基于ADAMS的盤形軋制零件結構優化與故障診斷方法

陶文東

(楊凌職業技術學院,機電工程學院,陜西,楊凌 712100)

0 引言

軋制成形在零部件加工運用中具備較高的效率,這種制作方法能有效降低整體構件的成型負荷,從而使成形工藝更易于實現自動控制[1-3]。POURSAFAR等[4]針對軋制成形中的相關優化修改問題,在人工神經網絡的基礎上提出了產品回彈的預測方法;毛華杰等[5]為了解決帶縱筋平板軋制成形中的難度問題,提出了新型的軋制成形方法;謝亞琳等[6]針對T型環軋制成形中填充困難等問題,利用有限元模型的相關軟件提出了解決該問題的方法。然而,諸多軋制成形的方法通常無法兼具適應性,同時投資成本較大。因此,需要研究以不新建軋制生產線為目標。本文利用計算機輔助三維交互A(CATIA)構建三維模型,運用交叉相關能量比熵等提出零件早期故障診斷方法,其目的是制造小批量的小零件,并兼有適應性廣、投資低等優勢,以此提高生產效率。

1 盤形軋制零件結構優化與故障診斷方法分析

1.1 盤形軋制零件結構建模

在實際的盤形軋制零件加工過程中,軋制依據方法的不同分為了熱軋和冷軋:熱軋是一種具有比金屬再結晶更高溫度的軋制方式,其可以優化鋼材料的性能[7-9];冷軋指對鋼板毛坯進行軋制的金屬成型工藝,其主要的軋制工序是在室溫下進行的[10-11]。

基于此,研究利用CATIA軟件建模后使得在草圖設計時,將設計者的空間限制輸入作為特性參數保留,然后在以后的設計中做一些視覺上的修改,以此構建最直接的參數化模型,即能夠通過對系統參數的編輯,直接完成草圖修正。考慮實際的軋制工作,研究通過優先分析輥棒與軋制部件的滾動式接觸構建輥與輥子軋制的簡易模型。在變形區內,一些主要參數之間存在著一定的關聯性而非孤立的關系,并且這些基礎參數都是對各工藝參數綜合后得出的。在實際工作中,常常會碰到一些基礎參數和變形區間存在著一定的數學關系,若不能準確地把握這種數學關系,將會造成錯誤。例如,壓下量與軋制輥子的半徑、咬入角之間的關系表達如式(1):

Δg=G-g=2(B-Bcosβ)=2B(1-cosβ)

(1)

式(1)中,Δg表示壓下量,G和g表示軋制前后軋制部件的厚度,B表示軋制輥子的半徑,β表示咬入角。其中,咬入角的計算如式(2):

(2)

相對變形量中的計算如式(3):

(3)

式(3)中,δ1、δ2以及δ3表示相對壓下量、寬展量以及延長量,K和k表示軋制前后軋制部件的寬度,C和c表示軋制前后軋制部件的長度。在相對變形量中,軋制的實際變形速度計算如式(4):

(4)

式(4)中,v表示變形的實際速度,vn表示平均變形的實際速度,u表示軋制部件軋出的實際速度,t表示時間,x表示軋件的總量,其是軋件數m的總數。在CATIA軟件三維建模的基礎上,研究將ADAMS動力軟件應用在之后的仿真和分析中。其中,動力分析是指在滿足靜態荷載的前提下,對結構在受動荷載時的性能進行分析,并解決荷載的時變效應。通過對盤形軋制零件結構建模,以此了解盤形軋制零件的整體情況,為其運行優化奠定基礎,更有利于實施成形的自動化控制。

1.2 盤形軋制零件早期故障診斷

在盤形軋制零件結構建模的基礎上可以實施結構優化,以此為后續的自動化生產奠定基礎,然而在盤形軋制零件結構運行優化過程中,由于工況環境的原因會使其發生故障,因此需要對其進行必要的早期診斷。研究考慮實際的軋制結構工作環境,融合門控周期裝置(GRU)與雙向門控周期裝置(BiGRU)構建BiGRU-GRU網絡,并在交叉相關能量比熵的基礎上提出軋制結構零件的早期故障診斷方法。早期故障診斷方法的理論基礎包含了小波變換、互相關函數等。連續信號下的小波變換等式如式(5):

(5)

