CN114357893A - 基于多特征融合som的车载天线传动系统健康评估方法 - Google Patents

Abstract

基于多特征融合SOM的车载天线传动系统健康评估方法，采集雷达车天线传动系统运行数据，筛选特征指标；对雷达车天线传动系统运行数据进行分解，计算低频带故障特征频带的能量占比；将特征值和能量占比作为特征输入，训练自组织映射神经网络，得到最佳匹配单元；将各种工况下的雷达车天线传动系统运行数据输入自组织映射神经网络，输出权值向量，若权值向量与最佳匹配单元之间的欧式距离小于阈值，则雷达车天线传动系统运行状态正常；反之，雷达车天线传动系统运行状态异常。该方法既克服了单个零部件故障诊断的复杂性，又可以实现整个传动系统的在线故障预警，并且能够达到较高的准确率，同时对于设备维修人员和制定维修策略更具指导意义。

Description

基于多特征融合SOM的车载天线传动系统健康评估方法

技术领域

本发明属于机械设备状态监测和故障诊断领域，具体涉及到一种基于多特征融合SOM的车载天线传动系统健康评估方法。

背景技术

军用雷达车是军队指挥调度的枢纽，是指挥人员的“千里眼”与“顺风耳”。为了保证雷达车天线探测功能的正常使用以及全方位的覆盖，控制天线升降和转动的传动机构至关重要。然而，由于战场环境恶劣，气候条件变化无常，温度多变，且战地道路坑洼崎岖，天线传动系统有可能出现损伤，导致角度反馈控制不精确，影响天线的使用效果。因此，对雷达车天线传动系统进行状态监测和故障诊断研究，对于提高雷达车天线传动系统的运行稳定性、保障雷达车测控任务的圆满完成意义重大。

目前，雷达车天线传动系统常用的维修方式大多是事后维修和定期维修。传统的事后维修不仅会耗费大量的时间，还具有不可控性，很有可能造成任务无法按时完成。定期维修虽然能减少雷达车天线传动系统故障引起的损失，但无法解决突发性的故障，而且大多数定期维修策略不够合理，会造成维修材料和时间的浪费。近年来，基于状态的设备维护受到了广泛关注，其本质上是运用各种传感器实时采集设备的运行数据，对这些数据进行处理分析从而实时监测设备的运行状态，此种方式可以有效避免突发性事故，大大降低机械设备的维护费用。因此，对雷达车天线传动系统开展状态监测和健康评估方法研究极有必要。

在工程实际中，信号处理技术是状态监测和故障诊断的核心内容，通过处理分析设备故障数据，提取对某种故障敏感的特征指标即可实现机械设备的故障诊断。此外，随着近年来机器学习和神经网络的快速发展，基于机器学习和神经网络的智能诊断方法应用广泛，并且在故障诊断领域中多用于故障分类。然而，雷达车天线传动系统是一个复杂的非线性系统，其内部有蜗轮蜗杆、齿轮、轴承、电机、轴等关键零部件，单个信号特征难以有效反映整个系统的健康状态；同时，常用的基于机器学习和神经网络的故障分类方法需要大量带有标签的故障数据，而雷达车在运行过程中一般很少有故障发生，其正常数据多，故障数据获取困难，带有标签的故障数据更少。

发明内容

针对现有技术的不足和面临的工程问题，本发明的目的在于提供一种基于多特征融合SOM的车载天线传动系统健康评估方法，该方法使用不同信号处理方法提取多种特征指标，在此基础上引入不依赖故障数据的自组织映射神经网络构建综合健康指标，可以有效地对复杂的雷达车天线传动系统进行健康评估，并且十分契合其工程实际背景。

