基于多装备的故障检测网络平台设计.pdf

第2 5卷 第2期 2 0 2 3年4月滁 州 学 院 学 报J OURNA LO FC HU Z HOUUN I V E R S I T YV o l.2 5N o.2 A p r.2 0 2 3 基于多装备的故障检测网络平台设计陈 飞摘 要:传统装备故障检测方式单一,检测速度慢,具有一定局限性。并且,目前大量在用的相同型号装备,对于装备故障诊断、预测和决策具有重要价值的使用和维修历史数据大都没有被充分利用。本文设计了一种基于网络平台的多装备故障检测系统,其中包括管理用户与装备信息的网络平台的设计、小波分析与神经网络两种故障诊断模块的设计以及嵌入式数据采集模块的设计。通过这套系统能够将装备实时信息与网络平台相连接,将装备信息、同类型装备实时样本数据与历史大数据信息进行对比,在数据样本足够时,本系统可以综合判断出当前多个装备的状态并实现故障诊断等功能。关键词:故障诊断;网络平台;多装备中图分类号:T P 3 1 1 文献标识码:A 文章编号:1 6 7 3-1 7 9 4(2 0 2 3)0 2-0 0 0 7-0 6作者简介:陈飞,滁州学院机械与工程学院教师,硕士,研究方向:控制理论与控制工程(安徽 滁州2 3 9 0 0 0)。收稿日期:2 0 2 3-0 3-2 1 我国装备类型众多,数量巨大,装备故障时有发生,有时甚至会影响到人的生命安全。装备的计划维修、预防维修和状态维修等方式存在过度维修和欠维修的状况,部分装备达到一定质保年限后即使没坏也会被报废,致使装备维修、保养以及更新的成本昂贵,次生灾害和装备故障时有发生。目前国内外大部分装备的检修方式都是通过专业仪器检测与人工检测相结合的方式,检修人员需要大量工作经验与技术,因此对检修人员要求较高,而且大量的多类型装备也让检修人员需求大大增加,维护成本进一步提高。基于上述现实状况,建立一个基于网络平台的故障检测系统,具有重要的意义。1 网络平台的设计该网络平台设计主要用于管理用户与装备相关信息,连接网络数据管理平台并获取所需装备历史大数据,结合使用装备实时监测数据进行故障诊断、预测和决策,最终将获得结果信息反馈给用户,网络平台的登录界面和信息录入界面如图1所示。在登录界面,用户可以进行注册和登录;在单位信息管理界面,提供录入单位编号和名称等信息的功能,方便不同装备的管理;在装备类型管理界面,用户可以录入装备型号、名称等信息,方便同类型装备管理;从分系统信息管理界面可以录入装备的各个分系统模块;由装备信息管理界面可以查看和管理装备信息;从上传样本界面可以录入对应型号装备样本信息1。图1 网络平台模块2 数据采集模块硬件本模块主要针对网络平台的前端数据采集所设计。使用的硬件包括终端信号采集板、信号处理板和4 G通讯模块,三个硬件相互配合分别完成特定装备测量信号的采集、处理与传输功能。终端信号采集板可以根据所测量的电子装备内信号的不同而选取不同的型号,主要作用是采集单个电子装备内部测量点信号,保证数据采集符合传输要求,同时不会对电子装备的内部有干扰。信号处理板的作用对终端信号采集板所采集到的信号进行处理,并将处理后的数据通过4 G通讯模块发送到服务器。4 G通讯模块的4 8 5通讯接口能够与信号处理板对接,可支持透传、多种通讯协议以及多个通讯运营商不同的通讯制式。设计的实物模块如图2所示。图2 嵌入式前端数据采集模块3 故障诊断模块系统故障诊断指通过分析当前系统的运行状态,然后根据分析的结果做出判断,诊断出故障的种类、部位和原因等,为排除故障和保证系统正常运行提供相应依据2。3.1 小波分析模块设计在装备使用初期,没有大量同类型装备的数据时,使用小波分析方法进行故障诊断。这种方法的优点在于可以避开被诊断对象的数学模型,针对那些难以 建模的对象 来说,这是十 分有用处的。本模块使用了基于5层小波分解的小波分析特征值容差阈值算法。首先对选择的测点信号进行时间(空间)和频率的局部化分析,然后使用伸缩、平移的运算方法,对信号(函数)逐步完成多尺度的细化,达成在高频段进行时间细分和在低频段进行频率细分的目的,最终使系统能够自动适应时频信号分析的要求,并能够对信号的任何一个细节进行聚焦3。