王小力，王國路

隨著我國制造行業(yè)與信息技術(shù)行業(yè)的快速發(fā)展，對于機械自動化設(shè)備的需求不斷增加，設(shè)備的運行情況影響著制造行業(yè)的發(fā)展，對機械自動化設(shè)備的運行情況進行監(jiān)測與故障診斷至關(guān)重要?；诖耍疚奶岢隽岁P(guān)于機械自動化設(shè)備管理維修中故障診斷和改造的研究，為解決復(fù)雜多樣化的設(shè)備故障診斷工作提供幫助。

1 機械自動化設(shè)備故障診斷方式

機械自動化設(shè)備的故障診斷技術(shù)隨著智能化信息技術(shù)的不斷發(fā)展，得到了相應(yīng)的完善，通過對設(shè)備的全面診斷，能夠?qū)崿F(xiàn)機械設(shè)備的預(yù)先維修，保障機械自動化設(shè)備在運行中的安全。對于機械自動化設(shè)備的故障診斷，主要包括單機監(jiān)測與機群監(jiān)測兩種方式。

單機監(jiān)測通過單個機械設(shè)備的運行狀態(tài)，判斷設(shè)備故障的位置，依靠智能化監(jiān)測儀器完成，對設(shè)備的故障位置進行監(jiān)測，將相關(guān)的故障數(shù)據(jù)傳輸?shù)焦收显\斷人員設(shè)備中，發(fā)現(xiàn)設(shè)備的異常問題會發(fā)出報警信息。機械自動化設(shè)備在運轉(zhuǎn)過程中，受到故障因素的影響，會產(chǎn)生一定規(guī)律的振動與周期性噪聲，產(chǎn)生的振動對大多數(shù)自動化設(shè)備的結(jié)構(gòu)與儀器不利，能夠?qū)е聶C械結(jié)構(gòu)被惡性破壞，迅速增加結(jié)構(gòu)的內(nèi)應(yīng)力，造成設(shè)備結(jié)構(gòu)的變形，進而引發(fā)嚴重的設(shè)備故障。機械自動化設(shè)備的故障診斷技術(shù)以自動化與集成化為主，對設(shè)備的故障診斷與維修是一種無損的檢測方法，包括獲取振動信號與分解信號兩個組成部分。通常情況下，利用適當(dāng)?shù)恼駝觽鞲衅鳙@取信號的相關(guān)信息與機械運行狀況，屬于物理測量方法。采用信號處理方法提取設(shè)備的故障特征與類型，達到評估設(shè)備狀態(tài)的目的。引入設(shè)備模態(tài)分析模型，設(shè)置故障警告與預(yù)警標(biāo)準，預(yù)測設(shè)備的故障風(fēng)險，當(dāng)機械自動化設(shè)備的相關(guān)參數(shù)發(fā)生改變時，根據(jù)參數(shù)的變化，判斷自動化設(shè)備的故障類型與程度。在機械設(shè)備中配置的單機監(jiān)測設(shè)備，是實時掌握機械自動化設(shè)備運行數(shù)據(jù)的主要來源。機群監(jiān)測是通過設(shè)備之間的連接作用，傳輸故障數(shù)據(jù)信息，分析機械設(shè)備故障的原因并制定具體的方案，多個設(shè)備共同實現(xiàn)故障管理與維修。機械自動化設(shè)備具有復(fù)雜的結(jié)構(gòu)，應(yīng)用場合的不同，使設(shè)備故障的原因呈現(xiàn)多樣化發(fā)展，此時，智能化的故障診斷技術(shù)能夠?qū)υO(shè)備故障進行準確地判斷。

2 機械自動化設(shè)備管理維修中故障診斷和改造研究

2.1 機械自動化設(shè)備故障診斷

2.1.1 構(gòu)建故障診斷DANN模型

在機械自動化設(shè)備的實際運行環(huán)境中，導(dǎo)致設(shè)備出現(xiàn)故障的振動數(shù)據(jù)，不同于傳統(tǒng)的訓(xùn)練振動數(shù)據(jù)，兩者的數(shù)據(jù)分布特性存在一定的差異。

本文對于機械自動化設(shè)備管理維修中的故障診斷，構(gòu)建了故障診斷DANN模型，通過DANN模型的領(lǐng)域特征性，降低故障數(shù)據(jù)之間的差異性，應(yīng)用于不同運行環(huán)境的設(shè)備診斷工作中。構(gòu)建DANN故障診斷模型，首先要采集機械自動化設(shè)備在不同工況下的帶標(biāo)簽樣本，利用數(shù)據(jù)的預(yù)訓(xùn)練集，獲取到無標(biāo)簽的診斷樣本，將兩種樣本進行對抗訓(xùn)練，組成機械自動化設(shè)備故障分類診斷結(jié)果。將帶標(biāo)記樣本集表示為DS；無標(biāo)記樣本集表示為DT，θ= {θ1,θ2,...,θN+1}表示DANN的參數(shù)集，N為每一層的權(quán)重參數(shù)，列出DANN模型輸出層的表達公式。

