基于支持向量数据描述的火炮自动机故障状态监测技术研究

王斐，房立清，陈敬文

(1.武警士官学校 军械系，浙江 杭州 310023; 2.陆军工程大学石家庄校区 火炮工程系，河北 石家庄 050003;3.驻重庆地区第二军事代表室，重庆 400000)

自动机是自行高炮火力系统的核心组成部分，其结构复杂，工作在高温高压高过载的环境下，在长期使用过程中容易产生一系列故障，甚至造成严重的射击事故[1-4]。基于状态的维修CBM(Condition Based Maintenance)是一种预防性维修策略，通过对机械系统的健康状态进行实时监测，可对系统早期故障的发生、发展做出及时预警，进而有针对性地开展维修活动，确保整个系统的运行平稳、安全和可靠，利用CBM技术可有效实现设备的预知管理和维护，避免重大事故的发生[5]。考虑到自动机从正常状态到故障状态需要经历一系列故障发展过程，因此可将CBM技术应用于自动机故障状态监测中，对其运行状态进行实时监测，及时发现早期异常状态，开展相应的维修策略，避免严重故障的发生，这对于提升自行高炮武器系统的战斗力具有重要的意义。

在自动机故障状态监测中，所建立的状态监测模型需要具备以下两方面能力：一方面需要从自动机不同运行状态的振动信号中有效区分正常与故障状态(异常状态检测)；另一方面需要对自动机故障的性能退化过程具有良好的监测作用。

准确获取系统的不同状态信息并进行识别是状态监测技术的基础。然而在自动机实际运行过程中，获取正常运行状态样本较为容易，而获取故障样本则比较困难。在仅能获取自动机正常状态样本的前提下，采用特定方法，以实现正常状态和故障状态的准确检测和识别，当处于故障状态便可以进一步根据其他信息确定故障部位和故障类型，通过这种方式也可以有效预防事故的发生。这种在只有单一状态样本的情况下进行的故障样本与正常样本的评估与分类通常被称为“单值分类”问题。

支持向量数据描述(support vector data description, SVDD)[6-8]是一种能够实现目标样本和非目标样本区分的单值(One-class)分类方法，其核心思想是通过非线性映射将样本映射到高维的内积空间，在特征空间中寻找一个包含全部或大部分样本且体积最小的超球体(最优超球体)来对目标数据集进行超球体描述。SVDD方法只需要一类样本数据进行分类模型的构建，计算速度较高，鲁棒性强[9-12],在异常检测、样本多分类问题和故障检测等领域应用广泛。

笔者提出一种基于SVDD的自动机故障状态监测模型，通过正常状态下的自动机振动信号提取反映样本状态信息的特征指标作为训练样本完成SVDD监测模型的训练与构建。通过多种自动机关重件故障模拟试验对模型进行了验证，验证结果表明所提出的监测模型不仅可以准确识别自动机正常状态与故障状态，同时也具有良好的早期故障检测能力，并可以较为准确地反映自动机关重件故障性能退化过程。

1 基本理论

1.1 支持向量数据描述(SVDD)

SVDD是一种重要的单值分类算法，理论基础为Vapnik提出的VC维(Vapnik-Chervonenkis Dimension)分类器的统计学习方法。与SVM分类器中定义的最优超平面不同，SVDD在高维空间中定义了一个体积最小的超球体，将给定的训练数据映射到高维空间中，使得训练数据尽可能多的包含于该超球体中，不属于该类的数据则位于超球体之外。给定一个目标类样本集X={x1,x2,…,xn}，定义一个包含所有或几乎所有目标类样本的超球体，超球体球心为a，半径为R。考虑到目标样本中可能存在少数野点，为了提高算法对训练样本中野点的鲁棒性，引入松弛因子ξi，允许部分样本点分布于超球体之外，此时SVDD优化问题描述为

(1)

式中，C>0为指定的惩罚参数，用以调节错分训练样本数(球外样本数)和R的大小。

径向基核函数(RBF)是使用最为广泛的核函数，无论是小样本还是大样本，高维还是低维等情况，均有良好的分类效果，笔者选用RBF作为SVDD的核函数。

通过核函数的方法将训练样本由低维空间映射到高维空间中，从而在新的高维空间中对目标样本进行很好的描述，在映射空间φ中超球体半径R可由任意支持向量到中心的距离计算得到，

(2)

对于新样本z，它与球心的距离可表示为

(3)

1.2 变模态分解方法简介

变模态分解(variational mode decomposition, VMD)是一种自适应与准正交信号分解方法，可将信号非递归地分解为不同尺度下的限带内享模态函数(band-limited intrinsic mode function,BIMF)分量之和，对于非平稳、非线性信号具有很强的处理能力。同其他信号自适应分解方法如EMD、LMD方法相比，在含噪脉冲信号分解、故障特征频率提取、克服模态混叠方面有很大的优越性。

