关于机械自动化设备管理维修中故障诊断和改造

王小力，王国路

随着我国制造行业与信息技术行业的快速发展，对于机械自动化设备的需求不断增加，设备的运行情况影响着制造行业的发展，对机械自动化设备的运行情况进行监测与故障诊断至关重要。基于此，本文提出了关于机械自动化设备管理维修中故障诊断和改造的研究，为解决复杂多样化的设备故障诊断工作提供帮助。

1 机械自动化设备故障诊断方式

机械自动化设备的故障诊断技术随着智能化信息技术的不断发展，得到了相应的完善，通过对设备的全面诊断，能够实现机械设备的预先维修，保障机械自动化设备在运行中的安全。对于机械自动化设备的故障诊断，主要包括单机监测与机群监测两种方式。

单机监测通过单个机械设备的运行状态，判断设备故障的位置，依靠智能化监测仪器完成，对设备的故障位置进行监测，将相关的故障数据传输到故障诊断人员设备中，发现设备的异常问题会发出报警信息。机械自动化设备在运转过程中，受到故障因素的影响，会产生一定规律的振动与周期性噪声，产生的振动对大多数自动化设备的结构与仪器不利，能够导致机械结构被恶性破坏，迅速增加结构的内应力，造成设备结构的变形，进而引发严重的设备故障。机械自动化设备的故障诊断技术以自动化与集成化为主，对设备的故障诊断与维修是一种无损的检测方法，包括获取振动信号与分解信号两个组成部分。通常情况下，利用适当的振动传感器获取信号的相关信息与机械运行状况，属于物理测量方法。采用信号处理方法提取设备的故障特征与类型，达到评估设备状态的目的。引入设备模态分析模型，设置故障警告与预警标准，预测设备的故障风险，当机械自动化设备的相关参数发生改变时，根据参数的变化，判断自动化设备的故障类型与程度。在机械设备中配置的单机监测设备，是实时掌握机械自动化设备运行数据的主要来源。机群监测是通过设备之间的连接作用，传输故障数据信息，分析机械设备故障的原因并制定具体的方案，多个设备共同实现故障管理与维修。机械自动化设备具有复杂的结构，应用场合的不同，使设备故障的原因呈现多样化发展，此时，智能化的故障诊断技术能够对设备故障进行准确地判断。

2 机械自动化设备管理维修中故障诊断和改造研究

2.1 机械自动化设备故障诊断

2.1.1 构建故障诊断DANN模型

在机械自动化设备的实际运行环境中，导致设备出现故障的振动数据，不同于传统的训练振动数据，两者的数据分布特性存在一定的差异。

本文对于机械自动化设备管理维修中的故障诊断，构建了故障诊断DANN模型，通过DANN模型的领域特征性，降低故障数据之间的差异性，应用于不同运行环境的设备诊断工作中。构建DANN故障诊断模型，首先要采集机械自动化设备在不同工况下的带标签样本，利用数据的预训练集，获取到无标签的诊断样本，将两种样本进行对抗训练，组成机械自动化设备故障分类诊断结果。将带标记样本集表示为DS；无标记样本集表示为DT，θ= {θ1,θ2,...,θN+1}表示DANN的参数集，N为每一层的权重参数，列出DANN模型输出层的表达公式。

模型的结构参数包括步长、个数与故障卷积层数量，设备故障在模型中的分类误差呈现反向传播。故障诊断DANN模型组合了多个层级的函数，通过函数的非线性变化，将故障数据转化为高阶特征的数据。将模型中训练好的隐含层进行连接，将各个神经元节点的参数作为模型的初始化参数，使得机械自动化设备在模型样本数量不足的情况下，能够全方位地进行特征自主学习。