然后对比从每一个细节所提取的正常信号与故障信号的多种频率,计算出每一层小波分解的HU距,并在界面上显示出高频分量的特征值。最后对比通过小波分析获得的被测信号和样本信号的特征值容差阈值,来判断被测设备是否出现故障,系统设计流程如图3所示。图3 小波分析故障诊断模块设计流程图3.1.1 小波分析特征值容差阈值算法在装备使用初期,没有大量同类型装备的数据时,使用小波分析方法进行故障诊断。本文使用小波分析特征值容差阈值算法,对从被测信号与样本信号获得的小波分析特征值容差阈值和敏感特征值容差阈值进行对比,从而判断被测设备有无故障。主要使用了蒙特卡洛模拟分析方法来获取小波分析特征容差阈值,具体使用特征容差阈值算法进行故障诊断的步骤如下:1.以样本信号数据为基准,将给定信号的容差阈值作为各数据点容差的均值期望。再使用在计算机上生成伪随机数的方法,由计算机根据均匀分布或正态分布逐点生成随机仿真数据,并随机仿真模拟出若干组被测信号数据。然后根据所测数据的不同,计算每一个数据点的容差平均值的平均期望值。最后通过计算用户可接受的风险等级来确定蒙特卡洛模拟组数。由此获得的容差平均期望值即为给定的信号容差阈值。8滁州学院学报 2 0 2 3年第2期2.对获取的各组随机仿真模拟信号数据进行小波分析,获得 各组仿真模 拟信号特征 参数的数值。3.将各组进行小波分析得到的随机仿真模拟信号数据的同一特征参数的数值相加,然后整体除以仿真模拟信号的组数获取该特征参数的平均值。以同样方法求出全部特征参数的平均值,特征参数均值的算法公式如(1)所示。j=(mi=1j,i)/m,j=1r(1)式(1)中,j是进行小波分析的随机仿真模拟信号的第j个特征参数的均值。r是特征参数的个数。m是随机仿真模拟信号数据的组数。j,i是第i组随机仿真模拟信号数据的第j个特征参数的值。4.将获得的所有特征参数的平均值和样本信号同一个特征参数的值相减,取其绝对值并求和,得到特征值容差阈值。特征值容差阈值的算法见式(2)所示。=rj=1j-j(2)式(2)中,是小波分析的特征值容差阈值。j是样本信号的第j个特征参数值。5.对被测信号进行实测,将小波分析获得的各特征值分别与样本信号获得的特征值相减,然后取其绝对值 并求和,从而 求出实际特 征值容差x y。若x y,就判定被测信号是故障信号,反之信号正常。实际特征值容差x y的计算公式见(3)所示。x y=rj=1j-j(3)式(3)中,x y是实际特征值的容差,j是对被测信号进行实测获得的第j个特征参数的值4。3.1.2 小波分析模块概述该模块使用了基于MAT L A B的小波分解算法,用其来判断电路是否故障。使用者自行设定信号容差阈值后,系统会自动计算产生特征值容差阈值及敏感特征值容差阈值。然后使用MAT-L A B软件对电路测试点的正常波形与可能故障的波形进行多层小波分析。再根据用户设定的容差范围提取特征值,并根据所得特征值判断电路有无故障。设计思路是先通过MAT L A B软件读取采集到的通过P S P I C E仿真获得的模拟信号,并将其存储为.OUT格式文件。因其中包含多个测点,所以先进行分割再进行图形显示。以同样方法处理故障信号,并对比正常波形。然后将此信号进行小波分解,完成其高频分析。再图形显示其小波分解后的高频分量,并对比故障波形的高频部分。并对信号的某些特征量进行计算与对比,最终判别设备是否故障。3.1.3 小波分析模块数据分析点击装备故障数据检测模块中小波分析模块,打开小波分析模块测试界面。通过大量实验发现,如正弦信号、锯齿波信号、三角波信号、不规则信号等,当信号发生单点变化或整体变化时,都可以通过小波分析模块有效检测出故障信息,小波分析模块的界面如图4所示。图4 小波分析模块界面使用小波分析模块分别对正弦周期信号、方波信号、锯齿波信号、非周期信号数据进行信号测试,部分测试数据结果如表2所示,其小波分析模块界面的正常电路特征值及测试特征值的数据内容说明如表1所示。