一種基于RBF神經(jīng)網(wǎng)絡(luò)的卷接機振動狀態(tài)監(jiān)測系統(tǒng)

摘 要：本文首先介紹了基于徑向基函數(shù)（radial basis function, RBF）神經(jīng)網(wǎng)絡(luò)的卷接機振動狀態(tài)監(jiān)測系統(tǒng)的總體方案設(shè)計；然后對硬件設(shè)計方案進行了說明；接著詳細描述了系統(tǒng)的軟件設(shè)計部分，包括數(shù)據(jù)交互處理、時域特征識別、FFT分析過程和特征提取等模塊。最后，對卷接機振動狀態(tài)監(jiān)測系統(tǒng)的研制成果進行總結(jié)。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；振動監(jiān)測；卷接機

1 引言

卷接機是卷煙生產(chǎn)過程中的一個重要設(shè)備，其功能是將煙絲卷制成煙支。隨著卷接設(shè)備的高速發(fā)展，卷接設(shè)備的結(jié)構(gòu)日趨復(fù)雜、精密，為了實現(xiàn)高效生產(chǎn)，提高卷煙速度，僅憑技術(shù)和經(jīng)驗，效果畢竟有限，難以推動生產(chǎn)效率真正躍上新臺階。主要原因在于，機械損耗和意外故障等難以預(yù)料的因素導(dǎo)致卷接機無法正常運轉(zhuǎn)而引起的緊急關(guān)停，嚴(yán)重影響了卷接機的運轉(zhuǎn)率。為了進一步減少卷接機故障停機時間，提高設(shè)備有效作業(yè)率，本文提出了一種基于 RBF 神經(jīng)網(wǎng)絡(luò)的卷接機振動狀態(tài)監(jiān)測系統(tǒng)。

在故障設(shè)備診斷中，故障特征與故障模式并不是簡單的一一對應(yīng)關(guān)系，其構(gòu)成的特征空間比較復(fù)雜，常常線性不可分。而 RBF 神經(jīng)網(wǎng)絡(luò)能夠映射這種任意復(fù)雜的非線性關(guān)系，本文提取振動信號的時、頻域特征，輸入 RBF 神經(jīng)網(wǎng)絡(luò)進行特征識別和分類，進而對振動狀態(tài)進行監(jiān)測。

2 系統(tǒng)總體方案設(shè)計

卷接機振動狀態(tài)監(jiān)測系統(tǒng)總體方案如圖 1 所示，包括傳感采集模塊、振動信號監(jiān)測模塊、人機交互模塊。

傳感采集模塊選用頻率響應(yīng)范圍 10 kHz 的振動傳感器以滿足系統(tǒng)對振動頻率的要求，考慮到卷接機組空間范圍的限制，振動傳感器采用磁吸方式吸附。

振動信號監(jiān)測模塊選用倍福 C6000 系列處理器作為控制單元，采用多任務(wù)并行處理方式，首先對振動信號進行滑動平均濾波；然后測量振動信號的時域特征 RMS，和頻率特征 FFT；最后提取特征向量，輸入 RBF 神經(jīng)網(wǎng)絡(luò)，完成振動故障預(yù)判。

人機交互模塊，采用 C# 編程語言，完成角色管理、權(quán)限分配、日志管理、數(shù)據(jù)存儲、故障報警和參數(shù)設(shè)置等功能。

3 硬件設(shè)計

采用工業(yè)式 PC 模塊，超采樣模擬量輸入端子模塊，帶 IEPE 接口的加速度傳感器模塊和工控機組成。超采樣模擬量輸入端子模塊首先完成配置濾波器和供電電流的調(diào)整，然后以 10 倍的采樣倍數(shù)完成振動數(shù)據(jù)的采集。采集的振動數(shù)據(jù)輸入工業(yè)式 PC 模塊。工業(yè)式 PC 模塊對采集的振動數(shù)據(jù)進行濾波，并完成振動特征數(shù)據(jù)的計算與存儲。然后通過 ADS 通信協(xié)議與工控 機進行數(shù)據(jù)通信。工控機完成 RBF 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和數(shù)據(jù)的測試，實現(xiàn)故障診斷和界面顯示功能。振動狀態(tài)監(jiān)測的硬件連接 圖如圖 2 所示。

4 軟件設(shè)計

4.1 數(shù)據(jù)交互

本系統(tǒng)的數(shù)據(jù)處理主要分布在工業(yè)式 PC 和工控機兩端，具體過程如圖 3 所示。需經(jīng)過以下步驟。

1.工業(yè)式 PC 端

(1) 濾波器和供電電流配置；

(2) 參數(shù)初始化；

(3) 以 10 KHz 速率完成振動信號采樣

(4) 數(shù)據(jù)濾波；

(5) 填充輸入緩沖區(qū)；

(6) 進行 FFT 變換和 RMS 值計算；

(7) 數(shù)據(jù)輸出與存儲。

2. 工控機端

(1) 從 cvs 文件讀取保存的頻譜值，頻譜值分為 7 個頻段；

(2) 初始化神經(jīng)網(wǎng)絡(luò)內(nèi)存；

(3) 申請樣點誤差內(nèi)存；

(4) 初始化網(wǎng)絡(luò)參數(shù)；

(5) 計算個體誤差和總體誤差；

(6) 如果未達到訓(xùn)練次數(shù)且樣點誤差小于閾值，循環(huán)計算網(wǎng)絡(luò)輸出和樣點輸出的誤差，直到條件不成立 , 輸出中心向量、基寬、輸出權(quán)重；