为达到以上目的，本发明的技术方案为：

一种基于多特征融合SOM的车载天线传动系统健康评估方法，包括以下步骤：

1)采集雷达车天线传动系统运行数据，通过运行数据计算时域参数，从时域参数中筛选对于轴承、蜗轮故障敏感的特征指标；

通过多层小波分解方法对雷达车天线传动系统运行数据进行分解，将频域由低到高划分成多个频带，计算低频带故障特征频带的能量占比；

2)将对轴承、蜗轮故障敏感的特征指标进行归一化处理，得到特征值，将特征值和能量占比作为特征输入，训练自组织映射神经网络，得到最佳匹配单元；

将各种工况下的雷达车天线传动系统运行数据输入自组织映射神经网络，输出权值向量，权值向量与最佳匹配单元之间的欧式距离表征雷达车的运行状态；若欧式距离小于阈值，则雷达车天线传动系统运行状态正常；反之，雷达车天线传动系统运行状态异常。

进一步的，用于传动系统状态监测的时域特征参数包括均方根值RMS、方根幅值RA、绝对均值AM、偏斜度Sk、峭度Ku、方差值Va、峰-峰值Ptp、波形因子WF、峰值因子PF以及脉冲因子IF。

进一步的，用于传动系统状态监测的时域特征参数通过以下公式计算：

Ptp＝max(x_i)-min(x_i)

WF＝RMS/AM

PF＝max(x_i)/RMS

IF＝max(x_i)/AM

其中，x_i为信号频谱，N为信号长度，μ为信号均值。

进一步的，对于轴承、蜗轮故障敏感的特征指标包括：方根幅值RA、绝对均值AM、峰-峰值Ptp以及波形因子WF。

进一步的，对于轴承、蜗轮故障敏感的特征指标通过以下公式计算：

index3＝Ptp＝max(x_i)-min(x_i)；

index4＝WF＝RMS/AM；

其中，x_i为信号频谱，N为信号长度，μ为信号均值，index1为指标1，index2为指标2，index3为指标3，index4为指标4。

进一步的，采用下式通过多层小波分解方法对雷达车天线传动系统运行数据进行分解；

其中，x(t)为振动信号，

为小波基函数，WT_x(b,a)为振动信号x(t)小波变换后的结果，a为尺度因子，b为时移因子，t为时间。

进一步的，能量占比通过下式计算：

其中，f_fault为多层小波分解之后第四层低频频带中故障频带的频率值，f为第四层低频频带的所有频率值。

进一步的，归一化处理通过下式进行计算：

x_{normalization}＝(x-min)/(max-min)；

其中，x为特征值，max为最大特征值，min为最小特征值，x_{normalization}为归一化之后的特征值。

与现有技术相比，本发明的有益效果为：

本发明采用的基于多种时域特征筛选之后的敏感的特征指标，能够灵敏的反映传动系统关键部件轴承、蜗轮的运行状态，可以更加准确且全面的对雷达车天线传动系统进行健康评估；采用的基于小波分解的频域分析，不仅能够有效地去除雷达车天线传动系统运行中的噪声影响，并且可以实现多分辨分析，能够更好的检测出处于低频带的轴承、蜗轮故障特征频率，从而实现故障诊断；本发明采用的基于小波分解后的低频带故障特征频带能量占比，能够更好地反映雷达车天线传动系统的运行状态，因为一旦出现故障，振幅就会增大，振动更加剧烈，而能量占比也会逐渐升高；本发明采用的SOM神经网络，可以使用正常数据进行训练，更加适用于故障数据少且正常数据多的雷达车天线传动系统；本发明提出的基于多特征融合SOM的健康评估方法简单可靠，易于在工程实践中实现雷达车天线传动系统运行状态的在线监测。

