夏輝麗,　郭亞男，　余發(fā)軍,2

(1.中原工學(xué)院 信息商務(wù)學(xué)院, 河南 鄭州　451191；

2.武漢科技大學(xué) 冶金自動化與檢測技術(shù)教育部工程研究中心， 湖北 武漢　430081)

基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法

夏輝麗1,郭亞男1，余發(fā)軍1,2

(1.中原工學(xué)院 信息商務(wù)學(xué)院, 河南 鄭州451191；

2.武漢科技大學(xué) 冶金自動化與檢測技術(shù)教育部工程研究中心， 湖北 武漢430081)

摘要：針對現(xiàn)有基于特征頻率識別的礦物傳送設(shè)備故障診斷方法存在易受強(qiáng)噪聲干擾的問題，提出了基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法。首先，利用計算機(jī)測取設(shè)備已知故障類型的振動信號，并對其進(jìn)行傅里葉變換；然后，以傅里葉變換系數(shù)構(gòu)造訓(xùn)練字典，將待測故障類型的振動信號傅里葉變換系數(shù)在該訓(xùn)練字典上進(jìn)行稀疏分解，求取稀疏系數(shù)；最后，利用重構(gòu)信號最小誤差判別故障類型。仿真和測試結(jié)果表明，該方法能有效診斷出礦物傳送設(shè)備中軸承的故障類型，為煤礦傳送設(shè)備的故障監(jiān)測提供了一種新方法。

關(guān)鍵詞：礦物傳送設(shè)備； 故障診斷； 稀疏分類； 傅里葉變換

0引言

煤礦生產(chǎn)運(yùn)輸過程中，傳送設(shè)備起著將礦物自動傳送至目標(biāo)地點(diǎn)的作用，因此，保證其正常運(yùn)行對整個生產(chǎn)運(yùn)輸環(huán)節(jié)至關(guān)重要。然而，由于長期受重載工況和外侵灰塵的影響，煤礦中的傳送設(shè)備極易發(fā)生故障，特別是傳動軸承及傳動齒輪等關(guān)鍵部件發(fā)生故障的概率更高。一旦滾動軸承的內(nèi)外環(huán)或齒輪間有外侵物落入，在重載工況下很容易產(chǎn)生故障，所以，對此類設(shè)備進(jìn)行故障監(jiān)測與診斷對保障煤礦安全正常生產(chǎn)至關(guān)重要。

現(xiàn)有煤礦傳送設(shè)備的故障診斷方法有鐵譜分析法[1]、溫度監(jiān)測法[2]和振動監(jiān)測法[3]等。鐵譜分析法利用磁性方法把混于潤滑油中的鐵質(zhì)磨粒分離出來,根據(jù)磨粒形態(tài)尺寸的差異性確定故障部位,但目前對磨粒差異性判斷還沒有形成科學(xué)客觀的理論。溫度監(jiān)測法則根據(jù)傳送設(shè)備的溫度進(jìn)行狀態(tài)監(jiān)測，如參考文獻(xiàn)[2]利用紅外技術(shù)對煤礦傳送系統(tǒng)進(jìn)行溫度保護(hù)，但這一方法只能保護(hù)設(shè)備，并不能診斷故障。振動監(jiān)測法是最常用的故障診斷方法，其根據(jù)設(shè)備的振動信號故障特征頻率進(jìn)行故障診斷，但生產(chǎn)背景噪聲嚴(yán)重干擾故障特征成分的提取，并且某些設(shè)備的故障特征頻率往往不可知。

針對以上方法存在的問題，筆者提出了基于稀疏分類算法[4]的礦物傳送設(shè)備故障診斷方法。該方法利用不同故障類型下振動信號的波形差異性進(jìn)行故障診斷。首先，利用快速傅里葉變換將設(shè)備的振動信號轉(zhuǎn)換至頻域，用已知故障類型傅里葉系數(shù)建立訓(xùn)練字典，然后對待測信號在該訓(xùn)練字典上進(jìn)行稀疏分解，利用重構(gòu)信號最小誤差進(jìn)行故障類型的判別，克服了利用故障特征頻率判別故障類型的劣勢，為煤礦傳送設(shè)備的故障監(jiān)測提供了一種有效方法。

