Large mechanical equipment fault detection model simulation optimization of mining

夏雪剛

XIA Xue-gang

（陜西鐵路工程職業(yè)技術學院 電氣與信息工程系，渭南 714000）

?

大型機械設備故障的優(yōu)化挖掘檢測模型仿真

Large mechanical equipment fault detection model simulation optimization of mining

夏雪剛

XIA Xue-gang

（陜西鐵路工程職業(yè)技術學院 電氣與信息工程系，渭南 714000）

摘 要：大型機械設備的系統(tǒng)構成復雜，容易產生故障，對故障數據進行優(yōu)化挖掘實現故障及時診斷。傳統(tǒng)方法采用故障數據自適應重寫方法實現機械設備故障挖掘，存在精度不高，診斷性能不好的問題。提出一種基于模糊推理分裂波束形成的大型機械設備故障的優(yōu)化挖掘檢測模型。分析了大型機械設備的故障發(fā)生和檢測原理，采用模糊推理算法實現對大型機械設備的故障數據的采集和特征提取，根據特征提取結果進行分裂波束形成，提高對故障數據的聚類能力，實現大型機械設備故障的優(yōu)化挖掘。仿真結果表明，采用該模型進行大型機械設備的故障數據挖掘和檢測診斷，能準確實現對故障數據的恢復跟蹤和波束形成，提高故障的檢測性能，檢測準確率較高。

關鍵詞：機械設備；故障；挖掘；檢測模型

0 引言

大型機械設備通常處于高溫高熱等惡劣的工作環(huán)境中，機械設備的組成部件構成復雜，耦合因素較多，導致大型機械設備的故障發(fā)生率較高，需要對大型機械設備進行實時的故障數據挖掘和監(jiān)測，保證大型機械設備的運行正常，機械設備等機械設備的故障診斷是由機械設備自身的固有規(guī)律決定的，因此，機械設備的故障數據也不是一個沒有規(guī)律的無常數據，通常而言，大型機械設備的故障數據監(jiān)測具有隨機性，不同時刻監(jiān)測的數據具有不可重復性，這就加重了對大型機械設備故障數據挖掘的難度，大型機械設備的故障源之間相互耦合，決定了故障數據的多重屬性，對故障數據進行優(yōu)化挖掘實現故障及時診斷，研究大型機械設備的故障數據挖掘算法和檢測模型具有重要意義[1]。

傳統(tǒng)方法中，對型機械設備的故障數的挖掘模型主要采用的是時域分析、頻域分析和統(tǒng)計分析等方法，并配合人工智能診斷方法，如人工神經網絡和專家系統(tǒng)等方法實現對大型機械設備故障數據的實時挖掘和檢測[2]。大型機械設備系統(tǒng)故障診斷技術是現代工業(yè)文明發(fā)展的產物，大型機械設備故障診斷的本質特點是通過使用一定的信號處理手段，獲取機械設備運行的相關信息，通過數據挖掘從而確定對故障部位的定位和發(fā)現，挖掘故障產生的原因、性質和部位。傳統(tǒng)方法采用故障數據自適應重寫方法實現機械設備故障挖掘，存在精度不高，診斷性能不好的問題。對此，相關文獻進行了算法改進設計[3,4]，其中，文獻[3]提出一種基于變維Kalman濾波的大型機械設備故障特征數據流抗干擾挖掘算法，提高了故障診斷性能，但算法存在特征空間維數較大，計算開銷大的問題；文獻[4]提出一種基于平均互信息關聯維提的大型機械設備故障節(jié)點定位算法，實現故障的優(yōu)化挖掘，構建大型機械設備故障特征數據的實體模型，提取大型機械設備故障特征數據差分累積函數特征，提高故障診斷能力，但是該算法的抗干擾性能不好[5～8]。

對此，為了克服傳統(tǒng)方法的弊端，針對傳統(tǒng)方法出現的問題，本文提出一種基于模糊推理分裂波束形成的大型機械設備故障的優(yōu)化挖掘檢測模型。首先分析了大型機械設備的故障發(fā)生原理，采用模糊推理算法實現對大型機械設備的故障數據的采集和特征提取，根據特征提取結果進行分裂波束形成，提高對故障數據的聚類能力，實現大型機械設備故障的優(yōu)化挖掘，仿真實驗進行了性能測試，展示了本文算法在實現大型機械設備故障挖掘和檢測中的優(yōu)越性能。

