基于優化聽覺模型的機床工況識別方法研究

羅 剛, 李允公, 張啟林, 徐勁芳

(東北大學 機械工程與自動化學院,沈陽 110819)

基于優化聽覺模型的機床工況識別方法研究

羅 剛, 李允公, 張啟林, 徐勁芳

(東北大學 機械工程與自動化學院,沈陽 110819)

準確識別機械制造設備工況,對判斷設備的當前健康狀態、設備平穩性,以及科學評價設備操作人員的工作效率具有重要意義.運用遺傳算法優化后的ZCPA (zero crossings with peak amplitudes)聽覺模型對設備的振動信號進行特征提取,通過與各種工況標準聽覺譜計算相關性,以識別設備當前工況.優化后的ZCPA聽覺模型計算簡潔,能夠模仿人耳聽覺系統對輸入信號進行提取,彌補傳統聽覺模型適應性差、識別率低的缺陷,同時使不同工況特征差異性增大,提高設備工況識別率.以某種普通車床為例,車床振動信號經過優化后的ZCPA模型處理后,工況識別率達到95%以上.

工況識別; 遺傳算法; 帶通濾波; 聽覺模型

隨著制造業的快速發展,機械制造設備在各行各業中被廣泛使用,管理者需要根據設備的當前工況,科學地評價設備的健康狀況、工作效能以及操作人員的工作效率.振動信號攜帶設備的大量信息,通過分析振動信號,可以獲得設備的健康情況和工況信息.在設備工作過程中,由于零件材質不均勻、工人的操作水平不熟練、潤滑不足等因素,會加劇振動信號的不穩定性,增加分析信號的難度,降低設備工況識別度.

關于復雜振動信號的分析,研究人員作了一系列相關研究.2013年,張雷[1]對車床振動信號進行ZCPA(zero crossings with peak amplitudes)模型處理,獲得聽覺譜,計算所得聽覺譜與各狀態標準聽覺譜的相關性,根據相關性系數進行車床工況識別.2015年,雷亞國等[2]使用頻域信號訓練神經網絡,通過深度學習方法識別齒輪不同的故障工況;周濤濤等[3]運用完備總體經驗模態分解CEEMD(complete ensemble empirical mode decomposition)能量熵和階次跟蹤的方法,對多工況滾動軸承損傷狀態的振動信號進行特征提取,用遺傳算法優化后的支持向量機進行識別.

ZCPA聽覺模型能夠模仿人耳聽覺系統的功能,對干擾信號不敏感,得到的聽覺譜穩定性較好,對當前設備振動信號具有代表性.但是,ZCPA聽覺模型參數固定,對不同工況信號的適應性比較差,不同工況信號提取的特征差異性不明顯,導致識別率比較低.本文運用遺傳算法優化ZCPA聽覺模型中的濾波器數目、頻率箱個數、頻率箱頻段長短等,使各個工況信號聽覺譜差別最大化,提高工況識別率.

1 ZCPA聽覺模型

ZCPA模型模仿人耳的聽覺功能,提取輸入信號的特征.輸入的信號經過該模型處理后,得到聽覺譜,能夠用很少的點來代替原信號.其特點是計算簡潔,抗干擾能力強和識別準確率高.

1.1 ZCPA聽覺模型原理

ZCPA聽覺模型對信號的分析處理與傳統分析方法不同,工作原理如圖1所示.ZCPA聽覺模型的工作過程由基底膜帶通濾波、內毛細胞與聽神經特征提取和特征信息綜合3部分組成[4-5].

1.2 基底膜帶通濾波器

本文采用Gammatone基底膜濾波器組進行帶通濾波,模仿基底膜濾波功能.聽覺模型中有N個帶通濾波器,第i濾波器為

圖1 ZCPA模型原理圖Fig.1 Schematic of the ZCPA model

h(i,t)=Bαtα-1e-2πBtcos(2πfi+φi)u(t)

(1)

式中:t為時間變量;fi為第i個濾波器的中心頻率;α為濾波器的階數,設為4;u(t)為階躍函數;φi為第i個濾波器的初相位,通常取為0;B為濾波器帶寬.