模型的結(jié)構(gòu)參數(shù)包括步長、個數(shù)與故障卷積層數(shù)量，設(shè)備故障在模型中的分類誤差呈現(xiàn)反向傳播。故障診斷DANN模型組合了多個層級的函數(shù)，通過函數(shù)的非線性變化，將故障數(shù)據(jù)轉(zhuǎn)化為高階特征的數(shù)據(jù)。將模型中訓(xùn)練好的隱含層進行連接，將各個神經(jīng)元節(jié)點的參數(shù)作為模型的初始化參數(shù)，使得機械自動化設(shè)備在模型樣本數(shù)量不足的情況下，能夠全方位地進行特征自主學(xué)習(xí)。

2.1.2 振動信號分類

按照時間函數(shù)關(guān)系式，對機械自動化設(shè)備的振動信號進行分類，劃分為故障信號與無故障信號，明確故障信號是確定性信號還是隨機信號。設(shè)置特定的時刻，基于振動時間的瞬時值對信號進行描述。簡諧振動是確定性信號的主要振動形式，基于正弦函數(shù)規(guī)律產(chǎn)生周期振動。信號運動的同時不斷重復(fù)性周期振動，信號的振動波形呈現(xiàn)矩形波，不具有周期性，其振動頻率之間皆為無理數(shù)。通過信號振動的位移與速度，判斷振動信號的種類，利用不同的傳感器獲取故障信號，機械自動化設(shè)備的運轉(zhuǎn)狀態(tài)大部分是通過信號的振動幅值判斷。在機械自動化設(shè)備運行中存在潛在風(fēng)險時，設(shè)備的隨機信號與確定性信號的振動幅值同步增大，頻率閾值范圍也相應(yīng)擴大，導(dǎo)致信號的振動總值呈現(xiàn)上升狀態(tài)。大多數(shù)的故障信號波形變化特征較為突出，通過波形變化對信號的分類作出初步判斷。在設(shè)備運行狀態(tài)良好時，隨機振動信號的幅值相對較低，波形變化較弱；當(dāng)機械自動化設(shè)備出現(xiàn)故障或存在潛在危險時，隨機振動信號與確定性振動信號同步增大，其波形的周期性變化隨之改變，伴有設(shè)備齒輪脫落的現(xiàn)象，信號的波形變化中存在脈沖，故障風(fēng)險上升，信號的諧波變化越明顯。

2.1.3 時域分解設(shè)備振動信號

基于上述構(gòu)建的故障診斷DANN模型，獲取到機械設(shè)備故障的高階特征數(shù)據(jù)。采用機械自動化設(shè)備振動信息的時域信號，以時間為自變量，根據(jù)時間的先后順序產(chǎn)生，振動信號中包含的機械故障信息量較大。

對設(shè)備的振動信號進行時域分解預(yù)處理，得到信號故障的時域波形，監(jiān)測原始波形得出信號的脈沖與諧波，對設(shè)備的共振現(xiàn)象進行準確識別。在機械自動化設(shè)備管理維修中，不同的故障信號，波形變化具有不同的特征，例如設(shè)備的旋轉(zhuǎn)機械平衡性能出現(xiàn)故障，時域信號的波形呈現(xiàn)正弦變化；設(shè)備的轉(zhuǎn)子性能出現(xiàn)異常時，時域信號波形呈現(xiàn)周期性沖擊變化。運用傅立葉變換算法，將振動信號中的頻率成分進行分解，通過分析儀實現(xiàn)信號的分析。在實際信號測量過程中，時域分解設(shè)備振動信號受到外界干擾的可能較小，對信號波形變化產(chǎn)生的影響較小。

機械自動化設(shè)備故障大多數(shù)是轉(zhuǎn)子不平衡導(dǎo)致的，轉(zhuǎn)子不平衡主要由于轉(zhuǎn)子出現(xiàn)彎曲、質(zhì)量不平衡引起，受到轉(zhuǎn)子的材質(zhì)與裝配影響，在分解相同故障信號在不同時間變化的關(guān)系時，通常依據(jù)信號的相關(guān)性變化反映故障信號的特征。由于信號的相關(guān)函數(shù)為衰減信號，則故障信號的自相關(guān)性為0，應(yīng)用到檢測周期性設(shè)備故障信號的成分中，即故障信號的自相關(guān)函數(shù)出現(xiàn)衰減，表示信號存在噪聲成分。