1稀疏分類算法

假設(shè)礦物傳送設(shè)備有C種已知故障類型，令A(yù)=[A1,A2,…,AC]為振動信號訓(xùn)練集合，Ai為第i種(i=1,2,…,C)故障的子訓(xùn)練集合，y為待測故障類型的振動信號測試樣本，則利用稀疏分類算法對y進(jìn)行歸類包含如下步驟：

步驟1：對測試樣本y在字典A上進(jìn)行稀疏分解，即

(1)

步驟2：利用稀疏分解系數(shù)重構(gòu)待測信號，根據(jù)重構(gòu)誤差最小值進(jìn)行歸類，即

(2)

由稀疏分類算法可以看出，該方法是利用同類樣本具有最小的稀疏重構(gòu)誤差這一基本理論實現(xiàn)歸類的，這一點(diǎn)與線性Fisher分類器[5]具有相似的原理。區(qū)別在于稀疏分類算法是利用信號稀疏分解思路實現(xiàn)的，具有極大的自適應(yīng)性和非線性優(yōu)點(diǎn)，而線性Fisher分類器則直接利用向量類間距進(jìn)行超平面線性劃分，對非線性歸類問題無能為力。

稀疏分類算法是L1范數(shù)的最優(yōu)化問題，可以借助于目前廣泛采用的稀疏編碼算法求解其稀疏系數(shù)。常用于求解L1范數(shù)的基追蹤算法有l(wèi)1ls[6]和SLEP[7]等，由于SLEP具有全局最優(yōu)值和運(yùn)算速度快等優(yōu)點(diǎn)，所以本文選用SLEP算法對礦物傳送設(shè)備振動信號進(jìn)行稀疏編碼，其具體實現(xiàn)過程參見參考文獻(xiàn)[7]，這里不再贅述。

2基于稀疏分類算法的故障診斷方法

在礦物傳送設(shè)備的易損壞部件(如軸承和齒輪箱)的周圍安裝加速度傳感器采集振動信號，通過信號線將振動信號傳送至監(jiān)控室的計算機(jī)上，并進(jìn)行存儲和分析，以監(jiān)控當(dāng)前設(shè)備的運(yùn)行狀態(tài)。然而，一方面加速度傳感器的采集頻率很高，且采集的振動信號往往包含不同強(qiáng)度的背景噪聲；另一方面，整個系統(tǒng)的轉(zhuǎn)速及負(fù)載具有不確定性，因此，采集的振動信號是一種典型的非平穩(wěn)信號，這意味著如果直接利用已知故障類型的振動信號構(gòu)造訓(xùn)練字典，噪聲和振動信號起始采樣點(diǎn)會嚴(yán)重影響稀疏分類算法的性能。

為了解決以上問題，需先對各種故障類型的振動信號進(jìn)行傅里葉變換，將其轉(zhuǎn)換至頻域，再進(jìn)行稀疏分解。振動信號v的離散傅里葉變換定義為

(3)

式中：Fv為離散傅里葉變換的系數(shù)向量；m和M分別為振動信號采樣點(diǎn)數(shù)和離散傅里葉變換總點(diǎn)數(shù)(M≤m)。

利用各已知故障類型的振動信號傅里葉變換系數(shù)的模向量構(gòu)造訓(xùn)練字典(式(4))，并將待測振動信號y轉(zhuǎn)換至頻域，利用其模向量在訓(xùn)練字典A上稀疏分解(式(5))，最后，利用式(2)進(jìn)行故障類型識別。

(4)

(5)

