CN103969067A - 一种基于广义形态学的自动装填系统故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于广义形态学的自动装填系统故障诊断方法，本发明针对自动装填系统工作中各机构的高速运动，在各角运动构件特征部位和驱动电机与电源部分设置测点，测得振动加速度、角运动参数和负载电流响应信号进行数据分析和故障分类识别；将实验测试、信号处理、特征提取和故障诊断融合于一体，可实现自动诊断，报警和预测。针对自动装填系统不同的故障类型，开发了基于广义形态学的早期故障诊断方法，实现了对自动装填系统方便快捷的故障诊断和预测，解决了中大口径火炮自动装填系统保障维修手段落后、需要采用大拆大卸的解体方式检查的弊端，故障诊断方法智能化程度高，维修成本低、周期短，不易受误诊和漏诊，能适应装备研制和武器需要。

Description

一种基于广义形态学的自动装填系统故障诊断方法

技术领域

本发明涉及一种广义形态学框架下中大口径火炮自动装填系统健康状态预测与故障诊断方法。

背景技术

火炮自动装填系统是集机械和电气于一身的复杂的机电系统，工作环境恶劣，运动部件动作快速频繁，影响的随机因素、模糊因素比较多，由于振动冲击、摩擦磨损及弹性变形等造成主要部件机构动作的准确性和可靠性不够，从而使机构运动形态一致性差，运动不到位、动作失调，常导致系统卡滞停射，不能正常工作。所以基于形态参数、负载电流、振动、位移、速度、卡膛力、卡膛加速度等在线检测与故障分析诊断，对实现火炮自动装填系统的状态快速、准确识别，对系统可靠性的提高，以及对整个装填系统可靠性都有十分重要的意义。

本发明所提出的广义形态学框架，是建立在对自动装填系统机构动作位移循环图分解转化的基础之上，是对其广义运动形态分析研究的一个提升。自动装填系统机构广义运动形态的在线分析研究因为其工作条件(高温、高压和高速)的特殊性，一直停留在计算机模拟仿真阶段，还没有和机构运动早期故障诊断相结合分析，更没有与自动装填系统工作时的冲击响应信号结合进行故障诊断分析。

方法突破现有数学形态学理论体系，形成集微弱特征提取、解耦、动态模式识别及演变趋势预测等功能于一体的广义形态学新思想和新方法，在广义形态学框架内解决自动装填系统早期故障微弱特征提取、解耦、动态模式识别及演变趋势预测等关键问题，实现中大口径火炮自动装填系统健康状态预测与故障诊断。

发明内容

本发明目的是为克服现有理论体系解决自动装填系统高速冲击激励下的健康状态预测和故障诊断技术的不足，提供一种集微弱特征提取、解耦、动态模式识别及演变趋势预测等功能于一体的广义形态学新方法。在广义形态学框架下研究早期故障微弱特征提取、降维与解耦的高效模型，建立基于“微弱特征提取-动态模式识别-演变趋势预测”这一广义形态学模式的自动装填系统健康状态预测与故障诊断理论架构。

研究复杂自动装填系统结构在高速冲击作用下损伤和故障的发生与发展机理，通过在多形态下探讨功率损耗特性来诊断磨损损伤与停射故障，运用现代信号处理技术(计算智能)和基于广义形态学智能算法来提取微弱损伤与磨损卡滞故障特征，并识别损伤和故障出现的环节和部位等。在此基础上将疲劳断裂理论、冲击损伤理论结合起来，预测发生磨损损伤类故障的程度和损伤发展与扩展的规律以及出现多损伤故障后，系统的剩余寿命，并建立基于广义形态学的安全监控理论与方法，开发出嵌入式系统监控平台，从而可在线实时监控自动装填系统的运行状态，充分保证自动装填系统运行的安全性，这将是一种新的健康状态预测与故障诊断方法。

