1、第4 0卷第3期2 0 2 3年6月河 北 省 科 学 院 学 报J o u r n a l o f t h e H e b e i A c a d e m y o f S c i e n c e sV o l.4 0 N o.3J u n.2 0 2 3收稿日期:2 0 2 3-0 2-1 4作者简介:李 蒙(1 9 8 9),男,河北石家庄人,博士,工程师,研究方向为天线故障分类与识别技术.E-m a i l:5 5 0 7 7 5 9 6 9q q.c o m文章编号:1 0 0 1-9 3 8 3(2 0 2 3)0 3-0 0 3 0-0 8基于子带功率均值的天线故障特征提取及分类技
2、术李 蒙,周昊天,霍克强,刘泽成,王京城,李 扬(中国电子科技集团公司 第五十四研究所,河北 石家庄 0 5 0 0 8 1)摘 要:针对测控天线传动链常见的螺栓松动故障,提出了一种子带功率均值(A P S D S)的振动信号特征提取方法,通过搭建天线座架试验平台进行故障模拟和振动数据采集,并利用多层神经网络进行故障分类诊断及预测试验。试验结果表明,本文所提出的A P S D S法能够有效增强故障状态的特征区分度,平均故障分类准确率达到9 5%以上,该方法的提出可在天线健康管理系统中具有较好的实用价值。关键词:天线试验平台;故障诊断;子带功率均值;特征提取;神经网络中图分类号:TH 1 6 5
3、.3 文献标识码:AA n t e n n a f a u l t f e a t u r e e x t r a c t i o n a n d c l a s s i f i c a t i o n t e c h n e q u e b a s e d o n A P S D SL I M e n g,Z H O U H a o t i a n,H U O K e q i a n g,L I U Z e c h e n g,WA N G J i n g c h e n g,L I Y a n g(T h e 5 4t h R e s e a r c h I n s t i t u t e
4、 o f C E T C,S h i j i a z h u a n g H e b e i 0 5 0 0 8 1,C h i n a)A b s t r a c t:I n v i e w o f t h e c o mm o n b o l t l o o s e n e s s f a u l t i n t h e a n t e n n a t r a n s m i s s i o n c h a i n,a v i b r a t i o n s i g n a l f e a t u r e e x t r a c t i o n t e c h n o l o g y b
5、a s e d o n A P S D S i s p r o p o s e d i n t h i s r e s e a r c h.M e a n w h i l e,f a u l t s i m u l a t i o n a n d v i b r a t i o n d a t a a c q u i s i t i o n a r e c a r r i e d o u t b y b u i l d i n g a n a n t e n n a p e d e s t a l t e s t p l a t f o r m,a n d t h e n f a u l t
6、c l a s s i f i c a t i o n d i a g n o s i s a n d p r e d i c t i o n t e s t s a r e c o n d u c t e d b y u s i n g m u l t i-l a y e r n e u r a l n e t w o r k.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e p r o p o s e d A P S D S m e t h o d c a n e f f e c t i v e l y e
7、n h a n c e t h e f e a t u r e d i s c r i m i n a t i o n o f f a u l t s t a t u s w i t h t h e a v e r a g e f a u l t c l a s s i f i c a t i o n a c c u r a c y o f o v e r 9 5%.T h e p r o p o s e d m e t h o d h a s g o o d p r a c t i c a l v a l u e i n t h e a n t e n n a h e a l t h m a
8、 n a g e m e n t s y s t e m.K e y w o r d s:A n t e n n a t e s t p l a t f o r m;F a u l t d i a g n o s i s;A v e r a g e o f p o w e r s p e c t r a l d e n s i t y s u b-b a n d s;F e a t u r e e x t r a c t i o n;N e u r a l n e t w o r k0 引言天线装备的安全运转和健康通信是保障国防安全和经济建设的重要基础。随着天线装备自动化运行DOI:10.16