基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法步驟如下：

步驟1：采集已知故障類型的振動信號，并利用離散傅里葉變換將這些振動信號轉(zhuǎn)換至頻域。

步驟 2：利用變換系數(shù)模向量構(gòu)造訓(xùn)練字典。

步驟3：將待測故障類型的振動信號變換系數(shù)模向量在訓(xùn)練字典上進(jìn)行稀疏分解。

步驟4：找出重構(gòu)誤差最小的類別，并以此進(jìn)行故障類型判別。

3仿真分析

為了分析基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法的性能，建立4種仿真信號分別模擬傳送設(shè)備中軸承的4種常見的故障類型，即正常、內(nèi)環(huán)故障、外環(huán)故障和滾動體故障。其中，正常工況用標(biāo)準(zhǔn)差為1的高斯白噪聲模擬；內(nèi)環(huán)故障和滾動體故障工況分別用調(diào)幅頻率為0.2 Hz和0.3 Hz的周期性脈沖模擬；外環(huán)故障用等幅的周期性脈沖模擬，4種工況仿真信號波形如圖1所示。

利用本文方法對該4種工況仿真信號進(jìn)行分析：首先，對每種仿真信號加入信噪比(SNR)為-2～2 dB的高斯白噪聲，使每種仿真信號數(shù)為50個，用該200個信號構(gòu)成訓(xùn)練字典；其次，利用離散傅里葉變換將每個信號轉(zhuǎn)換至頻域；最后，隨機(jī)選擇其中任一信號在訓(xùn)練字典上進(jìn)行稀疏分解，并進(jìn)行重構(gòu)，找出重構(gòu)誤差最小的故障類別，即為該信號所屬的故障類型。每種仿真信號試驗30次，取其正確率的平均值作為最后的識別率，其結(jié)果如圖2所示。

(a) 正常工況

(b) 內(nèi)環(huán)故障

(c) 外環(huán)故障

(d) 滾動體故障

圖2　4種工況仿真信號識別率隨信噪比變化關(guān)系曲線

由圖2可以看出，4種工況仿真信號的識別率都受信噪比的影響，隨著信噪比的增加，正確率明顯增加，當(dāng)信噪比為1 dB以上時，故障診斷的正確率都在82%以上，因此，所提方法可以作為傳送設(shè)備中軸承故障診斷的方法，對噪聲具有一定的免疫性。

4實驗驗證

為了進(jìn)一步驗證所提方法的有效性，將該方法應(yīng)用到美國西儲大學(xué)設(shè)備監(jiān)測實驗室的軸承振動數(shù)據(jù)集[8]上。該數(shù)據(jù)集包含0.213, 0.427, 0.640，0.853 cm 4種單點(diǎn)故障大小，軸承的型號為6205-2RS。用本文方法分析該種軸承的1種正常工況、3種外環(huán)故障、4種內(nèi)環(huán)故障和4種滾動體故障，共12種故障類型。每種故障類型的振動信號采樣頻率都為12 kHz，采樣點(diǎn)都為2 048個，每種故障類型都隨機(jī)選取50個振動信號，共計600個振動信號構(gòu)造訓(xùn)練字典，在剩余的振動信號中選擇30個作為測試樣本。分別用本文方法與支持向量機(jī)[9]方法對該測試樣本集進(jìn)行分類識別，診斷正確率見表1。

表1　本文方法和支持向量機(jī)方法的診斷正確率

由表1可以看出，利用本文方法和支持向量機(jī)方法的設(shè)備軸承故障診斷數(shù)據(jù)集分類正確率都在80%以上，隨著故障點(diǎn)尺寸的增加，診斷正確率也明顯增加，故障點(diǎn)尺寸越大，診斷越準(zhǔn)確；本文方法在故障點(diǎn)的正確率比支持向量機(jī)方法高5%左右。

在本文方法中，懲罰因子γ對診斷結(jié)果有重要的影響，圖3顯示了軸承故障診斷數(shù)據(jù)集分類正確率隨懲罰因子γ的變化規(guī)律。

圖3　軸承故障診斷正確率與懲罰因子γ變化關(guān)系曲線

由圖3可看出，當(dāng)γ∈[0.000 1,0.8]時，軸承故障診斷正確率幾乎不受懲罰因子γ的影響；但當(dāng)γ趨于0或1時，診斷正確率會迅速下降。這意味著只要保持懲罰因子γ在[0.000 1,0.8]區(qū)間，其對診斷正確率的影響可以忽略。