B=1.019(24.7+0.108fi)

(2)

每個濾波器的中心頻率按照對數分布,輸入信號的濾波輸出[6-10]為

y1(t,i)=x(t)*h(t,i)

(3)

式中:x(t)為輸入信號;y1(t,i)為帶通濾波器輸出;*表示時域卷積.Gammatone濾波器組模擬人耳基底膜的功能,設置濾波器的中心頻率按照對數分布.

1.3 過零檢測、峰值檢測與非線性壓縮

輸入信號x(t)經過Gammatone濾波器組處理之后,輸出N組濾波信號y1(t,i),將每一組輸出信號分別進行過零檢測、峰值檢測、峰值非線性壓縮和頻率接收.過零檢測是對濾波信號y1(t,i)所有過零上升點的檢測,并計算相鄰兩個過零點的時間間隔,記濾波信號y1(t,i)的第l與第l+1個過零點之間的時間間隔為ΔTil.峰值檢測是對相鄰兩個過零點之間最大峰值的檢測,令第i個信號y1(t,i)的第l與第l+1個過零點之間的峰值為pil[1,4,11].對峰值進行非線性壓縮,公式為

(4)

濾波器組中各個濾波器頻域范圍的重合度較大,所以把頻域軸細分為M段,每一頻率段稱為頻率箱.設頻率箱數目為M,每個頻率箱頻域段按等比q遞增,因為機械振動信號的有用信息在中低頻率區域散布比較密集,所以增加低頻部分頻率箱個數,減小低頻部分頻率箱的頻域范圍.相反,在高頻部分頻率箱個數少一些,高頻部分頻率箱的頻域范圍則大一些.第i個濾波器對應的頻率箱輸出為[4]

(5)

式中:Zi為y1(t,i)過零點總數;m為頻率箱的序號;δmil為Kronecker算子,若fil(fil=1/ΔTil)落入第m個頻率箱,則δmil=1,否則δmil=0.

1.4 信息綜合

每個頻率箱接受的信號整合得到的輸出就是

(6)

式中:zcpa(t,fm)為聽覺譜;fm為第m個頻率箱的中心頻率;無時間變量的聽覺譜為zcpa(fm).

2 ZCPA聽覺模型優化

傳統ZCPA聽覺譜具有較高的穩定性,但其參數固定,對環境適應性較差,不同工況的信號經過聽覺模型處理之后,得到的聽覺譜差異不夠明顯.聽覺模型中的濾波器個數N、濾波器帶寬系數ω、頻率箱個數M和頻率箱頻域范圍遞增比例q等參數對聽覺譜有很大影響.濾波器越多,輸入信號的濾波精度率比較高,但是增加計算量.頻率箱個數越多,濾波箱的頻域范圍越小,對信號分析處理精度越高,但其過程比較繁瑣.所以運用遺傳算法對聽覺模型的參數進行優化[12],使模型簡潔高效.

設機械設備有U種工況,每種工況計算V個數據,第u種工況第v個數據的聽覺譜為zcpauv(fm),把每種工況的V個聽覺譜取均值,得到各個工況聽覺譜模板zcpau(fm).目標函數為各個工況聽覺譜模板的相關系數均值,公式為

(7)

遺傳算法工作原理如圖2所示,具體實現步驟如下:

a. 通過之前建立的ZCPA數學模型,確定濾波器個數N、濾波器帶寬系數w、頻率箱個數M和頻率箱頻域段等比遞增比例q為變量,設定最大遺傳迭代為maxgen.

c. 生成初始種群[13],規模為NN,在變量取值范圍內,隨機產生NN個初始二進制串數據,作為遺傳算法迭代的開始.設置遺傳代數計數器gen=0.

圖2 遺傳算法工作原理圖Fig.2 Model schematic of the genetic algorithm

d. 計算各個種群個體的目標函數值,并分配適應度值.

e. 判斷當前迭代次數,若達到規定迭代次數maxgen時,優化結束;若gen

f. 選擇、復制與變異,根據分配適應度值從種群中選擇優良個體復制到下一代,代溝GGAP決定復制個體的數目.子代內的個體根據交叉率RecOpt進行交叉操作.經過交叉重組后,種群以設定的變異概率進行變異[14-16].

g. 重組個體,把得到的子代重新插入當前種群,子代代替父代返回結果種群中.計數器gen=gen+1,轉到步驟d.

