基于云加端的機電設備故障維修診斷技術

熊書馳，吳瀛楓，吳 遠

（滬東重機有限公司，上海 200129）

近年來，機電設備的自動化、智能化程度不斷提升，隨著使用年限的增加及工作環境較為惡劣，機電設備上的機械零件、電子元件不可避免地會出現各種類型的故障。基于云加端的故障診斷技術，可以實時監測機電設備的運行工況，并在故障發生早期及時、準確地診斷出來，指導維修人員有針對性地進行故障維修，避免了機電設備的停機大修，對延長機電設備使用壽命、降低機電設備維護成本有積極幫助。

1 云加端SVM 模型的構建

本文設計的云加端SVM（支持向量機）模型由兩大部分構成，即云端和終端。其中，相對簡單的特征提取算法在終端嵌入式設備中完成，相對復雜的深度學習和分類算法在云端計算中心完成。該模型利用前端傳感器獲取機電設備運行中的狀態參數，包括電壓、振動、噪音等。通信裝置將采集到的原始數據傳入終端，并對其進行降噪、濾波等一系列預處理操作。完成預處理的數據，使用相應的算法進行特征提取、特征降維，使得數據體量大幅減小，降低了傳輸成本。將降維后的數據傳輸到云端，并在云端的故障特征模型庫（CFML）用完善后的故障特征在線訓練SVM 模型，提高其分類能力。最后使用SVM 模型處理終端提供的數據，得到的故障診斷結論在人機交互界面上顯示。云端和終端之間采用無線網絡進行數據傳輸，由此得到了一個由終端、網絡、云端組成的并行“流水線”結構。云加端SVM 模型的整體架構如圖1 所示。

圖1 云加端SVM 故障診斷模型

本文在構建云加端架構時，創新性地使用了支持向量機（SVM）代替常規的神經網絡，充分發揮SVM 在小樣本、非線性及高維模式分類方面的優勢，更適合應用在機電設備的故障診斷中。

2 原始數據的選擇

采集原始數據是云加端SVM 模型故障診斷的第一步，保證原始數據的類型豐富、真實準確，對提高診斷結果的可信度有一定幫助。就機電設備來說，可用于故障檢測的信號有電流信號、電壓信號、噪聲信號和振動信號等幾種類型，信號特性對比見表1。

表1 不同數據類型的特性對比

綜合對比來看，振動信號作為一種非侵入式的信號，能夠同時反映機電設備機械與電氣故障，并且可以提前數月預測故障的信號，綜合優勢高于其他類型的信號，因此本文選擇振動信號作為原始數據。

3 基于云加端SVM 模型的故障診斷方法

3.1 云加端SVM 模型的訓練

通常情況下，SVM 模型采用“離線訓練、在線分類”的結構，這種結構適用于實驗數據處理。但是在實際解決機電設備故障時，由于數據體量大，加上振動信號的振動幅值、振動頻率等變化明顯，在使用SVM 模型進行樣本數據訓練時會占用過多的資源，導致故障診斷的時效性變差。為了避免此類問題，本文在設計云加端SVM 模型時，創新性地提出了一種“離線訓練+在線訓練、在線分類”的結構[1]。

訓練流程如下：選擇已經完成預處理和分類的故障數據作為訓練樣本，導入到云加端SVM 模型中進行離線訓練，訓練完畢后可以得到初始的云加端SVM 模型。然后應用該模型進行在線故障診斷，診斷結果會在人機交互界面上實時呈現。維修人員根據該診斷結果，對機電設備展開拆修，并將故障檢查與維修結果反饋給云加端系統。系統會將故障特征向量保存到云端特征模型庫，并利用云計算技術統計診斷的準確率。如果準確率低于設定好的閾值，則調用云端特征庫對云加端SVM 模型進行二次在線訓練。這樣一來，既可以保證云加端SVM 模型診斷結果的準確率，同時又能減少對資源的占用，提高了診斷結果的時效性。云加端SVM 模型訓練流程如圖2 所示。