2.1.4 設(shè)置機械自動化設(shè)備的振動監(jiān)測點

通過設(shè)置機械自動化設(shè)備的振動監(jiān)測點，分析其所在設(shè)備的位置信息，能夠判斷設(shè)備中具體存在哪些故障因素。將設(shè)備的振動監(jiān)測點設(shè)置在齒輪與軸承幾個重要的部位，根據(jù)自動化設(shè)備運行的特征與規(guī)律，本文確定了幾個常用的故障振動監(jiān)測點，監(jiān)測點的位置點存在一定的差異，但是主要功能大致相似，本文設(shè)置的自動化設(shè)備振動監(jiān)測點的位置信息參數(shù)，如表1所示。

表1 機械自動化設(shè)備振動監(jiān)測點位置參數(shù)

如表1所示，為本文設(shè)置的自動化設(shè)備振動監(jiān)測點的位置參數(shù)，由于安裝的位置不同，相應(yīng)的參數(shù)信息存在一定的差異，規(guī)定了設(shè)備振動的相關(guān)參數(shù)標(biāo)準。

2.1.5 加權(quán)處理機械設(shè)備故障診斷信息熵

基于時域分解設(shè)備的振動信號后，得出設(shè)備故障信號的相關(guān)函數(shù)與衰減變化，對故障樣本的信息熵值進行無標(biāo)記篩選操作。

由于機械設(shè)備故障的不確定性，信息熵是度量故障不確定性的重要指標(biāo)，包含故障的所有類別與概率信息。通常情況下，機械自動化設(shè)備的信息熵之間存在較大的差異，對故障的分類判定具有重要作用。選取機械設(shè)備故障的離群點，將不同振動信號的平均密度與領(lǐng)域密度進行計算，減少平均密度較小的樣本點。對機械自動化設(shè)備的管理維修數(shù)據(jù)參數(shù)進行合理調(diào)整，將DANN模型中的主動學(xué)習(xí)樣本剔除，完善故障信號離群點的常量系數(shù)。

綜合考慮故障振動信號波形變化相似度過高的情況，對故障診斷信息未標(biāo)記樣本與帶有標(biāo)記的樣本之間的余弦進行篩選。減少設(shè)備信息不確定性，對振動信號的相似度進行加權(quán)處理，最終得到改進后的故障數(shù)據(jù)BVS指標(biāo)。

2.2 機械自動化設(shè)備管理維修改造

基于上述對機械自動化設(shè)備的故障診斷完畢后，對于設(shè)備的管理維修方面存在的不足，進行相關(guān)的改造處理。傳統(tǒng)的機械自動化設(shè)備管理維修，粗放性與限制性較強，對工業(yè)的發(fā)展產(chǎn)生了一定限制，對環(huán)境也造成了嚴重的污染。本文采用綠色制造技術(shù)，改造機械自動化設(shè)備的管理維修，提高機械設(shè)備利用率的同時，減少維修產(chǎn)生污染物對環(huán)境的污染。

為了預(yù)防機械自動化設(shè)備事故的發(fā)生，基于設(shè)備的模態(tài)分析方法，采用FFT分析儀，采集設(shè)備的故障數(shù)據(jù)以及振動傳感數(shù)據(jù)，根據(jù)響應(yīng)信號的參數(shù)，設(shè)置模態(tài)識別參數(shù)。輸入設(shè)備的信號特征與白噪聲，利用移動激勵點的變化位置獲取到振型數(shù)據(jù)信息。根據(jù)設(shè)備的參數(shù)識別依據(jù)以及設(shè)備阻尼的耦合特征，建立模態(tài)模型，結(jié)合頻域法的識別技術(shù)，識別振型中的時域信號，放大振型的幾何形狀。激勵點的設(shè)置要綜合考慮信號來源與激振器的信息，連接設(shè)備的傳感器與放大器，增強機械自動化設(shè)備的信號變化。結(jié)合設(shè)備的無故障數(shù)學(xué)模型，探測設(shè)備中的振動數(shù)據(jù)與結(jié)構(gòu)振動信息，將故障設(shè)備與無故障設(shè)備的振動融合，預(yù)測機械自動化設(shè)備的故障。當(dāng)無故障設(shè)備的結(jié)構(gòu)參數(shù)發(fā)生變化時，模型中的頻率響應(yīng)函數(shù)會隨之改變，可以作為機械自動化設(shè)備早期故障的判斷標(biāo)志。由于機械自動化設(shè)備的振動信號影響設(shè)備的可靠性運行，為了預(yù)防自動化設(shè)備的故障發(fā)生，通過上述研究，本文構(gòu)建了機械自動化設(shè)備的故障預(yù)警標(biāo)準，如表2所示。