自动装填系统既有实现动作的机械和驱动部分，即弹药装填机构和液压或电机驱动，也有实现机构顺序动作的控制部分。常见的自动装填装置为典型的链传动机构，供输弹时电机驱动链轮，带动链条(贮弹筒)运动，根据计算机控制指令将选定的炮弹送到供弹位置，由托弹盘推弹，再由电机驱动推弹机将炮弹推入炮膛。对分装式炮弹来说，则首先通过带托弹盘的输弹机将弹丸推入膛内，再由托药盘将药筒推入炮膛，输药到位后关闭闩体开始击发，然后其他机构依次复位，完成一发射击循环。附图9表示了上述常见自动装填系统的组成。

自动装填系统各机构的依次高速运动和撞击过程形成执行机构的主要激励，产生结构件的受力变形和冲击振动响应，其响应历程是受激励构件固有特性(频率、振动形态和阻尼特性)的反应，运动响应(加速度、角速度和角位移)中有激励突变产生的高幅值成分(短时冲击)，也有构件运动不畅和相互摩擦、卡滞产生的低幅值振动成分。由于装填机构是在电机或液压马达驱动下工作，在各构件之间传递力和运动，因而各构件负载的变化将在驱动电机的负载电流上反应出来。

如图10所示，本发明方法是：

(1)首先在广义形态学框架下研究自动装填系统主要构件损伤和磨损卡滞故障对供输弹装置冲击响应机理，分析各种故障激励下多种冲击响应的功率流及其频谱特性；然后分解自动装填机构运动形态，建模时序分析并获取各机构运动形态-时间循环图；再构造基于结构频响特性的运动构件故障激励-传递路径-响应信号之间的模型，运用粒子群优化(PSO)技术对自动装填系统各机构的故障诊断进行测点优化配置。为解决恶劣射击环境下自动装填系统冲击响应的高可靠测试技术问题，主要采用信息灵敏的惯性式加速度计和便于安装的驱动电机负载电流传感器。

(2)利用便携式信号采集仪(DASP-3018)在火炮射击时同时采集自动装填系统各机构的运动形态信号(加速度、角位移和角速度)以及各个驱动电机负载电流变化信号。对所采集的运动形态信号和电流信号先做筛选和基线修正等预处理工作，再采用数学形态滤波器(形态膨胀)对各信号进行降噪处理，然后对各信号分别进行希尔伯特包络分析、数学形态学分析和提升小波包分析，在此基础上进行特征提取。

(3)根据数学形态学拓展和低维形态重构的微弱特征提取新原理，分析含噪早期故障微弱特征信号的信噪空间分布特性、主形态拓展机制及形态关联方法，利用形态学滤波器对采集到的状态信号进行滤波消噪处理，对处理后的信号进行特征参量的选择和量化，建立故障征兆集。对于振动信号和电流信号，主要选择时域和频域特征参量。由于混沌理论是一种广泛应用的时域特征值量化方法，适合描述非周期、复杂和不规则的确定性非线性系统的内在随机性，因而利用混沌系统的定量分析指标(分形维数、Lyapunov指数、Kolmoglov熵和Hurst指数)，对滤波后的时域和频域信号进行特征值的提取和量化。瞬态、非平稳的振动和电流信号，不具有周期性，频率成分复杂，还需对其进行时-频分析，选择时-频域特征参量，将其看成时-频联合分布的二维图形，结合信息熵理论对其特征值进行量化。

(4)通过研究广义形态学邻域大小的优化方法及其参数选择范围，进行内蕴维数的有效估计和邻域大小的优化选取，实现广义形态学框架下自动装填系统高维早期故障特征维数的有效约简，用基于PSO的相关技术完成早期故障微弱特征集优化。通过自动装填系统强耦合故障特征广义形态解耦方法研究，给出自动装填系统强耦合早期故障特征样本类内和类间空间距离的测度，增加嵌入空间中不同类样本的间隔和实现样本在多形态中分类的监督机制，分析冲击信号特征参量与自动装填装置的工作状态之间复杂映射关系，使数据点权重分配合理，揭示出高维耦合特征和低维解耦特征的空间坐标转换关系，实现对不同类型早期故障特征的解耦。采用参数估计方法优化自动装填系统强耦合早期故障特征形态解耦效果，提高早期故障特征解耦的正确率和可靠性。