通过VMD分解，可将自动机原始振动信号分解为不同尺度下的BIMF分量，通过计算各分量的样本熵值可得到不同故障状态下的自动机特征向量，可进一步为自动机故障状态监测提供良好的数据支撑。

2 自动机振动测试平台简介

通过实弹射击的方式进行故障诊断试验是行之有效的方法，但这种方法故障设置较为困难，危险性大，同时受试验场地和研究成本的限制，因此目前对自动机故障诊断技术的研究还不能完全通过实弹射击的方式进行。为了试验需要，根据自动机运行特点，搭建了自动机振动测试平台，该平台可模拟自动机实弹射击过程中的部分运行工况，利用平台上的振动加速度传感器获取不同故障形式下的信号，并通过对振动信号进行分析实现自动机典型故障的状态监测。

本文的自动机振动测试平台由导气式自动机、承载系统、连接装置、气动系统、模拟射击控制系统、数据测试与采集系统6部分组成。平台各部分组成结构示意图如图1所示。利用自动机振动测试平台进行信号采集如图2所示，过程中所使用的数据采集卡为NI公司的NI9234。振动传感器选用三向压电式加速度传感器CA-YD-193A01，该型传感器具有较高的测试精度和可靠性，技术指标完全满足自动机的工况环境。传感器布置于自动机支撑块附近的炮箱表面上，该区域表面较为平坦，且与激振源的距离很近，可以测得反映自动机不同故障状态下的振动情况。

3 基于SVDD的自动机状态监测模型

3.1 自动机状态监测模型建立流程

SVDD故障状态监测模型主要由训练过程和状态监测过程两部分组成，模型构成如图3所示。

该故障状态监测模型构建的具体步骤为：

1)以正常状态下的样本为训练样本，通过一定的特征提取方法提取反映样本状态信息的特征指标Vnormal；

2)利用正常样本的特征指标作为训练样本构建SVDD分类器，在这个过程中需要根据样本特征选取合适的惩罚参数C与核函数参数σ，并最终得到包含正常样本超球面O，超球体半径为R；

3)计算测试样本特征指标Vtest，输入到构建好的SVDD分类器中求得Vtest与超球体球心之间的广义距离d，d可由式(3)求出，这里定义状态指标CI(condition indicator),CI可由式(4)求出，以CI值作为故障程度判定的依据，当d≤R时，则样本为正常样本；当d>R时，样本属于故障样本，故障样本d的取值越大则CI值越大，此时故障程度越深。

(4)

3.2 自动机故障特征提取流程

自动机信号的特征提取方法是依据图4所述特征提取流程，得到反映自动机状态信息的样本熵特征值。以自动机正常运行状态下的30组振动信号作为样本，按照故障特征提取流程得到SVDD状态检测模型所需的特征向量。

3.3 SVDD模型参数选取

在构建自动机SVDD状态监测模型过程中，需要选取合适的惩罚参数C与核函数参数σ。在对SVDD的模型特点进行研究的过程中发现，要使模型对故障状态更加敏感，对性能退化过程的反映更加准确，就需要使得所得到的超球体尽可能紧支，即所得超球体中所包含的训练样本尽可能多且超球体半径尽可能小，这样所得到的SVDD模型将更加精确。

根据文献[13]的研究成果，惩罚参数C与核函数参数σ的一般取值范围为0

由图5可知，超球体内样本数K与惩罚参数C及核函数参数σ有较大关系；K随着σ的增大而增大并逐渐趋于稳定，但当σ增加到一定程度时K有减小的趋势；当C的取值较小时(C=0.1,0.3)，K的取值整体较小，当C的值增大时(C=0.5,0.7,1.0)，K值变化规律趋于稳定。超球体半径R随着σ的增大而逐渐减小，且与C的取值关系不大。根据上述所提模型选取原则，经综合考虑，自动机状态监测SVDD模型的参数选择定为C=0.5，σ=44，此时，超球体所含训练样本数量最多且超球体半径较小，这种情况下得到的超球体对正常状态样本的包围更加紧密，对异常状态样本也更加敏感，也更为容易地监测到自动机异常状态的发生。

4 SVDD模型在自动机检测中的应用

4.1 自动机异常状态检测

在自动机实际工作过程中，受高温、高压、强烧蚀、高射速等工况条件的影响，自动机闭锁块易发生磨损、点蚀故障；输弹机构中的输弹簧易发生疲劳故障；由于相关试验条件的限制，通过预制故障模拟以上3种故障形式：

