基于排列熵算法的自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測

林四連

(黎明職業(yè)大學(xué)，福建 泉州 364200)

隨著自動化機(jī)械設(shè)備不斷應(yīng)用，對自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測受到人們的極大關(guān)注。通過對自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測，結(jié)合運(yùn)維特征分析方法，進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的可靠性監(jiān)測，提高自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維特征分析能力，研究自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測方法，在自動化機(jī)械設(shè)備運(yùn)行狀態(tài)可靠性分析中具有重要意義。相關(guān)的自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測方法研究受到人們的極大重視[1]。

傳統(tǒng)的監(jiān)測方法通常是根據(jù)機(jī)械設(shè)備常見的故障數(shù)據(jù)，結(jié)合以往的經(jīng)驗(yàn)進(jìn)行主觀判斷，但這種監(jiān)測方法主觀因素影響較多，機(jī)械設(shè)備監(jiān)測的準(zhǔn)確性較低[2]，所以未被大量應(yīng)用在實(shí)際的監(jiān)測中。目前，常用的機(jī)械化設(shè)備監(jiān)測方法包括：振動監(jiān)測方法[3]和溫度監(jiān)測方法[4]。振動監(jiān)測方法是通過正常機(jī)械化設(shè)備運(yùn)行的動態(tài)性與出現(xiàn)異常的機(jī)械化設(shè)備進(jìn)行運(yùn)行數(shù)據(jù)對比，如振動頻率等。該方法通過機(jī)械化設(shè)備運(yùn)行數(shù)據(jù)的對比，可以判斷機(jī)械設(shè)備的運(yùn)行狀態(tài)，但該方法在數(shù)據(jù)對比過程中由于對比數(shù)據(jù)較多，步驟繁雜，導(dǎo)致自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的準(zhǔn)確率較低。溫度監(jiān)測方法是根據(jù)自動化機(jī)械設(shè)備中某一部件對溫度的敏感性進(jìn)行監(jiān)測。該方法可根據(jù)周圍環(huán)境溫度的變化識別機(jī)械化設(shè)備的運(yùn)行狀態(tài)，但該方法在監(jiān)測過程中易受到外界因素的干擾，對自動化機(jī)械運(yùn)行狀態(tài)的監(jiān)測實(shí)時性較差，不能及時反饋機(jī)械化設(shè)備運(yùn)行狀態(tài)。

基于上述問題的存在，本文提出基于排列熵算法的自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測技術(shù)。在自動化機(jī)械設(shè)備運(yùn)行狀態(tài)特征和運(yùn)維可靠性分析的基礎(chǔ)上，實(shí)現(xiàn)自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測。建立自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的組分監(jiān)測模型，結(jié)合運(yùn)維動力學(xué)分析方法，進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測模型優(yōu)化設(shè)計。通過構(gòu)建自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的分析模型，提取機(jī)械設(shè)備工況運(yùn)行狀態(tài)特征分析特征量；采用模糊信息檢測方法進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的排列熵特征量特征檢測，結(jié)合排列熵分析方法，分析自動化機(jī)械設(shè)備的運(yùn)行狀態(tài)；采用關(guān)聯(lián)特征檢測方法提取自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的機(jī)械設(shè)備運(yùn)行可靠性特征量，通過排列熵組合算法，實(shí)現(xiàn)自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測。仿真實(shí)驗(yàn)結(jié)果表明，本文方法在提高自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的準(zhǔn)確性方面具有一定的優(yōu)勢。

1 機(jī)械設(shè)備工況運(yùn)行狀態(tài)特征分析

1.1 機(jī)械設(shè)備運(yùn)行狀態(tài)檢測

為了實(shí)現(xiàn)基于排列熵算法的自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測，構(gòu)建自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的機(jī)械設(shè)備工況運(yùn)行狀態(tài)特征分析模型，監(jiān)測自動化機(jī)械設(shè)備運(yùn)行狀態(tài)；分析質(zhì)量數(shù)據(jù)的分布式融合模型，采用模糊信息分析方法，進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測狀態(tài)分析，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的模糊模型的元素為：

(1)

式中，“*”表示復(fù)共軛。計算各個監(jiān)測節(jié)點(diǎn)進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的統(tǒng)計特征量。采用多目標(biāo)檢測方法，監(jiān)測自動化機(jī)械設(shè)備運(yùn)行狀態(tài)，建立機(jī)械設(shè)備運(yùn)行狀態(tài)，分析動態(tài)特征量為：

