基于SOM-BP的全自動(dòng)口罩機(jī)傳動(dòng)系統(tǒng)故障檢測(cè)彭來湖

關(guān)鍵詞：口罩機(jī);自組織映射;BP神經(jīng)網(wǎng)絡(luò);故障檢測(cè)

中圖分類號(hào)：TP206.3 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

傳統(tǒng)的口罩機(jī)故障檢測(cè)方法通常依賴于人工經(jīng)驗(yàn)和定期巡檢，存在診斷準(zhǔn)確性低和故障響應(yīng)時(shí)間長(zhǎng)的問題。為解決以上問題，基于機(jī)器學(xué)習(xí)的故障檢測(cè)方法逐漸受到關(guān)注[1]。在SOM算法和BP算法的應(yīng)用方面，LU等[2]通過提取石油鉆井設(shè)備齒輪的特征參數(shù)，針對(duì)4種故障類型，基于SOM神經(jīng)網(wǎng)絡(luò)提出了一種齒輪故障診斷模型，但這種模型的分類準(zhǔn)確率僅有75%。ZOU等[3]將盾構(gòu)開挖參數(shù)作為SOM輸入，再將其輸出結(jié)果作為BP輸入完成融合，其輸出結(jié)果能夠診斷盾構(gòu)機(jī)構(gòu)的故障，但其分類并非整數(shù)類型，仍需采用人工方式整理，不夠簡(jiǎn)便。

本文提出一種基于SOM-BP融合算法的故障檢測(cè)模型，首先通過傳感器測(cè)得口罩機(jī)傳動(dòng)系統(tǒng)的振動(dòng)信號(hào)，提取4種齒輪狀態(tài)下的時(shí)域和頻域參數(shù)作為SOM 主網(wǎng)絡(luò)的輸入進(jìn)行初步聚類，將聚類結(jié)果作為BP網(wǎng)絡(luò)的輸入，得出更加準(zhǔn)確的分類檢測(cè)結(jié)果，從而實(shí)現(xiàn)口罩機(jī)傳動(dòng)系統(tǒng)的故障檢測(cè)。

1 口罩機(jī)工藝流程分析（Analysis of technologicalprocess of mask machine）

全自動(dòng)口罩機(jī)是用于自動(dòng)化生產(chǎn)多層材質(zhì)平面口罩成品的機(jī)臺(tái)。口罩機(jī)的整個(gè)機(jī)臺(tái)從原材料入料到鼻線插入、封邊、裁切成品，均為一條線自動(dòng)化作業(yè)[4]。

口罩機(jī)作業(yè)工序可分為5個(gè)部分，全自動(dòng)口罩機(jī)工藝流程如圖1所示。口罩成品質(zhì)量除了與材料和產(chǎn)品設(shè)計(jì)尺寸有關(guān)，還受多個(gè)結(jié)構(gòu)和工序的影響，如鼻梁線的正確安裝對(duì)于口罩是否能提供良好的密封性和適合性至關(guān)重要;原材料無紡布及過濾層的壓疊和固定質(zhì)量關(guān)乎口罩的過濾效果等[5]。為了維持全自動(dòng)口罩機(jī)設(shè)備的健康狀態(tài)，節(jié)約維修成本，避免發(fā)生事故，保障工作人員的安全，對(duì)全自動(dòng)口罩機(jī)核心動(dòng)力源即傳動(dòng)系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行故障檢測(cè)十分必要。

整個(gè)口罩加工工序及各工序結(jié)構(gòu)如圖2所示。

全自動(dòng)口罩機(jī)的動(dòng)力源由減速機(jī)和伺服電機(jī)提供，并通過一根動(dòng)力軸和傘齒機(jī)構(gòu)傳遞至設(shè)備的各個(gè)部分，傳動(dòng)系統(tǒng)如圖3所示。全自動(dòng)口罩機(jī)的傳動(dòng)系統(tǒng)主要包括減速機(jī)、伺服電機(jī)、動(dòng)力軸等，減速機(jī)是設(shè)備的主要部件，本文將針對(duì)其齒輪失效問題進(jìn)行故障檢測(cè)。

2SOM-BP融合算法（SOM-BP Fusion algorithm）

2.1SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)