圖2 云加端SVM 模型訓練過程圖

3.2 云加端SVM 模型算法

本文設計的云計算SVM 模型算法如下。

步驟1：選擇添加了標簽的故障特征數據Doff對云加端SVM 模型進行離線訓練。訓練完畢后，將初始云加端SVM 模型Moff嵌入到云端處理器中，同時在云端新建一個特征模型庫CFML，并將Doff加入到CFML 中。

步驟2：智能終端調用云端CFML 中的Doff，利用FFT 算法提取原始數據中的故障特征F[n]，然后使用降維矩陣Rm×n進行特征降維。把F[n]移動到發送緩沖區，等待發送。

步驟3：云端接收到智能終端發送的接收請求后，開始接收F[n]，同時調用Moff對接F[n]進行分類，得到分類結果C1。在人機交互界面上呈現C1，由工作人員進行復查。如果分類結果不正確，則返回上一步重新分類；如果分類結果正確，則根據復查結果C2加入到CFML 中。統計故障分類準確率ρ，并將ρ 與設定好的閾值ρb對比。如果高于閾值，說明準確率達標，則停止云加端SVM 模型在線訓練；反之，若低于閾值，則從CFML 中再次調用樣本數據，重新進行云加端SVM 模型的在線訓練，直到分類準確率達標。

4 基于云加端的機電設備故障維修診斷實驗

4.1 采集數據

該實驗選擇某機電設備滾動軸承作為研究對象，利用CUT-2 轉子振動實驗臺作為振動數據的采集轉子，實驗臺由驅動電機、負載、振動傳感器和智能終端等幾部分構成，可用于軸承內圈、外圈、滾珠等部位的故障檢測。將滾動軸承放置到CUT-2 轉子振動實驗臺上，調節負載使滾動轉軸在一定載荷下運行。運行期間，振動傳感器會收集滾動軸承的振動信號，并發送至智能終端，完成數據的采集[2]。

4.2 提取特征

本實驗中的特征數據提取分為2 部分：其一是對于前端傳感器實時采集的數據進行特征提取，并將其應用到云加端SVM 模型的二次訓練和故障診斷中；其二是對完成預處理和分類的數據進行特征提取，并將其應用到PCA 降維矩陣的訓練及云加端SVM 模型的訓練中。由于振動信號的頻譜中包含了較多的高次諧波，如果直接在終端進行頻譜分析，會因為諧波干擾導致診斷結果的精確度下降。因此，本文在特征提取環節采取了特征降維處理，使用PCA 降維矩陣減小數據維度，為下一步的智能分析創造了良好條件。特征數據降維的實現方法如下。

對采集到的原始數據做FFT 頻譜分析，求得頻譜與功率譜。使用z-score 標準化方法對數據進行標準化處理，并將處理結果作為PCA 算法的輸入值。經過算法處理后，從結果中找出對功率譜特征貢獻率最大的d'個特征，并生成降維矩陣D。在本次實驗中，求得d'=17，相應的降維矩陣D17可表示為

4.3 故障診斷

以往使用SVM 分類算法進行特征數據分類時，如果數據量龐大，可采取增加分類器數量的方式提高分類效率，缺點是工作量大、計算難度高。本文對故障診斷策略進行了調整，提出了“一對一”分類方法對滾動軸承存在的k類故障進行兩兩分類，最后統計k（k-1）/2 個分類器的結果，該結果即為故障分類結果。對于機電設備滾動軸承的故障診斷來說，選擇這一故障診斷策略具有分類速度快、計算難度低、診斷結果精確等優勢[3]。

“一對一”分類算法的核心函數是k（x，y）可表示為

為驗證本文提出的并行流水線結構云加端SVM模型的應用效果，設計了對比實驗。實驗組選用并行流水線結構云加端SVM 模型，對照組選用傳統順序診斷結構云加端SVM 模型。初步對比，本文設計的云加端SVM 模型在機電設備故障診斷方面具有以下優勢。

