CN115014748A - 一种用于籽棉分选喷阀的故障诊断方法 - Google Patents

Abstract

本发明公开了一种用于籽棉分选喷阀的故障诊断方法，属于设备故障检测技术领域，该方法采集振动信号，利用傅里叶变换实时计算在多个不同位置采集到的振动数据主要成分，记录这些主要成分的周期；获得校正以及去噪后的信号；将去噪后的信号按其各主成分周期打断后排列，形成输入张量；将去噪后的信号作为训练数据对特征提取和分类网络进行训练利用训练后的分类网络进行分类，得出喷阀阵列的具体故障情况。本发明能够加大采样频率以获得更高的准确率；借用图像处理领域的深度可分离卷积思想，达到隔离各位置采集的振动特征的目的；设置周期超参数，有依据地确定该参数值，相比其他模型更具可解释性和用于不同籽棉异纤分选机的针对性。

Description

一种用于籽棉分选喷阀的故障诊断方法

技术领域

本发明属于设备故障检测技术领域，具体涉及一种用于籽棉分选喷阀的故障诊断方法。

背景技术

我国棉花产业中籽棉异纤分选环节多设置在棉花原产地，新疆是我国重要的棉花产地，由于其空气湿度低、日间气温高，不利于籽棉存放和分选加工。因此，籽棉异纤分选场所常维持较高的室内湿度。籽棉异纤分选机通常是通过光谱相机识别出异纤坐标并且发送给传送带末端的喷阀装置，喷阀喷出高压气体将异纤剔除，但由于昼夜温差大、夜间气温低等气候特点难以克服，籽棉异纤分选机长时间运行过程中，容易在执行机构电磁喷阀内形成冷凝水甚至结冰，导致喷阀工作不正常，影响异纤除杂率。电磁喷阀数量多且执行动作小，难以通过人工观察确定故障，而传统的故障检测方法多用于具有规律动作的轴承、齿轮等机械装置，难以适用籽棉异纤分选机采用的高速喷阀阵列。因此喷阀阵列的在线故障检测对于籽棉异纤分选产业来说是一个亟待解决的技术难题。

发明内容

技术问题：针对现有技术中存在的上述问题，本发明所要解决的技术问题在于提供一种用于籽棉分选喷阀的故障诊断方法对喷阀阵列进行在线故障检测。

技术方案：为了解决上述技术问题，本发明采用的技术方案如下：

一种用于籽棉分选喷阀的故障诊断方法，在目标机器正常运行过程中，利用振动传感器采集喷阀阵列附近机壳上不同位置的无故障振动信号，利用傅里叶变换实时计算在多个不同位置采集到的振动数据主要成分，记录这些主要成分的周期；通过分解和重构，获得校正以及去噪后的信号；利用故障喷阀依次替换喷阀阵列中的每个喷阀，再次在相同位置采集故障振动信号，经过与喷阀阵列正常运行时相同的处理步骤后获得校正以及去噪后的信号，将去噪后的信号按其各主成分周期打断后排列，形成输入张量；将无故障振动信号和故障振动信号作为训练数据对特征提取和分类网络进行训练，对各张量应用因果深度可分离卷积提取特征，利用训练后的分类网络进行分类，得出喷阀阵列的具体故障情况，具体包括以下步骤：

步骤1、在目标机器正常运行过程中，采集一段喷阀阵列附近机壳上不同位置的振动信号，计算其均值和方差，并对各信号进行傅里叶变换，按能量从高到低确定3个主要分量的周期T_a,a＝1,2,3；

步骤2、重新采集与步骤1中相同位置的固定长度的集振动信号Ω₁,Ω₂,…Ω_n，并进行校正与降噪；

步骤3、将降噪后的各个序列分别按周期T₁,T₂,T₃切分后扩展维度，形成3个3维张量X₁,X₂,X₃，下式中用X_a表示：

式中，a表示主要分量的周期编号，i_a,j_a,k_a分别为周期、时间、序列的索引，m_a为按照第a周期切分的序列长度，在大小不足的维度上补0填充，使得各个张量形状一致，M是为X_a的行数，T是步骤1中3个主要分量的周期的最大值；

