基于支持向量數(shù)據(jù)描述的火炮自動機故障狀態(tài)監(jiān)測技術(shù)研究

王斐，房立清，陳敬文

(1.武警士官學(xué)校 軍械系，浙江 杭州 310023; 2.陸軍工程大學(xué)石家莊校區(qū) 火炮工程系，河北 石家莊 050003;3.駐重慶地區(qū)第二軍事代表室，重慶 400000)

自動機是自行高炮火力系統(tǒng)的核心組成部分，其結(jié)構(gòu)復(fù)雜，工作在高溫高壓高過載的環(huán)境下，在長期使用過程中容易產(chǎn)生一系列故障，甚至造成嚴重的射擊事故[1-4]?；跔顟B(tài)的維修CBM(Condition Based Maintenance)是一種預(yù)防性維修策略，通過對機械系統(tǒng)的健康狀態(tài)進行實時監(jiān)測，可對系統(tǒng)早期故障的發(fā)生、發(fā)展做出及時預(yù)警，進而有針對性地開展維修活動，確保整個系統(tǒng)的運行平穩(wěn)、安全和可靠，利用CBM技術(shù)可有效實現(xiàn)設(shè)備的預(yù)知管理和維護，避免重大事故的發(fā)生[5]?？紤]到自動機從正常狀態(tài)到故障狀態(tài)需要經(jīng)歷一系列故障發(fā)展過程，因此可將CBM技術(shù)應(yīng)用于自動機故障狀態(tài)監(jiān)測中，對其運行狀態(tài)進行實時監(jiān)測，及時發(fā)現(xiàn)早期異常狀態(tài)，開展相應(yīng)的維修策略，避免嚴重故障的發(fā)生，這對于提升自行高炮武器系統(tǒng)的戰(zhàn)斗力具有重要的意義。

在自動機故障狀態(tài)監(jiān)測中，所建立的狀態(tài)監(jiān)測模型需要具備以下兩方面能力：一方面需要從自動機不同運行狀態(tài)的振動信號中有效區(qū)分正常與故障狀態(tài)(異常狀態(tài)檢測)；另一方面需要對自動機故障的性能退化過程具有良好的監(jiān)測作用。

準確獲取系統(tǒng)的不同狀態(tài)信息并進行識別是狀態(tài)監(jiān)測技術(shù)的基礎(chǔ)。然而在自動機實際運行過程中，獲取正常運行狀態(tài)樣本較為容易，而獲取故障樣本則比較困難。在僅能獲取自動機正常狀態(tài)樣本的前提下，采用特定方法，以實現(xiàn)正常狀態(tài)和故障狀態(tài)的準確檢測和識別，當(dāng)處于故障狀態(tài)便可以進一步根據(jù)其他信息確定故障部位和故障類型，通過這種方式也可以有效預(yù)防事故的發(fā)生。這種在只有單一狀態(tài)樣本的情況下進行的故障樣本與正常樣本的評估與分類通常被稱為“單值分類”問題。

支持向量數(shù)據(jù)描述(support vector data description, SVDD)[6-8]是一種能夠?qū)崿F(xiàn)目標樣本和非目標樣本區(qū)分的單值(One-class)分類方法，其核心思想是通過非線性映射將樣本映射到高維的內(nèi)積空間，在特征空間中尋找一個包含全部或大部分樣本且體積最小的超球體(最優(yōu)超球體)來對目標數(shù)據(jù)集進行超球體描述。SVDD方法只需要一類樣本數(shù)據(jù)進行分類模型的構(gòu)建，計算速度較高，魯棒性強[9-12],在異常檢測、樣本多分類問題和故障檢測等領(lǐng)域應(yīng)用廣泛。

筆者提出一種基于SVDD的自動機故障狀態(tài)監(jiān)測模型，通過正常狀態(tài)下的自動機振動信號提取反映樣本狀態(tài)信息的特征指標作為訓(xùn)練樣本完成SVDD監(jiān)測模型的訓(xùn)練與構(gòu)建。通過多種自動機關(guān)重件故障模擬試驗對模型進行了驗證，驗證結(jié)果表明所提出的監(jiān)測模型不僅可以準確識別自動機正常狀態(tài)與故障狀態(tài)，同時也具有良好的早期故障檢測能力，并可以較為準確地反映自動機關(guān)重件故障性能退化過程。

1 基本理論

1.1 支持向量數(shù)據(jù)描述(SVDD)