3 識別方法

設備每種工況的ZCPA聽覺譜比較穩定,傳統的相關性識別方法是,計算待識別數據的聽覺譜與各工況標準模板聽覺譜的相關性,通過判斷相關系數的大小,完成對待識別數據的識別.

設待識別數據的聽覺譜為zcpad(fm),相關性的計算為

(8)

(9)

σdu反映出待識別數據聽覺譜zcpad(fm)與各個工況聽覺譜模板zcpau(fm)在幅度方面的相似度.綜合形狀和幅度兩方面去識別聽覺譜,把rdu和σdu代入式(10).

(10)

4 方法驗證

4.1 實驗數據

本文以某種型號車床為研究對象,車床的工況包括調刀、裝卸、加工、停車和換刀5種工況,采集每種工況的振動信號,采樣頻率取10 000 Hz,每個數據的采集時間為1 s.數據分為兩組,第一組數據中,每種工況有10個數據,用于建立各工況標準聽覺譜模板;第二組數據中,每種工況100個數據,作為待識別數據.

4.2 聽覺模型優化

運用遺傳算法對ZCPA聽覺模型參數進行優化,優化變量的取值范圍分別是N為[30,120]、ω為[1,3]、M為[25,40]、q為[0.8,1.5],遺傳代數maxgen=50,種群規模NN=10,代溝GGAP=0.9,交叉概率RecOpt=0.7.適應度高的個體聚集在最優參數附近,最終確定濾波器個數N=112,濾波器帶寬w=2.443 4,頻率箱個數M=29,頻率箱頻段遞增比例q=1.089 2.各工況相關系數均值隨迭代次數的增加而逐漸降低,并逐漸穩定,如圖3所示,目標函數由0.75降到0.53.

圖3 遺傳算法優化過程Fig.3 Process optimized by the genetic algorithm

4.3 建立標準聽覺譜

將第一組中每個工況的10個數據,輸入到傳統ZCPA聽覺模型和優化的ZCPA聽覺模型后,將得到的10個聽覺譜模板取均值,作為各工況聽覺譜模板,通過圖4(見下頁)可以看出,各工況優化的ZCPA聽覺譜特征更加明顯.

圖4 各工況傳統ZCPA聽覺譜與優化后ZCPA聽覺譜Fig.4 Traditional ZCPA auditory spectrum and the optimized ZCPA auditory spectrum for each state

4.4 工況識別

在工況識別時,將第二組數據中每個工況的100個數據作為待識別數據,輸入到優化的ZCPA模型中,計算待識別聽覺譜與各個工況聽覺譜模板的相關系數.從形狀與幅度兩方面進行數據識別,識別率如表1所示.待識別數據經過傳統的聽覺模型和識別方式的識別成功率如表2所示[1],經過表1和表2對比,使用優化的聽覺模型和識別方式識別成功率有很大提高.

由表1和表2發現,車床加工工況與調刀工況、換刀工況容易出現誤識別,這3種工況的工作方式比較相似.在調刀工況和換刀工況時,振動信號幅值較大和沖擊較頻繁的部分,會被識別為加工工況;在加工工況時,振動幅度較小和沖擊不明顯的部分,會被識別為調刀工況和換刀工況.

表1 基于優化聽覺模型和識別方式的工況識別效果和識別率

表2 基于傳統聽覺模型和識別方式的工況識別效果和識別率Tab.2 Condition identification effect and recognition rate based on the traditional auditory model and identification method

5 結 論

綜上所述,運用遺傳算法優化的ZCPA聽覺模型,可使不同工況的信號聽覺譜差異性增大,提高聽覺模型的適應性,在最大程度上模擬基底膜的功能.將相似度計算公式進行改進后,能夠從形狀和幅值兩方面計算相似度,可在識別的過程中降低誤識別率.以上的實驗證明,振動信號經優化的ZCPA聽覺模型處理,再用改進后的識別方式去識別,可使工況識別率得到很大的提高.

[1] 張雷.基于振動分析的機床狀態識別與人機效能評估方法研究[D].沈陽:東北大學,2013.

[2] 雷亞國,賈峰,周昕,等.基于深度學習理論的機械裝備大數據健康監測方法[J].機械工程學報,2015,51(21):49-56.

