基于Pajek的沥青摊铺机故障网络分析与诊断

唐红雨， 田 磐， 王志英

(1．镇江高等专科学校 电子与信息工程系， 江苏 镇江 212003；2.江苏科技大学 经济管理学院， 江苏 镇江 212003)

0 引 言

近年来，随着我国交通基础设施投资规模加大，高等级公路的规模快速向前推进。科技的发展和施工周期的因素促进公路施工机械技术水平飞速发展，而施工机械技术水平对公路建设有着重要的影响。沥青摊铺机是用来将搅拌和好的沥青骨料混合物均匀地摊铺在路基或基层上的专用设备，也是主要的路面施工机械，是一个复杂的机电液设备。在施工过程中，受到各种因素的影响，容易出现故障，若不能及时排除，将造成损失。因而建立故障预警机制，对沥青摊铺机的故障网络进行分析和诊断，有着重要的实际意义。

摊铺机的故障诊断技术已经有了一定研究，但方法有所差异[1]，其中有基于模糊神经网络的摊铺机智能故障诊断系统[2]，基于BP神经网络的摊铺机故障诊断[3]，文献[4]以沥青混合料摊铺机自动调平系统为例，设计了系统状态监测与故障自诊断功能。文献[5]对施工中出现的自动调平系统故障进行了诊断与排除。这些方法只对摊铺机的部分环节进行诊断，没有对整个系统进行全面故障诊断，对信号特征提取和故障网络没有深入的分析，况且状态量多，算法计算量大。

本文结合江苏华通公司的2LTLZ45型沥青摊铺机设计为例，对这些系列问题进行全面综合性深入分析。

1 故障诊断原理

沥青摊铺机整机系统包括动力系统、传动系统、行走系统、液压系统、电气系统、输分料系统、振实系统、找平系统、润滑系统等。在施工过程中，由于环境差异，容易出现故障，为了能及时了解摊铺机的工作技术状况和状态参数，必须建立摊铺机故障诊断系统，依靠先进的传感器，检测部件的状态信息，并对这些信息用智能算法进行各种分析和处理，及时排除异常状态。

本方案设计故障诊断系统基本环节包括：信号的采集、小波包检测信号、特征信号参数的提取、Pajek故障网络分析、神经网络学习、智能诊断并给出故障原因和部件，如图1所示。其中摊铺机各部件状态数据的采集需要通过各种传感器实时动态检测运行过程中的状态信息；小波包检测信号和特征信号提取是用小波包分解降噪原理，提取信号序列中的部件状态特征量，找到部件状态和特征量的映射关系，分离出故障的特征信息；Pajek故障网络分析是通过网络分析软件Pajek对故障网络进行分析，分清主次，达到降维的目的，为智能诊断算法降低运算量；智能神经网络学习是利用神经网络的学习功能对表征故障的特征量进行训练，对当前工作状态及其变化趋势做出准确的判断和预测，以达到快速定位故障信息，最后给出故障原因和部件。

图1 故障诊断原理图

2 小波包提取信号特征

沥青摊铺机状态特征量较多，且含有干扰信号造成其运行状态波动，需要采用智能方法准确地识辨信号，有效地实现信号和噪声的分离。在本设计方案中，采用小波包检测算法[6]，能够有效识辨突变和高频噪声信号，把淹没在干扰信号中的有用信号检测出来，提出信号特征。图2为3层小波包分解示意图，图3为小波包节点(2,3)的系数序列。

图2 3层小波分解图 图3 小波包(2,3)系数

通过两组滤波器将信号分解成低频和高频段，然后再分别对各频段进行细分，并对各层系数进行阈值处理，最后得到降噪以后的各细节信号和逼近信号[7]。正常情况下小波系数的模不会产生大波动，当待检测信号有突变时，小波变换的系数具有模极大值，利用这个特点，就可以检测待检信号的奇异点，从而检测出故障信号。

3 故障的网络分析

3.1 Pajek软件概述及应用

Pajek是大型复杂网络分析工具，是用于研究各种复杂非线性网络的有力工具。Pajek自身拥有一整套高效的算法，可对大型网络进行分析，具有较快的计算速度[8]。沥青摊铺机的故障原因杂而多，机电液本身的缺陷、操作人员的误操作等都有可能造成。对于这样多的引起故障原因，在进行故障诊断时，就需要建立一个复杂网络的拓扑结构，若复杂网络的节点众多，则会造成计算量大，使系统控制的实时性降低。而Pajek就可以有效克服这样的缺陷，在应用网络分析中发挥其优势，使问题解决简单化。