全自動(dòng)口罩機(jī)的硬件成本不高，因此不適用于高成本的故障診斷算法。SOM 網(wǎng)絡(luò)不需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，實(shí)時(shí)性強(qiáng)，但在訓(xùn)練過程中，一些神經(jīng)元的初始權(quán)值與輸入向量的距離過大，導(dǎo)致它們?cè)诟?jìng)爭(zhēng)中永遠(yuǎn)無法獲勝，成為死亡神經(jīng)元，這可能導(dǎo)致分類錯(cuò)誤[6]。BP神經(jīng)網(wǎng)絡(luò)具有非線性映射和自學(xué)習(xí)的能力，但其學(xué)習(xí)速度慢，容易陷入局部最優(yōu);而當(dāng)訓(xùn)練能力提高時(shí)，容易出現(xiàn)過擬合[7]。

本文采用串聯(lián)型SOM-BP網(wǎng)絡(luò)，在仿真實(shí)驗(yàn)中，SOM網(wǎng)絡(luò)稱為主網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)稱為次網(wǎng)絡(luò)[8]，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

從圖4中可以看出，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)的三層BP網(wǎng)絡(luò)的基礎(chǔ)上增加了一個(gè)SOM 競(jìng)爭(zhēng)層。首先，通過SOM網(wǎng)絡(luò)對(duì)樣本進(jìn)行無監(jiān)督學(xué)習(xí)，將高維空間線性不可分的樣本映射到線性可分的低維空間，從而完成樣本的初步聚類，降低了BP網(wǎng)絡(luò)識(shí)別的壓力和難度。其次，將聚類信息從競(jìng)爭(zhēng)層傳遞到隱藏層，通過訓(xùn)練BP網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)，完成從輸入到輸出的非線性映射，并對(duì)數(shù)據(jù)進(jìn)行分類。

2.2SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的分類預(yù)測(cè)

SOM網(wǎng)絡(luò)采用無監(jiān)督學(xué)習(xí)的方式，在訓(xùn)練前不需要預(yù)先指定訓(xùn)練輸入向量的類別，它可以獨(dú)自完成聚類分析，從而對(duì)數(shù)據(jù)進(jìn)行初步分類，然后將獲勝神經(jīng)元的位置作為BP網(wǎng)絡(luò)的輸入，其泛化能力有效克服了容差因子對(duì)故障定位的影響，因此SOM網(wǎng)絡(luò)不需要大量的學(xué)習(xí)樣本，正好彌補(bǔ)了BP網(wǎng)絡(luò)學(xué)習(xí)需要大量樣本的缺陷，而BP網(wǎng)絡(luò)能很好地反映故障檢測(cè)的效果，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的分類預(yù)測(cè)原理如下[9]。

3SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)傳動(dòng)系統(tǒng)故障檢測(cè)（Transmission system fault detection of SOMBPcomposite neural network）

3.1 振動(dòng)信號(hào)采集

在進(jìn)行全自動(dòng)口罩機(jī)傳動(dòng)系統(tǒng)故障檢測(cè)之前，由于全自動(dòng)口罩機(jī)由多工位機(jī)械連接而成，其內(nèi)部部件在實(shí)際工作條件下相互耦合，此外受到來自超聲波焊接頭和振動(dòng)子的振動(dòng)信號(hào)的干擾，因此傳動(dòng)系統(tǒng)的故障檢測(cè)需要完成減速機(jī)振動(dòng)信號(hào)的特征提取。

實(shí)驗(yàn)樣本來自實(shí)驗(yàn)平臺(tái)，如圖5所示，該平臺(tái)由N95口罩機(jī)配套行星減速機(jī)（PLF120-20-L2）、壓電式加速度傳感器（CYT9350）、數(shù)據(jù)采集卡（Smacq USB-1252）、電源（T-200D）和個(gè)人計(jì)算機(jī)組成。其中，減速機(jī)的轉(zhuǎn)速設(shè)置為1 500 rpm、采樣頻率設(shè)置為5 120 Hz。壓電式加速度傳感器安裝在減速機(jī)的水平方向，由數(shù)據(jù)采集卡和計(jì)算機(jī)配套軟件分別采集減速機(jī)齒輪正常、齒面磨損、齒根裂紋、齒輪斷裂4種狀態(tài)下的振動(dòng)信號(hào)。本文采用原車間全自動(dòng)口罩機(jī)傳動(dòng)系統(tǒng)振動(dòng)信號(hào)的時(shí)域和頻域分析計(jì)算得出的8個(gè)特征參數(shù)代替?zhèn)鞲衅魉鶞y(cè)原振動(dòng)序列作為SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的輸入，時(shí)域特征參數(shù)如表1所示，頻域特征參數(shù)如表2所示[11]。

