应用多参数融合与ELM的自动机故障诊断

应用多参数融合与ELM的自动机故障诊断
安邦;潘宏侠;赵雄鹏;张青青
【摘要】考虑到自动机工作环境复杂,各部件相互作用时间短,冲击性强从而导致各种响应信号相互叠加,敏感特征参量难以确定的问题,提出了一种应用多参数融合与ELM相结合的自动机故障诊断方法.首先,对自动机故障信号计算广义分形维数,在此基础上提取盒维数、信息维数、关联维数作为故障特征参量;然后引入信息熵模型,对自动机故障信号提取功率谱熵、奇异谱熵、特征空间谱熵作为特征参量来描述信号状态在频域、时域、时频域的能量变化;最后将特征参量输入到极限学习机中(ELM)进行分类.实验结果表明多参数融合能全面准确地反映故障信息,极限学习机学习速度快、结构简单,具有很好的故障分类效果.%Considering the complexity of the working environment of the automaton, the interaction time of the components is short and the impact is strong, which leads to the superposition of various response signals and the difficulty of determining the sensitive parameters,a method of fault diagnosis based on multi-parameter integration and ELM is proposed.Firstly, the generalized fractal dimension of the fault signal of the automaton is calculated.On this basis,the box dimension,the information dimension and the correlation dimension are taken as the fault characteristic parameters.Then,power spectrum entropy, singular spectrum entropy and local wave spatial spectrum are extracted as characteristic parameters to describe the state changes of signal in time domain,frequency domain and time-frequency domain.Finally,feature parameters are input to the extreme learning machine(ELM) for classification.Experimental results show that multi-
parameter integration can fully and accurately reflect the fault information,extreme learning machine has the advantages of simple structure and fast response, with good fault classification effect.
【期刊名称】《机械设计与制造》
【年(卷),期】2017(000)009
【总页数】4页(P141-144)
【关键词】多参数融合;广义分形维数;信息熵;极限学习机;自动机;故障诊断
【作者】安邦;潘宏侠;赵雄鹏;张青青
【作者单位】中北大学机械与动力工程学院,山西太原 030051;中北大学机械与动力工程学院,山西太原 030051;中北大学系统辨识与诊断技术研究所,山西太原030051;中北大学机械与动力工程学院,山西太原 030051;中北大学机械与动力工程学院,山西太原 030051
【正文语种】中文
【中图分类】TH16
作为自动武器的重要组成部分，自动机正逐渐向着高度复杂化和精确化的方向发展[1]。

然而由于自动机工作环境恶劣，使用相对频繁，各部件之间经常发生碰撞，所以其工作的可靠性和构件的受损情况也引起故障诊断领域的高度重视。

与压缩机等传统机械不同，自动机击发过程不具有周期性，同时由于冲击信号相互叠加，导致敏感的故障特征参量难以确定，这给自动机的故障诊断带来很大困难。

为了解决这个问题，提出了应用多参数融合与ELM的自动机故障诊断方法，即对自动机故障信号进行多层面、多角度的分析处理并提取特征参量，将提取出的特征参量输入
到极限学习机中进行训练和测试，从而实现自动机故障的识别分类。

选取W85自动机作为实验对象，首先在自动机备件上加工出裂纹槽，使自动机在运行过程中裂纹自动出现和扩大[2]。

实验时在自动机闭锁片上对称地设定3种不
同的故障：
（1）在闭锁片上闭锁斜面圆角的位置，沿半径加工出深度1.5 mm的裂纹槽，称为故障一；
（2）在开锁时枪击框与闭锁片旋转时接触的部位，即沿过闭锁片回转圆心同时垂直于闭锁片平面的方向加工出深度1.5 mm的裂纹槽，称为故障二；
（3）在机头两侧的圆角矩形窗后端的两个圆角位置上，沿圆角直径方各呈正负
45度角切入1.5 mm深，设置机头故障，称为故障三。

以上三种故障的设置，如
图1所示。

为了对自动机在运行过程中产生的冲击振动进行采集分析，在枪尾上部和机箱的左侧面分别安装三向压电式加速度传感器。

由于自动机组本身结构的复杂性，机构件之间的冲击非常大，其信号表现为一个个冲击峰值，所以对传感器的量程要求较大，在本次实验中采用量程为10000 g的加速度传感器，用LMS系统进行信号的采集工作，采样频率设置为204.8 KHz，通过LMS系统对采集的时域信号滤波和放大后，储存给计算机便于做后续分析[3]。

