一種基于RBF神經(jīng)網(wǎng)絡(luò )的卷接機振動(dòng)狀態(tài)監測系統

摘 要：本文首先介紹了基于徑向基函數（radial basis function, RBF）神經(jīng)網(wǎng)絡(luò )的卷接機振動(dòng)狀態(tài)監測系統的總體方案設計；然后對硬件設計方案進(jìn)行了說(shuō)明；接著(zhù)詳細描述了系統的軟件設計部分，包括數據交互處理、時(shí)域特征識別、FFT分析過(guò)程和特征提取等模塊。最后，對卷接機振動(dòng)狀態(tài)監測系統的研制成果進(jìn)行總結。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò )；振動(dòng)監測；卷接機

1 引言

卷接機是卷煙生產(chǎn)過(guò)程中的一個(gè)重要設備，其功能是將煙絲卷制成煙支。隨著(zhù)卷接設備的高速發(fā)展，卷接設備的結構日趨復雜、精密，為了實(shí)現高效生產(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(dòng)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料的因素導致卷接機無(wú)法正常運轉而引起的緊急關(guān)停，嚴重影響了卷接機的運轉率。為了進(jìn)一步減少卷接機故障停機時(shí)間，提高設備有效作業(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(dòng)狀態(tài)監測系統。

在故障設備診斷中，故障特征與故障模式并不是簡(jiǎn)單的一一對應關(guān)系，其構成的特征空間比較復雜，常常線(xiàn)性不可分。而 RBF 神經(jīng)網(wǎng)絡(luò )能夠映射這種任意復雜的非線(xiàn)性關(guān)系，本文提取振動(dòng)信號的時(shí)、頻域特征，輸入 RBF 神經(jīng)網(wǎng)絡(luò )進(jìn)行特征識別和分類(lèi)，進(jìn)而對振動(dòng)狀態(tài)進(jìn)行監測。

2 系統總體方案設計

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

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

振動(dòng)信號監測模塊選用倍福 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(dòng)信號進(jìn)行滑動(dòng)平均濾波；然后測量振動(dòng)信號的時(shí)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(dòng)故障預判。

人機交互模塊，采用 C# 編程語(yǔ)言，完成角色管理、權限分配、日志管理、數據存儲、故障報警和參數設置等功能。

3 硬件設計

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整，然后以 10 倍的采樣倍數完成振動(dòng)數據的采集。采集的振動(dòng)數據輸入工業(yè)式 PC 模塊。工業(yè)式 PC 模塊對采集的振動(dòng)數據進(jìn)行濾波，并完成振動(dòng)特征數據的計算與存儲。然后通過(guò) ADS 通信協(xié)議與工控 機進(jìn)行數據通信。工控機完成 RBF 神經(jīng)網(wǎng)絡(luò )的訓練和數據的測試，實(shí)現故障診斷和界面顯示功能。振動(dòng)狀態(tài)監測的硬件連接 圖如圖 2 所示。

4 軟件設計

4.1 數據交互

本系統的數據處理主要分布在工業(yè)式 PC 和工控機兩端，具體過(guò)程如圖 3 所示。需經(jīng)過(guò)以下步驟。

1.工業(yè)式 PC 端

(1) 濾波器和供電電流配置；

(2) 參數初始化；

(3) 以 10 KHz 速率完成振動(dòng)信號采樣

(4) 數據濾波；

(5) 填充輸入緩沖區；

(6) 進(jìn)行 FFT 變換和 RMS 值計算；

(7) 數據輸出與存儲。

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(gè)頻段；

(2) 初始化神經(jīng)網(wǎng)絡(luò )內存；

(3) 申請樣點(diǎn)誤差內存；

(4) 初始化網(wǎng)絡(luò )參數；

(5) 計算個(gè)體誤差和總體誤差；

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

(7) 數據測試、輸出結果。

4.2 時(shí)域特征識別

機械振動(dòng)的瞬時(shí)值隨著(zhù)時(shí)間而不斷地變化 , 作為表示這種 振動(dòng)變化大小的方法 , 廣泛地使用有效值。利用時(shí)域參數 RMS 值（有效值）進(jìn)行簡(jiǎn)易診斷 , 即判斷電機是否有故障。振動(dòng)信號的時(shí)域特征有效值 (RMS) 是振動(dòng)振幅的均方根值，定義如下：

