旋轉機械故障檢測在AGV設備中的應用研究

田露旭 高向遠 廖亞兵 費秀國 耿國盛

(1.南京農業大學工學院，江蘇 南京 210031；2.南京創力傳動機械有限公司，江蘇 南京 211103)

0 引言

2019年11月11日上午8點，據菜鳥驛站方面統計，從凌晨至上午8點，天貓8小時發貨量破億，刷新紀錄。能做到如此快速地完成出庫任務，離不開AGV設備的功勞，如果AGV在運行過程中發生故障而沒有及時處理，將會導致任務失敗，這不僅會對單個任務造成影響，還會使整個系統進行重新調整。本文對低速旋轉機械故障的診斷技術進行分析總結，對AGV設備的使用維護進行歸納總結，對于準確排除AGV小車故障有非常大的借鑒意義，有利于提高物流作業的工作效率。

1 小波函數與BP神經網絡算法

1.1 小波函數的選擇

其中：λ——為相似性系數，屬于無量綱系數；

si——為對于的小波基函數作絕對值后各波峰所包含的面積；

hi——為小波基函數作絕對值后各波峰的極大值；

ai——為小波基函數作絕對值后各波峰的加權系數；

n——為小波基函數作絕對信后波峰的數量；

通過計算得到λDaubechies10=7.5[3]為小波基函數中與AGV沖擊信號相似程度最高的小波基函數，這里我們通過MATLAB對db10低頻高頻信號小波函數及尺度函數小波特性進行簡要分析。從圖1的db10小波的低頻高頻信號圖，圖2的db10小波函數及尺度函數圖可以發現db10的小波函數與沖擊信號的相似度較高。

圖1 db10小波的低頻高頻信號圖

圖2 db10小波函數及尺度函數圖

1.2 BP神經網絡算法的優化

通過小波分析后，進行相應的特征提取，這時候我們就需要相應的手段來對特征值進行分析處理以此來判斷旋轉機械所存在的具體故障。信號正向傳播與誤差逆向傳播的各層權矩陣的修改過程是周而復始進行的。權值不斷修改的過程是網絡學習訓練的過程。直到網絡輸出的誤差逐漸減少到預先所設定的精度范圍。[4]在這里我們選用BP神經網路并利用遺傳算法對其進行優化處理以此來對更加準確的特征值進行分析處理。具體流程如圖3所示：

2 基于MATLAB的AGV旋轉機械故障檢測實現

2.1 首先分析AGV設備常見的電機故障[4]

(1)松動。松動包括電機排線與驅動器之間接頭的松動以及零件之間正常的配合關系被破壞造成配合間隙超差而引起的松動。第一種情況會導致AGV小車行走時的卡頓現象，第二種較為復雜由松動引起的振動具有一定的非線性，其振動信號的頻率成份相當復雜，除了基頻(等于轉頻)以外，還產生高頻次諧波和分頻振動，頻譜結構成梳狀，有時還表現出一些方向特征很明顯，主要在垂直方向很強烈。

圖3 遺傳算法對BP神經網絡改善流程圖

(2)電機過熱。因為AGV工作屬于長時間低速工作，或者高負載工作，因此很容易導致電機發熱嚴重，從而影響電機的正常運行。

(3)電機驅動器損壞。電機驅動器內部損壞會導致電機無法按照正常的控制量控制速度。

(4)安裝誤差。由于AGV在運行過程中存在抖動現象，有可能導致固定電機的螺絲松動，最后影響電機的正常運行，甚至可能導致電機與傳動鏈條脫落，使得電機無法正常運行。

2.2 振動信號的收集與處理

這里通過對應力波的收集，并運用db10小波進行應力波的信號分解。

2.3 故障診斷識別

通過收集不同的故障數據，對神經網絡進行訓練，并運用遺傳算法對神經網絡的隱含層權值進行改進，得到如圖四所示樣式的BP神經網絡，最后做到較為準確的輸出故障。

圖4 BP神經網絡示意圖

3 總結

本文對AGV小車的旋轉機械故障檢測方法的實現進行了簡要的分析，并總結出利用小波分析、遺傳算法、BP神經網絡來對旋轉機械的震動信號進行分析處理以此來實現對AGV設備故障進行有效檢測，為實現智能化檢測提供了依據。隨著AGV設備在各個領域的不斷應用，通過此技術來有效地進行AGV的電機設備進行故障檢測越來越重要，故此技術在AGV設備領域的應用前景廣闊。