1 大型機械設備故障診斷原理和故障數據特征提取

1.1 大型機械設備故障診斷原理

為了定量分析大型機械設備的故障數據挖掘模型，首先分析設備故障發(fā)生原理，大型機械設備故障診斷主要是通過監(jiān)測設備的有關參數實現對機械設備內部特征的定量分析，對大型機械設備的運行狀態(tài)和故障原因進行實時定位和分析，故障檢測的基礎是采用信號檢測方法，要實現對被測機械設備運行狀態(tài)信息的構建和工況識別。大型機械設備故障檢測診斷的原理示意框圖如圖1所示。從框圖可以看出，大型機械設備故障檢測診斷的第一步是信號的檢測采集，其中可能涉及到降噪濾波的處理，第二步是故障信號的特征提取，這一步是發(fā)動機故障診斷技術的關鍵，能否有效提取具有區(qū)分故障類別的特征決定能否有效進行故障診斷，得到故障的原因和產生部位，以及故障發(fā)生發(fā)展的狀態(tài)趨勢[9～15]。

基于圖1給出的故障檢測原理，進行大型電力設備的故障數據挖掘，實現故障檢測和診斷。令R為大型機械設備故障特征數據中包含有四元組(Ei,Ej,d,t)的信任關系，數據分類屬性A={A1,A2…,Am}，大型機械設備故障特征數據挖掘的指向性信號的信號強度為A，MA長度為r，波數為k，那么k-1時刻的大型機械設備故障特征數據集成的信息狀態(tài)方程為：

在熱點噪聲數據的干擾下采，用自適應算法控制電力數據庫存儲系統(tǒng)中的數據故障特征，設大型機械設備故障特征數據振動信號時間序列為{x1,x2,…,xN}，對大型機械設備故障特征數據準確度概率函數密度表達式為：

需要構建電力設備的故障數據權重分配機制，進行故障分類屬性診斷，故障數據的后驗概率估計為p(x0)，得到：

該概率密度函數能有效地反應并賦值給每個分類節(jié)點不同的使用概率，得到大型機械設備故障特征數據挖掘的狀態(tài)函數表示為：

1.2 大型機械設備故障數據信號模型及特征提取

從上分析可見，故障診斷的基礎是實現對故障數據的挖掘和信號模型構建，采用信號檢測算法實現對挖掘特征的提取[16～18]。本文采用模糊推理算法進行大型機械設備的故障信號模型構建，模糊推理過程如圖2所示。

圖2　大型電力設備故障數據模糊推理步驟

假設存在p個分布式機械設備故障目標點，令Aj(L)作為聚類中心，其中j=1,2,…,k，故障數據的相干分布源模型：

大型機械設備故障信號矢量s(t)=[s1(t),s2(t),…,sq(t)] T和噪聲矢量n(t)是相互獨立，首先用傳統(tǒng)的FCM算法進行數據集的模糊劃分，觀測數據矢量z(t)的協方差矩陣，然后對數據集進行相干波束形成，得到模糊推理分裂波束形成輸出為：

其中，矩陣Us和Un的大型機械設備故障信號列矢量，分別由奇異值和σn對應的奇異矢量構成。且故障特征存在通過上述分析實現了對大型機械設備的故障數據的采集和特征提取，為實現大型機械設備故障數據優(yōu)化挖掘奠定基礎。

2 算法改進實現

基于模糊推理分裂波束形成原理，得到大型機械設備故障數據相對于左波束輸出l(t)為：

同理可以得出對于右波束的輸出r(t)：

3 仿真實驗與結果分析

為了測試本算法在實現大型機械設備故障數據挖掘和故障檢測中的性能，進行仿真實驗。計算機使用Intel i5-3230M 2.6GHz雙核CPU，4GB DDR3 RAM，仿真軟件采用Matlab 7.0，實驗中選100個大型機械設備故障樣本數據對其特征提取進行訓練，該100個大型機械設備故障樣本對應均有6個特征描述，因此該樣本集可以表示為100行×6列的波束陣列矩陣，整個大型機械設備故障樣本集包括了10個類別，樣本每類數目為122，故障數據波束接收陣為均勻線列陣，故障檢測陣元個數為10，故障診斷陣元的方位角是5度。根據上述分析，構建本文設計的基于，基于模糊推理分裂波束形成的大型機械設備故障的優(yōu)化挖掘檢測模型。首先構建故障監(jiān)測數據的信號模型，得到原始的故障監(jiān)測數據信號直方圖波形如圖3所示。