[3] 周濤濤,朱顯明,劉彥,等.一種多工況的滾動軸承損傷狀態識別方法[J].艦船科學技術,2015,37(10):67-71.

[4] 李允公,張金萍,戴麗,等.基于聽覺模型ZCPA的故障診斷特征提取方法研究[J].中國機械工程,2009,20(24):2988-2992.

[5] 李允公,張金萍,戴麗.基于極值點概率密度和聽覺模型的瞬態信號提取方法研究[J].振動與沖擊,2015,34(21):37-44.

[6] TABIBI S,KEGEL A,LAI W K,et al.Investigating the use of a Gammatone filterbank for a cochlear implant coding strategy[J].Journal of Neuroscience Methods,2016,277:63-74.

[7] 李慶先,卞昕,劉良江,等.基于Gammatone濾波器組的客觀語音質量評估[J].計算技術與自動化,2016,35(3):76-80.

[8] 李如瑋,曹龍濤,鮑長春,等.基于Gammatone濾波器組分解的數字助聽器頻響補償算法[J].北京生物醫學工程,2016,35(2):143-150.

[9] YANG Y W,JIANG Y,LIU R S,et al.A realtime analysis/synthesis Gammatone filterbank[C]∥Proceedings of 2015 IEEE International Conference on Signal Processing,Communications and Computing.Ningbo:IEEE,2015:1-6.

[10] ONIZAWA N,KOSHITA S,SAKAMOTO S,et al.Gammatone filter based on stochastic computation[C]∥Proceedings of 2016 IEEE International Conference on Acoustics,Speech and Signal Processing.Shanghai:IEEE,2016:1036-1040.

[11] 秦宇強,張雪英.語音情感中基于ZCPA的VAP模型[J].計算機工程,2012,38(2):169-171.

[12] 秦國華,謝文斌,王華敏.基于神經網絡與遺傳算法的刀具磨損檢測與控制[J].光學精密工程,2015,23(5):1314-1321.

[13] 王悅.遺傳算法在函數優化中的應用研究[J].電子設計工程,2016,24(10):74-76.

[14] 劉奕君,趙強,郝文利.基于遺傳算法優化BP神經網絡的瓦斯濃度預測研究[J].礦業安全與環保,2015,42(2):56-60.

[15] CERRADA M,ZURITA G,CABRERA D,et al.Fault diagnosis in spur gears based on genetic algorithm and random forest[J].Mechanical Systems and Signal Processing,2016,70:87-103.

[16] WANG J H,WANG J L,WANG D M,et al.Neural network location based on weight optimization with genetic algorithm under the condition of less information[J].IEICE Transactions on Communications,2016,99(11):2323-2331.

(編輯:丁紅藝)

Method for the Condition Recognition of Machine Tool Based on an Optimized Auditory Model

LUO Gang, LI Yungong, ZHANG Qilin, XU Jinfang

(SchoolofMechanicalEngineeringandAutomation,NortheasternUniversity,Shenyang110819,China)

The accurate identification of mechanical manufacturing equipment conditions is important for determining the current health status and stability of equipments and doing scientific evaluation of the operational efficiency of equipment operators.An improved zero crossings with peak amplitude (ZCPA) auditory model optimized by a genetic algorithm was used to extract the characteristics of the vibration signal of the device,and the current condition of the device was identified by the correlations analysis between various state standard auditory spectra.The optimized ZCPA auditory model can be used to imitate human auditory systems to extract the features of the input signal,to make up the defects of poor adaptability and low recognition rate of the traditional hearing model,and to increase the difference between different state features and improve the recognition rate of the equipment.Taking an ordinary lathe as an example,the condition recognition rate of the lathe vibration signal processed by the optimized ZCPA model reaches more than 95%.

conditionrecognition;geneticalgorithm;bandpassfiltering;auditorymodel

1007-6735(2017)04-0340-06

10.13255/j.cnki.jusst.2017.04.007

2017-03-23

國家自然科學基金資助項目(51275080)

羅剛(1991-),男,碩士研究生.研究方向:機械故障診斷.E-mail:m15940256365@163.com

李允公(1976-),男,副教授.研究方向:機械故障診斷.E-mail:ygli@mail.neu.edu.cn

TB 535

A