信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維仿真

余孟陽，楊 帆

(重慶師范大學(xué)涉外商貿(mào)學(xué)院，重慶 合川 401520)

1 引言

現(xiàn)代工業(yè)中的生產(chǎn)設(shè)備在科學(xué)技術(shù)的促進(jìn)下，開始向自動(dòng)化、連續(xù)化、高速化、系列化的方向發(fā)展[1]。生產(chǎn)設(shè)備的進(jìn)步可以降低生產(chǎn)成本、保障產(chǎn)品質(zhì)量的同時(shí)提高經(jīng)濟(jì)效益和生產(chǎn)力，節(jié)約了大量的能源和人力，在現(xiàn)代工業(yè)中具有重要意義。但如動(dòng)力機(jī)械設(shè)備等生產(chǎn)設(shè)備發(fā)生故障時(shí)，產(chǎn)生的維修費(fèi)用較高、損失幅度較大[2]。鋼鐵、電力、化工等現(xiàn)代化大生產(chǎn)目前常使用連續(xù)性的生產(chǎn)操作方式，在現(xiàn)代化大規(guī)模生產(chǎn)過程中最基本且最常用的裝置為自動(dòng)化設(shè)備，當(dāng)自動(dòng)化設(shè)備在生產(chǎn)過程中出現(xiàn)故障時(shí)會(huì)導(dǎo)致停產(chǎn)，造成巨大的經(jīng)濟(jì)損失[3]。在上述背景下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法成為研究的熱點(diǎn)，當(dāng)前自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法存在檢測準(zhǔn)確率低和檢測效率低的問題，需要對(duì)自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法進(jìn)行研究[4]。

申鴻燁[5]提出基于監(jiān)測點(diǎn)的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法，該方法建立故障監(jiān)測點(diǎn)，在故障傳播方向和層次的基礎(chǔ)上構(gòu)建故障樹，將自動(dòng)化測試節(jié)點(diǎn)引入故障樹中，根據(jù)故障樹對(duì)獲取的自動(dòng)測試信息和監(jiān)測點(diǎn)信息進(jìn)行推理，實(shí)現(xiàn)自動(dòng)化設(shè)備現(xiàn)場故障的檢測和維護(hù)，該方法得到的檢測結(jié)果誤差較大，存在檢測準(zhǔn)確率低的問題。楊豐源等人[6]提出基于奇異譜熵分析的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法，該方法在經(jīng)驗(yàn)?zāi)B(tài)分解理論的基礎(chǔ)上獲得奇異譜熵分析的協(xié)方差矩陣，去除信號(hào)中存在的噪聲，提取熵特征向量，實(shí)現(xiàn)自動(dòng)化設(shè)備故障的檢測與維護(hù)，該方法提取熵特征向量所用的時(shí)間較長，存在檢測效率低的問題。江麗、郭順生[7]提出基于特征映射的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法，該方法通過LE算法提取原始高維設(shè)備振動(dòng)信號(hào)中存在的低維流形特征，將提取到的特征輸入半監(jiān)督分類器中，對(duì)自動(dòng)化設(shè)備的現(xiàn)場運(yùn)行狀態(tài)進(jìn)行識(shí)別，完成自動(dòng)化設(shè)備現(xiàn)場故障的檢測和維護(hù)，該方法識(shí)別低維流形特征所用的時(shí)間較長，存在檢測效率低的問題。

綜上所述，提出信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法。

2 提取故障特征參數(shù)

針對(duì)自動(dòng)化設(shè)備現(xiàn)場故障，不同特征參數(shù)在自動(dòng)化設(shè)備現(xiàn)場故障檢測過程中的敏感性之間存在差異，為了準(zhǔn)確地檢測自動(dòng)化設(shè)備的現(xiàn)場故障，采集多個(gè)自動(dòng)化設(shè)備的現(xiàn)場故障特征參數(shù)，建立故障特征集，去除特征集中存在的不相關(guān)特征參數(shù)和冗余的特征參數(shù)，利用剩余的故障特征參數(shù)實(shí)現(xiàn)自動(dòng)化設(shè)備現(xiàn)場故障的檢測[8]。信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法通過以下4種設(shè)備故障特征參數(shù)建立故障特征集