步骤4、将所述的张量X₁,X₂,X₃作为特征提取网络的输入，特征提取网络包含一个或多个因果深度可分离卷积层，特征提取网络输出的特征作为分类网络的输入，分类网络输出发生故障的概率向量P，定义如下：

P＝[p_y]_Y×1

式中，y为喷阀编号，Y为喷阀总数；

步骤5、求得故障喷阀编号y_err，公式如下：

式中，th为设定的阈值，y_err为0表示没有喷阀发生故障；

步骤6、将一故障喷阀依次替换各喷阀后启动机器，重复步骤2并同时记录故障喷阀所替换的位置，直至每个喷阀都被替换过，得到故障振动信号数据；

步骤7、喷阀阵列无故障的情况下再次重复步骤2执行Y次，得到无故障振动信号数据；

步骤8、采用步骤6和步骤7中数据作为训练数据对特征提取和分类网络进行训练；

步骤9、在目标机器上应用步骤8中已训练的网络进行故障检测。

进一步的，所述振动信号的采集位置不少于两个。

进一步的，所述校正以及去噪过程如下：

首先，计算对振动信号Ω进行校正得到校正后的信号Ω_norm，公式如下：

式中，μ_Ω为原信号的均值，σ_Ω为原信号的标准差；

其次，对Ω_norm信号进行降噪，采用完全噪声辅助聚合经验模态分解获得信号的各内涵模态分量，并由连续均方误差准则判断含噪分量，对其进行卡尔曼滤波后重构得到去噪的信号Ω′。

进一步的，所述步骤4中因果深度可分离卷积为因果卷积升维后与深度可分离卷积组合得到，首先，将k×k×3的矩阵作为拓展的因果卷积核，k为卷积核大小，单次卷积所得结果在位置与卷积核末尾元素对齐；其次，将输入张量的第3维度中各通道与卷积核第3维度中各通道一一对应，仅在各通道内进行扩张卷积，输出仍为3维张量。

进一步的，所述步骤4中特征提取网络由多个因果深度可分离卷积层、skip结构以及逐点卷积层构成。

进一步的，所述步骤4中分类网络的输出层为全局池化层。

进一步的，振动传感器为ICP型加速度传感器，工作频率大于50kHz，所述振动信号采样率不低于50kHz，采样深度不低于100kSa，采样时间不低于2秒。

有益效果：与现有技术相比，本发明具有以下优点：(1)本发明所提出的神经网络中，将振动的时间序列数据划分排列后应用2维卷积进行特征提取，显著提高时间序列处理的并行度，能够充分利用硬件对计算进行加速，与同类神经网络模型相比具有更高的计算速度，从而能够加大采样频率以获得更高的准确率。

(2)本发明将振动的时间序列数据按多个周期分量划分并拓展因果卷积至2维，卷积计算过程中充分体现喷阀整体的开关周期和外壳部件的共振频率等，有利于网络训练阶段的收敛并提高分类精度。

(3)本发明借用图像处理领域的深度可分离卷积思想，达到隔离各位置采集的振动特征的目的。

(4)本发明加入逐点卷积对同一时刻不同位置的振动特征进行融合，利用逐点卷积层加强有效位置的数据，削弱或屏蔽无效位置的数据，极大提高了传感器安装的灵活度并扩大了传感器选型范围。

(5)本发明设置周期超参数，可有依据地确定该参数值，相比其他基于神经网络的模型更具可解释性和用于不同籽棉异纤分选机的针对性。

附图说明

图1是本发明方法流程图；

图2是实施例中对采集一段振动信号进行傅里叶变换后的振动数据折线图；

图3是实施例中采集信号降噪前和降噪后振动数据折线图；

图4是实施例中神经网络结构示意图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。

如图1所示，本实施例提供了一种用于籽棉分选喷阀的故障诊断方法，包括以下步骤：

步骤1、在目标机器正常运行过程中，利用振动传感器采集一段喷阀阵列附近机壳上不同位置的振动信号，振动传感器为ICP型加速度传感器，工作频率大于50kHz，振动信号的采样位置设置多个，振动信号采样率为50kHz，采样深度不低于100kSa，kSa是kiloSamples，即千个采样点，采样时间不低于2秒，并对各信号进行傅里叶变换，按能量从高到低确定3个主要分量的周期T_a,a＝1,2,3；变换后频谱如图2所示，图2中纵坐标可以表征能量强度，单位为m/s²·s，其中s²中的s为秒，后面乘的s为频域单位，横坐标为Hz；从图中可以看出，信号能量集中在245Hz、427Hz、787Hz附近，由于采样频率为50kHz，因此选择的三个周期分别为204、117、64，计算得到原数据均值为-0.015，标准差为0.289。这一步骤中采集的数据的特征能够体现喷阀整体的开关周期和外壳部件的共振频率。

