基于MHMM的導引頭伺服機構機械故障智能診斷

羅進海, 張 樂, 馬輝輝, 朱 駿, 蔣會明

(1.上海理工大學,上海200093;2.上海無線電設備研究所,上海201109)

0 引言

隨著現代科技的迅速發展,機械設備逐漸朝著復雜化、精密化和高度自動化方向發展,其運行可靠性與安全性問題得到了研究學者越來越多的關注。導引頭伺服機構是導彈實現目標跟蹤和視線軸穩定功能的重要執行機構,對于實現和保障導彈既定性能起重要作用[1]。導引頭伺服機構結構精細、復雜、易損,服役環境惡劣,機械結構的任何微小故障都有可能降低導彈性能,引發難以估計的后果。因此,導引頭伺服機構機械故障診斷具有迫切的工程需求與重要的實際意義。

導引頭伺服機構運行工況復雜,伺服機構的監測信號具有強非線性、非平穩與強噪聲干擾的特點。基于傳統的時頻域分析的故障診斷方法遭遇重重阻礙,基于機器學習的方法成為解決該問題的主要途徑。隱馬爾可夫模型(hidden Markov model,HMM)作為一種時序統計概率模型,具有隱狀態鏈與觀測序列鏈雙重隨機屬性,在設備狀態監測和早期微弱故障診斷領域應用廣泛。“機械故障發于內,而形于外”,機械設備的微小故障狀態雖然難以直接從其外在表現,如振動、聲音和溫度等變化來判斷,但卻是其外在表現發生微不可見的變化的根本原因。這與隱馬爾可夫模型具有的觀測序列鏈與隱狀態鏈的雙鏈屬性在本質上是相通的。因此,HMM非常適合用于導引頭伺服機構機械故障的智能診斷。

OCAK等[2]提取軸承運行狀態振動信號特征值矩陣,構建 HMM 實現故障診斷。PURUSHOTHAM等[3]將離散小波變換和HMM相結合,成功實現軸承的多故障分類。DONG等[4]將隱半馬爾可夫模型用于泵的故障診斷和壽命預測研究。劉韜等[5]提出基于核主成分分析和耦合隱馬爾可夫模型的軸承多通道融合故障診斷方法。袁洪芳等[6]則將HMM與改進距離測度法相結合,有效識別齒輪箱軸不對中、斷齒、磨損等多種故障模式。

本文針對導引頭伺服機構多通道監測數據特點,引入多鏈隱馬爾可夫模型(multi-chain hidden Markov model,MHMM)。基于 MHMM 的多觀測序列鏈、單隱狀態鏈的動態網絡結構,同步智能提取多通道數據所蘊含的多維統計特征規律,實現對機械設備故障狀態的精確表征,并基于伺服機構機械故障試驗數據驗證所提方法的有效性。

1 基本原理

特征提取方法和機器學習方法涉及機械故障智能診斷的關鍵步驟與核心理論。針對導引頭伺服機構監測信號的特點,結合多測點多通道采樣的工程實際,引入基于時域統計特征的特征提取方法和多鏈隱馬爾可夫模型這一統計概率模型。

1.1 時域統計特征提取

時頻域信號處理與特征提取技術的發展為監測信號特征提取提供了豐富的途徑。然而,導引頭伺服機構監測信號強非線性、非平穩和強噪聲干擾的特點,導致時頻域特征的提取受到噪聲、工況等非線性因素與多參數優化方法的制約。因此,計算簡單的時域統計特征提取方法在工程實際中常被作為表征設備運行狀態的監測指標。

工程中常用的時域統計特征分為兩類:有量綱參數指標和無量綱參數指標。其中,典型的有量綱參數指標(如均值、標準差、方根幅值、均方根值、峰值)對數據變化極其敏感,但會受到設備運行工況的干擾;而無量綱參數指標(如峭度指標、波形指標、峰值指標、脈沖指標、裕度指標)具有對信號幅值及頻率變化不敏感的特點[7]。在10個常用的時域統計特征中,峰值、峭度指標、波形指標、峰值指標、脈沖指標等對機械設備的早期沖擊故障比較敏感,而均方根值和波形指標等則可以實現對機械設備退化過程的穩定表征。本文在導引頭伺服機構機械故障智能診斷中,將有量綱及無量綱參數指標共同作為故障特征進行提取,各特征參數計算公式如表1所示。