其一，在機電設備的長時間運行中，由于零件自身磨損老化，以及系統負載調整、外部電磁環境等各種因素的影響，即便是選擇精密傳感器，采集到的數據與機電設備真實運行狀態之間必然會存在一定的差距。這種情況下，只有保證故障診斷系統能夠對機電設備的當前狀態進行在線學習，才能不斷修正診斷結果的準確率。本文設計的云加端SVM 模型支持在線學習，當診斷準確率低于設定閾值時，可以通過二次訓練、在線學習，最大程度上規避設備狀態不規則變化給云加端SVM 模型故障診斷帶來的干擾，使得診斷結果的可靠性高于傳統SVM 模型。

其二，對于機電設備的一些關鍵零件（如滾動軸承），一旦發生故障將會直接影響機電設備的正常運行，甚至引起設備大修事故，造成嚴重的經濟損失。傳統的故障診斷由于實時性較差，很難做到故障的超前識別，經常錯過最佳的檢修時機。而本文設計的云加端SVM 模型由云端和終端2 部分分工合作，位于機電設備上的智能終端可以對實時采集的數據進行濾波降噪、特征提取等處理，再將處理后的數據上傳至云端，利用經過在線學習的SVM 模型進行故障診斷[4]。這種流水線分布式數據處理方式滿足了數據處理與故障診斷的實時性要求，為檢修人員提前發現潛在故障并進行維修處理提供了依據，保證了機電設備的穩定和持續運轉。

4.4 故障診斷準確度實驗

如上文所述，本文基于云加端設計的SVM 模型可以顯著降低設備狀態變化、長時間運行機械磨損等原因所導致的診斷誤差。為驗證這一結論，設計了故障診斷準確度實驗。在該實驗中，以滾動軸承的負載作為變量，采集滾動軸承在不同負載下的振動信號，然后按照上文提供的2 種方法展開故障診斷，準確度見表2。

表2 負載變化30%后診斷準確率對比%

表2中，原始準確率是指負載保持不變的前提下，在線學習法與離線學習法測試的平均值。在準確度實驗中，共采集了150 組數據，表2 中最后一項的值為準確率的平均值。結合上表數據可以發現，滾動軸承負載的變化會導致傳統云加端SVM 模型（離線學習法）的診斷準確率下降，特別是在“內圈故障”的診斷中，準確率只有86.5%。相比之下，采用本文設計的并行流水線結構的云加端SVM 模型進行故障診斷，各項故障診斷準確率均在90%以上，平均準確率達到了96.50%。這一數據表明了在線學習法能夠較好地適應機電設備的狀態變化，從而保證不同工況下故障診斷結果具有可信度。

4.5 診斷系統實時性驗證

故障診斷的實時性也是判斷云加端SVM 模型應用效果的關鍵指標之一。基于傳統順序結構診斷結構的云加端SVM 診斷模型，特征提取、特征降維及故障分類等操作都是在同一個終端上按照順序依次進行。這種情況下，下一步操作必須要等到上一步操作結束，釋放CPU 使用權后才能進行，導致診斷的實時性較差。相比之下，本文基于并行流水線結構設計的云加端SVM 診斷模型，則能夠將不同操作分別置于終端、云端上同時進行，從而縮短了中間處理所需的時間，提高了系統的實時性[5]。傳統順序診斷結構與并行流水線診斷結構如圖3 所示。

圖3 2 種故障診斷結構對比圖

在實驗中，讓2 種結構下的云加端SVM 模型在50 ms 內完成診斷任務，并對比相同時間內處理任務數的多少，結果如圖4 所示。

圖4 2 種診斷結構效率對比

結合圖4 可知，本文基于并行流水線結構設計的云加端SVM 模型在50 ms 內可以處理200 個故障診斷任務，是傳統SVM 模型（50 個）的4 倍，效率更高，實時性更好。

5 結束語

云加端架構是融合智能終端與云計算技術，在快速、精準處理海量數據的基礎上，展開智能分析、實現故障診斷。通過確定故障類型、故障成因，為下一步的故障維修提供參考信息。本文基于并行流水線結構設計的云加端SVM 模型，從實驗效果來看具有實時性好、準確度高等優勢，可應用于機電設備常見故障的診斷，為維修作業提供指導。