步骤2、重新采集与步骤1中相同位置的固定长度的集振动信号Ω₁,Ω₂,…Ω_n，对获得的振动信号校正与降噪，过程如下：

首先，计算对振动信号Ω进行校正得到校正后的信号Ω_norm，公式如下：

式中，μ_Ω为原信号的均值，σ_Ω为原信号的标准差；

其次，对Ω_norm信号进行降噪，采用完全噪声辅助聚合经验模态分解获得信号的各内涵模态分量，并由连续均方误差准则判断含噪分量，对其进行卡尔曼滤波后重构得到去噪的信号Ω′；

本实施例中图3(a)为信号的一部分，进行校正与降噪，降噪后数据如图3(b)所示，从图中可以看出，降噪后数据在保留主要周期特征的同时滤除了高频噪声。图3中横坐标为采样点，单位为“Sample”，即采样点；纵坐标表征振动的加速度，为送入神经网络，数据进行过标准化，纵坐标单位为m/s²，由于已经不是原始数值，因此图中未标单位。

步骤3、将降噪后的各个序列分别按周期T₁,T₂,T₃切分后扩展维度，形成3个3维张量X₁,X₂,X₃，下式中用X_a表示：

式中，a表示主要分量的周期编号，i_a,j_a,k_a分别为周期、时间、序列的索引，m_a为按照第a周期切分的序列长度，在大小不足的维度上补0填充，使得各个张量形状一致；

本实施例中，将降噪后的各个序列分别按周期204、117、64切分后扩展维度，形成3个3维张量X₁,X₂,X₃∈R^1562×204×3。R为实数向量空间的数学符号，R^1562×204×3表示维度为3，尺寸分别为1562，204，3的张量空间。

步骤4、将所述的张量X₁,X₂,X₃作为特征提取网络的输入，特征提取网络输出的特征作为分类网络的输入，为加强有效位置的数据，特征提取网络由多个因果深度可分离卷积层、skip结构以及逐点卷积层构成，skip为来源于ResNet的残差结构，作用为一是将网络的学习目标变为残差，替换原本的输入；二是避免训练过程中的梯度消失；逐点卷积层指卷积核为1x1的卷积层，作用为对于各个通道的数据进行加权，获得更明显的振动特征；网络总体结构如图4所示，其中因果深度可分离卷积为因果卷积升维后与深度可分离卷积组合得到，首先，将k×k×3的卷积核矩阵作为拓展的因果卷积核，k指卷积核大小，单次卷积所得结果在位置与卷积核末尾元素对齐；

