自动机机箱振动分析与诊断研究

潘铭志，潘宏侠，赵润鹏，任海锋

(中北大学 机械工程与自动化学院，山西 太原 030051)

自动机由于制造装配误差和不适当的工作条件(如载荷过大、润滑不良)，使其易于发生故障。小口径火炮自动机维修保障手段相对落后，传统方法采用听、摸、看和经常的大拆大卸、开箱解体方式检查，维修成本高、周期长，受主观因素的干扰易造成误诊漏诊，远远不能适应现实装备研制和维修需要。

本文探讨了自动机故障的主要原因、产生振动的机理及其频率特征；通过自动机机箱的振动响应机理分析研究，根据时域信号峰值和时刻，频域能量的变化和分布，以及自动机动作循环图这些特征值，结合专家规则进行状态分离和故障预测。并根据小波包分解的各频段能量特征值结合自动机各构件固有特性，通过建立的神经网络模型进行网络训练仿真计算，进行故障定位和诊断。

1 振动机理及故障形式

小口径火炮自动机结构在炮弹击发和供输弹过程中产生强烈的冲击、振动和噪声，自动机机箱可看成是以机箱本体和各机构构件为质量的振动系统。自动机击发动作产生的火药气体，推动机框等后面的一系列构件高速运动，完成自动供输弹过程和连续射击，这是自动机主要的激振源[1]。由于射击击发时机箱转动轴和转膛滑板等构件周期性运动[2]，支撑刚度反复变化、结构作用扭矩也连续变化，它们都引起激振力作用，都将会产生一定频率和方向的机械振动[3]。构件在机箱内3个方向的运动和冲击会导致机箱径向和轴向的振动[4]，进而形成整个自动机机箱的弯扭振动。自动机的运行状态发生卡滞和构件出现裂纹等不正常状态，将直接反映在机构传递特性上，如转动轴的松动、偏心、局部疲劳裂纹或断裂等将会影响到响应特性的较低频成份，转膛滑板发生过度磨损、胶合点蚀等损伤时，响应特性的较高频率成份加大，所有这些都使动载荷加大，冲击振动也相应加剧。

2 振动信号处理

下面为某试验场实地测试的自动机动作振动数据，结合最新的信号处理方法，对数据进行了时域频域分析，传感器安装位置及x、y、z3个方向说明如图1所示，图中两个同心圆表示身管。

2.1 时域波形分析

早期的信号特征分析是时域波形分析和幅值域及周期参数诊断分析，目的是迅速判断自动机是否处于正常工作状态[5]。对应于不同的故障，其振动波形表现出不同的形态。图2为自动机3个方向时频动作曲线，并根据每一段的数据计算出了其峰值，可以考虑将峰值作为时域幅值分析的一个主要特征，因为y向和自动机身管同向，振动幅度及能量值最大，所以对y向进行重点分析，从图2中能清楚地看到自动机动作的4个峰，3.3 s时击发，3.35 s时复位，3.38 s 时后坐，3.42 s时复位，及其各个动作过程的振动幅值，将这3个过程作为自动机动作的3个周期，分别分析各周期的时间长度及各周期的峰值时间，可以将其作为自动机运行状态分析的另一个重要特征。自动机动作三向振动曲线如图2所示。

自动机y向(身管轴线方向)动作分析各段放大图如图3所示。

基于上图自动机机箱振动响应，提取其周期特征如表1所示。

表1 自动机动作3个特征周期

以上3个时间段为自动机正常工作时3个特征周期的时间值。可以根据这3个值作为参考，判断自动机是否出现卡滞或磨损胶合等故障,起始时间基准是数据采集触发时刻。自动机4个动作过程振动响应的幅值特征如表2所示。

表2 自动机4个动作振动幅值

结合上面的几种处理方法，得出自动机动作时频幅值及周期分析的10个主要特征。根据多次不同状态的测量，得出可供比较的专家规则，如表3所示。

表3 高速自动机动作特征值及专家规则诊断

观察上面自动机动作过程特征值表，针对各故障的特征值改变，可以有效地对自动机进行状态分离及故障预测。

2.2 频域分析

用最新的处理方法对高速自动机动作过程振动信号进行频域分析，从图3可以看出信号夹杂着众多噪声信号，而且信号中有许多混叠成分，运用小波分析中核心的mallat算法对信号进行处理，它在去噪及抗混叠中起了重要作用[6]，机箱前y向三层小波分解重构图如图4所示。

分析上图可以发现小波分析在信号去噪抗混叠处理中有显著效果，对上面的重构信号进行功率谱分析，自动机机箱前y向功率谱密度曲线如图5所示。

对信号进行功率谱分析可以粗略地观察动作过程哪些频段能量值比较集中，这里需要对各个频段进行更精细的划分，小波包分析能够将信号频段进行更精细的层次划分，并能根据被分析信号特征，自适应地选择相应频带，使之与信号频谱相匹配，从而提高了分辨率，本例对信号进行四层小波包分解，分16个频段，利用小波包的分解和重构算法[7]，分别分析各频段的能量谱及各段能量所占的比例，自动机机箱前y向振动信号能量谱图如图6所示。