附图说明

图1为发明提出的基于多特征融合SOM的车载天线传动系统健康评估方法的流程图；

图2为Bearing2和Bearing3的时域特征指标变化趋势图；其中，(a)为Bearing2，(b)为Bearing3。

图3为Bearing3四层小波分解后的时域波形图和频谱图；其中，(a)为时域波形图，(b)为频谱图。

图4为Bearing2的能量占比趋势图和第四层小波分解低频带的频谱图；其中，(a)为能量占比趋势图，(b)为频谱图。

图5为Bearing2和Bearing3的SOM综合健康指标趋势图。

图6为天线传动系统俯仰轴和方位轴传动链的SOM综合健康指标趋势图。其中，(a)为俯仰轴，(b)为方位轴。

具体实施方式

下面结合附图对本发明做详细描述。

本发明能够提取雷达车天线传动系统的多种时域特征指标，然后从中筛选出对其易损部件轴承、蜗轮故障敏感的特征指标；此外，引入小波分解技术对数据进行频域分析，提取多层小波分解后的低频带的能量占比作为频域特征指标。将上述归一化处理后的敏感时域特征指标与频域特征指标作为特征输入，通过雷达车天线传动系统健康状态下的运行数据训练SOM，最后构建能够表征传动系统运行状态的融合特征指标，并通过MQE值综合评估传动系统的健康状态，此外，还可以基于MQE值设置阈值实现故障预警，甚至进行寿命预测。该方法一方面解决了传动系统因复杂性和故障数据少导致的难以有效地反映其运行状态的问题，另一方面提出了一种对于维护人员更具指导意义的评价指标，即MQE值。

具体的，本发明的一种基于多特征融合SOM的车载天线传动系统健康评估方法，包括以下步骤：

1)根据雷达车天线传动系统的主要故障形式为轴承、蜗轮相关故障，首先，采集雷达车天线传动系统运行数据(即振动传感器采集得到的振动数据)，从采集的雷达车天线传动系统运行数据计算常用的时域参数，以作为传动系统状态监测的时域特征指标，用于传动系统状态监测的时域特征指标；接着从传动系统状态监测的时域特征指标中筛选出对于轴承、蜗轮故障敏感的特征指标；具体过程如下：

1.1)雷达车天线传动系统是一个复杂的非线性系统，单个信号特征难以有效反映整个系统的健康状态。因此，为了全面且准确地对传动系统进行健康评估，选取了用于传动系统状态监测的时域特征，包括：均方根值(RMS)、方根幅值(RA)、绝对均值(AM)、偏斜度(Sk)、峭度(Ku)、方差值(Va)、峰-峰值(Ptp)、波形因子(WF)、峰值因子(PF)以及脉冲因子(IF)；

Ptp＝max(x_i)-min(x_i)

WF＝RMS/AM

PF＝max(x_i)/RMS

IF＝max(x_i)/AM

其中，x_i为信号频谱，N为信号长度，μ为信号均值。

1.2)从上述用于传动系统状态监测的时域特征中筛选出的对于轴承、蜗轮故障敏感的特征指标，包括：方根幅值(RA)、绝对均值(AM)、峰-峰值(Ptp)以及波形因子(WF)。

index3＝Ptp＝max(x_i)-min(x_i)；

index4＝WF＝RMS/AM；

其中，x_i为信号频谱，N为信号长度，index1为指标1，index2为指标2，index3为指标3，index4为指标4。

2)运用多层小波分解方法对采集的雷达车天线传动系统运行数据进行频域分析，多层小波分解将频域由低到高划分成多个频带，考虑到轴承、蜗轮故障特征频率往往很低，所以重点对低频带进行分析；根据轴承、齿轮的故障特征频率较低这一现象，主要对低频带进行分析，计算低频带故障特征频带的能量占比；具体过程如下：

2.1)根据采集得到的雷达车天线传动系统振动信号，运用多层小波分解方法对其进行四层小波分解，将频域由低到高划分成多个频带。

其中，x(t)为振动信号，

为小波基函数，WT_x(b,a)为振动信号x(t)小波变换后的结果，a为尺度因子，b为时移因子，t为时间。

使用MATLAB中的db10小波基函数进行四层小波分解得到如图3中(a)所示的信号，然后对信号进行傅里叶变换，图3中(b)中d4即为信号第四层小波分解后得到的低频带。