利用Pajek软件对故障网络参数的相互关系进行分析，提取出关键参数，将故障监测点作为节点，故障点间的影响关系作为有向边，故障点影响关系量化为边的权值，这样就构成了一个加权有向网络。这里用Gx表示某一故障。图4给出了摊铺机故障的关系。通过各个故障的连接情况，可以直观地看到故障之间的关系。在发生了多次故障的情况下，通过入度方向进行排查，很容易找出根源节点，即故障源。

图4 摊铺机故障网络图

3.2 节点的度

节点i的度ki表明了节点的关键程度[9]，定义为与该节点i连接的其它节点的数目。在摊铺机系统中，节点i的度表示某个部件故障与各个故障原因关联的情况，i的值越大，说明该部件在摊铺机体系中的作用和影响力越大，权重越大，节点度的分析见表1。对于有向图，一个节点的度可分为入度和出度两类。节点i的入度定义为指向节点i的节点的数目，出度为被节点i指向的节点的数目。出度和入度之和即为该节点的总的度。

3.3 节点的聚类系数

聚类系数是衡量与其相邻节点间内部联系紧密程度的一个物理量，在摊铺机体系中，节点i的聚类系数越大，说明该故障部件和其他引起故障原因之间越紧密，地位越重要。假设节点i有l条边与其他节点相连，l称为i的邻居，E1(i)为i节点之间实际存在的边数，则聚类系数为

,

(1)

整个复杂网络的聚类系数定义CC1就是所有节点聚类系数的平均值。如果节点i通过l条边与节点i相连，那么这两个节点就互为l近邻。针对摊铺机故障系统的分类，运用Pajek软件进行，该网络的聚类系数CC1和2近邻聚类系数CC2见表1。

表1 摊铺机故障网络Pajek仿真结果

从表1数据可以看出动力系统的聚类系数和近邻聚类系数最大，因此动力系统是整个摊铺机系统的核心，最容易受干扰，故障率最高，对其他系统影响大。

4 神经网络诊断

由于沥青摊铺机的结构，直接对整机进行故障诊断难度较大，需首先由网络软件分析特征信号状态，初步判断故障可能处在的位置，然后用智能神经网络算法进行故障的准确判断。神经网络通过自身的学习机制，自动形成所要求的决策区域，图5为神经网络诊断系统。本文利用改进PSO算法对训练样本进行优化，搜索隐含层各节点的中心值Cj和基宽向量bj以及输出层与隐含层之间的连接权重Wij的最优值，从而实现基于PSO算法优化的神经网络[10]。神经网络控制器NC将接受小脑模型关联控制器的训练，每当运行条件变换式神经网络控制器的性能下降到某一限度时，运行监控器EM将调整系统的工作状态，使神经网络处于学习状态，将保证系统的正确输出。

图5 神经网络诊断系统

假设一个含奇异点的采样信号可以表示为：

x(t)=f(t)+αφ(t)，

其中t为采样间隔，x(t)为特征信号，φ(t)为噪声信号，α为干扰系数。

特征信号提取后，首先用归一化方法进行处理，公式如:

(2)

把沥青摊铺机的特征信号归一化处理后，使采样信号位于[0,1]区间内，经过Pajek网络分析，我们设定的故障特征向量为9×9的矩阵X，目标向量为一维数组Y,YT=(y1,y2,…,y9)。

假设神经网络学习函数为:

(3)

训练过程中，权值的调整计算公式为：

Wij(k+1)=Wij(k)+△Wij(k),

(4)

×b1i,

(5)

输出为：

×b1i)2),

(6)