从上面小波包分解的能量谱图中可以看出，3～11频段能量值突出，与前面的功率谱图进行比较验证，取y向3～11特征频段作为神经网络的输入[8]。

3 针对小波包分解的神经网络智能诊断

建立的神经网络模型采用3层BP神经网络，运用比例梯度共轭动量算法来训练BP网络。输入和输出层神经元分别为9和5，经笔者多次网络训练，发现选择隐层神经元为6的网络能取得较好的分类效果和收敛速度。输入和输出神经元的传递函数都选为线性传递函数purelin，隐层神经元的传递函数选为双曲正切S型传递函数tansig，目标误差为1.0×10-3。神经网络采用改进的BP神经网络，学习函数为梯度下降动量学习函数learngdm，动量因子为0.9。

针对自动机的5种情况，每种情况给出15个学习样本，输出为1，1，1，1，1分别对应正常、转膛滑板磨损、推弹滑座磨损、连接筒松动、主动滑板面断裂五种情况，训练完成以后，可以针对网络模型进行检验[9]。笔者用该网络对大量的检验样本进行了诊断。取故障识别门限为0.2，即实际输出和目标输出差值的绝对值大于2，则不能判定结果，神经网络的训练样本输入及目标输出如表4所示。

将自动机转膛滑板磨损胶合工况数据提取其对应特征频段作为检验样本神经网络输入如表5所示。

表4 神经网络训练样本数据输入及目标输出

表5 神经网络检验(转膛滑板)样本数据输入

针对上述检验样本的神经网络诊断输出结果如表6所示。

表6 神经网络诊断输出

4 结束语

通过分析可知：该网络模型能有效地对自动机动作状态进行分类识别，并进行故障定位，笔者采用了大量测试样本数据对该网络模型进行检验，并进行诊断计算，故障诊断准确率达到90%，所以这种利用比例梯度共轭动量算法训练的三层BP神经网络的对自动机进行故障诊断方便、可行。而且诊断结果可以和前面时频专家规则诊断结果进行比较验证。只要有足够的样本数据，便可对自动机的状态进行全面的分析，并进行准确的故障定位。

参考文献(References)

[1] 王茂林,张国平.GA35自动机机构设计创新思想分析[J].火炮发射与控制学报,2005(3):28-31.

WANG Mao-lin,ZHANG Guo-ping.Analysis of innovatory thought for structure design of GA35 automatic gun [J].Journal of Gun Launch & Control,2005(3):28-31.(in Chinese)

[2] 闫彬,姚忠,王瑞.某火炮自动机转膛机构运动特性分析[J].火炮发射与控制学报,2010(2):66-69.

YAN Bin, YAO Zhong, WANG Rui. Movement characteristics analysis of rotary chamber mechanism of a gun automatic mechanism[J]. Journal of Gun Launch & Control,2010(2):66-69. (in Chinese)

[3] 戴劲松,王文中.外能源自动炮动态仿真[J].南京理工大学学报,2001(3):234-237.

DAI Jin-song, WANG Wen-zhong. Dynamic simulation of exterior power auto-cannon[J]. Journal of Nanjing University of Science and Technology,2001(3):234-237. (in Chinese)

[4] 刘科祥，李雪松，张国平,等.自动机模拟试验台控制和测试系统[J].火炮发射与控制学报,2005(2):55-58．

LIU Ke-xiang. LI Xue-song, ZHANG Guo-ping, et al. Measurement and control system for automatic gun simulation experimental system [J]. Journal of Gun Launch & Control ,2005(2):55-58. (in Chinese)

[5] 时建峰,程珩,许征程,等.小波包与改进BP神经网络相结合的齿轮箱故障识别[J].振动、测试与诊断,2009(3):320-323.

SHI Jian-feng,CHENG Heng,XU Zheng-cheng,et al.Wavelet packet and improve the combination of BP neural network gear box failure recognition[J]. Journal of Vibration Measurement&Diagnosis,2009(3):320-323.(in Chinese)

[6] 李凌均,段晨东.基于支持向量机和小波包变换的结构损伤诊断方法[J].振动与冲击, 2008,27(增刊):271-274.

LI Ling-jun, DUAN Chen-dong. The structure damage diagnosis method based on SVM and wavelet packet transform[J].Journal of Vibration &Shock,2008, 27(s):271-274. (in Chinese)

[7] 陈雪峰,李兵.基于第二代小波的火炮机构间隙特征提取方法研究[J]. 振动与冲击, 2008,27(增刊):124-125.

CHEN Xue-feng, LI Bing. Clearances identification of guns mechanism based on the second wavelet[J]. Journal of Vibration &Shock,2008,27 (s):124-125. (in Chinese)

[8] 张敬芬,孟光,赵德有.基于模糊神经网络的薄板不同指标裂纹诊断[J].机械工程学报,2006(3):145-149.

ZHANG Jing-fen, MENG Guang, ZHAO De-you. Different indexes cracks diagnosis to thin plate based on fuzzy neural networks[J].Chinese Journal of Mechanical Engineering,2006(3):145-149. (in Chinese)

[9] 李睿,于德介.一种基于奇异谱熵和脉冲响应的结构损伤诊断方法[J].振动工程学报，2006(3):331-335.

LI Rui,YU De-jie.Damage diagnosis of structures based on singular spectrum entropy and impulse response[J].Journal of Vibration Engineering,2006(3):331-335.(in Chinese)