大型机械设备故障的优化挖掘检测模型仿真

Large mechanical equipment fault detection model simulation optimization of mining

夏雪刚

XIA Xue-gang

（陕西铁路工程职业技术学院 电气与信息工程系，渭南 714000）



大型机械设备故障的优化挖掘检测模型仿真

Large mechanical equipment fault detection model simulation optimization of mining

夏雪刚

XIA Xue-gang

（陕西铁路工程职业技术学院 电气与信息工程系，渭南 714000）

摘 要：大型机械设备的系统构成复杂，容易产生故障，对故障数据进行优化挖掘实现故障及时诊断。传统方法采用故障数据自适应重写方法实现机械设备故障挖掘，存在精度不高，诊断性能不好的问题。提出一种基于模糊推理分裂波束形成的大型机械设备故障的优化挖掘检测模型。分析了大型机械设备的故障发生和检测原理，采用模糊推理算法实现对大型机械设备的故障数据的采集和特征提取，根据特征提取结果进行分裂波束形成，提高对故障数据的聚类能力，实现大型机械设备故障的优化挖掘。仿真结果表明，采用该模型进行大型机械设备的故障数据挖掘和检测诊断，能准确实现对故障数据的恢复跟踪和波束形成，提高故障的检测性能，检测准确率较高。

关键词：机械设备；故障；挖掘；检测模型

0 引言

大型机械设备通常处于高温高热等恶劣的工作环境中，机械设备的组成部件构成复杂，耦合因素较多，导致大型机械设备的故障发生率较高，需要对大型机械设备进行实时的故障数据挖掘和监测，保证大型机械设备的运行正常，机械设备等机械设备的故障诊断是由机械设备自身的固有规律决定的，因此，机械设备的故障数据也不是一个没有规律的无常数据，通常而言，大型机械设备的故障数据监测具有随机性，不同时刻监测的数据具有不可重复性，这就加重了对大型机械设备故障数据挖掘的难度，大型机械设备的故障源之间相互耦合，决定了故障数据的多重属性，对故障数据进行优化挖掘实现故障及时诊断，研究大型机械设备的故障数据挖掘算法和检测模型具有重要意义[1]。

传统方法中，对型机械设备的故障数的挖掘模型主要采用的是时域分析、频域分析和统计分析等方法，并配合人工智能诊断方法，如人工神经网络和专家系统等方法实现对大型机械设备故障数据的实时挖掘和检测[2]。大型机械设备系统故障诊断技术是现代工业文明发展的产物，大型机械设备故障诊断的本质特点是通过使用一定的信号处理手段，获取机械设备运行的相关信息，通过数据挖掘从而确定对故障部位的定位和发现，挖掘故障产生的原因、性质和部位。传统方法采用故障数据自适应重写方法实现机械设备故障挖掘，存在精度不高，诊断性能不好的问题。对此，相关文献进行了算法改进设计[3,4]，其中，文献[3]提出一种基于变维Kalman滤波的大型机械设备故障特征数据流抗干扰挖掘算法，提高了故障诊断性能，但算法存在特征空间维数较大，计算开销大的问题；文献[4]提出一种基于平均互信息关联维提的大型机械设备故障节点定位算法，实现故障的优化挖掘，构建大型机械设备故障特征数据的实体模型，提取大型机械设备故障特征数据差分累积函数特征，提高故障诊断能力，但是该算法的抗干扰性能不好[5～8]。

对此，为了克服传统方法的弊端，针对传统方法出现的问题，本文提出一种基于模糊推理分裂波束形成的大型机械设备故障的优化挖掘检测模型。首先分析了大型机械设备的故障发生原理，采用模糊推理算法实现对大型机械设备的故障数据的采集和特征提取，根据特征提取结果进行分裂波束形成，提高对故障数据的聚类能力，实现大型机械设备故障的优化挖掘，仿真实验进行了性能测试，展示了本文算法在实现大型机械设备故障挖掘和检测中的优越性能。

1 大型机械设备故障诊断原理和故障数据特征提取

1.1 大型机械设备故障诊断原理

为了定量分析大型机械设备的故障数据挖掘模型，首先分析设备故障发生原理，大型机械设备故障诊断主要是通过监测设备的有关参数实现对机械设备内部特征的定量分析，对大型机械设备的运行状态和故障原因进行实时定位和分析，故障检测的基础是采用信号检测方法，要实现对被测机械设备运行状态信息的构建和工况识别。大型机械设备故障检测诊断的原理示意框图如图1所示。从框图可以看出，大型机械设备故障检测诊断的第一步是信号的检测采集，其中可能涉及到降噪滤波的处理，第二步是故障信号的特征提取，这一步是发动机故障诊断技术的关键，能否有效提取具有区分故障类别的特征决定能否有效进行故障诊断，得到故障的原因和产生部位，以及故障发生发展的状态趋势[9～15]。

基于图1给出的故障检测原理，进行大型电力设备的故障数据挖掘，实现故障检测和诊断。令R为大型机械设备故障特征数据中包含有四元组(Ei,Ej,d,t)的信任关系，数据分类属性A={A1,A2…,Am}，大型机械设备故障特征数据挖掘的指向性信号的信号强度为A，MA长度为r，波数为k，那么k-1时刻的大型机械设备故障特征数据集成的信息状态方程为：

在热点噪声数据的干扰下采，用自适应算法控制电力数据库存储系统中的数据故障特征，设大型机械设备故障特征数据振动信号时间序列为{x1,x2,…,xN}，对大型机械设备故障特征数据准确度概率函数密度表达式为：

