RBF人工神經網絡評估特征診斷鋁錠脫模故障

黃將誠，沈廷杰 ,張弛

(1.重慶電子工程職業學院 人工智能與大數據學院，重慶 401331;2.大連理工大學 機械工程學院，遼寧 大連 116024)

0 引言

鋁及鋁合金由于其本身優良的化學、物理性質尤其是低密度和強抗腐蝕能力的特性，被廣泛地用于汽車、航空、造船等行業，是目前產量最大的有色金屬。鋁的冶煉目前多采用電解法進行，從電解槽陰極生產出來的高溫鋁液需要經過鋁錠連鑄車間進行鑄造成型。在這個過程中首先將高溫鋁液澆入到鑄模中，然后將其傳送到下一個車間讓其冷卻，最后通過敲擊機構對鑄模進行敲擊，將凝固后的鋁錠從鑄模中分離出來，也稱為鋁錠脫模。但是由于澆筑過程中的高溫導致鋁液和鑄模之間的接觸表面發生了化學擴散反應，導致界面之間形成了Fe-Al和Fe-Al-Si化合物，隨著晶粒的不斷生長會使鋁錠和模具之間產生粘連[1-3]，進而產生無法完成脫模的現象。這種情況對鋁錠連鑄生產線具有極大的危害，會導致鋁液再次進入鑄模從而造成財產、人員安全受損，因此對鋁錠的脫模情況進行診斷顯得尤為重要。

由于生產環境中的高溫和大慣性等因素，接觸式傳感器的使用受到很大的限制，而非接觸式傳感器可以揚長避短，實現在線診斷。目前，非接觸診斷，尤其是聲學診斷，在故障診斷領域已經有了許多成功應用。周俊等[4]利用盲解卷積和頻域壓縮感知對軸承復合故障進行聲學診斷；李岐[5]通過聲學對貨車運行早期故障進行了診斷；羿澤光等[6]基于參考信號頻域半盲提取進行了機械故障特征的聲學診斷。而脫模過程中敲打的聲音同樣蘊藏著豐富的信息[7-11]，因此本文提出利用聲音信號對脫模狀態進行診斷的方法。主要過程如下：首先通過經驗模態分解對兩次敲打信號進行預處理，提取其8個高頻IMF分量，而后從IMF分量中提取特征并對特征進行評估，進而利用評估后的特征及其對應的故障狀態對RBF人工神經網絡進行訓練，最后通過訓練好的網絡進行鋁錠脫模故障的診斷。

1 模型建立

首先將采樣得到的信號分為訓練樣本信號和測試信號兩類，前者用于模型建立過程中對RBF神經網絡的訓練，后者用來對模型進行測試。隨后對訓練樣本信號采用EMD方法進行預處理，提取特征并計算特征的敏感度，結合神經網絡對信號進行進一步地篩選得到敏感特征。最后將測試樣本信號的敏感特征作為輸入信號將其輸入到訓練好的網絡中，對模型進行測試。具體過程如圖1所示。

圖1 模型建立流程

1.1 信號預處理

經驗模態分解(EMD)是Huang首先提出來的一種針對非線性、非平穩、瞬變信號的分析方法，該方法可以將原始信號分解為若干個內稟模態函數(intrinsic mode function，IMF)和1個殘差函數。本文利用EMD方法對原始信號進行了分解，并提取了前8個高頻IMF，主要的步驟如下[12-14]：

1)首先確定采集到的信號X(t)上的所有極值點，用三次樣條曲線連接所有的極大值點形成上包絡線，采用同樣的方法形成下包絡線。數據X(t)與上、下包絡線的均值m1的差值記為h1，則

h1=X(t)-m1

(1)

將m1視作新的X(t)，重復上述步驟，直到hi滿足IMF的兩個條件時，則其成為從原始信號篩選出的第1階IMF，記為C1。

2)將C1從X(t)中分離出來，得到一個去掉高頻分量的差值信號r1，有：

r1=X(t)-C1

(2)

把r1作為新的信號，重復步驟1)，直到第n階的殘余信號成為單調函數，不再篩分出IMF分量。

3)將殘余項記為rn(t)，則X(t)可以表示成為n個IMF分量和1個殘余項的和，即

(3)

對采集到的聲音信號分別進行EMD分解并提取前8個高頻IMF分量，結果如圖2-圖3所示。

圖2 正常脫模的原始信號與分解后的前8個IMF

圖3 未正常脫模的原始信號與分解后的前8個IMF

1.2 特征信號選擇

目前信號的時域統計特征有均值、均方值、有效值、方差、標準差等,這些都是有量綱指標，而無量綱指標基本上不受工況(轉速和載荷等因素)和信號絕對水平的影響，即使測點同以往的地方略有變動，也不致于對診斷結果產生太大的影響。本文采用偏斜度(skewness,S)、峭度(kurtosis,K)、峰值指標(crest factor,CF)、波形指標(shape factor,SF)、脈沖指標(impulse factor,IF)和裕度指標(clearance factor,CLF)作為無量綱指標，其定義如表1所示。