本项目选用D B 5小波对第3、4、5层细节系数及第5层逼近系数进行提取。其中,C A i和C D i分别代表对应层信号的逼近系数和 细 节 系 数,每 组 样 本 由7组 特 征 值 数 据表征5。通过大量实验对比分析发现,小波分析模块可以很好地判断出正弦信号、方波信号、锯齿波信号、非周期信号等是否发生故障。除了通过容差和特征值容差阈值来判断是否发生故障外,由数据的低频系数和高频系数数据的变化情况也可以推测出故障的变化情况。无论是周期信号还是非周期信号,单值变化时,只有高频系数C D的后5行数据变化较大。而整体变化时,高频系数C D和低频系数C D的后5行数据都变化较大,并且同等条件,数值变化越大,变化值与正常数值整体偏差越大。9陈 飞:基于多装备的故障检测网络平台设计表1 小波分析模块界面数据内容说明C A iC D i对应特征值特征值1特征值2特征值3特征值4特征值5特征值6特征值7C A 5对应的特征值样本数据样本数据样本数据样本数据样本数据样本数据样本数据C A 5对应的特征值测试数据测试数据测试数据测试数据测试数据测试数据测试数据C D 5对应的特征值样本数据样本数据样本数据样本数据样本数据样本数据样本数据C D 5对应的特征值测试数据测试数据测试数据测试数据测试数据测试数据测试数据C D 4对应的特征值样本数据样本数据样本数据样本数据样本数据样本数据样本数据C D 4对应的特征值测试数据测试数据测试数据测试数据测试数据测试数据测试数据C D 3对应的特征值样本数据样本数据样本数据样本数据样本数据样本数据样本数据C D 3对应的特征值测试数据测试数据测试数据测试数据测试数据测试数据测试数据表2 部分测试信号识别结果测试信号待测装备电路正常电路特征值与测试特征值数据识别结果1 0 0 0组正弦周期信号样本f x =s i n 0.0 3 1 4x ,x0,0.3将正常信号的8 5 0行数据加1个单位组成故障信号进行检测故障1 0 0 0组正弦周期信号样本f(x)=s i n0.0 3 1 4(x),x0,0.3将正常信号整体上移1个单位组成故障信号进行检测故障1 0 0 0组方波信号样本将正常信号的第3 7 0行数据加0.5个单位组成故障信号进行检测故障1 0 0 0组方波信号样本将正常信号整体上移1个单位组成故障信号进行检测故障1 0 0 0组方波信号样本将正常信号第4 0 0行数据加0.5个单位组成故障信号进行检测故障01滁州学院学报 2 0 2 3年第2期续表2测试信号待测装备电路正常电路特征值与测试特征值数据识别结果1 0 0 0组锯齿波信号样本将正常信号整体上移1个单位组成故障信号进行检测故障1 0 0 0组非周期信号样本将正常信号2 7 6行数据加1个单位组成故障信号进行检测故障1 0 0 0组非周期信号样本将正常信号整体上移1个单位组成故障信号进行检测故障 因为在单值变化的时候,单值的跳动会对利用小波分析网络的高频系数产生较大的影响,同时也可以发现系统故障数据的变化能够被小波分析模块很好地识别出来。而整体变化时因为系统数据整体改变,因此高频系数和低频系数会同时改变。3.2 神经网络模块除了小波分析模块,本系统还做了神经网络模块。神经网络模块主要是配合小波分析模块进行使用,当样本数量足够多时可以使用神经网络算法进行故障诊断。在已有大量同类型设备数据样本的情况下,通过输入迭代次数、学习效率、学习目标、隐层神经元数量和输入层节点数等,就可以使用神经网络故障诊断模块诊断出装备故障类型。3.2.1 B P神经网络算法因为装备的故障状态具有一定的相似性,装备的故障与征兆没有明确的关系,并具有较强的模糊性,装备的故障特征也会相互交织,因此装备的故障诊断是一个复杂的问题6。本文通过综合神经网络算法的优点和装备故障的特征,使用了基于B P神经网络的多传感器信息融合技术,对装备的故障类型进行故障诊断7。如图5所示,本文使用了3层B P神经网络模型,分别为输入层、隐层和输出层。图5 典型三层B P神经网络模型前馈神经网络的意义在于每一层节点的输入都只来源于前面一层输出,输入信号先向隐层节点传播,然后通过激活函数激活后将隐层节点的输出信息向输出节点传播,最终获得输出结果8。