表1 時域統計特征計算公式

1.2 MHMM基本原理

導引頭伺服機構運行工況復雜,測試干擾因素眾多,即使是同一種故障狀態也常常表現出不同的外在征兆。因此,僅依靠單一通道監測數據難以得到準確的診斷結果。為此,本文基于多鏈馬爾可夫模型來智能融合多通道數據,獲得監測數據所表征的底層特征規律,為導引頭伺服機構機械故障診斷提供可靠依據。

HMM是一個典型的統計概率模型,具有符合Markov性質的隱狀態鏈和隨機分布的觀測值序列鏈的雙隨機鏈結構。通常,典型的HMM可以表示為

式中:N為模型的隱狀態數目,記模型的N個隱狀態為S1,S2,…,S N,q t∈{S1,S2,…,S N}為t時刻模型所處的狀態;M為每個隱狀態可能的觀測值數目,記M個觀測值為v1,v2,…,v M,t時刻的觀測值為o t,則有o t∈{v1,v2,…,v M};π={πi,1≤i≤N}為初始狀態概率向量,其中πi=P(q t=S i),P(·)表示概率分布函數;A=[a i,j]為狀態轉移概率矩陣,其中a i,j=P(q t+1=S j|q t=S i),1≤i,j≤N;B=[b j,k(o t)]為觀測值概率矩陣,其中b j,k(o t)=P(o t=v k|q t=S i),1≤j≤N,1≤k≤M。

由于工程中實際采集到的多為連續信號的離散值,因此常采用混合高斯分布(Gaussian mixed model,GMM)來擬合不同狀態下的觀測值概率。另外,導引頭伺服機構采樣數據涉及多通道采樣,需采用多觀測值序列的MHMM來擬合觀測數據的分布規律。MHMM的貝葉斯網絡結構如圖1所示,其中,C為觀測序列的鏈條數,T為最大時刻。

圖1 MHMM的貝葉斯網絡結構圖

圖1中,MHMM包含觀測序列鏈與隱狀態鏈兩部分,其中觀測序列鏈由多條組成。每個隱狀態下的多元觀測序列服從GMM分布,隱狀態鏈具有Markov性質,每一個時間切片內的多通道數據依賴于同一個隱狀態參數。這與設備的故障機理是相通的,雖然不同通道對設備狀態的表征不同,但是他們都是設備同一個故障狀態的表征。因此,MHMM具有多通道信息融合的能力,非常適合用于導引頭伺服機構機械故障的多通道融合診斷。另外,MHMM應用中所涉及的3種經典算法在文獻[8]中已有詳細說明,此處不再贅述。

2 基于MHMM的多通道融合智能故障診斷

故障診斷是一個模式識別的過程,它將采集的數據或提取的特征映射為設備的故障類型。基于MHMM的多通道融合故障診斷分為離線訓練和在線測試兩大部分,具體包含數據采集、特征提取、MHMM訓練以及故障診斷等4個基本步驟,對應故障診斷流程如圖2所示。其中,λi(i=1,2,…,I)為訓練得到的 MHMM,I為模型數量;為待測設備在模型λi中的輸出似然概率。

圖2 基于MHMM的多通道融合智能故障診斷流程

在離線訓練時,針對每一種設備狀態(正常與各種故障狀態)分別訓練一個MHMM模型,具體步驟為:

a)數據采集,分別通過多個傳感器采集每種故障狀態下的多通道振動信號;

b)特征提取,將信號劃分為多個時窗信號,針對每個時窗信號分別提取時域統計特征向量,構建多通道振動信號特征向量序列,得到MHMM訓練所需的多通道觀測序列集;

c)HMM訓練,基于Baum-Welch算法將提取的多通道特征向量序列輸入到MHMM中進行參數估計,將得到的每種故障狀態的MHMM參數存入模型庫中。

在在線故障診斷環節,首先對待測設備進行數據采集和特征提取,得到多通道時序特征向量序列,將其輸入到模型庫中的各個MHMM中,計算各模型的輸出似然概率,其中輸出最大似然概率的模型對應的故障狀態即為待測設備故障狀態。

3 工程案例分析

由于導引頭伺服機構的精密緊湊性,包含多級齒輪傳動的內置平臺相對齒弧回轉的俯仰通道易形成損傷。基于正常機構(指結構完好的機構)和局部損傷機構的采樣數據,驗證基于隱馬爾可夫模型的導引頭伺服機構機械故障智能診斷方法的有效性。