SVDD是一種重要的單值分類算法，理論基礎(chǔ)為Vapnik提出的VC維(Vapnik-Chervonenkis Dimension)分類器的統(tǒng)計學(xué)習(xí)方法。與SVM分類器中定義的最優(yōu)超平面不同，SVDD在高維空間中定義了一個體積最小的超球體，將給定的訓(xùn)練數(shù)據(jù)映射到高維空間中，使得訓(xùn)練數(shù)據(jù)盡可能多的包含于該超球體中，不屬于該類的數(shù)據(jù)則位于超球體之外。給定一個目標類樣本集X={x1,x2,…,xn}，定義一個包含所有或幾乎所有目標類樣本的超球體，超球體球心為a，半徑為R?？紤]到目標樣本中可能存在少數(shù)野點，為了提高算法對訓(xùn)練樣本中野點的魯棒性，引入松弛因子ξi，允許部分樣本點分布于超球體之外，此時SVDD優(yōu)化問題描述為

(1)

式中，C>0為指定的懲罰參數(shù)，用以調(diào)節(jié)錯分訓(xùn)練樣本數(shù)(球外樣本數(shù))和R的大小。

徑向基核函數(shù)(RBF)是使用最為廣泛的核函數(shù)，無論是小樣本還是大樣本，高維還是低維等情況，均有良好的分類效果，筆者選用RBF作為SVDD的核函數(shù)。

通過核函數(shù)的方法將訓(xùn)練樣本由低維空間映射到高維空間中，從而在新的高維空間中對目標樣本進行很好的描述，在映射空間φ中超球體半徑R可由任意支持向量到中心的距離計算得到，

(2)

對于新樣本z，它與球心的距離可表示為

(3)

1.2 變模態(tài)分解方法簡介

變模態(tài)分解(variational mode decomposition, VMD)是一種自適應(yīng)與準正交信號分解方法，可將信號非遞歸地分解為不同尺度下的限帶內(nèi)享模態(tài)函數(shù)(band-limited intrinsic mode function,BIMF)分量之和，對于非平穩(wěn)、非線性信號具有很強的處理能力。同其他信號自適應(yīng)分解方法如EMD、LMD方法相比，在含噪脈沖信號分解、故障特征頻率提取、克服模態(tài)混疊方面有很大的優(yōu)越性。

通過VMD分解，可將自動機原始振動信號分解為不同尺度下的BIMF分量，通過計算各分量的樣本熵值可得到不同故障狀態(tài)下的自動機特征向量，可進一步為自動機故障狀態(tài)監(jiān)測提供良好的數(shù)據(jù)支撐。

2 自動機振動測試平臺簡介

通過實彈射擊的方式進行故障診斷試驗是行之有效的方法，但這種方法故障設(shè)置較為困難，危險性大，同時受試驗場地和研究成本的限制，因此目前對自動機故障診斷技術(shù)的研究還不能完全通過實彈射擊的方式進行。為了試驗需要，根據(jù)自動機運行特點，搭建了自動機振動測試平臺，該平臺可模擬自動機實彈射擊過程中的部分運行工況，利用平臺上的振動加速度傳感器獲取不同故障形式下的信號，并通過對振動信號進行分析實現(xiàn)自動機典型故障的狀態(tài)監(jiān)測。

本文的自動機振動測試平臺由導(dǎo)氣式自動機、承載系統(tǒng)、連接裝置、氣動系統(tǒng)、模擬射擊控制系統(tǒng)、數(shù)據(jù)測試與采集系統(tǒng)6部分組成。平臺各部分組成結(jié)構(gòu)示意圖如圖1所示。利用自動機振動測試平臺進行信號采集如圖2所示，過程中所使用的數(shù)據(jù)采集卡為NI公司的NI9234。振動傳感器選用三向壓電式加速度傳感器CA-YD-193A01，該型傳感器具有較高的測試精度和可靠性，技術(shù)指標完全滿足自動機的工況環(huán)境。傳感器布置于自動機支撐塊附近的炮箱表面上，該區(qū)域表面較為平坦，且與激振源的距離很近，可以測得反映自動機不同故障狀態(tài)下的振動情況。

3 基于SVDD的自動機狀態(tài)監(jiān)測模型

3.1 自動機狀態(tài)監(jiān)測模型建立流程

SVDD故障狀態(tài)監(jiān)測模型主要由訓(xùn)練過程和狀態(tài)監(jiān)測過程兩部分組成，模型構(gòu)成如圖3所示。

該故障狀態(tài)監(jiān)測模型構(gòu)建的具體步驟為：

1)以正常狀態(tài)下的樣本為訓(xùn)練樣本，通過一定的特征提取方法提取反映樣本狀態(tài)信息的特征指標Vnormal；

2)利用正常樣本的特征指標作為訓(xùn)練樣本構(gòu)建SVDD分類器，在這個過程中需要根據(jù)樣本特征選取合適的懲罰參數(shù)C與核函數(shù)參數(shù)σ，并最終得到包含正常樣本超球面O，超球體半徑為R；