(2)

式中，c4si=cum{|si(t)|4}表示機(jī)械設(shè)備運(yùn)行狀態(tài)分析的描述形態(tài)特征量；采用統(tǒng)計特征量分析方法，得到si，其表示自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的峰度。用C4s表示機(jī)械設(shè)備運(yùn)行狀態(tài)分析的均勻譜，即：

C4s=diag[c4s1,c4s2,…,c4sL]

(3)

在污濁的環(huán)境中，確定自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維形態(tài)譜峰和譜密度。當(dāng)滿足0≤m,n≤P-1，則有：

C1=AC4sAH

(4)

其中，A是一個維數(shù)為P×L的高階統(tǒng)計特征量分布矩陣。

根據(jù)機(jī)械設(shè)備振動特征，實(shí)現(xiàn)非平衡數(shù)據(jù)多目標(biāo)檢測[5]，輸出的自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維形態(tài)檢測參數(shù)Φ，Ω，Λ，分別為：

Φ=diag[ej2φ1,ej2φ2,…,ej2φI]

(5)

Ω=diag[e-j2γ1,e-j2γ2,…,e-j2γL]

(6)

Λ=diag[ej2w1,ej2w2,…,ej2wL]

(7)

綜上分析，在機(jī)械設(shè)備振動特性分析方法下，建立自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的大數(shù)據(jù)分析模型；當(dāng)滿足span{Es}=span{A}，考慮機(jī)械設(shè)備的運(yùn)維分布偏移特性，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維形態(tài)分布矩陣TL×L，即：

EsT=A

(8)

提取機(jī)械設(shè)備工況運(yùn)行狀態(tài)特征量，采用模糊信息檢測方法，檢測自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的排列熵特征量特征。

1.2 自動化機(jī)械設(shè)備運(yùn)行狀態(tài)分析

(9)

(10)

(11)

南桐選煤廠采用小直徑重介質(zhì)旋流器分選0.5～0.075 mm粒級的高硫難選煤，其分選可能偏差Ep值為0.057，煤泥降硫率達(dá)到14.3%，總精煤硫分下降4.83%。與常規(guī)浮選基本沒有降硫效果相比，煤泥重介質(zhì)旋流器是分選粗煤泥的一種較好方法[3]。

2 自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測優(yōu)化

2.1 排列熵算法

采用模糊信息檢測方法檢測自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的排列熵特征量特征；結(jié)合排列熵分析方法，分析自動化機(jī)械設(shè)備運(yùn)行狀態(tài)。自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的穩(wěn)定狀態(tài)特征分布為C2，其排列熵元素C2(m,n)為：

C2(m,n)cum{(t+1),xm+1(t),(t),xn(t)}

(12)

通過自由基偶聯(lián)分析自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的排列熵特征量模糊信息特征。通過自由基偶聯(lián)得到烯醇采樣結(jié)果，即si(t)≈si(t+1)。結(jié)合多參量融合方法，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維形態(tài)檢測樣本分布集：

(13)

在穩(wěn)定工況作用下，進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的全自動運(yùn)維，得到運(yùn)維組分特征分布矩陣為：

C2=AC4sΛHAH

(14)

基于狀態(tài)特征遷移重排，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的高分辨融合矩陣為4P×4P矩陣，即：

(15)

C=E∑EH

(16)

式中，E=[e1,e2,…,e4P]為自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的特征分布酉矩陣；∑=diag[σ1,σ2,…,σ4P]為特征值組成的對角矩陣，且

σ1>…σL…>σL+1=…σ4P=0

(17)

根據(jù)參數(shù)融合分析方法，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)中運(yùn)維監(jiān)測特征量，采用排列熵算法檢測運(yùn)行狀態(tài)特征[7]。

2.2 自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測優(yōu)化

采用關(guān)聯(lián)特征檢測方法提取自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的可靠性特征量。通過排列熵組合分析機(jī)制，實(shí)現(xiàn)自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測。結(jié)合排列熵分析方法，分析自動化機(jī)械設(shè)備運(yùn)行狀態(tài)[8-9]。在各個監(jiān)測節(jié)點(diǎn)，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的先驗(yàn)概率分布為：

(18)

Kx=E[x4(t)]-3E2[x2(t)]b

(19)