(5)先采用形态学分形维数方法构造自动装填系统不同状态下的低维形态特征差异敏感指标，通过建立广义分形维数的盒计数计算的权值矩阵，为待测样本分配不同的权重。再利用形态学神经网络算法研究不同状态下早期故障类别间的知识推理规则和类别之间的映射关系，建立多维形态空间嵌入式智能决策机制模型，采用低维内蕴空间的基于隐马尔可夫模型(HMM)对自动装填系统早期故障类别进行识别。然后建立动态模式识别模型的性能评价指标，给出模型优化策略和提高自动装填装置故障预示中多种故障准确定位的技术措施，提高自动装填系统早期故障模式识别的正确率和可靠性。最后采用形态学广义分形维数提取自动装填系统在不同形态下的多状态差异信息，研究可连续、准确地延展自动装填系统早期故障多形态结构演变规律的趋势预测理论，实现对自动装填系统状态变化的跟踪描述，提高预测的自适应性。

本发明依据自动装填系统的工作原理、各机构动作的时序分析，包括连续供输弹射击过程中各机构运动形态、旋转角度、能量及动力传输过程，通过自动装填系统主要构件的各运动参数以及驱动电机的电流变化的分析研究，采用基于广义形态学的自动装填系统早期故障实时诊断。

本发明针对自动装填系统工作中各机构的高速运动，在各角运动构件特征部位和驱动电机与电源部分设置测点，测得振动加速度、角运动参数和负载电流响应信号进行数据分析和故障分类识别；将实验测试、信号处理、特征提取和故障诊断融合于一体，可实现自动诊断，报警和预测。针对自动装填系统不同的故障类型，开发了基于广义形态学的早期故障诊断方法，实现了对自动装填系统方便快捷的故障诊断和预测，解决了中大口径火炮自动装填系统保障维修手段落后、需要采用大拆大卸的解体方式检查的弊端，故障诊断方法智能化程度高，功能丰富，维修成本低、周期短，不易受主观因素影响而造成的误诊和漏诊，能适应装备研制和武器需要。

附图说明

通过参照附图更详细地描述本发明的示例性实施例，本发明的以上和其它方面及优点将变得更加易于清楚，在附图中：

图1是驱动电机右电机电流信号图及北lbert包络图

图2是右电机形态膨胀后功率谱图

图3是驱动电机左电机电流信号图及北lbert包络图

图4是左电机形态膨胀后功率谱图

图5是自动装填系统炮管前部振动信号图

图6是炮管前信号形态膨胀后的信号图

图7是炮管前信号形态膨胀后的信号频谱图

图8是炮管前部各频段能量比值图

图9是自动装填系统组成图

图10是本发明的故障诊断方法的技术路线流程图。

具体实施方式

在下文中，现在将参照附图更充分地描述本发明，在附图中示出了各种实施例。然而，本发明可以以许多不同的形式来实施，且不应该解释为局限于在此阐述的实施例。相反，提供这些实施例使得本公开将是彻底和完全的，并将本发明的范围充分地传达给本领域技术人员。

(1)首先基于振动加速度响应、电流变化分析和自动装填系统机构运动-时间循环图，对自动装填系统各机构驱动电流及构件的冲击加速度、运动角度和角速度进行测量。利用加速度、角速度传感器和霍尔电流传感器，建立电机电流变化与构件运动参数检测装置，对火炮自动装填系统的高速动作和冲击过程产生的运动参数和负载电流变化进行测试，采集旋转运输弹机、协调臂和翻转机构的各运动响应信号和驱动电机的负载电流变化。对所采集的驱动电流信号先做基线漂移修正、野点剔除的信号修复工作，采用数学形态滤波器对驱动电流信号进行降噪处理，然后采用希尔伯特变换、数学形态学、经验模态分解、局域波分解等时域和频域处理方法提取各种时域和频域特征。根据各种时频域特征值的优化处理结果，结合自动装填系统各机构的运动形态-时间循环图，对自动装填系统的机构动作形态进行分离和故障预测。也可以利用小波包分解对运动和冲击响应信号提取多个频段的能量和信息熵特征，再运用具有多层BP神经网络的比例梯度共轭动量算法来训练网络，做基于机构形态、振动参数和负载电流变化的分析的智能故障诊断。只需要连续输入待分类的样本数据，就可以对各种响应数据和特征进行分类计算，完成快捷有效的故障预测和故障定位。