2.1.2 振动信号分类

按照时间函数关系式，对机械自动化设备的振动信号进行分类，划分为故障信号与无故障信号，明确故障信号是确定性信号还是随机信号。设置特定的时刻，基于振动时间的瞬时值对信号进行描述。简谐振动是确定性信号的主要振动形式，基于正弦函数规律产生周期振动。信号运动的同时不断重复性周期振动，信号的振动波形呈现矩形波，不具有周期性，其振动频率之间皆为无理数。通过信号振动的位移与速度，判断振动信号的种类，利用不同的传感器获取故障信号，机械自动化设备的运转状态大部分是通过信号的振动幅值判断。在机械自动化设备运行中存在潜在风险时，设备的随机信号与确定性信号的振动幅值同步增大，频率阈值范围也相应扩大，导致信号的振动总值呈现上升状态。大多数的故障信号波形变化特征较为突出，通过波形变化对信号的分类作出初步判断。在设备运行状态良好时，随机振动信号的幅值相对较低，波形变化较弱；当机械自动化设备出现故障或存在潜在危险时，随机振动信号与确定性振动信号同步增大，其波形的周期性变化随之改变，伴有设备齿轮脱落的现象，信号的波形变化中存在脉冲，故障风险上升，信号的谐波变化越明显。

2.1.3 时域分解设备振动信号

基于上述构建的故障诊断DANN模型，获取到机械设备故障的高阶特征数据。采用机械自动化设备振动信息的时域信号，以时间为自变量，根据时间的先后顺序产生，振动信号中包含的机械故障信息量较大。

对设备的振动信号进行时域分解预处理，得到信号故障的时域波形，监测原始波形得出信号的脉冲与谐波，对设备的共振现象进行准确识别。在机械自动化设备管理维修中，不同的故障信号，波形变化具有不同的特征，例如设备的旋转机械平衡性能出现故障，时域信号的波形呈现正弦变化；设备的转子性能出现异常时，时域信号波形呈现周期性冲击变化。运用傅立叶变换算法，将振动信号中的频率成分进行分解，通过分析仪实现信号的分析。在实际信号测量过程中，时域分解设备振动信号受到外界干扰的可能较小，对信号波形变化产生的影响较小。

机械自动化设备故障大多数是转子不平衡导致的，转子不平衡主要由于转子出现弯曲、质量不平衡引起，受到转子的材质与装配影响，在分解相同故障信号在不同时间变化的关系时，通常依据信号的相关性变化反映故障信号的特征。由于信号的相关函数为衰减信号，则故障信号的自相关性为0，应用到检测周期性设备故障信号的成分中，即故障信号的自相关函数出现衰减，表示信号存在噪声成分。

2.1.4 设置机械自动化设备的振动监测点

通过设置机械自动化设备的振动监测点，分析其所在设备的位置信息，能够判断设备中具体存在哪些故障因素。将设备的振动监测点设置在齿轮与轴承几个重要的部位，根据自动化设备运行的特征与规律，本文确定了几个常用的故障振动监测点，监测点的位置点存在一定的差异，但是主要功能大致相似，本文设置的自动化设备振动监测点的位置信息参数，如表1所示。

表1 机械自动化设备振动监测点位置参数

如表1所示，为本文设置的自动化设备振动监测点的位置参数，由于安装的位置不同，相应的参数信息存在一定的差异，规定了设备振动的相关参数标准。

2.1.5 加权处理机械设备故障诊断信息熵

基于时域分解设备的振动信号后，得出设备故障信号的相关函数与衰减变化，对故障样本的信息熵值进行无标记筛选操作。

由于机械设备故障的不确定性，信息熵是度量故障不确定性的重要指标，包含故障的所有类别与概率信息。通常情况下，机械自动化设备的信息熵之间存在较大的差异，对故障的分类判定具有重要作用。选取机械设备故障的离群点，将不同振动信号的平均密度与领域密度进行计算，减少平均密度较小的样本点。对机械自动化设备的管理维修数据参数进行合理调整，将DANN模型中的主动学习样本剔除，完善故障信号离群点的常量系数。

综合考虑故障振动信号波形变化相似度过高的情况，对故障诊断信息未标记样本与带有标记的样本之间的余弦进行筛选。减少设备信息不确定性，对振动信号的相似度进行加权处理，最终得到改进后的故障数据BVS指标。

2.2 机械自动化设备管理维修改造

基于上述对机械自动化设备的故障诊断完毕后，对于设备的管理维修方面存在的不足，进行相关的改造处理。传统的机械自动化设备管理维修，粗放性与限制性较强，对工业的发展产生了一定限制，对环境也造成了严重的污染。本文采用绿色制造技术，改造机械自动化设备的管理维修，提高机械设备利用率的同时，减少维修产生污染物对环境的污染。