針對(duì)每種故障類型選取5個(gè)樣本，共選取20組樣本構(gòu)成SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的輸入，如表3所示。

3.2SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)算法實(shí)現(xiàn)

根據(jù)前文描述的算法原理和特征參數(shù)選擇方法，基于SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)模型的故障檢測(cè)方法的具體步驟如圖6所示。

（1）采集減速機(jī)原始振動(dòng)信號(hào)并進(jìn)行歸一化處理，根據(jù)采樣頻率計(jì)算歸一化后數(shù)據(jù)的時(shí)域參數(shù)和頻域參數(shù)，將其作為樣本數(shù)據(jù)。

（2）將樣本數(shù)據(jù)分為測(cè)試集和訓(xùn)練集，初始化SOM 網(wǎng)絡(luò)，以訓(xùn)練集作為輸入放進(jìn)SOM網(wǎng)絡(luò)中進(jìn)行初步聚類。

（3）初始化BP網(wǎng)絡(luò)，針對(duì)初步聚類結(jié)果進(jìn)行歸一化，再將其放入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)一步訓(xùn)練。

（4）若誤差在允許范圍內(nèi)，則結(jié)束訓(xùn)練，此時(shí)將測(cè)試集數(shù)據(jù)放入訓(xùn)練好的SOM網(wǎng)絡(luò)和BP網(wǎng)絡(luò)中輸出分類預(yù)測(cè)結(jié)果。若誤差超出允許范圍，則調(diào)整SOM網(wǎng)絡(luò)的鄰域及連接權(quán)重，并調(diào)整BP網(wǎng)絡(luò)的權(quán)值和閾值，然后返回“步驟（2）”。

此外，本文沿用均方誤差作為損失函數(shù)評(píng)估算法性能，其損失函數(shù)可以表示為

3.3 實(shí)驗(yàn)結(jié)果分析

將實(shí)驗(yàn)樣本數(shù)據(jù)輸入SOM 主網(wǎng)絡(luò)進(jìn)行初步聚類，其中SOM網(wǎng)絡(luò)的競(jìng)爭(zhēng)層的神經(jīng)元數(shù)量決定了競(jìng)爭(zhēng)層的數(shù)據(jù)分辨能力。首先，神經(jīng)元數(shù)量的增加可以提供更高的空間分辨率，使競(jìng)爭(zhēng)層可以更準(zhǔn)確地對(duì)輸入空間進(jìn)行劃分。神經(jīng)元較多時(shí)，能夠更細(xì)致地捕捉數(shù)據(jù)的局部特征，從而提高分類效果。神經(jīng)元較少時(shí)，可能導(dǎo)致對(duì)空間的劃分不夠精細(xì)，導(dǎo)致獲得的分類結(jié)果不夠準(zhǔn)確。同時(shí)，過多的神經(jīng)元可能導(dǎo)致過擬合，即模型過于復(fù)雜而無法泛化到新數(shù)據(jù)上，而過少的神經(jīng)元數(shù)量可能導(dǎo)致欠擬合。其次，神經(jīng)元數(shù)量的增加也會(huì)增加計(jì)算的時(shí)長(zhǎng)，神經(jīng)元較多，會(huì)導(dǎo)致更多的計(jì)算和存儲(chǔ)需求，增加網(wǎng)絡(luò)的復(fù)雜性[12]。

因此，需要找到神經(jīng)元數(shù)量的平衡點(diǎn)，以獲得更好的分類效果。依據(jù)參考文獻(xiàn)[12]的方法，并經(jīng)過大量運(yùn)行測(cè)試，分別設(shè)置50、100、200、500、1 000次迭代次數(shù)下的5×5、6×6、7×7、8×8競(jìng)爭(zhēng)層結(jié)構(gòu)，其聚類結(jié)果分別如圖7～圖10所示。