表1 6個時域無量綱指標與計算方法

對原始信號和分解后的8個高頻IMF分量信號分別提取上述6個無量綱特征，會獲得54個無量綱特征。如果將54個特征全部輸入人工神經網絡進行訓練，會導致網絡負擔極重，同時這些特征之間有可能存在耦合等復雜情況，會對診斷的正確率產生影響。綜合這兩個原因，需要對特征進行評估。

特征評估指的是通過特征之間的距離來評判特征對于分類的敏感度，具體來講就是同一個特征在同一類中的距離越小，在不同類之間的距離越大，則這個特征越敏感。具體步驟如下：

1)計算第i類第j個特征的類內距離

(4)

其中：N為樣本數；pi,j(m)為第i類第m個樣本第j個特征的特征值；pi,j(n)為第i類第n個樣本第j個特征的特征值。

2)計算第j個特征在M個類內的平均距離

(5)

3)計算第i類和第k類中第j個特征的類間平均距離

(6)

其中M、N為第i個和第j個類的樣本數。

4)計算特征的敏感度

特征的敏感度定義如下：

(7)

SEN(j)的大小可以客觀地表現特征j在分類過程中的難易程度，當SEN(j)越小時，即特征j在類內表現的差異性較小，而在類間表現的差異性更大，因此能夠更好地進行分類。隨后將所有的特征按照特征敏感度數值大小升序排列，獲得新的特征序列Feature{F1,F2,…,Fk-1,Fk,}，最后將特征序列的元素從F1,F2,…,Fk-1,Fk依次輸入到人工神經網絡。

1.3 RBF人工神經網絡訓練及測試

徑向基(radial basis function，RBF)人工神經網絡只有1個隱含層，因此訓練速度快，而且采用高斯函數作為激活函數，具有局部逼進特性，這也意味著RBF人工神經網絡可以應用于有實時性要求的場合。

基于上述原因本文運用SPSS17.0設計了RBF人工神經網絡，其中將上述經過敏感度評估的特征按照敏感度從高到低的順序依次作為輸入，而將鋁錠脫模過程故障的兩種狀態作為輸出。設定如下兩條截止條件，達到其中一個即認為特征選擇結束：一是分類的準確率達到設定閾值即98%；二是連續5個特征的輸入不會使得分類的準確率增加。本文的數據來源于青海某鋁廠。在實際的特征選擇過程中，由于每一個擊打信號的周期為3.3 s，在實際的信號采集過程中共錄制信號8段，每段20 min，采樣率為48 000 Hz，其中前7段作為訓練樣本共計202個，第8段中有33個。在訓練過程中達到設定閾值即98%時的敏感特征數量為9個，其分布如表2所示。

表2 敏感特征及其分布

如表2所示，6個無量綱指標均存在敏感的特征，且在原始信號中存在4個敏感特征，在前4個IMF分量共存在著5個敏感特征，而后面的IMF5-IMF8并未存在敏感特征。這有可能是因為后面的低頻分量是車間的背景噪聲。

除此之外，繼續將特征作為輸入輸入到RBF人工神經網絡中，得到了特征個數與分類準確率的曲線，如圖4所示。

圖4 分類準確率與特征數目關系

通過圖4可以進一步看到，隨著特征數目的增多，系統分類的能力總體在達到最大之后開始下降。這說明通過經驗模態分解對原始信號進行處理的同時，也帶來了大量效率低下的特征，甚至會降低分類效率的特征。在經過特征評估之后，不僅能夠降低RBF人工神經網絡的負擔，同時還可以提高分類的正確率。

2 實驗分析

在完成上述模型的建立之后，將采集到的第8段信號作為測試信號對系統進行測試，測試結果如表3所示。

表3 測試結果

通過實驗說明本系統所采用的基于特征評估的模型能夠準確地診斷未正常脫模的鋁錠，診斷準確率達到100%，誤識別率為0.83%。

3 結語

1)通過對選擇的無量綱指標進行評估，篩選出敏感度較高的指標作為敏感特征輸入RBF人工神經網絡，不但可以降低特征序列的緯數和神經網絡的運算載荷，同時還可以提高模型的診斷精度。

2)通過特征評估對鋁錠脫模過程中的聲音信號進行特征提取，利用提取后的敏感特征可以對脫模過程故障進行有效診斷。