飛輪電池轉(zhuǎn)子故障診斷系統(tǒng)設(shè)計(jì)

柯友文 湯雙清 趙晶晶

（1.三峽大學(xué) 機(jī)械與動(dòng)力學(xué)院，湖北 宜昌 443002；2.三峽大學(xué) 新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心，湖北宜昌 443002；3.三峽大學(xué) 計(jì)算機(jī)與信息學(xué)院，湖北 宜昌 443002）

軸心軌跡包含了豐富的故障信息，是一種診斷旋轉(zhuǎn)機(jī)械故障的有力工具.通過了解和掌握設(shè)備的轉(zhuǎn)子軸心軌跡特征向量，并對(duì)其產(chǎn)生的原因進(jìn)行評(píng)價(jià)，做出實(shí)施維護(hù)的決策，減少故障的發(fā)生［1］.物聯(lián)網(wǎng)的傳感器網(wǎng)絡(luò)技術(shù)可工作于各種惡劣環(huán)境，有效解決遠(yuǎn)程診斷問題［2－3］.2002年，石美紅經(jīng)過對(duì)脈沖耦合神經(jīng)模型中變閾值函數(shù)的改進(jìn)，性能有了大的改善［4］.2012年王常青提出了脈沖耦合神經(jīng)網(wǎng)絡(luò)時(shí)間序列與軸心軌跡的圓度融合的特征提取方法，具有很高的識(shí)別率［5］.2013年謝志江提出一種自學(xué)習(xí)模糊脈沖神經(jīng)網(wǎng)絡(luò)算法，該算法可有效解決旋轉(zhuǎn)機(jī)械故障的邊界模糊性問題，提高故障診斷的正確率［6］.隨著計(jì)算機(jī)技術(shù)發(fā)展，數(shù)字圖像處理與分析技術(shù)已經(jīng)成為故障診斷研究的熱點(diǎn)，可將故障診斷問題轉(zhuǎn)化為圖像處理、分析與識(shí)別問題.該先進(jìn)理論與方法引入軸心軌跡的特征提取與識(shí)別，無疑為旋轉(zhuǎn)機(jī)械故障診斷提供一個(gè)新的研究思路［7－8］.

1 采集飛輪電池轉(zhuǎn)子信息結(jié)構(gòu)框架設(shè)計(jì)

作為儲(chǔ)能用的飛輪電池，其儲(chǔ)存的能量為轉(zhuǎn)動(dòng)動(dòng)能，它與轉(zhuǎn)子的轉(zhuǎn)速平方成正比，所以其轉(zhuǎn)速一般最高轉(zhuǎn)速都在每分鐘萬轉(zhuǎn)以上.飛輪電池智能監(jiān)測系統(tǒng)外殼的結(jié)構(gòu)框架設(shè)計(jì)包括［9］：1.電源線；2.警報(bào)器；3.控制器；4.攝像頭；5.無線傳感器；6.電渦流傳感器.飛輪電池的結(jié)構(gòu)設(shè)計(jì)包括［10］：飛輪電池箱體外殼；7.枕木；8.減震帶；9.飛輪；10.軸；11.電動(dòng)機(jī)－發(fā)電機(jī)，飛輪電池的外殼放在枕木上，如圖1所示.監(jiān)控網(wǎng)絡(luò)系統(tǒng)組成包括區(qū)域監(jiān)控中心和箱內(nèi)監(jiān)控站點(diǎn)，每個(gè)獨(dú)立箱體內(nèi)都形成一套完整的本地監(jiān)控站點(diǎn)，系統(tǒng)將獲得的數(shù)據(jù)用無線傳感器時(shí)時(shí)發(fā)送到監(jiān)控主機(jī)上［11］.

圖1 飛輪電池智能監(jiān)控

2 智能診斷飛輪轉(zhuǎn)子運(yùn)行的框架流程

本文采用物聯(lián)網(wǎng)技術(shù)設(shè)計(jì)一個(gè)實(shí)時(shí)對(duì)飛輪轉(zhuǎn)子故障狀態(tài)進(jìn)行評(píng)估的診斷系統(tǒng)，利用視頻圖像觀測箱內(nèi)飛輪大致運(yùn)動(dòng)情況，其次利用位移測量儀采樣軸心數(shù)據(jù)，無線傳感器將這些信息傳送到終端設(shè)備，采樣的軸心數(shù)據(jù)經(jīng)過量化，邊緣連接處理后，形成二維軸心軌跡圖，脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)二維軌跡圖片的分割，得到歸一化的軸心軌跡特征向量，在特定的識(shí)別器訓(xùn)練和識(shí)別，快速地判斷工作狀態(tài)是否正常，對(duì)異常信息進(jìn)行判斷和報(bào)警，如果發(fā)生在誤差范圍之外，立即讓控制器關(guān)閉飛輪電池的電源，準(zhǔn)備停機(jī)檢修，如圖2所示.