如圖9所示，當(dāng)?shù)螖?shù)為1 000次時(shí)，7×7結(jié)構(gòu)的SOM網(wǎng)絡(luò)可以將故障樣本1、2、3、4、5分為一類，樣本6、7分為一類，樣本12、14分為一類，樣本17、18、19分為一類。從圖9可以看出，盡管在迭代次數(shù)較多的情況下，SOM 網(wǎng)絡(luò)對(duì)于樣本的分類仍較為粗糙，未達(dá)到足夠高的準(zhǔn)確度。于是，本文將SOM輸出的結(jié)果輸入BP再次進(jìn)行訓(xùn)練，形成SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)，對(duì)輸出的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。經(jīng)過大量測(cè)試得到如下結(jié)果：初始化SOM網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)為4，最大迭代次數(shù)為1 000次，目標(biāo)訓(xùn)練誤差為0.001，學(xué)習(xí)率為0.01;BP網(wǎng)絡(luò)初始化最大訓(xùn)練次數(shù)為1 500次，目標(biāo)訓(xùn)練誤差為0.000 1，學(xué)習(xí)率為0.01，因?yàn)楸狙芯啃枰诸悪z測(cè)4種類型齒輪狀態(tài)，所以輸出層的神經(jīng)元個(gè)數(shù)為4。4種SOM 競(jìng)爭(zhēng)層結(jié)構(gòu)下的SOMBP復(fù)合型神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率對(duì)比如表4所示。

由表4可知，SOM 網(wǎng)絡(luò)競(jìng)爭(zhēng)層結(jié)構(gòu)的選取需要適合檢測(cè)樣本的數(shù)量，以達(dá)到最佳的分類效果，同時(shí)從表4中可以看出，輸入樣本數(shù)量的選擇對(duì)SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率也有影響。基于表3選擇SOM網(wǎng)絡(luò)的競(jìng)爭(zhēng)層結(jié)構(gòu)為7×7，其預(yù)測(cè)結(jié)果如圖11和圖12所示。

由圖11和圖12可知，SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)模型可以完成對(duì)減速機(jī)的故障分類檢測(cè)，并且準(zhǔn)確率隨著樣本數(shù)量的增加而提高。

圖13顯示了SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)模型的均方誤差隨迭代次數(shù)增加的曲線變化，其最佳驗(yàn)證性能為第173輪的0.091 606。由此可見，該模型訓(xùn)練次數(shù)較少且收斂較快，能夠滿足故障診斷要求。

圖14～圖17分別顯示了輸入樣本中訓(xùn)練集、測(cè)試集、驗(yàn)證集和全部數(shù)據(jù)的擬合程度曲線，其值分別為0.998 76、0.995 56、0.939 04、0.995 56，擬合程度均接近1且基本保持穩(wěn)定，滿足精度要求。

4 結(jié)論（Conclusion）

本文提出了一種基于SOM-BP復(fù)合型神經(jīng)網(wǎng)絡(luò)的口罩機(jī)傳動(dòng)系統(tǒng)故障檢測(cè)方法。通過提取口罩機(jī)傳動(dòng)系統(tǒng)振動(dòng)信號(hào)數(shù)據(jù)中的時(shí)域參數(shù)和頻域參數(shù)，結(jié)合自組織映射神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)，本文成功實(shí)現(xiàn)口罩機(jī)傳動(dòng)系統(tǒng)對(duì)4種故障類型分類檢測(cè)。通過實(shí)驗(yàn)驗(yàn)證，該模型應(yīng)用于口罩機(jī)傳動(dòng)系統(tǒng)故障檢測(cè)是有效且可行的。通過仿真結(jié)果確定了最佳的7×7競(jìng)爭(zhēng)層SOM-BP網(wǎng)絡(luò)結(jié)構(gòu)及輸入、輸出參數(shù)，分類準(zhǔn)確率最高可達(dá)93.5%，數(shù)據(jù)擬合度最高達(dá)0.998 76，能夠在保證生產(chǎn)的同時(shí)完成對(duì)設(shè)備故障的檢測(cè)。

作者簡(jiǎn)介：

彭來湖（1980-），男，博士，副教授。研究領(lǐng)域：針織裝備控制技術(shù)。

劉旭東（1999-），男，碩士生。研究領(lǐng)域：紡織設(shè)備智能制造。

萬昌江（1972-），男，博士，講師。研究領(lǐng)域：機(jī)械設(shè)備信息系統(tǒng)開發(fā)。