需要构建电力设备的故障数据权重分配机制，进行故障分类属性诊断，故障数据的后验概率估计为p(x0)，得到：

该概率密度函数能有效地反应并赋值给每个分类节点不同的使用概率，得到大型机械设备故障特征数据挖掘的状态函数表示为：

1.2 大型机械设备故障数据信号模型及特征提取

从上分析可见，故障诊断的基础是实现对故障数据的挖掘和信号模型构建，采用信号检测算法实现对挖掘特征的提取[16～18]。本文采用模糊推理算法进行大型机械设备的故障信号模型构建，模糊推理过程如图2所示。

图2　大型电力设备故障数据模糊推理步骤

假设存在p个分布式机械设备故障目标点，令Aj(L)作为聚类中心，其中j=1,2,…,k，故障数据的相干分布源模型：

大型机械设备故障信号矢量s(t)=[s1(t),s2(t),…,sq(t)] T和噪声矢量n(t)是相互独立，首先用传统的FCM算法进行数据集的模糊划分，观测数据矢量z(t)的协方差矩阵，然后对数据集进行相干波束形成，得到模糊推理分裂波束形成输出为：

其中，矩阵Us和Un的大型机械设备故障信号列矢量，分别由奇异值和σn对应的奇异矢量构成。且故障特征存在通过上述分析实现了对大型机械设备的故障数据的采集和特征提取，为实现大型机械设备故障数据优化挖掘奠定基础。

2 算法改进实现

基于模糊推理分裂波束形成原理，得到大型机械设备故障数据相对于左波束输出l(t)为：

同理可以得出对于右波束的输出r(t)：

3 仿真实验与结果分析

为了测试本算法在实现大型机械设备故障数据挖掘和故障检测中的性能，进行仿真实验。计算机使用Intel i5-3230M 2.6GHz双核CPU，4GB DDR3 RAM，仿真软件采用Matlab 7.0，实验中选100个大型机械设备故障样本数据对其特征提取进行训练，该100个大型机械设备故障样本对应均有6个特征描述，因此该样本集可以表示为100行×6列的波束阵列矩阵，整个大型机械设备故障样本集包括了10个类别，样本每类数目为122，故障数据波束接收阵为均匀线列阵，故障检测阵元个数为10，故障诊断阵元的方位角是5度。根据上述分析，构建本文设计的基于，基于模糊推理分裂波束形成的大型机械设备故障的优化挖掘检测模型。首先构建故障监测数据的信号模型，得到原始的故障监测数据信号直方图波形如图3所示。

图3　大型机械设备故障数据挖掘直方图

根据图3，采用模糊推理算法实现对大型机械设备的故障数据的采集和特征提取，根据特征提取结果进行分裂波束形成，提高对故障数据的聚类能力，最后得到本文设计的故障检测模型对大型机械设备故障检测结果如图4所示，从图可见，采用本文算法，能有效实现对大型机械设备的故障特征提取和数据挖掘，能准确实现对故障数据的恢复跟踪和波束形成，提高故障的检测性能，检测准确率比传统模型提高23.45%。

图4　故障检测波束形成输出结果

4 结论

大型机械设备通常处于高温高热等恶劣的工作环境中，机械设备的组成部件构成复杂，耦合因素较多，导致大型机械设备的故障发生率较高，需要对大型机械设备进行实时的故障数据挖掘和监测，保证大型机械设备的运行正常，本文提出一种基于模糊推理分裂波束形成的大型机械设备故障的优化挖掘检测模型。研究结果表明，采用本模型能有效实现对大型机械设备故障数据的挖掘和检测，对故障的检测精度提高幅度较大，故障分析的可靠性较好。

参考文献：

[1] 尹文也,石峰,何伟基,顾国华,陈钱.时间相关单光子计数型激光雷达距离判别法[J].光子学报,2015,44(5).

[2] 雪刚,唐远炎.几何布局和行为检测相结合的遮挡目标跟踪[J].计算机工程与应用,2015,51(13):42-46.

[3] 黎恒,李智.基于高阶微分的EMD均值计算方法[J].电子学报, 2015,43(6):1073-1077.

【上接第141页】

造服务资源与需求的匹配程度。下一步研究主要集中在对用自然语言描述的需求和服务描述的解析，以及匹配算法的优化等方面。

[1] 王云霞,邱胜海,王志亮.面向服务的制造新模式-云制造研究综述[J].现代制造工程,2013,03:124-128.

[2] 李伯虎,张霖,王时龙.云制造—面向服务的网络化制造新模式[J].计算机集成制造系统,2010,16(1):l-7.

[3] 尹超,黄必清,刘飞.中小企业云制造服务平台共性关键技术体系[J].计算机集成制造系统,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] 赵岩,莫蓉.制造资源能力与制造工艺约束的匹配度研究[J].计算机集成制造系统,2009,15(4):712-718.

[9] 尹胜,尹超,刘飞,等.网络化协同产品开发资源集成服务机制研究[J].计算机集成制造系统,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] 白东伟.基于语义的Web服务匹配与发现技术研究[D].北京:北京邮电大学,2007.

作者简介：夏雪刚（1979 -），男，陕西渭南人，讲师，硕士，研究方向为软件和计算机网络。

收稿日期：2015-12-06

中图分类号：TP277

文献标识码：A

文章编号：1009-0134(2016)01-0153-03