实验过程中分别对故障一，故障二，故障
三以及正常工况下的三连发射击和五连发射击的振动信号进行采集，以故障一工况下的三连发为例，采集到的信号时域图，如图2所示。

3.1 分形理论
分形维数是分形理论中相当重要的参数，它能够度量信号的空间填充能力，也能够定量描述系统的分形特性，已被广泛地应用于各个领域。

在故障诊断领域，不同工作状态有不同的振动响应信号，分形维数可以有效地表征设备的故障特征[4]。

上
世纪80年代初，文献[5]提出多重分形理论，多重分形能把信号在整个分形尺度上
概率测度分布的不均匀程度全面地表示出来，提高了对信号局部几何特征刻画的精密程度[6]，多重分形只有广义分形维数，它可以从多角度描述信号分形特征，在
故障诊断领域应用广泛。

3.2 广义分形维数计算方法
广义分形维数计算方法主要有三种，分别是：固定质量法、固定半径法、覆盖法[7]。

覆盖法是采用大小相同的网格（尺度为ε）覆盖整个集合，统计所需网格总数N（ε），假设落在第i个网格几率为：
式中全部盒子覆盖的点数；
di—第i个盒子覆盖的点数；
N—盒子总数。

则广义信息熵计算公式为：
对每一个确定的q值，调整网格尺度ε的大小，就可以获取一系列信息熵 Kq （ε），接着在lgε-Kq（ε）图上描点，标注范围并拟合曲线，取该曲线斜率的绝
对值，就得到了此参数q对应的广义维数值Dq。

在拟合函数取得最小值的条件下，广义维数可以改写为：
设置参数q的取值范围为［0，2.2］，步长为0.05，计算广义分形维数，那么就
可以利用多重分形理论分别获取自动机在各工况下的广义分形维数。

当q=0时，得到盒维数：
当q=1时，得到信息维数：
当q=2时，得到关联维数：
各工况下部分样本广义分形维数，如表1所示。

自动机在故障工况下的振动信号与正常工况相比，携带了很多微弱信息量，为了描述故障信号中携带的微弱信息量，引入了信息熵的概念。

熵用来表征所含信息量的多少，文献[8]已经证明信息熵对信号具有良好的分类能力并能反映故障信号的复
杂程度，因此将信息熵作为特征参量对故障诊断十分有效。

4.1 奇异谱熵
奇异谱熵用来表征信号能量在奇异谱划分下的不确定性，可以有效表示信号在时域的能量变化，它的定义为：
式中—第i个模式与所有模式之间的比。

将每种工况的8个样本按照以上步骤提取时域奇异值谱熵结果，如表2所示。

4.2 功率谱熵
功率谱熵用来表征振动能量在频域的分布状况，在各频率处振动能量分布越均匀，说明信号越复杂，不确定性也就越大。

反之，振动能量越集中，信号越简单，功率谱熵就越小。

所以功率谱熵反映振动谱型的分布，它的计算公式为：
式中：qi—功率谱对原始信号的划分测度。

将各工况下的样本数据通过以上步骤计算就可以得到频域功率谱熵，如表3所示。

4.3 空间谱熵
为同时顾及信号在时频域局部变化特征，引入局域波分解原理、方法，并将其与信息熵模型相结合，对信号在时频域计算特征空间谱熵作为自动机故障特征参量，局域波特征空间谱熵模型为：
式中：δi—对矩阵H（ω，t）进行奇异值分解以后获得的第i个奇异
值；H—能量在局域波特征空间中分布的不确定性。

通过上式提取时频域局域波特征空间谱熵，如表4所示。

整个特征参量提取过程
流程图，如图3所示。

5.1 极限学习机
极限学习机器（Extreme Learning Machine，简称ELM），是由文献[9]提出来
的求解神经网络算法。

针对于单隐含层前馈神经网络（SLFN）训练速度慢，容易
陷入局部极小点，以及学习率选择敏感等缺点，ELM算法随机产生输入层和隐含
层之间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，需要设置的参数只有隐含层的神经元个数，就可得到唯一的最优解[10]。

ELM的网络训练模
型采用前向单隐层结构。

设m，M，N分别为网络输入层、隐含层和输出层的节
点数，g（x）是隐层神经元的激活函数，bi为阈值。

设有 N 个不同样本（xi，ti），1≤i≤N，其中：
则ELM的网络训练模型，如图4所示。

ELM的网络模型可用数学表达式表示如下：
式中：ωi=［ω1i，ω2i，…，ωmi］—连接网络输入层节点与第 i个隐层
节点的输入权值向量；
βi=［β1i，β2i，…，βin］T—连接第 i个隐层节点与网络输出层
节点的输出权值向量；
oi=［o1i，o2i，…，oin］T—网络输出值。