(7) 數(shù)據(jù)測試、輸出結(jié)果。

4.2 時域特征識別

機械振動的瞬時值隨著時間而不斷地變化 , 作為表示這種 振動變化大小的方法 , 廣泛地使用有效值。利用時域參數(shù) RMS 值（有效值）進行簡易診斷 , 即判斷電機是否有故障。振動信號的時域特征有效值 (RMS) 是振動振幅的均方根值，定義如下：

電機正常時 RMS 波形如圖 4 所示，RMS 值約為 105；電機故障時 RMS 波形如圖 5 所示，RMS 值約為 237，RMS 值有明顯變化。

4.3 FFT分析過程

電機的振動頻率成分十分豐富 , 每一種特定的故障都對應(yīng)特定的頻率成分。電機正常運行時 FFT 波形如圖 7 所示，波峰處于 550 Hz, 幅度為 0.95。電機故障時波形如圖 8 所示，此時波峰處于 180 Hz, 幅度為 2.0。無故障情況下 , 峰值很小，說明運轉(zhuǎn)平穩(wěn)，當(dāng)電機出現(xiàn)故障時，會出現(xiàn)沖擊，波峰會明顯加大，甚至是成倍增加。頻譜分析法可確定電機振動信號的頻率構(gòu)成，振動能量在各頻率成分上的分布。

4.4 特征提取

振動特征數(shù)據(jù)與故障模式并非簡單的線性關(guān)系，所構(gòu)成的故障特征空間比較復(fù)雜，而 RBF 神經(jīng)網(wǎng)絡(luò)能夠轉(zhuǎn)換這種復(fù)雜的非線性映射，具有最佳逼近性能和全局最有解。所以采用 RBF 神經(jīng)網(wǎng)絡(luò)代替人工對振動故障特性進行診斷是實際可行的。

在RBF神經(jīng)網(wǎng)絡(luò)信息傳遞過程中，第一層為輸入層，輸入層節(jié)點主要負責(zé)接收來自外界的數(shù)據(jù)信息，將輸入數(shù)據(jù)傳遞到隱含層；第二層為隱含層，隱含層激活函數(shù)通常選取高斯函數(shù)，主要是對輸入數(shù)據(jù)進行變換，將低維的模式輸入變換到高維空間內(nèi)；第三層為輸出層，輸出層是對隱含層采用線性加權(quán)求和得到網(wǎng)絡(luò)輸出，這樣使得網(wǎng)絡(luò)的收斂速度很快。

假設(shè) RBF 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)大小為：M-H-1，其各層輸入輸出關(guān)系描述如下。

(1) 輸入層輸入層共有 M 個神經(jīng)元，RBF 網(wǎng)絡(luò)的輸入向量表達式如下：

卷接機組的振動信號在頻域內(nèi)的能量分布具有比較明顯的特點，因此，選取 7 段譜特征作為模型的輸入向量。具體

在 RBF 神經(jīng)網(wǎng)絡(luò)工作以前，需要確定一定數(shù)量的訓(xùn)練樣本對 RBF 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練好的 RBF 神 經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心、方差、連接權(quán)保持固定。這樣輸入測試樣本就可以獲得結(jié)果，當(dāng)測試樣本的特征與 RBF 神經(jīng)網(wǎng)絡(luò)中對應(yīng)的某個特征相近時，神經(jīng)網(wǎng)絡(luò)輸出該類故障。本文同時結(jié)合振動信號的 RMS 值和 7 段譜特征作為構(gòu)造特征向量，在故障特征向量空間內(nèi)進行分類，然后以這些特征向量為學(xué)習(xí)樣本，輸入 RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得出中心向量、基寬、輸出權(quán)重，完成結(jié)果值預(yù)測。

5 結(jié)語

本文提出一種基于 RBF 神經(jīng)網(wǎng)絡(luò)的卷接機振動狀態(tài)監(jiān)測系統(tǒng)，基于倍福的多任務(wù)并行處理器 C6000，對經(jīng)過滑動平均濾波處理后的振動信號，有效提取時域特征 RMS 值和 FFT 頻域的 7 段譜特征，以此構(gòu)造 rbf 神 經(jīng)網(wǎng)絡(luò)的特征向量，進行特征向量空間的分類，完成故障狀態(tài)的預(yù)測。

參考文獻：

[1] 安茹.基于動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的出水氨氮軟測量研究[D].北京:北京工業(yè)大學(xué),2017.

[2] 陳松.RBF神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機械故障診斷中的應(yīng)用[D].合肥:安徽建筑大學(xué),2014.

[3] 王建國,孫小明,王少鋒,等.基于LabVIEW的風(fēng)電機組齒輪箱健康狀態(tài)監(jiān)測系統(tǒng)設(shè)計[D].包頭:內(nèi)蒙古科技大學(xué),2016.

[4] 汪慶華,王敬濤,鄧東花.基于徑向基神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷[D].西安:西安工業(yè)大學(xué),2010.

[5] 高帆,李洪元,吳帆.基于頻譜分析的離心泵健康狀態(tài)監(jiān)測及故障診斷[R].重慶:重慶川儀軟件有限公司,2019.

(注：本文轉(zhuǎn)載自《電子產(chǎn)品世界》雜志2022年9月期)