(1)

(2)

(3)

(4)

設(shè){qm，t，p，m=1，2，…，Mt；t=1，2，…，T；p=1，2，…，P}代表的是自動(dòng)化設(shè)備故障特征集，其中，qm，t，p描述的是利用采集的第m個(gè)樣本在第t種設(shè)備狀態(tài)下獲得的第p種特征參數(shù)值；Mt描述的是第t種設(shè)備狀態(tài)對(duì)應(yīng)的樣本數(shù)量；T描述的是設(shè)備狀態(tài)的總數(shù)；P描述的是特征參數(shù)對(duì)應(yīng)的總量。

設(shè)dt，p代表的是不同樣本間存在的特征參數(shù)在不同設(shè)備狀態(tài)下的距離平均值，其計(jì)算公式如下

(5)

(6)

(7)

設(shè)ut，p代表的是所有樣本在不同設(shè)備狀態(tài)下的特征參數(shù)對(duì)應(yīng)的平均值，其計(jì)算公式如下

(8)

(9)

(10)

設(shè)λp代表的是補(bǔ)償因子，其計(jì)算公式如下

(11)

設(shè)αp代表的是距離評(píng)估指數(shù)，其計(jì)算公式如下

(12)

設(shè)β代表的是綜合距離評(píng)估指數(shù)，其計(jì)算公式如下

(13)

通過上述分析，信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法在CL3自適應(yīng)多小波庫中采用遺傳算法選擇最優(yōu)的多小波，利用選取的多小波提取設(shè)備的故障特征，具體步驟如下：

1)信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法對(duì)算法的進(jìn)化次數(shù)進(jìn)行初始化處理i=0，確定多小波分解系數(shù)和多小波分解層數(shù)的優(yōu)化分支，獲取二進(jìn)制種群。

2)在二進(jìn)制種群的基礎(chǔ)上獲取參數(shù)a、b、c、d、f的值，并將其帶入下述公式中獲得TST矩陣M1(ω)和M2(ω)

(14)

(15)

信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法采用自適應(yīng)小波構(gòu)造方法得到雙正交多小波。通過多小波分解經(jīng)過預(yù)處理后的信號(hào)，計(jì)算優(yōu)化分支在多小波分解系數(shù)中對(duì)應(yīng)的各個(gè)特征參數(shù)的綜合距離評(píng)估指數(shù)和距離評(píng)估指數(shù)，在綜合距離評(píng)估指數(shù)的基礎(chǔ)上對(duì)染色體對(duì)應(yīng)的適應(yīng)度進(jìn)行計(jì)算[10]。

3)通過選擇種群、交叉操作和變異操作獲得新種群。

4)設(shè)定最大進(jìn)化次數(shù)，當(dāng)進(jìn)化次數(shù)i與信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法設(shè)定的最大進(jìn)化次數(shù)相等時(shí)，最優(yōu)多小波即為進(jìn)化所得的多小波，保存優(yōu)化分支在該小波分解系數(shù)中的綜合距離評(píng)估指數(shù)與距離評(píng)估指數(shù)以及多小波的濾波器系數(shù)；如果當(dāng)進(jìn)化次數(shù)i與信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法設(shè)定的最大進(jìn)化次數(shù)不相等，回到步驟(2)中。

5)在故障特征集中根據(jù)上述步驟獲得結(jié)果選擇兩個(gè)存在巨大距離評(píng)估指數(shù)對(duì)應(yīng)的特征參數(shù)，將其作為最終的自動(dòng)化設(shè)備故障特征參數(shù)。