3)計算測試樣本特征指標Vtest，輸入到構(gòu)建好的SVDD分類器中求得Vtest與超球體球心之間的廣義距離d，d可由式(3)求出，這里定義狀態(tài)指標CI(condition indicator),CI可由式(4)求出，以CI值作為故障程度判定的依據(jù)，當(dāng)d≤R時，則樣本為正常樣本；當(dāng)d>R時，樣本屬于故障樣本，故障樣本d的取值越大則CI值越大，此時故障程度越深。

(4)

3.2 自動機故障特征提取流程

自動機信號的特征提取方法是依據(jù)圖4所述特征提取流程，得到反映自動機狀態(tài)信息的樣本熵特征值。以自動機正常運行狀態(tài)下的30組振動信號作為樣本，按照故障特征提取流程得到SVDD狀態(tài)檢測模型所需的特征向量。

3.3 SVDD模型參數(shù)選取

在構(gòu)建自動機SVDD狀態(tài)監(jiān)測模型過程中，需要選取合適的懲罰參數(shù)C與核函數(shù)參數(shù)σ。在對SVDD的模型特點進行研究的過程中發(fā)現(xiàn)，要使模型對故障狀態(tài)更加敏感，對性能退化過程的反映更加準確，就需要使得所得到的超球體盡可能緊支，即所得超球體中所包含的訓(xùn)練樣本盡可能多且超球體半徑盡可能小，這樣所得到的SVDD模型將更加精確。

根據(jù)文獻[13]的研究成果，懲罰參數(shù)C與核函數(shù)參數(shù)σ的一般取值范圍為0

由圖5可知，超球體內(nèi)樣本數(shù)K與懲罰參數(shù)C及核函數(shù)參數(shù)σ有較大關(guān)系；K隨著σ的增大而增大并逐漸趨于穩(wěn)定，但當(dāng)σ增加到一定程度時K有減小的趨勢；當(dāng)C的取值較小時(C=0.1,0.3)，K的取值整體較小，當(dāng)C的值增大時(C=0.5,0.7,1.0)，K值變化規(guī)律趨于穩(wěn)定。超球體半徑R隨著σ的增大而逐漸減小，且與C的取值關(guān)系不大。根據(jù)上述所提模型選取原則，經(jīng)綜合考慮，自動機狀態(tài)監(jiān)測SVDD模型的參數(shù)選擇定為C=0.5，σ=44，此時，超球體所含訓(xùn)練樣本數(shù)量最多且超球體半徑較小，這種情況下得到的超球體對正常狀態(tài)樣本的包圍更加緊密，對異常狀態(tài)樣本也更加敏感，也更為容易地監(jiān)測到自動機異常狀態(tài)的發(fā)生。

4 SVDD模型在自動機檢測中的應(yīng)用

4.1 自動機異常狀態(tài)檢測

在自動機實際工作過程中，受高溫、高壓、強燒蝕、高射速等工況條件的影響，自動機閉鎖塊易發(fā)生磨損、點蝕故障；輸彈機構(gòu)中的輸彈簧易發(fā)生疲勞故障；由于相關(guān)試驗條件的限制，通過預(yù)制故障模擬以上3種故障形式：

1)F1：在閉鎖塊工作面設(shè)置深度為0.2 mm的磨損面，磨損面寬度為2 mm；

2)F2：在閉鎖塊工作面中心位設(shè)置兩個深度為1 mm，直徑為5 mm的點蝕坑，呈對稱分布；

3)F3：選取一根實際工作中疲勞失效的輸彈簧模擬彈簧疲勞失效故障。

具體故障設(shè)置如圖6所示。

為了驗證所建立的SVDD模型在自動機異常狀態(tài)檢測中的有效性，針對確定的關(guān)重件的典型故障類型，利用故障模擬試驗的樣本數(shù)據(jù)進行SVDD模型的驗證，所采用的樣本數(shù)據(jù)如表1所示。

表1 自動機狀態(tài)測試數(shù)據(jù)集描述

圖7為利用自動機測試平臺測得的4種狀態(tài)下的自動機振動信號。

按照特征提取流程，對振動信號進行5層VMD分解，得到BIMF分量，計算各分量的樣本熵值作為自動機的故障特征。之后將4種狀態(tài)下共170組混合特征集輸入SVDD狀態(tài)監(jiān)測模型，得到的監(jiān)測結(jié)果如圖8所示。