每层节点关系如下:1.输入层节点记为i(i=1,2,n),其输出Oi等于输入Xi,并把变量值传给隐层。2.隐层节点记为j(j=1,2,P),其输入Ij和输出Oj分别为:Ij=ni=1j iOi+j(4)Oj=f(Ij)=1/1+e x p(-Ij)(5)j i是输入层节点i和隐层节点j之间的连接权值。j是隐层节点j的偏置。f是激活函数,在本文中选用了s i g m o i d函数:f(x)=1/1+e x p(-x)(6)3.输出层节点记为k(k=1,2,m),其输入Ik和输出yk分别为:11陈 飞:基于多装备的故障检测网络平台设计Ik=pj=1k jOi+k(7)yk=f(Ik)=1/1+e x p(-Ik)(8)k j是隐层节点j和输出层节点k之间的连接权值。k是输出层节点k的偏置。当训练样本为(xp1,xp2,xp n),则其网络输出和训练目标之间的均方误差为:E=1ppp=1EP(9)Ep=12ll=1(tp l-yp l)2(1 0)p(p=1,2,P)是样本数,tp l是第p个样本的第l个输出单元的目标输出结果,yp l是第p个样本的第l个输出单元的网络运算结果9。B P神经网络算法训练的过程包括网络内部的前向计算和误差的反向传播两个训练过程。本文通过使用B P算法不断地调整输入层与隐层之间、隐层与输出层之间的连接权值,从而实现网络输出误差最小化的目的1 0。3.2.2 神经网络模块介绍在已有大量同类型装备数据样本的情况下,使用神经网络模块时通过输入迭代次数、学习效率、学习目标、隐层神经元数目、输入层节点数等,即可进行神经网络故障诊断。通过多次实验,在设置好相应迭代次数、学习率等参数并进行足够训练后(一般训练要在1 0 0 0次以上,训练过少准确度较低),本神经网络模块能够检测出测试装备的各部件状态或者故障类型,神经网络模块如图6所示。图6 神经网络模块3 总结本文设计了一种多装备数据故障诊断系统,该系统包括网络平台和装备故障数据检测模块。网络数据平台主要功能是录入装备数据相关信息。装备故障数据检测模块主要是对装备进行故障诊断,并且当装备同类型历史数据信息较少时,可以使用小波分析模块;当装备同类型历史数据信息量较大时,可以使用神经网络模块进行故障诊断。并通过使用各类型信号进行实验,测试出小波分析模块和神经网络模块都能够成功判断装备是否故障以及故障类型,表明该系统具有一定可行性。参 考 文 献1 杨健,叶秋红,王怀俊,等.大数据技术在电力故障预测方法中的研究J.微型电脑应用,2 0 2 2,3 8(7):1 8 8-1 9 0.2 王月.航空发动机故障诊断方法J.中国科技信息,2 0 2 3(3):1 9-2 1.3 王世纪.基于M a t l a b的小波分析在基坑监测数据处理中的应用J.安徽地质,2 0 2 2(S 1):3 3-3 7.4 邹兰林,叶知秋.小波分析结合神经网络的桩基缺陷检测J.无损检测,2 0 2 2,4 4(7):5 0-5 4.5 朱洺申,慕丽,王欣威,等.基于l a b v i e w的机械设备振动信号的小波分析研究与验证J.装备制造技术,2 0 2 2(6):3 8-4 0+5 8.6 高佃波,刘红光,陆森林.基于B P神经网络和振动测量的轴承故障诊断J.长沙交通学院学报,2 0 0 6(2):6 4-6 7.7 张绪锦,谭剑波,韩江洪.基于B P神经网络的故障诊断方法J.系统工程理论与实践,2 0 0 2(6):6 1-6 6.8 陈冠宇,胡小伍,洪雪倩,等.结合K a l m a n滤波与小波神经网络的沉降形变监测J.地理空间信息,2 0 2 3,2 1(1):1 0 1-1 0 3+1 1 2.9 张新海,雷勇.B P神经网络在机械故障诊断中的应用J.噪声与振动控制,2 0 0 8(5):9 5-9 7.1 0 邱铁成.基于B P神经网络的桥式起重机主梁故障预测和评估J.港口科技,2 0 2 2(8):2 3-2 6.责任编辑:陈星宇21滁州学院学报 2 0 2 3年第2期