3 檢測自動(dòng)化設(shè)備現(xiàn)場故障

信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法通過支持向量描述方法根據(jù)獲取的故障特征參數(shù)實(shí)現(xiàn)自動(dòng)化設(shè)備現(xiàn)場故障的檢測。

將松弛變量ξi≥0引入每個(gè)樣本xi中，用求解目標(biāo)類訓(xùn)練樣本的超球體問題代替優(yōu)化問題

(16)

式中，C代表的是懲罰因子；R描述的是超球體的半徑；a描述的是超球體的中心點(diǎn)。

上述約束的優(yōu)化問題可以通過Lagrange乘子法轉(zhuǎn)變?yōu)闊o約束問題

(17)

式中，αi≥0、γi≥0均代表的是Lagrange乘子。求偏導(dǎo)后可用對(duì)偶問題代替原問題

(18)

根據(jù)KKT條件可知，當(dāng)超球內(nèi)存在樣本時(shí)，αi的值為0；當(dāng)超球面中存在樣本時(shí)，0<αi

上式中存在的〈xi，xj〉用核函數(shù)K(xi，xj)=〈φ(xi)，φ(xj)〉代替，將對(duì)偶問題變形為

(19)

根據(jù)上述分析，獲得決策函數(shù)的表達(dá)式

f(z；a，R)=sign(||φ(z)-φ(a)||2-R2)

(20)

式中，z描述的是待檢測樣本點(diǎn)對(duì)應(yīng)的坐標(biāo)，即決策變量。

當(dāng)f(·)的輸出值為0時(shí)，此時(shí)為目標(biāo)類，當(dāng)f(·)的輸出值不為0時(shí)，表明為故障點(diǎn)，信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法通過下式實(shí)現(xiàn)自動(dòng)化設(shè)備現(xiàn)場故障的檢測

(21)

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法的整體有效性，在Visual C++開發(fā)的TTE平臺(tái)中對(duì)信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法進(jìn)行測試，本次測試的操作系統(tǒng)為Windows。

分別采用信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法(所提方法)、基于監(jiān)測點(diǎn)的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法(文獻(xiàn)[5]方法)和基于奇異譜熵分析的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法(文獻(xiàn)[6]方法)進(jìn)行測試，對(duì)比三種不同方法檢測自動(dòng)化設(shè)備現(xiàn)場故障的準(zhǔn)確率，測試結(jié)果如圖1所示。

圖1 三種不同方法的檢測準(zhǔn)確率

分析圖1可知，采用所提方法對(duì)自動(dòng)化設(shè)備現(xiàn)場故障進(jìn)行檢測時(shí)，在多次迭代中的檢測準(zhǔn)確率均高于80%，在第2次迭代中獲得的檢測準(zhǔn)確率高達(dá)90%；采用基于監(jiān)測點(diǎn)的方法對(duì)自動(dòng)化設(shè)備現(xiàn)場故障進(jìn)行檢測時(shí)，在第3次迭代中基于監(jiān)測點(diǎn)的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法獲得的檢測準(zhǔn)確率低至50%；采用基于奇異譜熵分析的方法對(duì)自動(dòng)化設(shè)備現(xiàn)場故障進(jìn)行檢測時(shí)，在第1次迭代中基于奇異譜熵分析的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法的檢測準(zhǔn)確率低至40%。對(duì)比上述三種方法的測試結(jié)果可知，所提方法的檢測準(zhǔn)確率較高，因?yàn)樵摲椒ㄍㄟ^多個(gè)設(shè)備故障特征參數(shù)建立自動(dòng)化設(shè)備現(xiàn)場故障特征集，去除特征集中存在的不相關(guān)和冗余的特征參數(shù)，通過高精度的特征參數(shù)進(jìn)行自動(dòng)化設(shè)備現(xiàn)場故障檢測，提高了信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法的檢測準(zhǔn)確率。