表2 機械自動化設(shè)備故障預(yù)警標(biāo)準

如表2所示，為本文構(gòu)建的設(shè)備故障預(yù)警標(biāo)準，在標(biāo)準設(shè)置中規(guī)定了設(shè)備各個部件的振動限值，根據(jù)限值的范圍，將故障風(fēng)險的出現(xiàn)，劃分為警告與報警兩種類型，能夠有效地預(yù)防故障風(fēng)險的發(fā)生。

對機械設(shè)備的故障機理進行建模改造，得到故障信息PCA，基于高維特征參數(shù)，將故障信息映射到低維空間，對故障的管理維修提供后續(xù)分析處理操作。由于機械設(shè)備的長期應(yīng)用，在數(shù)據(jù)的收集處理方面容易出現(xiàn)故障，對設(shè)備的自適應(yīng)數(shù)據(jù)挖掘性能進行改造，保持數(shù)據(jù)服從先驗分布，調(diào)整設(shè)備歷史數(shù)據(jù)的訓(xùn)練集。結(jié)合設(shè)備振動信號的頻譜特征，對設(shè)備的基礎(chǔ)結(jié)構(gòu)加以優(yōu)化。建立故障特征矩陣，將設(shè)備壓縮機等特定的故障類別輸入到特征矩陣中，有效地識別機械自動化設(shè)備的特定故障，及時采取措施進行管理與維修，降低設(shè)備出現(xiàn)故障的概率。

3 實驗分析

3.1 實驗準備

為了驗證本文提出的關(guān)于機械自動化設(shè)備管理維修中故障診斷和改造的有效性，進行以下實驗。本實驗采用某實驗室機械自動化設(shè)備的軸承數(shù)據(jù)集，其中軸承的負載為0.824kW，轉(zhuǎn)速為1670rpm，選取其中1000組數(shù)據(jù)作為無標(biāo)記樣本，500組數(shù)據(jù)為有標(biāo)記樣本。對數(shù)據(jù)集的劃分依據(jù)實際工程中的真實場景，將數(shù)據(jù)集劃分結(jié)束后，對數(shù)據(jù)集進行DANN模型迭代訓(xùn)練，保持每次迭代訓(xùn)練的樣本集個數(shù)為50，迭代次數(shù)為100。在迭代訓(xùn)練的同時，選取500組數(shù)據(jù)進行分類結(jié)果測試。本實驗進行的DANN模型迭代訓(xùn)練，相關(guān)的參數(shù)設(shè)定如表3所示。

表3 DANN模型迭代訓(xùn)練參數(shù)

根據(jù)表3可知，DANN模型迭代訓(xùn)練采用動量梯度算法，模型的Dropout參數(shù)設(shè)置為0.8，迭代訓(xùn)練的正則化系數(shù)設(shè)置為0.005。

3.2 結(jié)果分析

為了更好地驗證本文提出的故障診斷方法的優(yōu)勢，本文采用對比實驗的方式進行驗證，設(shè)置本文提出的故障診斷DANN模型為實驗組，傳統(tǒng)的對抗網(wǎng)絡(luò)診斷模型為對照組，對比兩種故障診斷方法的信息熵值變化，如圖1所示。

圖1 兩種故障診斷模型信息熵值變化對比

根據(jù)圖1可知，本文提出的DANN故障診斷模型的信息熵值變化呈現(xiàn)持續(xù)上升趨勢，傳統(tǒng)的故障診斷模型隨著迭代次數(shù)的不斷增加，信息熵值存在下降的趨勢，無法對機械自動化設(shè)備的管理維修提供準確的故障診斷依據(jù)。因此，實驗證明本文提出的DANN故障診斷模型在機械設(shè)備不斷迭代中，能夠有效地提高設(shè)備的信息熵，對機械自動化設(shè)備的維修管理具有重要意義。

4 結(jié)語

隨著工業(yè)與制造業(yè)的快速發(fā)展，對機械自動化設(shè)備的需求量逐漸增大，機械自動化設(shè)備的穩(wěn)定運行，對企業(yè)的發(fā)展具有一定的影響。本文提出的關(guān)于機械自動化設(shè)備管理維修中故障診斷和改造研究，具備良好的故障診斷效果，最大限度地提升了機械設(shè)備的診斷性能。試驗表明，較傳統(tǒng)的故障診斷模型相比，本文提出的DANN故障診斷模型隨著設(shè)備迭代次數(shù)的增加，信息熵值得到了有效地提高，能夠為設(shè)備的管理維修提供精確的數(shù)據(jù)信息，完善機械自動化設(shè)備管理維修中的不足。