(2)在信号分析处理中运用形态学滤波和平滑处理相结合的处理方法。形态滤波器是从数学形态学理论中发展起来的一种非线性滤波方法。形态滤波器在进行信号处理时基于信号的集合结构特性，利用预先定义的结构元素(相当于滤波窗)对信号进行匹配或局部修正，以达到有效提取信号的边缘轮廓并保持信号的主要形态特征。故本系统采用形态滤波器对信号进行去噪和抗混叠滤波，可快速有效的实现信号的滤波去噪。本系统采用的线性平滑是均值平滑处理方法，可以手动的设定平滑滤波器的长度，其实现过程是将信号中一点的数值用其附近滤波器长度内的各点数值的平均值来代替。采用此平滑滤波器可以有效的去除高斯和正态分布的噪声，多次平滑后即可获得信号的变化趋势。

(3)试验中，采用弹药协调臂及输弹机翻转机构的冲击振动信号，其中振动加速度信号如附图5所示，对信号进行形态膨胀滤波后进行小波包的能量谱分析，分析如附图8所示，小波包分析能够将信号频段进行更精细的层次划分，对多分辨分析没有细分的高频部分进一步分解，并能根据被分析的信号特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提高了时频分辨率。本例子对信号进行4层小波包分解，分为十六个频段，利用小波包的分解和重构算法，分别分析各频段的能量谱和各段能量所占的比例。

(4)从能量谱中可以看出，1、2、4、6、8、9、11、13、15频段能量值突出，这些频段可以作为特征频段，与所做的功率谱图进行比较验证。针对正常、电机卡滞、翻转不到位、翻转速度不稳定、初始状态位置不准确等5种不同工况，取1、2、4、6、8、9、11、13、15频段能量，作为神经网络模型的输入进行训练。

(5)为了对故障特征信号进行分类，建立一个神经网络状态分类模型，该模型采用3层BP神经网络，运用比例梯度共轭动量算法来训练BP神经网络。输入和输出层神经元分别为9和5，经过多次网络训练后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pure北n，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1E-3。

针对火炮自动装填系统的5种工况，每种工况给出15个学习样本，输出为1，1，1，1，1分别对应正常、电机卡滞、翻转不到位、翻转速度不稳定、初始状态位置不准确5种工况，训练完成后，可以针对网络模型进行检验。分类中故障识别门限位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。

表1.神经网络训练样本数据输入级目标输出表

表2.神经网络检验(电机卡滞)样本数据输入表

表3.神经网络诊断输出表

通过以上数据分析可知：该网络模型能够有效的对火炮的自动装填系统动作状态进行分类识别，并进行故障定位。采用了大量测试样本数据对该网络模型进行检验，并进行诊断计算可知，故障诊断准确率达到了90％，所以这种利用比例梯度共轭动量算法训练的3层BP神经网络对自动装填系统进行故障诊断是比较方便的，并且可行有效。

以上所述仅为本发明的实施例而已，并不用于限制本发明。本发明可以有各种合适的更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于广义形态学的自动装填系统故障诊断方法，其特征在于所述方法包括如下步骤：