其中，E[x3(t)]為衰減特征，b為迭代次數(shù)?；谂帕徐厮惴?，引入動態(tài)加權(quán)因子，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的機(jī)械設(shè)備運(yùn)行可靠性監(jiān)測模糊度函數(shù)為：

(20)

采用全自動流動數(shù)據(jù)集特征分析方法，將X劃分到C個聚類簇中，得到可靠性狀態(tài)特征分布為：

(21)

(22)

采用狀態(tài)動態(tài)重組，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維組分監(jiān)序列為x(t)，t=0,1,…,n-1。結(jié)合排列熵組合分析方法，評價自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的可靠性，得到相應(yīng)的狀態(tài)特征統(tǒng)計信息量為：

(23)

根據(jù)上述分析，采用關(guān)聯(lián)特征檢測方法提取自動化機(jī)械設(shè)備運(yùn)行狀態(tài)可靠性特征量，通過排列熵組合分析機(jī)制，實(shí)現(xiàn)自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測。

3 仿真實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)參數(shù)

為驗(yàn)證本文方法在實(shí)現(xiàn)自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析。設(shè)定自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的樣本組合數(shù)據(jù)為3組，每組數(shù)據(jù)的采樣長度為1024，對自動化機(jī)械設(shè)備油膜振蕩，動靜件摩擦等運(yùn)行狀態(tài)進(jìn)行實(shí)時監(jiān)測，得到機(jī)械設(shè)備的運(yùn)行狀態(tài)采集數(shù)據(jù)時域分布如圖1所示。

(a)A類運(yùn)行狀態(tài)

(b)B類運(yùn)行狀態(tài)

(c)C類運(yùn)行狀態(tài)圖1 機(jī)械設(shè)備的運(yùn)行狀態(tài)采集數(shù)據(jù)時域分布

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 不同方法監(jiān)測排列熵分析

以圖1的數(shù)據(jù)為研究對象，進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測，得到排列熵分布如圖2所示。

(a)A類運(yùn)行狀態(tài)

(b)B類運(yùn)行狀態(tài)

(c)C類運(yùn)行狀態(tài)圖2 機(jī)械設(shè)備的運(yùn)行狀態(tài)排列熵分布

分析圖2可知，本文方法能有效實(shí)現(xiàn)機(jī)械設(shè)備的運(yùn)行狀態(tài)監(jiān)測。

3.2.2 不同方法監(jiān)測設(shè)備準(zhǔn)確性分析

為了進(jìn)一步驗(yàn)證本文方法監(jiān)測的有效性，對比了本文方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法檢測的準(zhǔn)確性，對比結(jié)果如表1所示。

表1 不同方法監(jiān)測機(jī)械設(shè)備運(yùn)行狀態(tài)準(zhǔn)確性(%)

分析表1中數(shù)據(jù)可以看出，隨著實(shí)驗(yàn)迭代次數(shù)增加，三種方法檢測的準(zhǔn)確性隨之改變。當(dāng)?shù)螖?shù)為100時，本文方法的監(jiān)測準(zhǔn)確性為97.3%，文獻(xiàn)[3]方法的監(jiān)測準(zhǔn)確性為84.3%，文獻(xiàn)[4]方法的監(jiān)測準(zhǔn)確性為73.4%；當(dāng)?shù)螖?shù)為500時，本文方法的監(jiān)測準(zhǔn)確性為94.1%，文獻(xiàn)[3]方法的監(jiān)測準(zhǔn)確性為91.4%，文獻(xiàn)[4]方法的監(jiān)測準(zhǔn)確性為89.1%。可以看出本文方法進(jìn)行機(jī)械設(shè)備的運(yùn)行狀態(tài)監(jiān)測的準(zhǔn)確性較高。

結(jié)語

本文提出的基于排列熵算法的自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測，將自動化機(jī)械設(shè)備狀態(tài)進(jìn)行重組，得到自動化機(jī)械設(shè)備運(yùn)行狀態(tài)的運(yùn)維組分監(jiān)序列；采用關(guān)聯(lián)特征檢測方法，提取自動化機(jī)械設(shè)備運(yùn)行狀態(tài)可靠性特征量，通過排列熵組合分析機(jī)制，實(shí)現(xiàn)自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測。實(shí)驗(yàn)結(jié)果表明：采用本文方法進(jìn)行自動化機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的準(zhǔn)確性最高可達(dá)97.3%，監(jiān)測精度較高。