電機正常時(shí) RMS 波形如圖 4 所示，RMS 值約為 105；電機故障時(shí) 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(guò)程

電機的振動(dòng)頻率成分十分豐富 , 每一種特定的故障都對應特定的頻率成分。電機正常運行時(shí) FFT 波形如圖 7 所示，波峰處于 550 Hz, 幅度為 0.95。電機故障時(shí)波形如圖 8 所示，此時(shí)波峰處于 180 Hz, 幅度為 2.0。無(wú)故障情況下 , 峰值很小，說(shuō)明運轉平穩，當電機出現故障時(shí)，會(huì )出現沖擊，波峰會(huì )明顯加大，甚至是成倍增加。頻譜分析法可確定電機振動(dòng)信號的頻率構成，振動(dòng)能量在各頻率成分上的分布。

4.4 特征提取

振動(dòng)特征數據與故障模式并非簡(jiǎn)單的線(xiàn)性關(guān)系，所構成的故障特征空間比較復雜，而 RBF 神經(jīng)網(wǎng)絡(luò )能夠轉換這種復雜的非線(xiàn)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(dòng)故障特性進(jìn)行診斷是實(shí)際可行的。

在RBF神經(jīng)網(wǎng)絡(luò )信息傳遞過(guò)程中，第一層為輸入層，輸入層節點(diǎn)主要負責接收來(lái)自外界的數據信息，將輸入數據傳遞到隱含層；第二層為隱含層，隱含層激活函數通常選取高斯函數，主要是對輸入數據進(jìn)行變換，將低維的模式輸入變換到高維空間內；第三層為輸出層，輸出層是對隱含層采用線(xiàn)性加權求和得到網(wǎng)絡(luò )輸出，這樣使得網(wǎng)絡(luò )的收斂速度很快。

假設 RBF 神經(jīng)網(wǎng)絡(luò )的結構大小為：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(gè)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(dòng)信號在頻域內的能量分布具有比較明顯的特點(diǎn)，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，需要確定一定數量的訓練樣本對 RBF 神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練，訓練好的 RBF 神 經(jīng)網(wǎng)絡(luò )的數據中心、方差、連接權保持固定。這樣輸入測試樣本就可以獲得結果，當測試樣本的特征與 RBF 神經(jīng)網(wǎng)絡(luò )中對應的某個(gè)特征相近時(shí)，神經(jīng)網(wǎng)絡(luò )輸出該類(lèi)故障。本文同時(shí)結合振動(dòng)信號的 RMS 值和 7 段譜特征作為構造特征向量，在故障特征向量空間內進(jìn)行分類(lèi)，然后以這些特征向量為學(xué)習樣本，輸入 RBF 神經(jīng)網(wǎng)絡(luò )訓練，得出中心向量、基寬、輸出權重，完成結果值預測。

5 結語(yǔ)

本文提出一種基于 RBF 神經(jīng)網(wǎng)絡(luò )的卷接機振動(dòng)狀態(tài)監測系統，基于倍福的多任務(wù)并行處理器 C6000，對經(jīng)過(guò)滑動(dòng)平均濾波處理后的振動(dòng)信號，有效提取時(shí)域特征 RMS 值和 FFT 頻域的 7 段譜特征，以此構造 rbf 神 經(jīng)網(wǎng)絡(luò )的特征向量，進(jìn)行特征向量空間的分類(lèi)，完成故障狀態(tài)的預測。

參考文獻：

[1] 安茹.基于動(dòng)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 )在旋轉機械故障診斷中的應用[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)監測系統設計[D].包頭:內蒙古科技大學(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)監測及故障診斷[R].重慶:重慶川儀軟件有限公司,2019.

(注：本文轉載自《電子產(chǎn)品世界》雜志2022年9月期)