式(5)中,WT(c,x)表示連續信號下的小波變換,c表示尺度參數,x表示位移參數,f(t)表示基本小波,t表示時間,?表示復共軛。離散形式化的小波變換如式(6):

(6)

式(6)中,DWT(i,k)表示離散小波變換,i和k表示歸一化后的參數。GRU是長短時記憶網絡(LSTM)的變體,具體表達如式(7)～式(10):

mt=S(Wm·[λt-1,xt])

(7)

Rt=S(WR·[λt-1,xt])

(8)

λ=tanh(W·[Rt·λt-1,xt])

(9)

λ=(1-mt)·λt-1+mt·λt

(10)

式(7)～式(10)中,mt表示更新門,S表示S型激勵函數,W表示等待訓練的相關參數,λt-1表示上一個隱藏層的實際輸出值,xt表示輸入值,Rt表示重置門,λ表示λt-1與xt的匯總。

基于此,研究構建了交叉相關能量比熵的性能衰退指數,其中,交叉能量比計算如式(11):

(11)

式(11)中,Pi′表示交叉相關能量比值,J表示交叉相關后的局部最大值,N表示全部數據。另外,在采集到數據要求的相關指數后,需要對其進行門限范圍設定,研究選擇的門限范圍設定如式(12):

(12)

式(12)中,E表示隨機的任意變量,σ表示數學期望值,ζ表示任意正數,τ表示標準差。在BiGRU-GRU網絡的基礎上構建的早期零件故障診斷流程如圖1所示。

圖1 早期零件故障診斷流程

從圖1可以看出:首先,利用小波變換對收集到的盤形結構零件信號進行去噪,并構造交叉相關能量比熵;其次,使用初始時采集的常規振動信號來限定門限;然后,對采集的振動信號樣品進行門限計算,如果計算出的衰退值比設置的門限更大,則可以判斷此時盤形結構零件已經發生早期故障。在檢測出早期故障的時間點后,根據該時間點的振動數據對其進行指數運算,從而可觀測到其性能的衰退趨勢。對這些數據重新抽樣并進行空間變換,同時輸入BiGRU-GRU網絡中用于訓練。當網絡模型的訓練精確到了一定的程度時,把目前收集到的指標信息輸入該網絡模型中,從而實現對盤形結構零件衰退趨勢的實時預測。

2 結構優化分析及早期故障診斷方法檢驗

為了實現對盤形軋制結構的優化,研究首先對其影響因素進行了驗證分析。依據影響其運行的關鍵因素(螺桿的轉動速度、軋制輥子的旋轉速度以及摩擦因數),研究通過分別對其中兩種因素進行固定,只改變另一種因素,從而判斷影響更大的因素,進一步進行結構優化。僅改變螺桿旋轉速度的盤形軋制結構螺桿狀態如圖2所示。

(a) 螺桿速度變化結果

由圖2可以看出,在0.25 s后螺桿實際的速度與角速度均出現明顯的變化,同時隨著轉速的不斷升高增長速度愈加明顯,比較符合盤形壓制結構的實際狀態。因此,螺桿的變化對其運行的影響是比較大的。僅改變軋制輥子旋轉驅動下軋制輥子運行狀態與圖2類似,而對摩擦因數進行改變后軋制輥子的運行狀況并未有明顯的差異,因此其對關鍵部件的影響較小,本文不對二者進行專門贅述。基于此,本文在該影響因素分析結果下,對盤形軋制結構的關鍵零件進行優化分析,即對螺桿結構進行優化。15 mm和5 mm螺距的螺桿仿真分析結果如圖3所示。

圖3 15 mm和5 mm螺距的螺桿仿真分析結果

由圖3可以看出:15 N·mm的螺桿在1.0～1.7 s的區間呈現顯著的波動狀態,力矩數值最高達到2.3×10-8N·mm;5 mm的螺桿在0.1～1.0 s存在頻繁的波動,傳動力矩最高達到1.9×10-9N·mm。因此,為了保證盤形軋制零件結構的穩定性,在選用盤形軋制零部件時,每個零件的大小參數都要加以考慮。

在此優化方案的基礎上,研究以盤形軋制零件中的軸承作為早期故障診斷方法的驗證對象,以進一步判定研究方法的有效性。由于實驗的相關限制,研究選擇了公開的數據(辛辛那提大學)作為研究依據,該數據集中進行了3次實驗,為了更為有效地分析研究方法的有效性,研究以第2次實驗的第1個軸承作為研究對象,并在最終實驗對第3次實驗中的第3個軸承進行泛化的性能驗證[8]。基于此,在進行交叉相關能量比熵的性能衰退指數驗證中,984個文件共計得出984個熵,其結果如圖4所示。