將檢測效率作為測試指標(biāo)，通過檢測效率對(duì)信息連接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法(方法1)、基于監(jiān)測點(diǎn)的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法(方法2)和基于奇異譜熵分析的自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法(方法3)的有效性進(jìn)行驗(yàn)證，三種不同方法檢測自動(dòng)化設(shè)備現(xiàn)場故障所用的時(shí)間如圖2所示。

圖2 三種不同方法的檢測時(shí)間

由圖2可知，采用所提方法對(duì)自動(dòng)化設(shè)備故障進(jìn)行檢測時(shí)，多次迭代中所用的檢測時(shí)間均在4s以下；采用基于監(jiān)測點(diǎn)的方法對(duì)自動(dòng)化設(shè)備故障進(jìn)行檢測時(shí)，多次迭代中所用的檢測時(shí)間在6s上下波動(dòng)；采用基于奇異譜熵分析的方法對(duì)自動(dòng)化設(shè)備故障進(jìn)行檢測時(shí)，多次迭代中所用的檢測時(shí)間也在6s附近波動(dòng)。對(duì)比上述三種方法的測試結(jié)果可知，所提方法所用的檢測時(shí)間較短，因?yàn)樵摲椒ú捎眠z傳算法選擇最優(yōu)多小波，通過多小波提取設(shè)備的故障特征，縮短了提取故障特征所用的時(shí)間，進(jìn)而提高了所提方法的檢測效率。

為進(jìn)一步驗(yàn)證所提方法的運(yùn)維效率，以現(xiàn)場故障信號(hào)誤差值為指標(biāo)，進(jìn)行仿真的結(jié)果如圖3所示。

圖3 不同方法獲取的故障信號(hào)誤差曲線

分析圖3可知，基于監(jiān)測點(diǎn)的方法獲取的故障信號(hào)誤差曲線波動(dòng)較大，誤差范圍在0.59至-0.23?；谄娈愖V熵分析的方法獲取的故障信號(hào)誤差曲線波動(dòng)同樣較大，誤差范圍在0.57至-0.28。相較于其它兩個(gè)方法，所提方法獲取的故障信號(hào)誤差曲線波動(dòng)較平穩(wěn)，誤差范圍僅為0.34至0.08。實(shí)驗(yàn)結(jié)果表明，使用所提方法進(jìn)行現(xiàn)場故障檢測時(shí)獲取的信號(hào)誤差較小，運(yùn)維效果更理想，具有較高的實(shí)際應(yīng)用性。

5 結(jié)束語

識(shí)別設(shè)備運(yùn)行狀態(tài)信息是自動(dòng)化設(shè)備狀態(tài)監(jiān)測的實(shí)質(zhì)，在設(shè)備現(xiàn)場故障運(yùn)維過程中上述狀態(tài)信息的質(zhì)量至關(guān)重要，特別是自動(dòng)化設(shè)備向智能化、大型、精密、高速的發(fā)展過程中，設(shè)備的工作強(qiáng)度不斷加大，結(jié)構(gòu)越來越復(fù)雜，使自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維成為重要工作內(nèi)容。當(dāng)前自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法存在檢測準(zhǔn)確率低和檢測效率低的問題，提出信息鏈接技術(shù)下自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維方法，可在短時(shí)間內(nèi)提取自動(dòng)化設(shè)備故障的特征參數(shù)，通過特征參數(shù)準(zhǔn)確地實(shí)現(xiàn)自動(dòng)化設(shè)備故障的檢測，為自動(dòng)化設(shè)備的應(yīng)用和發(fā)展奠定了基礎(chǔ)。由于時(shí)間有限，所提方法仍然存在可提升的空間，尤其在自動(dòng)化設(shè)備現(xiàn)場故障運(yùn)維能耗方面，這也是未來的研究方法，為工業(yè)自動(dòng)化設(shè)備的廣泛應(yīng)用奠定扎實(shí)的理論基礎(chǔ)。