5.2 故障识别
将提取出的广义分形维数与信息熵共同作为自动机的故障特征参量组成（32×6）
维特征矩阵，将其分成两个大组：每种工况的前四组数据被用作训练集，剩余四组数据被用作测试集，先对训练集进行训练，再对测试集进行测试。

用ELM对数据样本进行分类，同时为了形成对比，对RBF神经网络进行同样的训练和测试，分
类结果，如图5、图6所示。

可以从以上对比结果中得知，极限学习机比RBF神经网络具有更高的分类准确率，反应速度更快，非常适合于小样本数据的分类。

（1）将反映自动机工作状态和信号不稳定性的广义分形维数和反映信号在时域、频域、时频域能量变化的信息熵作为自动机故障特征的多参数信息融合方法能够全面准确地描述自动机故障信息，解决了由于故障信号复杂而造成敏感特征参量难以提取的问题。

（2）与传统的神经网络分类器相比极限学习机结构简单、反应速度快、准确率高，具有良好的故障分类识别效果。

（3）应用多参数融合与ELM的自动机故障诊断方法能够快速准确地判定自动机
的故障类型，提高了故障分类的准确率，有一定的可行性和实用性。

【相关文献】
［1］康郦，冯德朝．某中口径舰炮自动机设计思想与特点分析［J］．火炮发射与控制学报，
2010（2）：61-65.
（Kang Li，Feng De-chao．Design thought and characteristics analysis of a medium caliber naval gun automatic mechanism［J］．Journal of Gun Launch and Control，2010（2）：61-65．）
［2］潘龙，潘宏侠，马白雪．应用HHT时频分析与SVM的自动机故障诊断［J］．机械设计与
制造，2015（4）：59-61．
（Pan Long，Pan Hong-xia，Ma Bai-xue．Automaton fault diagnosis based on the HHT time-frequency analysis and SVM［J］．Machinery Design and Manufacture，2015（4）：59-61．）
［3］杨明伦，邵华．基于EEMD和IMF能量分布的刀具破损识别［J］．组合机床与自动化加工
技术，2013（4）：54-58．
（Yang Ming-lun，Shao Hua．Identification of AE signal for tool breakage monitoring based on EEMD［J］．Modular Machine Tool&Automatic Manufacturing Technique，2013（4）：54-58．）
［4］Candela R，Mirelli G，Schifani R.PD recognition by means of statistical and fractal parameters and aneural network［J］．IEEE Transactions on Dielectrics and Electrical Insulation，2000，7（1）：87-94．
［5］Grassberger，P.Badii，R.Politi，A．Scaling laws for invariant measures on hyperbolic and nonhyperbolic attractors［J］．Journal of Statistical Physics，1988，51（2）：135-178．
［6］王祖林，周荫清．多重分形谱及其计算［J］．北京航空航天大学学报，2000，26（3）：256-258．
（Wang Zu-lin，Zhou Yin-qing．Multifractal spectrum and calculation［J］．Journal of Beijing University of Aeronautics and Astronautics，2000，26（3）：256-258．）
［7］Ashvin Chhabra，Roderick V.Jensen．Direct determination of the f（α）singularity spectrum［J］．Physical Review Letters，1989，62（12）：1327-1330．
［8］申弢，黄树红，韩守木．旋转机械振动信号的信息熵特征［J］．机械工程学报，2001，37（6）：94-98．
（Shen Tao，Huang Shu-hong，Han Shou-mu．Extracting information entropy feature
for rotating machinery vibration signals［J］．Chinese Journal of Mechanical Engineering，2001，37（6）：94-98．）
［9］Huang Guang-bin，Zhu Qin-yu，Siew Chee-Kheong．Extreme learning machine：theory and applications［J］．Neurocomputing，2006，70（1）：489-501．
［10］王利琴，董永峰，顾军华．基于改进极限学习机的心律失常分类［J］．计算机仿真，2014，31（6）：352-356．
（Wang Li-qin，Dong Yong-feng，Gu Jun-hua．Arrhythmia classification in ECG signals using improved extreme learning machine［J］．Computer Simulation，2014，31（6）：352-356．）。