基于自学习理论的机械故障诊断系统设计与实现

吴 星 刘春梅

（柳州职业技术学院，广西 柳州 545006）

基于自学习理论的机械故障诊断系统设计与实现

吴 星 刘春梅

（柳州职业技术学院，广西 柳州 545006）

文章设计一种基于自学习理论的机械故障检测方法，该方法通过对多组机械振动信号的采集，由 SVM 训练器进行故障的初步检测，经过多样本投票算法实现故障检测的最终结果判定。该监测方法综合应用了 SVM 分类器，以及多样本采样检测并投票的思路，提高了机械故障检测的精度。

自学习理论；故障诊断；SVM

机械设备的故障检测与诊断和技术是指在特定的工作环境下，根据机械设备在运行的中所发出的工况信号或信息来判断机械是否处于正常的工作状态。如果机械设备工作发生异常，可以根据机械发生异常情况的部位和原因尽快在最短的时间做出正确的判断，从而在最短的时间内及时处理，恢复正常生产。目前机械故障诊断方法有很多，既有基于静态的机械故障诊断方法，也有基于动态的机械故障诊断方法，其中与机械振动为检测对象的机械故障检测方法，是目前机械故障检测领域中的一种主流方法。但是基于机械振动故障检测方法对故障的诊断精度和故障识别种类，很大程度取决于对机械振动信号的分析和处理能力。目前已有的机械故障诊断方法，绝大多数都将研究的重点放在对机械振动信号的采集与分析算法上，这其中也包括大量对所采集到的机械振动信号进行不同变换，或者信号转换等处理，以提高机械振动信号的识别能力。然而目前这一系列典型的机械故障诊断方法，其所设计的故障时间和诊断算法，很大程度取决于统计或者概率分析，并没有十分明确的故障识别依据。也正因为如此，目前所提出的机械故障检测方法具有较强的局限性，即针对不同的场景、不同的检测对象，其故障检测的能力和效果往往差别很大。为了提高机械故障诊断的精度和适应面，需要研究具有自学习能力的机械故障检测方法，能够根据故障诊断过程中所采集到的数据以及特点，动态的调整机械故障诊断策略，提高故障诊断的精度。

1 系统设计思路

SVM(Support Vector Machine），中文的意思是支持向量机器。是机器学习领域一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。SVM在许多实际应用，特别是在分类问题在显示其突出的能力。SVM的基本设计理念是最大化分类边界。支持向量机的基本目的是最大化分类超平面。由于现实应用中，许多问题都不是线性可分的，因此对于一个非线性可分问题，应该将其映射为线性可分问题。首先，将输入的向量映射到高维特征空间中，通过求解二次规划问题找到最优分类超平面，因此这个算法的空间复杂度最少是O(n2)。

本文要设计的机械故障诊断系统目标是利用 SVM的基本思想，为机械设备提供一种具有自学习能力的诊断方法。利用该方法能够解决典型的机械故障检测与识别，并能够适应对多种不同种类、不同性能特点的机械设备进行故障检测和诊断。

2 系统实现

2.1系统组成

根据上面的设计思路，设计的机械故障检测方法的整体实现结构图如图 1所示，系统分别由机械故障训练模块、机械振动采样模块和机械振动分类模块等部分组成。而且在机械故障检测过程中，每一次机械故障的分类结果都将做为训练数据，送入机械故障训练模块，以修正机械故障检测的分类规则。SVM训练器初始状态，由被检测对象的大量振动信号进行训练得到，被检测机械设备的多组振动信号采样分析，在设计时使用了三组机械振动信号进行诊断和分析，SVM分类器使用最优分类面策略进行设计并实现。

图1　机械故障检测方法的整体实现结构图

2.2数据采集与分析

从图 1中可以看出，机械振动数据通过前端的传感器获取。数据是通过采集机械设备运行过程中的振动信号生成，对振动信号进行分析，设计SVM训练器运行振动信号进行分类识别，从而实现对机械故障的检测和诊断。在设计过程中，为了提高对机械故障诊断的准确性，在被检测机械设备上部署了多个不同测量点的机械振动信号采样传感器，所使用的传感器型号为Shinkawa的CV-861，此类传感器的灵敏度与精确度比较高，通过这些高性能的传感器可以获得机械运转过程中多种不同检测对象的振动信号。之后将每一组机械振动信号分别送入SVM训练器，通过大量的机械振动信号的训练和分析，形成SVM训练器的分类规则，当真正进行机械故障诊断时，通过部署在机械设备上多组机械振动测量传感器，分别采样机械运转时的振动信号，并通过SVM分类器实现对机械振动信号的检测和识别。当每一个SVM分类器检测得到了一个检测结果之后，再由投票选择器对检测得到的多组检测结果，进行分析并投票得到最终的检测结果。整个数据的SVM训练和分析如图2所示。

图2　机械故障检测结果对分类器修正原理图

2.3算法实现

为了获得精确的机械设备故障数据，满足故障分析的需求，本系统结合投票算法的优点，将算法引入特征选择过程中，初始化多个验证样本，区分特征的重要性，构建多个投票分类器，然后使用大数投票法构建多分类器投票机制进行数据信号识别，该机制很好地发挥了各个分类器的优势，提高了识别的准确率。 本文应用于机械故障检测的多样本投票算法是一种基于权重大小的投票算法。其算法的描述过程如如图3所示。