5結(jié)語

基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法以礦物傳送設(shè)備易損壞部件(軸承)為分析對象，首先將設(shè)備振動信號轉(zhuǎn)換至頻域，再利用頻域稀疏分類算法對不同故障類型的振動信號進(jìn)行歸類。對4種仿真工況下的故障類型振動信號和西儲大學(xué)實驗室軸承振動數(shù)據(jù)分別進(jìn)行分析，并與支持向量機(jī)方法對比，結(jié)果驗證了基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法的有效性和優(yōu)勢，為煤礦傳送設(shè)備的故障監(jiān)測提供了一種新的有效方法。

參考文獻(xiàn)：

[1]楊樹蓮,劉春潮. 鐵譜監(jiān)測技術(shù)在煤礦設(shè)備故障診斷中的應(yīng)用[J]．中國煤炭, 2002,28(4):42-43.

[2]余安徽,黃小劍,白志青．基于紅外技術(shù)的煤礦傳送系統(tǒng)溫度保護(hù)中的研究[J]．科技信息,2012,29(21): 438-439．

[3]劉永斌．基于非線性信號分析的滾動軸承狀態(tài)監(jiān)測診斷研究[D]．合肥：中國科學(xué)技術(shù)大學(xué)，2011：8-9．

[4]WRIGHT J, YANG A Y, GANESH A,etal. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2009,31(2):210-227.

[5]陳才扣，楊靜宇. Fisher大間距線性分類器[J].中國圖像圖形學(xué)報，2007,12(12)：2143-2147.

[6]KIM S J, KOH K, LUSTIG M,etal. A method for large-scale L1-regularized least squares[J]. IEEE Journal on Selected Topics in Signal Processing, 2007,1(4):606-617.

[7]LIU J, JI S, YE J. SLEP: sparse learning with efficient projections[R]. Phoenix: Arizona State University, 2009.

[8]Case Western Reserve University. Case Western Reserve University bearing data center website [EB/OL].[2015-09-20]. http://csegroups.case.edu/bearingdatacenter/pages/download-data-file.

[9]QI Zhiquan, TIAN Yingjie, SHI Yong. Robust twin support vector machine for pattern classification[J].Pattern Recognition, 2013,46(1):305-316.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160126.1546.011.html

Fault diagnosis method of mineral transmission equipment based on

sparse classification algorithm

XIA Huili1,GUO Yanan1,YU Fajun1,2

(1.College of Information and Business，Zhongyuan University of Technology，Zhengzhou 451191，China；

2.Engineering Research Center of Metallurgical Automation and Measurement Technology of

Ministry of Education，Wuhan University of Science and Technology，Wuhan 430081，China)

Abstract:In view of the problem that the existing fault diagnosis methods based on feature frequency identification for mineral transmission equipments are susceptible to strong noise, a new fault diagnosis method based on sparse classification algorithm for mineral transmission equipment was proposed. Firstly, vibration signals for the known fault types of equipment are collected by computer and transformed by Fourier transformation. Then, the Fourier transformation coefficient vectors of test vibration signal are sparsely coded on a dictionary, which is constructed by merging the Fourier transformation coefficient vectors of the known vibration signals, so as to get sparse coefficient. At last, the fault types of the test samples are labeled by identifying their minimal reconstruction errors. The simulation and test results demonstrate that the method can effectively diagnose the fault type of bearing of mineral transmission equipment, which provides a novel method for fault monitoring of transmission equipment in coal mine.

Key words:mineral transmission equipment; fault diagnosis; sparse classification; Fourier transformation

中圖分類號：TD67

文獻(xiàn)標(biāo)志碼：A網(wǎng)絡(luò)出版時間：2016-01-26 15:46

文章編號：1671-251X(2016)02-0043-04

DOI:10.13272/j.issn.1671-251x.2016.02.011

夏輝麗，郭亞男，余發(fā)軍.基于稀疏分類算法的礦物傳送設(shè)備故障診斷方法[J].工礦自動化，2016,42(2)：43-46.