2.2)利用上述四层小波分解得到的低频带计算故障特征频带的能量占比η：

其中，f_fault为多层小波分解之后第四层低频频带中故障频带(故障特征频率±10HZ)的频率值，f为第四层低频频带的所有频率值。

小波分解是一种现有的方法，每次将频域分成两段，比如4次分解之后得到16段，故障特征频率在比较低，所以找到包含故障特征频率的低频带进行分析即可。

3)对步骤1.2)筛选得到的对轴承、蜗轮故障敏感的特征指标进行归一化处理，归一化处理结果和步骤2.2)得到的能量占比作为特征输入，训练自组织映射神经网络(SOM)，构建用于传动系统健康评估的融合特征指标；然后，利用用于传动系统健康评估的融合特征指标对雷达车天线传动系统实验数据进行分析，判断是否健康；具体过程如下：

3.1)对筛选后的对轴承、蜗轮故障敏感的特征指标进行归一化处理，得到归一化之后的特征值；

x_{normalization}＝(x-min)/(max-min)；

其中，x为特征值，max为最大特征值，min为最小特征值，x_{normalization}为归一化之后的特征值，区间为[0:1]；

3.2)将归一化之后的特征值和能量占比作为特征输入，用雷达车天线传动系统健康状态下的运行数据训练SOM，得到最佳匹配单元(BMU)，最佳匹配单元(BMU)即为构建的融合特征指标。

3.3)将采集得到的各种工况下的雷达车天线传动系统运行数据输入SOM，输出的权值向量与BMU之间的欧式距离即可表征雷达车的运行状态，当雷达车天线传动系统处于正常运行状态时，权值向量会和BMU聚集在输出层的同一区域。相反，当雷达车天线传动系统发生故障或损坏时权值向量和BMU就会在输出层有较大的偏离，偏离程度可以用来描述损坏的严重程度。

具体的，计算不同工况下雷达车天线传动系统运行数据经SOM输出的权值向量与BMU之间的欧式距离，而这个欧式距离可以作为综合健康指标来衡量传动系统的运行状态。若欧式距离小于阈值，则雷达车天线传动系统运行状态正常；反之，雷达车天线传动系统运行状态可能出现了异常。

因此，可定义最小量化误差(MQE)：

MQE＝||D-m_BMU||；

其中，D为SOM输出的权值向量，m_BMU为BMU的权值向量；

MQE越小，雷达车天线传动系统状态越接近健康状态；相反，MQE越大，雷达车天线传动系统的总体健康状况就越差。具体的，本发明通过绘制MQE值的变化图来追踪此指标的变化进而发现故障征兆，指标没有波动或者波动较小时，天线传动系统运行状态无异常；指标波动较大或者持续增长时，则天线传动系统处于异常状态；以此来实现天线传动系统的健康评估。

下面结合附图对本发明的内容作进一步详细说明。

实施例1

该实施例结合IMS轴承公开数据集和雷达车天线传动系统实验采集得到的振动数据验证了该发明的有效性。

图1是本发明提出的一种基于多特征融合SOM的车载天线传动系统健康评估方法的处理流程图，下面依照该流程处理雷达车天线传动系统健康评估情况。

雷达车天线传统系统状态监测和健康评估的主要框架包括：时域特征提取和敏感特征指标筛选、小波分解和频域特征提取、SOM训练和融合特征指标构建等三个部分。

(1)首先，根据雷达车天线传动系统的主要故障形式为轴承、蜗轮相关故障，从采集得到的雷达车天线传动系统运行数据中计算用于传动系统状态监测的时域特征指标；考虑到雷达车天线传动系统是一个复杂的非线性系统，单个信号特征难以有效反映整个系统的健康状态。因此，为了全面且准确地对传动系统进行健康评估，选取了能够表征传动系统运行状态的一系列时域特征，包括：均方根值(RMS)、方根幅值(RA)、绝对均值(AM)、偏斜度(Sk)、峭度(Ku)、方差值(Va)、峰-峰值(Ptp)、波形因子(WF)、峰值因子(PF)、脉冲因子(IF)；

