝載機(jī)變速器的故障診斷，具有應(yīng)用價值。