3.1 試驗介紹

分別對兩套相同型號的導引頭伺服機構進行隨機振動試驗,其中一套為正常機構,一套為局部損傷機構。導引頭伺服機構簡化模型如圖3(a)所示。試驗時,方位通道鎖死,在預定回路狀態下對伺服控制系統輸入三角波信號,分別驅動伺服機構內置俯仰框和齒弧,使俯仰通道以繞水平面±40°的三角波形式運動。試驗中的三角波信號主頻率分別設為0.2,0.3,0.4,0.5,0.6,1.0 Hz,6種伺服控制信號頻率對應6種工況,采樣頻率設為1 024 Hz。在俯仰框傳動鏈末級,采用Co-Co-80振動數據采集器采集振動信號,測點位置如圖3(b)所示。共布置6個測點同步采樣,其中測點1、4和5向下,測點2和3向左,測點6位于軸向。正常機構俯仰通道轉至下極限位置時有異響,可能在末級扇齒處有焊線時掉落的焊錫,方位通道齒弧處發現焊錫。

圖3 伺服機構簡化模型及傳感器測點布放區域

3.2 數據分析

圖4為正常機構0.2 Hz工況下測點1振動數據的時頻域圖。正常機構的主特征頻率是轉頻及其二倍頻,其中二倍頻處的較大振幅對應正常機構俯仰通道轉至下極限位置處的異響情況。

圖4 正常機構0.2 Hz工況測點1振動時頻域圖

圖5為局部損傷機構0.2 Hz工況下測點1振動數據的時頻域圖。局部損傷機構的振動頻譜呈現為轉頻及其多階倍頻,難以從頻譜圖中找到對應的故障頻率成分。經典的時頻分析方法,如經驗模態分解[9]或變分模態分解[10]等,亦難以有效地提取出所需固有模態。因此,直接基于信號分析的故障診斷方法難以實現對導引頭伺服機構故障的有效診斷。

圖5 局部損傷機構0.2 Hz工況下測點1振動時頻域圖

3.3 智能診斷結果分析

在多通道信號特征提取環節,首先,將正常機構和局部損傷機構的多通道振動信號分別進行分段處理,每個采樣通道的每次采樣分為10個時窗;然后,針對每個時窗分別提取10個常見時域統計特征;最終形成6個通道10個連續時窗的10維時域統計特征向量庫。試驗中針對正常機構和局部損傷機構分別提取了100個樣本,各隨機選取50個樣本作為訓練數據集,剩余50個作為測試數據集。基于離線訓練流程,采用訓練數據集為每種工況下的正常狀態和局部損傷狀態分別構建模型,建立導彈伺服機構故障狀態模型庫。

將6種工況下的測試數據集分別輸入故障狀態模型庫,將其中輸出似然概率最大的模型所對應的故障狀態作為被測機構所處的故障狀態。6種工況下局部損傷機構采樣數據在故障狀態模型庫中的測試結果如圖6所示。在所有工況下,測試數據在兩種不同故障狀態模型下的輸出似然概率差異十分明顯,診斷結果與真實情況相符。將正常機構測試數據輸入到模型庫中進行測試,同樣得到正確分類。結果表明,在不同工況下,正常機構數據及局部損傷機構數據的診斷準確率都可以達到100%,本文所提方法可以有效實現不同工況下正常機構與局部損傷機構的智能診斷。

為進一步驗證基于MHMM的多通道融合故障診斷方法的有效性,基于6個測試通道數據分別做故障診斷。同樣50%數據用于模型訓練,50%數據用于模型測試。不同工況下基于單通道采樣數據的平均診斷準確率如表2所示。

表2 單通道采樣數據平均診斷準確率

由表2可知,利用不同測點的傳感器數據單獨進行測試時,故障診斷的準確率波動較大。且由于正常機構俯仰框轉至下極限位置會有異響,在使用單傳感器測試時結果易受到干擾,導致診斷準確率偏低。而MHMM的多鏈動態網絡結構使其可以同步智能提取多通道觀測數據鏈背后所隱藏的統計規律,實現多通道信號的智能融合,有效降低單個通道中的干擾因素,提高智能診斷的正確率。

4 結論

針對導引頭伺服機構結構局部損傷難以基于傳統時頻域信號分析方法進行有效診斷的問題,提出一種基于多鏈隱馬爾可夫模型的多通道特征融合機械故障智能診斷方法。MHMM具有多觀測序列鏈、單隱狀態鏈的動態網絡結構,能夠同步智能提取多通道數據所蘊含的多維統計特征規律,實現對機械設備故障狀態的精確表征。基于MHMM的伺服機構機械故障智能診斷方法實現了對導引頭伺服機構正常與局部損傷狀態的有效診斷。同時,通過多通道信號融合前后對比試驗,驗證了所提方法的優越性,為導引頭伺服機構健康狀態監測與智能診斷應用提供了有效途徑。