由圖4可以看出,在第1533個樣品處交叉相關能量比熵的數值已經大于門限,表明軸承已經發生故障,反映研究提出的性能衰退指數有效實現了早期的故障診斷。圖4實驗由于故障類型為軸承外圈損傷,并通過計算得到其故障頻率為236 Hz,因此研究引入包絡譜分析法來對第1532、第1533以及第1600個樣品進行必要的包絡譜解調,其結果如圖5所示。

(a) 第1532個樣本的包絡譜解調結果

由圖5可以看出:在第1533個樣品的包絡譜解調結果中,在故障頻率接近1倍時已有更高的振幅出現,表明軸承已經開始出現問題;將包絡譜法用于第1600個樣品后可以看出,軸承在頻率達到1倍、2倍、3倍以及4倍時的振幅都很大,表明該軸承在這個時候已經發生嚴重的故障。為了進一步證明交叉相關能量比熵衰退指數的優異性,研究引入常態化的均方根和峭度值指數與其進行比較,其結果如圖6所示。

由圖6可以看出:均方根指數結果已經檢測出了第1533個樣本的故障點,但是此時的均方根值增長幅度較小;峭度值指數結果中,檢測到第1646個樣本的失效點,因此無法在初期就發現真正的故障點。綜合來看,交叉相關能量比熵的性能優于2種對比方法。最后,研究開始對第3次實驗中的第3個軸承進行驗證,其最后出現的故障為軸承內圈損傷,并且出現16 324個樣品。因此,交叉相關能量比熵計算結果如圖7所示。

(a) 樣品序號0～13 000的交叉相關比熵值

由圖7可以看出,在第15 976個樣本時的交叉相關能量比熵值已經超過門限,表明此時開始出現早期故障。綜合來看,其同樣可以對早期的故障進行監控,表明研究提出的方法具有較高的泛化能力。在計算出交叉相關能量比熵的基礎上,對其進行趨勢預測可以有效反映其運行狀態。研究利用BiGRU-GRU對其進行預測,其結果如圖8所示。

(a) 樣品序號700～800下BiGRU-GRU預測結果

由圖8可以看出,BiGRU-GRU預測結果值與實際值基的誤差低于0.01。綜合來看,BiGRU-GRU在預測軸承衰退趨勢上具備較高的有效性。為了進一步驗證其有效性,研究將LSTM與GRU與其進行比較,其結果如圖9所示。

(a) LSTM的誤差結果

由圖9可以看出:BiGRU-GRU網絡的均方誤差為7.69×10-3,遠遠低于LSTM的9.27×10-3和GRU的7.73×10-3;而平均絕對誤差為5.06×10-3,同樣低于LSTM與GRU。綜合來看,BiGRU-GRU網絡的性能優于比較網絡,具備較高的有效性。

3 總結

為了在不新建軋制生產線的情況下實現小批量盤形零件的快速生產,研究利用交叉相關能量比熵與BiGRU-GRU網絡實現軋制結構零件的早期故障診斷,同時通過實驗提出結構優化方案并驗證早期故障診斷方法的有效性。實驗結果表明,螺桿旋轉速度與軋制輥子旋轉驅動對其關鍵零件中的螺桿和輥子影響較大,5 mm的螺桿在0.1～1.0 s存在頻繁的波動,表明選用盤形軋制零部件時每個零件的大小參數都要加以考慮。另外,交叉相關能量比熵的衰退指數可以較好地檢測出早期故障,而均方根值在此故障點僅增長0.01,峭度值指數與實際的故障點相差113個樣本,表明了研究方法的有效性。同時,BiGRU-GRU預測結果值與實際值誤差低于0.01,并且均方誤差為7.69×10-3,平均絕對誤差為5.06×10-3,均低于比較網絡。綜合來看,研究以影響因素分析結果提出的結構優化方案具備正確性,而提出的交叉相關能量比熵在早期故障診斷中具備有效性,BiGRU-GRU在衰退趨勢預測中具備較高的性能。但是,研究并未設計軋制過程的相關問題,因此后續需要深入分析。