圖2 監(jiān)測飛輪運(yùn)動(dòng)流程圖

3 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型

Eckhorn根據(jù)貓的視覺大腦皮層同步振蕩現(xiàn)象提出脈沖耦合神經(jīng)網(wǎng)絡(luò)模型［12］，如圖3所示.該模型經(jīng)Johnson引入圖像處理和參數(shù)分析的領(lǐng)域［13］，本文利用其原理迅速將二維軸心軌跡圖進(jìn)行分割，得到歸一化的軸心軌跡特征向量.

圖3 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)模型由3部分構(gòu)成：饋入單元、連接單元和脈沖產(chǎn)生單元，如式（1）～（5）所示，脈沖耦合神經(jīng)不需要學(xué)習(xí)或者訓(xùn)練，能從復(fù)雜背景下提取有效信息，對(duì)圖像的尺度、旋轉(zhuǎn)、強(qiáng)度、扭曲的處理具有很好的結(jié)果.

饋入單元Fij通過對(duì)該神經(jīng)元（i，j）在圖像和數(shù)據(jù)參數(shù)中對(duì)應(yīng)的像素點(diǎn)的灰度值Sij和周圍神經(jīng)元的輸出部分進(jìn)行加權(quán)得到，如式（1）所示.連接單元Lij通過對(duì)神經(jīng)元（i，j）對(duì)周圍神經(jīng)元的輸出進(jìn)行耦合連接得到，如式（2）所示.－αF，－αL分別為饋入單元和連接單元的衰減因子，是對(duì)上一次該神經(jīng)元饋入值和連接值的非線性衰減；Mijkl、Wijkl為饋入單元和連接單元對(duì)周圍信息耦合的權(quán)值矩陣，表示中心神經(jīng)元受周圍神經(jīng)元影響的大小，反映鄰近神經(jīng)元傳遞信息的強(qiáng)弱；VF、VL為饋入單元和連接單元對(duì)周圍神經(jīng)元信息進(jìn)行耦合時(shí)的正則化常數(shù)，可以防止周圍神經(jīng)元的饋入過高造成溢出現(xiàn)象的發(fā)生.饋入單元Fij和連接單元Lij通過乘性耦合的方式構(gòu)成內(nèi)部狀態(tài)Uij，如式（3）.β為饋入單元與連接單元的調(diào)制強(qiáng)度，通常在0到1之間取值，決定了對(duì)周圍信息的耦合性的強(qiáng)弱.神經(jīng)元通過內(nèi)部狀態(tài)Uij和閾值θij的比較產(chǎn)生輸出Yij，如式（4），初始的閥值大于內(nèi)部狀態(tài)的參數(shù)最大值.當(dāng)內(nèi)部狀態(tài)Uij與閾值θij的差值大于0時(shí)，神經(jīng)元處于興奮狀態(tài)，輸出為1；反之，神經(jīng)元處于抑制狀態(tài)，輸出為0.當(dāng)神經(jīng)元處于興奮狀態(tài)時(shí)，閾值θij［n］立即增大，如式（5），然后又按指數(shù)規(guī)律逐漸衰減，閾值在隨后的迭代中不斷衰減直到小于該神經(jīng)元的內(nèi)部狀態(tài)時(shí)，被再次激發(fā)，這個(gè)時(shí)間段稱為神經(jīng)元的激發(fā)周期.

