張力傳感器故障早期檢測與診斷

張文科

（上海通用東岳汽車動(dòng)力總成有限公司，山東 煙臺(tái) 264006）

張力傳感器故障早期檢測與診斷

張文科

（上海通用東岳汽車動(dòng)力總成有限公司，山東 煙臺(tái) 264006）

針對張力傳感器早期故障，提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（EM D）和多特征組合的帶鋼張力信號(hào)故障辨識(shí)方法。通過對帶鋼張力信號(hào)處理表明，該方法能有效辨識(shí)帶鋼生產(chǎn)中的故障，為帶鋼生產(chǎn)控制與故障分析處理提供理論依據(jù)。

張力傳感器；EM D；多特征組合；故障辨識(shí)

帶鋼張力傳感器是帶鋼張力測量與控制系統(tǒng)的重要部件，其測量精度和穩(wěn)定性是影響張力控制效果的關(guān)鍵因素。它的測量結(jié)果直接影響系統(tǒng)的運(yùn)行，影響分析、決策的正確性，一旦傳感器發(fā)生故障，后果可能將十分嚴(yán)重，因此，對 張力傳感器故障進(jìn)行早期檢測和診斷就顯得非常重要。

張力傳感器發(fā)生故障的主要表現(xiàn)形式有：

（1）失效故障（傳感器失靈，輸出的測量值為常數(shù)）；（2）偏差故障（測量值與真實(shí)值相差一常數(shù)）；（3）沖擊故障（測量值受隨機(jī)沖擊信號(hào)干擾）；（4）周期干擾故障（測量值受某頻率的周期信號(hào)干擾）；（5）漂移故障（測量值與真實(shí)值的差值隨時(shí)間而呈現(xiàn)一定規(guī)律的變化）；（6）精度下降故障（傳感器測量能力變差，精度等級變低，表現(xiàn)為測量值均值不變，方差變大）。此時(shí)傳感器輸出信號(hào)是非平穩(wěn)的，信號(hào)頻率成分比較豐富，采用單純的時(shí)域分析或者頻域分析都不能有效的檢測出信號(hào)的故障特征。為此本文提出了基于信號(hào)自適應(yīng)分解和多特征組合的帶鋼張力傳感器故障辨識(shí)方法。利用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）將信號(hào)自適應(yīng)分解成若干個(gè)平穩(wěn)的固有模態(tài)函數(shù)（IMF）與殘余項(xiàng)之和，提取每個(gè)分量中能表現(xiàn)信號(hào)波動(dòng)特征的多個(gè)特征量，組合形成全局特征向量輸入到支持向量機(jī)（SVM)進(jìn)行學(xué)習(xí)和分類。該方法有效的改善了傳統(tǒng)分類方法的缺陷，如神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇、易陷入局部極小點(diǎn)、過學(xué)習(xí)問題等，具有非常優(yōu)異的泛化、推廣能力，特別是在小樣本輸入情況下，體現(xiàn)出更大的優(yōu)勢。

1　經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）

2　EMD和多特征組合的故障辨識(shí)方法

張力傳感器早期檢測與診斷新方法的主要步驟如圖1所示。將張力信號(hào)預(yù)處理后進(jìn)行EMD分解；對獲取的IMF分量提取特征，組合形成全局特征向量；選取部分向量作為訓(xùn)練集輸入到SVM中構(gòu)建最佳多分類器，剩下部分作為測試集，利用設(shè)計(jì)的多分類器進(jìn)行故障類別辨識(shí)。

液壓信號(hào)波動(dòng)異常時(shí)，信號(hào)能量會(huì)發(fā)生變化，同時(shí)反映信號(hào)尖峭以及扁平程度的裕度、峰度以及表現(xiàn)信號(hào)幅值變化強(qiáng)度的波動(dòng)系數(shù)也會(huì)改變。

方差體現(xiàn)了信號(hào)在其均值附近的波動(dòng)大小，也可以很好的反映信號(hào)的波動(dòng)特性。而根據(jù)信號(hào)自適應(yīng)分解得到的IMF分量的能量、方差、裕度、偏度、峰度、波動(dòng)系數(shù)也會(huì)改變。

因此本文選取了能量、方差、裕度、偏度、峰度、波動(dòng)系數(shù)表示液壓信號(hào)的波動(dòng)特性，參數(shù)分別為e、v、l、s、f，公式如下所示。

圖1　張力傳感器早期檢測與診斷新方法的主要步驟

為了消除幅值對特征信息的影響，對提取特征量按公式（5）～（7）歸一化處理，形成特征向量。

公式（8）～（13）為歸一化后形成的特征向量。最后將上述特征向量組合起來，形成全局特征向量。

3　SVM分類器訓(xùn)練

將帶鋼張力傳感器7種狀態(tài)信號(hào)組成的訓(xùn)練集進(jìn)行特征向量的提取，并且將提取的6種特征向量組成了一個(gè)全局特征向量];;;;;[FSQLVET =，再采用第四章所介紹的SVM分類算法建立“一對多”的多類分類器，這里建立了7個(gè)狀態(tài)分類器。構(gòu)造7個(gè)兩類支持向量機(jī)分類器，然后把7個(gè)兩分類器組合在一起實(shí)現(xiàn)多分類的功能；改進(jìn)目標(biāo)函數(shù)，然后建立7分類支持向量機(jī)，將多分類面的參數(shù)求解合并到一個(gè)最優(yōu)化問題。分類器邏輯圖如圖2所示。