为了预防机械自动化设备事故的发生，基于设备的模态分析方法，采用FFT分析仪，采集设备的故障数据以及振动传感数据，根据响应信号的参数，设置模态识别参数。输入设备的信号特征与白噪声，利用移动激励点的变化位置获取到振型数据信息。根据设备的参数识别依据以及设备阻尼的耦合特征，建立模态模型，结合频域法的识别技术，识别振型中的时域信号，放大振型的几何形状。激励点的设置要综合考虑信号来源与激振器的信息，连接设备的传感器与放大器，增强机械自动化设备的信号变化。结合设备的无故障数学模型，探测设备中的振动数据与结构振动信息，将故障设备与无故障设备的振动融合，预测机械自动化设备的故障。当无故障设备的结构参数发生变化时，模型中的频率响应函数会随之改变，可以作为机械自动化设备早期故障的判断标志。由于机械自动化设备的振动信号影响设备的可靠性运行，为了预防自动化设备的故障发生，通过上述研究，本文构建了机械自动化设备的故障预警标准，如表2所示。

表2 机械自动化设备故障预警标准

如表2所示，为本文构建的设备故障预警标准，在标准设置中规定了设备各个部件的振动限值，根据限值的范围，将故障风险的出现，划分为警告与报警两种类型，能够有效地预防故障风险的发生。

对机械设备的故障机理进行建模改造，得到故障信息PCA，基于高维特征参数，将故障信息映射到低维空间，对故障的管理维修提供后续分析处理操作。由于机械设备的长期应用，在数据的收集处理方面容易出现故障，对设备的自适应数据挖掘性能进行改造，保持数据服从先验分布，调整设备历史数据的训练集。结合设备振动信号的频谱特征，对设备的基础结构加以优化。建立故障特征矩阵，将设备压缩机等特定的故障类别输入到特征矩阵中，有效地识别机械自动化设备的特定故障，及时采取措施进行管理与维修，降低设备出现故障的概率。

3 实验分析

3.1 实验准备

为了验证本文提出的关于机械自动化设备管理维修中故障诊断和改造的有效性，进行以下实验。本实验采用某实验室机械自动化设备的轴承数据集，其中轴承的负载为0.824kW，转速为1670rpm，选取其中1000组数据作为无标记样本，500组数据为有标记样本。对数据集的划分依据实际工程中的真实场景，将数据集划分结束后，对数据集进行DANN模型迭代训练，保持每次迭代训练的样本集个数为50，迭代次数为100。在迭代训练的同时，选取500组数据进行分类结果测试。本实验进行的DANN模型迭代训练，相关的参数设定如表3所示。

表3 DANN模型迭代训练参数

根据表3可知，DANN模型迭代训练采用动量梯度算法，模型的Dropout参数设置为0.8，迭代训练的正则化系数设置为0.005。

3.2 结果分析

为了更好地验证本文提出的故障诊断方法的优势，本文采用对比实验的方式进行验证，设置本文提出的故障诊断DANN模型为实验组，传统的对抗网络诊断模型为对照组，对比两种故障诊断方法的信息熵值变化，如图1所示。

图1 两种故障诊断模型信息熵值变化对比

根据图1可知，本文提出的DANN故障诊断模型的信息熵值变化呈现持续上升趋势，传统的故障诊断模型随着迭代次数的不断增加，信息熵值存在下降的趋势，无法对机械自动化设备的管理维修提供准确的故障诊断依据。因此，实验证明本文提出的DANN故障诊断模型在机械设备不断迭代中，能够有效地提高设备的信息熵，对机械自动化设备的维修管理具有重要意义。

4 结语

随着工业与制造业的快速发展，对机械自动化设备的需求量逐渐增大，机械自动化设备的稳定运行，对企业的发展具有一定的影响。本文提出的关于机械自动化设备管理维修中故障诊断和改造研究，具备良好的故障诊断效果，最大限度地提升了机械设备的诊断性能。试验表明，较传统的故障诊断模型相比，本文提出的DANN故障诊断模型随着设备迭代次数的增加，信息熵值得到了有效地提高，能够为设备的管理维修提供精确的数据信息，完善机械自动化设备管理维修中的不足。