圓形度描述軸心軌跡接近圓形的程度，定義為：R0＝4πS／P2，其中S為軸心軌跡圖像區(qū)域的面積，即像數(shù)Sij個(gè)數(shù)，P為周長，即邊界包含的像素Sij個(gè)數(shù)，R0的值越大，表明軸心軌跡越接近于圓形，轉(zhuǎn)子運(yùn)行得越穩(wěn)定.將脈沖耦合神經(jīng)網(wǎng)絡(luò)時(shí)間序列與圓形度相融合既可以彌補(bǔ)脈沖耦合神經(jīng)網(wǎng)絡(luò)在抗噪聲干擾方面的陷，又可以精確地表達(dá)軸心軌跡的特征，將式（4）改G［n］＝R0（Yi，j［n］），然后從1到n計(jì)算每一次輸出脈沖序列的圓形度，得到歸一化的軸心軌跡特征向量.將獲取的振動(dòng)信號(hào)經(jīng)采樣、量化，邊緣連接等處理后形成256×256的二維軸心軌跡圖像，然后將每一個(gè)像素作為脈沖耦合神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元Sij的值，即256×256個(gè)輸入神經(jīng)元，每個(gè)神經(jīng)元位于一個(gè)n×n連接權(quán)值矩陣Mijkl和Wijkl的中心，脈沖耦合神經(jīng)元接收輸入Fij［n］以及連接輸入Lij［n］，并通過內(nèi)部神經(jīng)元激活系統(tǒng)，建立內(nèi)部活動(dòng)項(xiàng)Uij［n］，當(dāng)Uij［n］大于動(dòng)態(tài)閾值θij［n］，θij［n］一般初始值比圖像最大灰度值大.脈沖耦合神經(jīng)產(chǎn)生輸出時(shí)間脈沖的圓形度序列.筆者借鑒王常青博士論文中4種方法獲取軸心軌跡特征在概率神經(jīng)網(wǎng)絡(luò)識(shí)別器中訓(xùn)練后識(shí)別結(jié)果比照［5］，見表1.從表中可以看出基于圓形度時(shí)間序列的特征向量比其他方法得到軸心軌跡的特征向量更好地保留了軸心軌跡的重要信息，因此具有較高的識(shí)別率.

表1 4種軸心軌跡特征在概率神經(jīng)網(wǎng)絡(luò)識(shí)別器中訓(xùn)練后識(shí)別結(jié)果比照

4 飛輪轉(zhuǎn)子軸心軌跡數(shù)據(jù)分析應(yīng)用實(shí)例

本文的實(shí)驗(yàn)對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)設(shè)置，矩陣F，L，U和Y初始化設(shè)置為0.權(quán)重因子的計(jì)算方法有很多，如高斯距離，歐幾里得距離等，本文采用的是常見的八鄰域歐幾里得距離來定義相鄰神經(jīng)元間的距離［14］.設(shè)神經(jīng)元Ni，j和Np，q對(duì)應(yīng)的像素為Pi，j和Pp，q，當(dāng)距離為d時(shí)，權(quán)重因子為1／d2，因此神經(jīng)元Ni，j與Np，q間的權(quán)重因子為1／（i－p）2＋（jq）2，見表2.

表2 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型初始化參數(shù)

軸心軌跡的識(shí)別是以一個(gè)周期的軸心軌跡圖形作為識(shí)別對(duì)象的，軌跡通過軸的振動(dòng)信號(hào)，經(jīng)過濾波提純，邊緣檢測，量化得到二維軸心軌跡圖像，得到軸心軌跡很多，從中選取具有代表性的一倍頻3種軌跡，待識(shí)別的實(shí)測軌跡圖形，如圖4所示.轉(zhuǎn)子的工頻橢圓軌跡可以分解為兩個(gè)頻率相同，但旋轉(zhuǎn)方向相反的圓軌跡，分別為正進(jìn)動(dòng)圓和反進(jìn)動(dòng)圓，軸心軌跡則是二者的疊加，反映了轉(zhuǎn)子的運(yùn)行狀態(tài).磁力軸承間隙或剛度差異過大時(shí)，軌跡為一個(gè)很扁的橢圓；軸與軸承間隙相差較大時(shí)，軌跡會(huì)出現(xiàn)明顯的凹凸?fàn)?如果軸心軌跡的形狀及大小的重復(fù)性好，則表明轉(zhuǎn)子的渦動(dòng)是穩(wěn)定的.提純的軸心軌跡排除了噪聲和電磁干擾等超高次諧波信號(hào)的影響，突出了工頻、0.5倍頻、一倍頻等主要因素，便于清晰地看到問題的本質(zhì)；一倍頻軸心軌跡則可以更合理地看出軸承的間隙及剛度是否存在問題.設(shè)置好脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的參數(shù)后，接下來，將待測的軸心軌跡二維圖輸入此模型中，得到輸出輸出脈沖序列的圓形度，得到歸一化的軸心軌跡特征向量，見表3.所得圓形度得到一維數(shù)字的圓形度特征向量，能夠較好地反映軌跡的形狀，能夠有效區(qū)分，軸運(yùn)轉(zhuǎn)的穩(wěn)定性.從軌跡的圓形度比較看，橢圓的圓形度最大，表明此類型軸的高速運(yùn)行狀態(tài)較穩(wěn)定.