圖3　大型機械設備故障數據挖掘直方圖

根據圖3，采用模糊推理算法實現對大型機械設備的故障數據的采集和特征提取，根據特征提取結果進行分裂波束形成，提高對故障數據的聚類能力，最后得到本文設計的故障檢測模型對大型機械設備故障檢測結果如圖4所示，從圖可見，采用本文算法，能有效實現對大型機械設備的故障特征提取和數據挖掘，能準確實現對故障數據的恢復跟蹤和波束形成，提高故障的檢測性能，檢測準確率比傳統(tǒng)模型提高23.45%。

圖4　故障檢測波束形成輸出結果

4 結論

大型機械設備通常處于高溫高熱等惡劣的工作環(huán)境中，機械設備的組成部件構成復雜，耦合因素較多，導致大型機械設備的故障發(fā)生率較高，需要對大型機械設備進行實時的故障數據挖掘和監(jiān)測，保證大型機械設備的運行正常，本文提出一種基于模糊推理分裂波束形成的大型機械設備故障的優(yōu)化挖掘檢測模型。研究結果表明，采用本模型能有效實現對大型機械設備故障數據的挖掘和檢測，對故障的檢測精度提高幅度較大，故障分析的可靠性較好。

參考文獻：

[1] 尹文也,石峰,何偉基,顧國華,陳錢.時間相關單光子計數型激光雷達距離判別法[J].光子學報,2015,44(5).

[2] 雪剛,唐遠炎.幾何布局和行為檢測相結合的遮擋目標跟蹤[J].計算機工程與應用,2015,51(13):42-46.

[3] 黎恒,李智.基于高階微分的EMD均值計算方法[J].電子學報, 2015,43(6):1073-1077.

【上接第141頁】

造服務資源與需求的匹配程度。下一步研究主要集中在對用自然語言描述的需求和服務描述的解析，以及匹配算法的優(yōu)化等方面。

[1] 王云霞,邱勝海,王志亮.面向服務的制造新模式-云制造研究綜述[J].現代制造工程,2013,03:124-128.

[2] 李伯虎,張霖,王時龍.云制造—面向服務的網絡化制造新模式[J].計算機集成制造系統(tǒng),2010,16(1):l-7.

[3] 尹超,黃必清,劉飛.中小企業(yè)云制造服務平臺共性關鍵技術體系[J].計算機集成制造系統(tǒng),2011,17(3):495-502.

[4] Wu, Z., et al. , Tolerance Design and Adjustment of Complex Customized Product Based on Cloud Manufacturing[A].13th CIRP conference on Computer Aided Tolerancing.Elsevier:Amsterdam Holland[C].2015.27:169-175.

[5] Martin D,Paolucei M, Mcllraith S.Bring Semantics to Web Services with 0WL.S[J].World Wide Web,2007,10(3):243-277.

[6] Katia S,Widof S, Klusch M,et al .LARKS:Dynamic Matchmaking among Heterogeneous Software Agents in Cyberspace[J].Autonomous Agents and Multi-Agent Systems,2002,1(5):173-203.

[7] Bernstein A,Klein M.Towards high-precision service retrieval[J]. In IEEE Internet Computing, 2004,8(1):30-36.

[8] 趙巖,莫蓉.制造資源能力與制造工藝約束的匹配度研究[J].計算機集成制造系統(tǒng),2009,15(4):712-718.

[9] 尹勝,尹超,劉飛,等.網絡化協同產品開發(fā)資源集成服務機制研究[J].計算機集成制造系統(tǒng),2009,15(11):2233-2240.

[10] Wu, D., et al., Cloud manufacturing: Strategic vision and state-ofthe-art[J]. Journal of Manufacturing Systems,2013.32(4):564-579.

[11] Talhi, A., et al,Towards a Cloud Manufacturing systems modeling methodology[A].15th IFAC Symposium on Information Control Problems in Manufacturing,.Elsevier:Amsterdam Holland[C].2015.48(3):288-293.

[12] Lin D.An information-theoretic definition of similarity[A]. Proceedings of the 15th international conference on Machine Learning. Wisconsin,USA[C]: ICML,1998:296-304.

[13] 白東偉.基于語義的Web服務匹配與發(fā)現技術研究[D].北京:北京郵電大學,2007.

作者簡介：夏雪剛（1979 -），男，陜西渭南人，講師，碩士，研究方向為軟件和計算機網絡。

收稿日期：2015-12-06

中圖分類號：TP277

文獻標識碼：A

文章編號：1009-0134(2016)01-0153-03