其次，从上述时域特征中筛选出对于轴承、蜗轮故障敏感的特征指标，包括：

index3＝Ptp＝max(x_i)-min(x_i)；

index4＝WF＝RMS/AM；

其中，x_i为信号频谱，N为信号长度。

如图2所示，其中(a)和(b)分别是IMS一组数据中尚未失效的轴承bearing2和外圈失效轴承Bearing3，可以看出方根幅值(RA)、绝对均值(AM)、峰-峰值(Ptp)、波形因子(WF)在轴承状态健康时十分平稳，几乎没有什么波动，但是在轴承外圈即将失效时变化剧烈，呈指数型增长，说明上述指标对轴承故障敏感，可以用来表征轴承的运行状态；

(2)首先，根据采集得到的传动系统振动信号，对其进行四层小波分解：

其中，x(t)为振动信号，

为小波基函数，WTx(b,a)为x(t)小波变换后的结果，a为尺度因子，b为时移因子，t为时间；

如图3所示，其中(a)和(b)分别是Bearing3经过db10小波四层分解后的时域波形图和频谱图；

其次，利用分解得到的频带信息计算故障特征频带的能量占比：

其中，f_fault为多层小波分解之后第四层低频频带中故障频带(故障特征频率±10HZ)的频率值，f为第四层低频频带的所有频率值。

如图4所示，其中(a)和(b)分别是Bearing2能量占比的趋势图以及第四层小波分解后的低频带频谱图，从图4中可以看到，随着失效实验的进行，轴承失效后期相比前期正常状态振动更加剧烈、能量更加集中，能量占比可以很好的作为频域特征指标；

(3)首先，对筛选后的敏感时域特征指标进行归一化处理：

x_{normalization}＝(x-min)/(max-min)；

其中，x为特征值，max为最大特征值，min为最小特征值，x_{normalization}为归一化之后的特征值，区间为[0:1]；

然后将归一化之后的时域特征指标和频域特征指标作为特征输入，用雷达车天线传动系统健康状态下的运行数据训练SOM。训练得到的最佳匹配单元(BMU)即为构建的融合特征指标，将采集得到的各种工况下的雷达车天线传动系统运行数据投入SOM，输出的权值向量与BMU之间的欧式距离即可表征雷达车的运行状态，当雷达车天线传动系统处于正常运行状态时，权值向量会和BMU聚集在输出层的同一区域。相反，当雷达车天线传动系统发生故障或损坏时权值向量和BMU就会在输出层有较大的偏离，偏离程度可以用来描述损坏的严重程度；

最后计算不同工况下雷达车天线传动系统运行数据经SOM输出的权值向量与BMU之间的欧式距离，而这个距离可以作为综合健康指标来衡量传动系统的运行状态。因此，可定义最小量化误差(MQE)：

MQE＝||D-m_BMU||；

其中，D为SOM输出的权值向量，m_BMU为BMU的权值向量；

MQE越小，雷达车天线传动系统状态越接近健康状态；相反，MQE越大，雷达车天线传动系统的总体健康状况就越差。

如图5所示，根据轴承失效数据可以绘制轴承退化曲线，通过MQE值的大小不仅可以实现轴承的健康评估，还可以设定阈值进行故障预警，甚至实现寿命预测。

如图6所示，其中(a)和(b)分别是由实验采集得到的健康状态的雷达车传动系统俯仰轴和方位轴数据绘制的SOM综合健康指标趋势图，从图6中可以看出无论是俯仰轴还是方位轴，综合健康指标值都变化不大，没有出现异常数据，这与传动系统的健康状态吻合；