圖4 待識(shí)別的實(shí)測軌跡圖形

表3 輸出軸心軌跡特征向量

5 結(jié) 語

該系統(tǒng)可以應(yīng)用到深埋地下飛輪電池監(jiān)測上，利用先進(jìn)的電渦流傳感器測得轉(zhuǎn)子運(yùn)行的振動(dòng)信號(hào)，無線傳感器將這些測繪的信息傳遞到終端設(shè)備，在終端計(jì)算機(jī)上，將獲取的振動(dòng)信號(hào)經(jīng)采樣、量化，邊緣連接等處理后形成256×256的二維軸心軌跡圖像，輸入到脈沖耦合神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過處理，得到一維圓形度特征向量數(shù)字.從3種軸心軌跡比較看，橢圓軸心軌跡圓形度最大，外8的的圓形度其次，內(nèi)8的圓形度最小.一維數(shù)字特征在特定的識(shí)別器訓(xùn)練和識(shí)別，快速地判斷工作狀態(tài)是否正常，使得識(shí)別結(jié)果更加有效，直觀.當(dāng)出現(xiàn)故障時(shí)，能夠及早發(fā)現(xiàn)問題，在異地根據(jù)具體的情況利用網(wǎng)絡(luò)解決相應(yīng)的麻煩，實(shí)用性強(qiáng)，直觀、友好的用戶界面，產(chǎn)生良好的社會(huì)效益.

［1］ 簡小剛，張艷偉.工程機(jī)械故障診斷技術(shù)的研究現(xiàn)狀與發(fā)展趨勢［J］.中國機(jī)械工程學(xué)報(bào)，2005，3（4）：445－449.

［2］ International Telecommunication Union UIT.ITU Internet Reports 2005：The Internet of Things［R］.2005.

［3］ Yan B，Huang G W.Application of RFID and Internet of Things in Monitoring and Anticounterfeiting for Products［C］.2008International Seminar on Business and Information Management，2008：392－395.

［4］ 石美紅，張軍英.基于改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像二值分割［J］.計(jì)算機(jī)仿真，2002，19（4）：42－46.

［5］ 王常青.數(shù)字圖像處理與分析及其在故障診斷中的應(yīng)用研究［D］.武漢：華中科技大學(xué)，2012：75－91.

［6］ 謝志江，謝長貴.應(yīng)用模糊脈沖神經(jīng)網(wǎng)絡(luò)算法診斷旋轉(zhuǎn)機(jī)械故障［A］.第十五屆中國科協(xié)年會(huì)第1分會(huì)［C］.2013.

［7］ 周云燕.基于圖像分析理論的機(jī)械故障診斷研究［D］.武漢：華中科技大學(xué)，2007.

［8］ Mahmoud W A，Husscin L R.Image Identification U－sing Minimum Distance Dassifier with Multiwavelet Transform［J］.Advance in modeling and Analysis B，2003，46（6）：1－21.

［9］ 王 振，李建民，向滿天，等.居家安防的智能窗戶［P］.中華人民共和國國家知識(shí)產(chǎn)權(quán)局，2013：1－5.

［10］湯雙清.飛輪電池磁懸浮支承系統(tǒng)理論及應(yīng)用研究［D］.武漢：華中科技大學(xué)，2003：25－34.

［11］潘可佳.基于物聯(lián)網(wǎng)技術(shù)的機(jī)房智能監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［D］.成都：電子科技大學(xué)，2013：58－68.

［12］Eckhorn R，Reitboeck H J，Arndt M，et al.Feature Linking Via Synchronization Among Cistributed Assemblies：Simulations of Results from Cat Visual Cortex［J］.Neural Computation，1990，2（3）：293－307.

［13］Johnson J L，Padgett M L.PCNN Models and Applications［J］.Neural Networks，IEEE Transactions on，1999，10（3）：480－498.

［14］Kuntimad G，Ranganath H S.Perfect Segmentation U－sing Pulse Coupled Neural Networks［J］.IEEE Transactions on Neural networks，1999，10（3）：591－598.