圖2　SVM分類器邏輯圖

將上節(jié)中提取到的張力信號(hào)特征向量輸入到SVM分類器進(jìn)行狀態(tài)識(shí)別，在SVM分類器中所采用的核函數(shù)是高斯徑向基核函數(shù)。之所以采用高斯徑向基SVM分類器是因?yàn)閰?shù)較簡單，而且局部調(diào)節(jié)性很好。R BF分類器需要設(shè)置的參數(shù)有懲罰參數(shù)C和核函數(shù)參數(shù)σ。由于實(shí)驗(yàn)中進(jìn)行小范圍參數(shù)尋優(yōu)，為了提高準(zhǔn)確率并節(jié)約時(shí)間，采用K-CV網(wǎng)格交叉驗(yàn)算法來確C和σ，它們分別是C=32，σ=1。

在SVM1中定義z1=+1表示正常狀態(tài)，z1=-1表示除正常狀態(tài)以外的其它6種狀態(tài)；在SVM2中定義z2=+1表示失效故障，z2=-1則表示其它6種狀態(tài)；在SVM3定義z3=+1表示偏差故障，z3=-1表示其它6種狀態(tài)；在SVM4定義z4=+1表示沖擊故障，z4=-1代表其它狀態(tài)；在SVM5定義z5=+1表示周期干擾狀態(tài)，z5=-1代表其它狀態(tài)；在SVM6定義z6=+1表示漂移故障，z6=-1代表其它狀態(tài)；在SVM7中定義z7=+1表示噪聲干擾，z7=-1代表其它狀態(tài)。

4　故障辨識(shí)結(jié)果及分析

將樣本測試集的特征向量作為3節(jié)所構(gòu)造的7狀態(tài)高斯徑向基SVM分類器的輸入信號(hào)，進(jìn)行狀態(tài)辨識(shí)，分類結(jié)果表明狀態(tài)辨識(shí)效果良好。為了更直觀的分析和說明辨識(shí)結(jié)果，將分類結(jié)果以表格的形式呈現(xiàn)，表1展示了分類測試結(jié)果，表2統(tǒng)計(jì)了10次分類測試的結(jié)果，表3比較了各種狀態(tài)的分類準(zhǔn)確率。分析表1和表2中的數(shù)據(jù)可知，基于EMD方法和多特征組合的SVM分類方法對帶鋼張力傳感器狀態(tài)的辨識(shí)度較好，辨識(shí)結(jié)果可以達(dá)到較高的準(zhǔn)確率，該故障診斷方法是有效的。

表2　SVM分類準(zhǔn)確率

分析表3的數(shù)據(jù)可知，SVM分類器的分類準(zhǔn)確率較高，分類有效。在分類結(jié)果中，偏差、沖擊、漂移3種狀態(tài)的分類準(zhǔn)確率最高，說明這3種狀態(tài)的特征向量的辨識(shí)度最高；而正常狀態(tài)和噪聲干擾情況下的特征向量分類準(zhǔn)確率相對較低，且在分類時(shí)兩種狀態(tài)容易混淆，因此這兩種狀態(tài)的特征向量提取方式還有待改善?？傮w結(jié)果表明，基于EMD方法和多特征組合的SVM分類方法對帶鋼張力信號(hào)的故障診斷方法是有效的。

表1　SVM分類測試結(jié)果

表3　7種狀態(tài)分類測試結(jié)果

5　結(jié)論

本文針對帶鋼張力信號(hào)的特點(diǎn)，提出了一種基于EMD分解和多特征組合的故障辨識(shí)方法。該方法充分考慮到帶鋼張力信號(hào)的非線性、非平穩(wěn)等特性，具備信號(hào)自適應(yīng)處理分析能力，在小樣本下仍然能對故障具有很高的辨識(shí)率。在對帶鋼張力傳感器的五種輸出狀態(tài)辨識(shí)結(jié)果表明，利用帶鋼張力信號(hào)自適應(yīng)分解和多特征組合的故障辨識(shí)方法在小樣本下仍然具有很高的準(zhǔn)確率，而且性能明顯高于單一特征故障辨識(shí)方法，為傳感器故障辨識(shí)提供了新思路。

本文是在生產(chǎn)工況正常下判斷傳感器狀態(tài)，如果生產(chǎn)工況發(fā)生改變，辨識(shí)結(jié)果可能并非張力傳感器故障所致，但是此時(shí)的分類結(jié)果仍然可以為查找工況改變原因提供一定的參考依據(jù)。

[1] 蔡艷平，李艾華，石林鎖，白向峰，沈金偉．基于EMD與譜峭度的滾動(dòng)軸承故障檢測改進(jìn)包絡(luò)譜分析[J]．振動(dòng)與沖擊，2011,30(2):167～172.

[2] 范庚，馬登武.基于EMD和R VM-AR的航空發(fā)動(dòng)機(jī)磨損故障預(yù)測模[J]．計(jì)算機(jī)測量與控制，2013,21(7):1746～1749．

[3] 鄧麗君.基于多傳感器信息融合的液壓系統(tǒng)故障診斷方法研究[D].太原：太原科技大學(xué)，2013.

TP212

A

1671-0711（2016）09（下）-0047-03