(1)首先在广义形态学框架下研究自动装填系统主要构件损伤和磨损卡滞故障对供输弹装置冲击响应机理，分析各种故障激励下多种冲击响应的功率流及其频谱特性；然后分解自动装填机构运动形态，建模时序分析并获取各机构运动形态-时间循环图；再构造基于结构频响特性的运动构件故障激励-传递路径-响应信号之间的模型，运用粒子群优化(PSO)技术对自动装填系统各机构的故障诊断进行测点优化配置；为解决恶劣射击环境下自动装填系统冲击响应的高可靠测试技术问题，主要采用信息灵敏的惯性式加速度计和便于安装的驱动电机负载电流传感器；

(2)利用便携式信号采集仪在火炮射击时同时采集自动装填系统各机构的运动形态信号以及各个驱动电机负载电流变化信号；对所采集的运动形态信号和电流信号先做筛选和基线修正等预处理工作，再采用数学形态滤波器对各信号进行降噪处理，然后对各信号分别进行希尔伯特包络分析、数学形态学分析和提升小波包分析，在此基础上进行特征提取；

(3)根据数学形态学拓展和低维形态重构的微弱特征提取新原理，分析含噪早期故障微弱特征信号的信噪空间分布特性、主形态拓展机制及形态关联方法，利用形态学滤波器对采集到的状态信号进行滤波消噪处理，对处理后的信号进行特征参量的选择和量化，建立故障征兆集；对于振动信号和电流信号，主要选择时域和频域特征参量；由于混沌理论是一种广泛应用的时域特征值量化方法，适合描述非周期、复杂和不规则的确定性非线性系统的内在随机性，因而利用混沌系统的定量分析指标，对滤波后的时域和频域信号进行特征值的提取和量化；瞬态、非平稳的振动和电流信号，不具有周期性，频率成分复杂，还需对其进行时-频分析，选择时-频域特征参量，将其看成时-频联合分布的二维图形，结合信息熵理论对其特征值进行量化；

(4)通过研究广义形态学邻域大小的优化方法及其参数选择范围，进行内蕴维数的有效估计和邻域大小的优化选取，实现广义形态学框架下自动装填系统高维早期故障特征维数的有效约简，用基于PSO的相关技术完成早期故障微弱特征集优化；通过自动装填系统强耦合故障特征广义形态解耦方法研究，给出自动装填系统强耦合早期故障特征样本类内和类间空间距离的测度，增加嵌入空间中不同类样本的间隔和实现样本在多形态中分类的监督机制，分析冲击信号特征参量与自动装填装置的工作状态之间复杂映射关系，使数据点权重分配合理，揭示出高维耦合特征和低维解耦特征的空间坐标转换关系，实现对不同类型早期故障特征的解耦；采用参数估计方法优化自动装填系统强耦合早期故障特征形态解耦效果，提高早期故障特征解耦的正确率和可靠性；

(5)先采用形态学分形维数方法构造自动装填系统不同状态下的低维形态特征差异敏感指标，通过建立广义分形维数的盒计数计算的权值矩阵，为待测样本分配不同的权重；再利用形态学神经网络算法研究不同状态下早期故障类别间的知识推理规则和类别之间的映射关系，建立多维形态空间嵌入式智能决策机制模型，采用低维内蕴空间的基于隐马尔可夫模型(HMM)对自动装填系统早期故障类别进行识别；然后建立动态模式识别模型的性能评价指标，给出模型优化策略和提高自动装填装置故障预示中多种故障准确定位的技术措施，提高自动装填系统早期故障模式识别的正确率和可靠性；最后采用形态学广义分形维数提取自动装填系统在不同形态下的多状态差异信息，研究可连续、准确地延展自动装填系统早期故障多形态结构演变规律的趋势预测理论，实现对自动装填系统状态变化的跟踪描述，提高预测的自适应性。

2.如权利要求1所述的一种基于广义形态学的自动装填系统故障诊断方法，其特征在于：

步骤(2)中的所述运动形态信号包括加速度、角位移和角速度。

3.如权利要求1或2所述的一种基于广义形态学的自动装填系统故障诊断方法，其特征在于：步骤(3)中的所述定量分析指标包括分形维数、Lyapunov指数、Kolmoglov熵和Hurst指数。