径向基函数的阈值b1可以调节函数的灵敏度。实际工程中一般采用扩展系数C，b1和C满足关系b1=0.823 6/C。x经过归一化处理后得到对应y，且都在区间[0,1]上。 假设经过Pajek软件分析以后得到行走系统存在故障，然后用PSO优化神经网络对其进行学习训练，行走系统主要包括左右行走马达和履带，常见故障有转向不灵、行走跑偏、不行走或者行驶无力、后退单向无力、行车制动失灵、行走速度异常、液压张紧装置无压力、左右驱动马达电流不稳定、横波调节缓慢,分别对应网络图中的代码G12、G13、G14、G15、G16、G17、G18、G19、G20等。这里取压力、速度、油压、电流、角度作为检测信号，把特征信号归一化处理后的特征样本数据先进行训练得到网络的结构，为了证明本文方法的有效性，将特征向量输入PSO优化神经网络和Pajek软件分析以后的网络中进行网络结构训练，并进行迭代的比较，未用Pajek软件分析，神经网络迭代次数为68，用Pajek软件分析后，PSO优化神经网络迭代次数为20，如图6、7所示，用Pajek软件分析过的网络可以大大减少训练的迭代次数，提高速度。然后运用PSO优化后的神经网络进行数据测试，这里针对行走系统设计9组数据，测试结果如表2所示。

图6 未用Pajek分析神经网络训练结果图 图7 使用Pajek分析神经网络训练结果图

故障类型序号样本测试输入压力速度油压电流角度期望输出区间实际输出结果诊断结果G1210.109 10.221 10.131 40.302 10.108 9[0.0,0.1]0.091 2G12G1320.259 30.203 00.059 10.243 10.207 5[0.1,0.2]0.182 5G13G1430.389 90.191 80.200 10.082 90.302 1[0.2,0.3]0.223 5G14G1540.420 10.195 00.031 90.260 10.170 1[0.3,0.4]0.381 0G15G1650.515 30.089 00.038 90.923 40.451 2[0.4,0.5]0.436 7G16G1760.660 20.186 70.110 80.110 20.556 7[0.5,0.6]0.589 2G17G1870.701 90.120 20.078 30.090 10.459 7[0.6,0.7]0.630 8G18G1980.756 90.191 10.100 20.083 20.334 5[0.7,0.8]0.712 7G19G2090.856 90.302 10.520 20.120 50.008 9[0.8,1.0]0.907 8G20

从测试结果分析，用Pajek软件分析后，再进行PSO优化神经网络算法，能够快速诊断出行走系统故障类别，减少训练步数，实现摊铺机故障诊断，从而提高故障诊断的效率。

5 结 语

对摊铺机作业时各种故障进行了分析诊断，利用小波变换，信号突变产生极大值的特点提取故障的特征状态信息，建立了故障征兆网络。在Pajek软件的强有力分析下，用PSO优化神经网络算法进行状态样本数据的学习，确定出了故障信息。使系统降维，减少了计算量。测试结果表明，实际输出符合期望输出，达到预想目标。使故障排除，减少了损失，提高了施工质量。沥青摊铺机故障分析与诊断处理具有很好的实用意义。

[参考文献]

[1] 李玺.基于模糊神经网络的路面施工机械故障诊断专家系统[D].长沙：中南大学,2005.

[2] 司癸卯,王安麟，査志峰，等.基于模糊神经网络的摊铺机智能故障诊断系统[J].长安大学学报:自然科学版,2007,27(3):98-102.

[3] 王政，吴运新，黄神富.基于BP神经网络的摊铺机智能故障诊断[J].机械工程与自动化, 2004(6):12-15.

[4] 梁杰,单绍福.沥青混合料摊铺机的状态监测与故障自诊断[J].筑路机械与施工自动化,2004(2):20-22.

[5] 任铁光.沥青摊铺机自动调平系统故障诊断与排除[J].公路与汽运,2008，3(2):166-167.

[6] 何怡刚,祝文姬，周炎涛，等.基于粒子群算法的模拟电路故障诊断方法[J].电工技术学报,2010,25(6)：163-171.

[7] 李胜,张培林，吴定海，等.基于渐近式权值小波降噪和Adaboost算法的液压泵故障诊断[J].中国机械工程,2011,22(9):1067-1070.

[8] 张爱萍.复杂网络的仿真研究及在轮机系统中的应用[D].大连：大连海事大学,2010.

[9] 阮树朋,赵文杰，雷盼飞，等.基于复杂网络的防空武器系统目标选择研究[J]. 指挥控制与仿真,2012,34(1)：23-28.

[10] 飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005.