1)F1：在闭锁块工作面设置深度为0.2 mm的磨损面，磨损面宽度为2 mm；

2)F2：在闭锁块工作面中心位设置两个深度为1 mm，直径为5 mm的点蚀坑，呈对称分布；

3)F3：选取一根实际工作中疲劳失效的输弹簧模拟弹簧疲劳失效故障。

具体故障设置如图6所示。

为了验证所建立的SVDD模型在自动机异常状态检测中的有效性，针对确定的关重件的典型故障类型，利用故障模拟试验的样本数据进行SVDD模型的验证，所采用的样本数据如表1所示。

表1 自动机状态测试数据集描述

图7为利用自动机测试平台测得的4种状态下的自动机振动信号。

按照特征提取流程，对振动信号进行5层VMD分解，得到BIMF分量，计算各分量的样本熵值作为自动机的故障特征。之后将4种状态下共170组混合特征集输入SVDD状态监测模型，得到的监测结果如图8所示。

从图8中的自动机故障数据集的CI值可知，自动机混合测试数据集中的正常状态和异常状态被明显区分开来，同时对数据集的分布情况进行分析，结果如表2所示。其中测试结果的虚报样本数为1，虚报率为0.5%，漏报样本数为7，漏报率为4%，试验中的总体故障检测准确率达到了较高水平。通过以上分析可知，笔者所提出的SVDD模型能够很好地区分自动机正常状态与异常状态，具有良好的异常状态检测效果。

表2 自动机多故障测试数据集计算结果

4.2 故障性能退化监测

自动机关重件在产生故障过程中需要经历一系列性能退化过程，故障程度从轻微逐渐加重，所建立的状态监测模型需要对这些故障程度的变化具有一定的量化反应能力，这样可以尽早发现自动机的轻微故障，开展相应的维修策略，以防止故障的进一步加深，这在工程应用中对自动机进行状态监测具有很大的意义。

在自动机实际运行过程中，几乎没有故障退化的数据样本，为了验证所提模型对自动机故障的性能退化的监测效果，笔者在自动机振动测试平台上通过预制故障的方式模拟关重件的故障退化过程。在自动机实弹射击过程中，输弹簧疲劳是较为常见的故障形式，因此，以输弹簧疲劳故障为研究对象，对于研究自动机关重件性能退化过程具有良好的代表性。

在模拟输弹簧疲劳故障退化试验中，使用一根全新的输弹簧为试验对象。当输弹簧被截取一部分时，弹力值会发生相应变化，用截取弹簧的方式模拟弹簧疲劳，通过设置不同截取长度来模拟不同程度的疲劳。

试验中，分别对此弹簧截取不同长度，代表不同疲劳程度下的输弹簧；截取长度分别为0、2.8、4.9、6.5、8.4 cm，分别用于模拟正常、轻微、中度、重度及严重等5种不同故障阶段的输弹簧，这几种状态下的输弹簧的具体情况如表3所示。

表3 不同状态下输弹簧的性能情况描述

5种状态下的输弹簧依次装入自动机进行模拟射击试验，根据图4所示提取每种状态下样本的故障特征向量，将这5种不同状态下共250组特征向量集组成测试样本输入已经训练好的SVDD状态监测模型，得到图9所示的监测结果。

由图9可知，所提出的自动机SVDD状态监测模型可以将正常状态与多种不同程度的疲劳故障状态完全区分开来，其中，虚报样本数为3，虚报率为6%；漏报样本数为0，漏报率为0；与此同时，监测模型较为清晰的揭示了随着输弹簧疲劳故障程度的增大，CI值逐渐增大这一故障退化现象。这说明笔者所提出的监测模型对于故障的发生具有很强的敏感性，具有良好的早期故障检测能力，可以较早地检测到微弱故障的发生，并可以在一定程度上描述自动机关重件的性能退化规律，对于开展相应的维修策略具有重要的实际意义。

5 结论

笔者提出了一种基于SVDD的自动机状态监测模型，该模型在自动机关重件异常状态检测和故障性能退化状态监测中具有良好的效果。主要结论如下：

1)建立了一种基于SVDD的自动机状态监测模型，仅利用正常状态下的自动机运行数据，并根据所提参数选取原则完成了监测模型的构建。

2)设置多种预制零件故障，将自动机SVDD状态监测模型应用于异常状态检测，试验结果具有较高的检测正确率，验证了该模型在异常状态检测中有良好的表现。

3)将SVDD模型应用于输弹簧疲劳故障的性能退化程度监测试验中，试验结果说明了所建立的模型具有良好的早期故障检测能力，同时可较好地反映自动机零件的性能退化规律，从而验证了所建立的SVDD模型在自动机故障性能退化监测中具有良好的效果。