本发明基于多种特征构建的融合特征指标，不仅可以用来对雷达车天线传动系统进行健康评估，还可以设定阈值实现故障预警，甚至是寿命预测；

本发明提出的综合健康指标MQE，具有更加明确的指示性，对于雷达车维护人员的指导意义更强。

实施例结果表明，本发明提出的基于多特征融合SOM的车载天线传动系统健康评估方法，能够在故障数据较少的情况下，有效地实现对传动系统健康状态的评估，此外，还可以得到合理的故障预警值，能够指导操作人员科学的制定维修策略。

针对雷达车天线传动系统状态监测工程实际问题，本发明首先根据传动系统运行数据提取多个时域特征，并从中筛选出对其关键部件轴承、蜗轮故障敏感的特征指标；其次，运用多层小波分解对原始振动信号进行多分辨分析，提取低频带的故障频带能量占比作为频域特征指标；最后，将敏感时域特征指标和频域特征指标作为特征输入SOM进行训练，构建得到能够对传动系统运行状态进行评估的融合特征指标。既克服了单个零部件故障诊断的复杂性，又可以实现整个传动系统的在线故障预警，并且能够达到较高的准确率，同时对于设备维修人员和制定维修策略更具指导意义。该方法实施简单，效果显著，为雷达车天线传动系统健康评估提供了一种有效的方法。

Claims (8)

1.一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，包括以下步骤：

1)采集雷达车天线传动系统运行数据，通过运行数据计算时域参数，从时域参数中筛选对于轴承、蜗轮故障敏感的特征指标；

通过多层小波分解方法对雷达车天线传动系统运行数据进行分解，将频域由低到高划分成多个频带，计算低频带故障特征频带的能量占比；

2)将对轴承、蜗轮故障敏感的特征指标进行归一化处理，得到特征值，将特征值和能量占比作为特征输入，训练自组织映射神经网络，得到最佳匹配单元；

将各种工况下的雷达车天线传动系统运行数据输入自组织映射神经网络，输出权值向量，权值向量与最佳匹配单元之间的欧式距离表征雷达车的运行状态；若欧式距离小于阈值，则雷达车天线传动系统运行状态正常；反之，雷达车天线传动系统运行状态异常。

2.根据权利要求1所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，用于传动系统状态监测的时域特征参数包括均方根值RMS、方根幅值RA、绝对均值AM、偏斜度Sk、峭度Ku、方差值Va、峰-峰值Ptp、波形因子WF、峰值因子PF以及脉冲因子IF。

3.根据权利要求2所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，用于传动系统状态监测的时域特征参数通过以下公式计算：

Ptp＝max(x_i)-min(x_i)

WF＝RMS/AM

PF＝max(x_i)/RMS

IF＝max(x_i)/AM

其中，x_i为信号频谱，N为信号长度，μ为信号均值。

4.根据权利要求1所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，对于轴承、蜗轮故障敏感的特征指标包括：方根幅值RA、绝对均值AM、峰-峰值Ptp以及波形因子WF。

5.根据权利要求4所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，对于轴承、蜗轮故障敏感的特征指标通过以下公式计算：

index3＝Ptp＝max(x_i)-min(x_i)；

index4＝WF＝RMS/AM；

其中，x_i为信号频谱，N为信号长度，μ为信号均值，index1为指标1，index2为指标2，index3为指标3，index4为指标4。

6.根据权利要求1所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，采用下式通过多层小波分解方法对雷达车天线传动系统运行数据进行分解；

其中，x(t)为振动信号，

为小波基函数，WT_x(b,a)为振动信号x(t)小波变换后的结果，a为尺度因子，b为时移因子，t为时间。

7.根据权利要求1所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，能量占比通过下式计算：

其中，f_fault为多层小波分解之后第四层低频频带中故障频带的频率值，f为第四层低频频带的所有频率值。

8.根据权利要求1所述的一种基于多特征融合SOM的车载天线传动系统健康评估方法，其特征在于，归一化处理通过下式进行计算：

x_{normalization}＝(x-min)/(max-min)；

其中，x为特征值，max为最大特征值，min为最小特征值，x_{normalization}为归一化之后的特征值。

Images