從圖8中的自動機故障數(shù)據(jù)集的CI值可知，自動機混合測試數(shù)據(jù)集中的正常狀態(tài)和異常狀態(tài)被明顯區(qū)分開來，同時對數(shù)據(jù)集的分布情況進行分析，結(jié)果如表2所示。其中測試結(jié)果的虛報樣本數(shù)為1，虛報率為0.5%，漏報樣本數(shù)為7，漏報率為4%，試驗中的總體故障檢測準確率達到了較高水平。通過以上分析可知，筆者所提出的SVDD模型能夠很好地區(qū)分自動機正常狀態(tài)與異常狀態(tài)，具有良好的異常狀態(tài)檢測效果。

表2 自動機多故障測試數(shù)據(jù)集計算結(jié)果

4.2 故障性能退化監(jiān)測

自動機關(guān)重件在產(chǎn)生故障過程中需要經(jīng)歷一系列性能退化過程，故障程度從輕微逐漸加重，所建立的狀態(tài)監(jiān)測模型需要對這些故障程度的變化具有一定的量化反應(yīng)能力，這樣可以盡早發(fā)現(xiàn)自動機的輕微故障，開展相應(yīng)的維修策略，以防止故障的進一步加深，這在工程應(yīng)用中對自動機進行狀態(tài)監(jiān)測具有很大的意義。

在自動機實際運行過程中，幾乎沒有故障退化的數(shù)據(jù)樣本，為了驗證所提模型對自動機故障的性能退化的監(jiān)測效果，筆者在自動機振動測試平臺上通過預(yù)制故障的方式模擬關(guān)重件的故障退化過程。在自動機實彈射擊過程中，輸彈簧疲勞是較為常見的故障形式，因此，以輸彈簧疲勞故障為研究對象，對于研究自動機關(guān)重件性能退化過程具有良好的代表性。

在模擬輸彈簧疲勞故障退化試驗中，使用一根全新的輸彈簧為試驗對象。當(dāng)輸彈簧被截取一部分時，彈力值會發(fā)生相應(yīng)變化，用截取彈簧的方式模擬彈簧疲勞，通過設(shè)置不同截取長度來模擬不同程度的疲勞。

試驗中，分別對此彈簧截取不同長度，代表不同疲勞程度下的輸彈簧；截取長度分別為0、2.8、4.9、6.5、8.4 cm，分別用于模擬正常、輕微、中度、重度及嚴重等5種不同故障階段的輸彈簧，這幾種狀態(tài)下的輸彈簧的具體情況如表3所示。

表3 不同狀態(tài)下輸彈簧的性能情況描述

5種狀態(tài)下的輸彈簧依次裝入自動機進行模擬射擊試驗，根據(jù)圖4所示提取每種狀態(tài)下樣本的故障特征向量，將這5種不同狀態(tài)下共250組特征向量集組成測試樣本輸入已經(jīng)訓(xùn)練好的SVDD狀態(tài)監(jiān)測模型，得到圖9所示的監(jiān)測結(jié)果。

由圖9可知，所提出的自動機SVDD狀態(tài)監(jiān)測模型可以將正常狀態(tài)與多種不同程度的疲勞故障狀態(tài)完全區(qū)分開來，其中，虛報樣本數(shù)為3，虛報率為6%；漏報樣本數(shù)為0，漏報率為0；與此同時，監(jiān)測模型較為清晰的揭示了隨著輸彈簧疲勞故障程度的增大，CI值逐漸增大這一故障退化現(xiàn)象。這說明筆者所提出的監(jiān)測模型對于故障的發(fā)生具有很強的敏感性，具有良好的早期故障檢測能力，可以較早地檢測到微弱故障的發(fā)生，并可以在一定程度上描述自動機關(guān)重件的性能退化規(guī)律，對于開展相應(yīng)的維修策略具有重要的實際意義。

5 結(jié)論

筆者提出了一種基于SVDD的自動機狀態(tài)監(jiān)測模型，該模型在自動機關(guān)重件異常狀態(tài)檢測和故障性能退化狀態(tài)監(jiān)測中具有良好的效果。主要結(jié)論如下：

1)建立了一種基于SVDD的自動機狀態(tài)監(jiān)測模型，僅利用正常狀態(tài)下的自動機運行數(shù)據(jù)，并根據(jù)所提參數(shù)選取原則完成了監(jiān)測模型的構(gòu)建。

2)設(shè)置多種預(yù)制零件故障，將自動機SVDD狀態(tài)監(jiān)測模型應(yīng)用于異常狀態(tài)檢測，試驗結(jié)果具有較高的檢測正確率，驗證了該模型在異常狀態(tài)檢測中有良好的表現(xiàn)。

3)將SVDD模型應(yīng)用于輸彈簧疲勞故障的性能退化程度監(jiān)測試驗中，試驗結(jié)果說明了所建立的模型具有良好的早期故障檢測能力，同時可較好地反映自動機零件的性能退化規(guī)律，從而驗證了所建立的SVDD模型在自動機故障性能退化監(jiān)測中具有良好的效果。