其次，将输入张量的第3维度中各通道与卷积核第3维度中各通道一一对应，仅在各通道内进行扩张卷积，输出仍为3维张量；

分类网络的输出层为全局池化层，分类网络输出发生故障的概率向量P，定义如下：

P＝[p_y]_Y×1

式中，y为喷阀编号，Y为喷阀总数。

步骤5、求得故障喷阀编号y_err，公式如下：

式中，th为设定的阈值，本实施例中设为0.5，y_err为0表示没有喷阀发生故障；从而采样过程中的故障情况用独热编码表示，无故障采用0向量表示。

步骤6、将一故障喷阀依次替换各喷阀后启动机器，重复步骤2并同时记录故障喷阀所替换的位置，直至每个喷阀都被替换过，得到故障振动信号数据。

步骤7、喷阀阵列无故障的情况下再次重复步骤2执行Y次，Y为喷阀总数，得到无故障振动信号数据。

步骤8、采用步骤6和步骤7中数据作为训练数据对特征提取和分类网络进行训练。

步骤9、在目标机器上应用步骤8中已训练的网络进行故障检测。从而能够对喷阀阵列进行在线故障检测。

机器运行过程中实时测量的喷阀的震动数据，用于输入神经网络进行判断哪个喷阀有故障或无故障发生；由人工确认神经网络提示故障的喷阀是否真的故障，准确率＝确认为故障的次数/神经网络报告故障次数。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种用于籽棉分选喷阀的故障诊断方法，其特征在于，在目标机器正常运行过程中，利用振动传感器采集喷阀阵列附近机壳上不同位置的无故障振动信号，利用傅里叶变换实时计算在多个不同位置采集到的振动数据主要成分，记录这些主要成分的周期；通过分解和重构，获得校正以及去噪后的信号；利用故障喷阀依次替换喷阀阵列中的每个喷阀，再次在相同位置采集故障振动信号，经过与喷阀阵列正常运行时相同的处理步骤后获得校正以及去噪后的信号，将去噪后的信号按其各主成分周期打断后排列，形成输入张量；将无故障振动信号和故障振动信号作为训练数据对特征提取和分类网络进行训练，对各张量应用因果深度可分离卷积提取特征，利用训练后的分类网络进行分类，得出喷阀阵列的具体故障情况，具体包括以下步骤：

步骤1、在目标机器正常运行过程中，采集一段喷阀阵列附近机壳上不同位置的振动信号，计算其均值和方差，并对各信号进行傅里叶变换，按能量从高到低确定3个主要分量的周期T_a,a＝1,2,3；

步骤2、重新采集与步骤1中相同位置的固定长度的集振动信号Ω₁,Ω₂,…Ω_n，并进行校正与降噪；

步骤3、将降噪后的各个序列分别按周期T₁,T₂,T₃切分后扩展维度，形成3个3维张量X₁,X₂,X₃，下式中用X_a表示：

式中，a表示主要分量的周期编号，i_a,j_a,k_a分别为周期、时间、序列的索引，m_a为按照第a周期切分的序列长度，在大小不足的维度上补0填充，使得各个张量形状一致，M是为X_a的行数，T是步骤1中3个主要分量的周期的最大值；

步骤4、将所述的张量X₁,X₂,X₃作为特征提取网络的输入，特征提取网络包含一个或多个因果深度可分离卷积层，特征提取网络输出的特征作为分类网络的输入，分类网络输出发生故障的概率向量P，定义如下：

P＝[p_y]_Y×1

式中，y为喷阀编号，Y为喷阀总数；

步骤5、求得故障喷阀编号y_err，公式如下：

式中，th为设定的阈值，y_err为0表示没有喷阀发生故障；

步骤6、将一故障喷阀依次替换各喷阀后启动机器，重复步骤2并同时记录故障喷阀所替换的位置，直至每个喷阀都被替换过，得到故障振动信号数据；

步骤7、喷阀阵列无故障的情况下再次重复步骤2执行Y次，得到无故障振动信号数据；

步骤8、采用步骤6和步骤7中数据作为训练数据对特征提取和分类网络进行训练；

步骤9、在目标机器上应用步骤8中已训练的网络进行故障检测。

2.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述振动信号的采集位置不少于两个。

3.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述校正以及去噪过程如下：

首先，计算对振动信号Ω进行校正得到校正后的信号Ω_norm，公式如下：

式中，μ_Ω为原信号的均值，σ_Ω为原信号的标准差；

其次，对Ω_norm信号进行降噪，采用完全噪声辅助聚合经验模态分解获得信号的各内涵模态分量，并由连续均方误差准则判断含噪分量，对其进行卡尔曼滤波后重构得到去噪的信号Ω′。

4.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述步骤4中因果深度可分离卷积为因果卷积升维后与深度可分离卷积组合得到，首先，将k×k×3的矩阵作为拓展的因果卷积核，k为卷积核大小，单次卷积所得结果在位置与卷积核末尾元素对齐；其次，将输入张量的第3维度中各通道与卷积核第3维度中各通道一一对应，仅在各通道内进行扩张卷积，输出仍为3维张量。

5.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述步骤4中特征提取网络由多个因果深度可分离卷积层、skip结构以及逐点卷积层构成。

6.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，所述步骤4中分类网络的输出层为全局池化层。

7.根据权利要求1所述的用于籽棉分选喷阀的故障诊断方法，其特征在于，振动传感器为ICP型加速度传感器，工作频率大于50kHz，所述振动信号采样率不低于50kHz，采样深度不低于100kSa，采样时间不低于2秒。

Images