图3　机械故障检测投票算法流程图

2.4SVM训练器构建

数据分类是数据挖掘中的一个重要题目。数据分类是指在已有分类的训练数据的基础上，根据某种原理，经过训练形成一个分类器；然后使用分类器判断没有分类的数据的类别。由于支持向量机需要求解多次二次规划问题，训练时间复杂度和空间复杂度分别为O(n3)和O(n2),其中n表示训练样本的数目。因此，减少整个训练集的大小可以有效的提高训练效率。由于支持向量机的训练集中，有效的样本只有支持向量，因此在训练分类器之前，提取支持向量可以有效的提高训练分类器的时间和空间效率。在支持向量机中，分类边界是由支持向量决定的。为了保证分类效率，应该有效的保存那些最有可能成为支持向量的样本。根据SVM理论，在分类边界附近的样本，成为支持向量的可能性更高。因此，接近决策边界的样本更有可能在检测点附近的边缘。根据上述原理，本文构建一种基于最优分类面的SVM分类器，具体如图4所示。

图4　基于最优分类面的SVM分类器构造原理图

3 系统工作流程

本文提出基于自学习的机械故障检测和诊断方法，相对于传统的机械故障检测方法，性能上得到了很大的改善。机械故障诊断方法在每一次得到的检测结果，都将做为SVM训练器的输入数据，实现机械故障诊断的分类规则调整，使得机械故障诊断方法具备自学习能力，能够利用历史的检测数据修正故障检测方法。与此同时，机械故障检测方法以多组振动信号做为检测的数据源，能够覆盖被检测的机械对象多种振动信号，并综合进行采样和分析处理，确保了检测结果的准确性。

为了便于对基于自学习的机械故障检测系统的深入了解，下面将基于自学习的机械故障详细的检测过程结合实际应用，对系统具体实施过程和实施方案进行详细的陈述。

首先，在本文设计的系统进行机械故障检测方法之前，首先在被检测机械设备上安装多个机械振动传感器，采集多种不同类型的机械振动信号；让被检测机械设备开始运转，分别采集机械设备正常运转，以及在不同故障类型条件下运转的振动信号，获取被检测机械设备的振动原始数据。

其次，应用SVM训练器训练其对所采样得到的机械振动信号进行训练，生成机械故障检测的SVM分类规则。当需要真的对被检测的机械故障检测时，再通过振动传感器采集机械振动信号，并由SVM分类器进行故障初步检测。

最后，应用多样本投票算法对多个SVM分类器检测得到多组初步的故障检测结果进行分析，对初步检测的结果进行投票分析，得到最终的故障检测结果。将机械故障检测结果作为SVM训练器的输入数据，对SVM训练器进行训练，调整SVM训练器的训练规则。

4 总结

本设计的机械故障检测方法，其特点是具有自学习能力，能够根据机械故障诊断的历史数据自动的调整机械故障诊断方法，以提高故障的检测精度。该检测方法综合应用了基于机械振动的故障检测原理，并设计专门的SVM训练器，提高机械故障诊断的精度，同时在进行机械故障诊断时，通过设计多种机械振动采样对象，分别进行机械故障诊断，并最终将多个不同振动样本诊断的结果，使用专门投票算法判定被检测的机械设备是否存在故障。

本方法应用机械振动的故障检测原理，具有较强的通用性和实用性，和专门设计的SVM训练器以及故障诊断的投票算法，能够提高故障检测精度。并通用SVM训练器动态的调整机械故障诊断方法，使得在机械故障诊断过程中具备对历史数据的学习能力。

[1] 王利群.论机械设备的状态故障与检测方法[J].中国教育技术装备,2012,(35):113-114.

[2] 刘春梅.一种机械故障诊断方法:中国,CN103743585A[P]. 2014-04-23.

[3] 刘春梅.一种机械手精确控制系统及其方法:中国, CN103743477A[P].2014-04-23.

[4] 陈超,罗俊.关联维数在航空发动机转子振动监控中的应用研究[J].航空维修与工程,2006,(6):42-44.

[5] 刘希亮,陈小虎,王汉功.基于分形盒维数的齿轮泵故障诊断[J].机床与液压,2009,37(7):255-257.

Design and implementation based on self-learning theory of mechanical fault diagnosis system

Article design a mechanical fault detection method based on self-learning theory, the method of multiple sets of mechanical vibration signal acquisition, initial fault detection performed by the SVM trainers, through various voting algorithm to achieve the end result of this failure detection determination. The integrated application monitoring method SVM classifier, and detecting and voting varied ideas this sampling, improve the accuracy of a mechanical fault detection.

Since learning theory; fault diagnosis; SVM

TP206

A

1008-1151(2015)07-0066-03

2015-06-11

广西教育厅科研课题“基于自学习理论的机械故障诊断技术研究”（KY2015LX652）。

吴星（1980－），女，广西柳州人，柳州职业技术学院讲师，硕士，从事机械设计与制造教学与科研工作；刘春梅（1975－），女，广西柳州人，柳州职业技术学院讲师，硕士，从事机械自动化方向研究。