9、191/ki.hbkx.2023.03.006第3期李 蒙等:基于子带功率均值的天线故障特征提取及分类技术使用需求增多,具备2 4小时无人值守模式、具备智能化故障告警和健康管理系统的天线装备正得到极力推广1。天线装备的故障诊断方式较为单一,故障数据缺乏且故障信息反馈准确性不高,针对天线微弱故障特征的分类与识别准确率较低,且系统漏报误报率高居不下2。因此,如何采用有效手段解决天线装备中难以发现的微小故障,并能够及早发现其特征变化是目前迫切需要开展的研究3,4。其中,利用振动数据进行故障分类诊断研究已在多个领域中得到成熟应用。A n d r e w等人5提出一种交叉功率谱平均值法来提取低电平振动信
10、号的频谱特征,该技术可恢复噪声中丢失的振动特征。C u s i d o等人6提出一种基于短时傅里叶变换以及小波和功率谱密度(P S D)技术的进一步组合来分析频谱图,极大的减少了处理功率数据量,并在链子断裂故障实验中得到验证。张家良等人7采用自适应辨识算法求解时域V o l t e r r a核,用快速多维傅立叶变换获得非线性频谱特征。已有方法主要依靠良好的谱密度方法来确定故障特征信息,对设备故障状态的分类区分度较为明显。同时,伴随着智能算法的快速发展,结合机器学习或深度学习的智能分类器的使用,同样在故障诊断领域得到了广泛应用8。本研究提出一种子带功率均值(A P S D S)的振动信号特征提
11、取方法,主要对天线振动数据进行子带频谱划分来提取微弱特征值,并通过以某测控天线转台座架搭建试验平台,模拟天线传动系统的螺栓松动故障进行状态模拟和振动数据采集,利用B P神经网络实现了故障分类诊断及预测试验。1 基于子带功率均值的天线故障特征提取方法功率谱密度(p o w e r s p e c t r a l d e n s i t y,P S D)是一种概率统计方法9,是对随机变量均方值的量度。一般用于随机振动分析,连续瞬态响应只能通过概率分布函数进行描述。功率谱密度定义为单位频带内的“功率”。功率谱密度分段平均值是在P S D的基础上进行频率区间划分,并分别计算各个频率区间内的RM S值以
12、作为本频率区间内的特征值。1.1 特征提取方法首先对天线传动链的振动监测信号利用窗函数进行预处理截取划分;然后利用离散傅里叶变换计算每个窗函数信号的功率谱密度,假设第m个窗函数信号表示为sm(k),采样频率为f,则该窗函数信号的离散傅里叶变换Sm的计算公式为:Sm=N-1k=0sm(k)e-j2 n kN(n=0,1,N-1)(1)式中N为窗函数信号的长度;k为窗函数中第k个振动值,k=0,1,N-1;j为虚数单位。根据初步分析,天线传动链的振动信号在不同频域范围内所占的比例基本相同,本研究将整个频率范围平均划分为1 0个区间,每个区间称为子带,各个子带的频率区间分别为0,f/1 0、f/1
13、0+1,f/5、f/5+1,3f/1 0、3f/1 0+1,2f/5、2f/5+1,f/2、f/2+1,3f/5、3f/5+1,7f/1 0、7f/1 0+1,4f/5、4f/5+1,9f/1 0、9f/1 0+1,f。子带P(P=0,1,1 0)的功率均值DP的计算公式如下:DP=1WUPm=LpSm(m=1,2,W)(2)式中LP表示子带P的起始频率,单位为H z;UP表示子带P的终止频率,单位为H z;W表示子带P的长度W=f/1 0;DP为本研究提出的子带功率均值。1.2 分类方法故障分类部分选择B P(b a c k p r o p a g a t i o n)神经网络作为故障识别与
14、诊断的分类器1 0,B P神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。B P神经网络的拓扑结构如图1所示,主要由输入层(i n p u t l a y e r)、隐含层(h i d d e n l a y e r)和输出层(o u t p u t l a y e r)组成。B P神经网络主要前向传播及误差的反向传播两个阶段完成学习,进而达到智能分类及预测能力。13河北省科学院学报2 0 2 3年第4 0卷图1 B P神经网络拓扑结构2 基于多层神经网络的故障诊断与识别2.1 实验平台本研究通过模拟天线方位座架的驱动电机和减速器松动故障来验证特征提取
15、算法及故障分类器的有效性。为此,以3 m口径遥感测控天线的全转台座架为基础搭建了数据采集试验平台,平台主要由便携式终端、数据采集单元、方位俯仰座架、天线控制单元、天线驱动单元、振动传感器及连接线路等组成,整体试验平台组成如图2所示。图2 数据采集试验平台组成天线转动控制通过便携式终端发出控制指令天线控制单元,天线控制单元通过天线驱动单元驱动方位电机转动,使方位机构完成-9 0 +9 0 之间的匀速转动。两个振动传感器分别安装于方位电机端和减速器端,振动传感器用于及时记录天线在工作中的振动数据,并通过数据采集卡传至便携式终端进行记录保存。当天线由于齿轮磨损或紧固螺钉松动引起的振动时,传感器能够及
16、时感应电机、减速机的振动变化规律。2.2 故障信息模拟分类通过手动调节“电机与减速器之间(电机端)”和“减速器与方位机构之间(减速器端)”连接螺钉的不同预紧程度,分别模拟4种故障状态下天线的工作状态;同时,分别记录4种状态下电机端、减速器端的振动数据,具体状态分类方式及分类信息见表1。2.3 故障诊断方法采用神经网络分类器进行故障诊断和识别算法,神经网络分类器的故障诊断过程主要分为离线学习和在线测试两个过程。1)离线学习中,首先,对振动原始数据进行数据预处理;第二,将数据进行特征提取,将振动数据约简为形式简单或高度概括的数据特征序列;第三,采用不同状态的特征序列和与之对应的状态标签对神经网络进
17、行离线训练,得到故障分类模型。2)在线测试阶段,采用在线采集的振动数据进行特征提取后得到特征序列,将特征序列作为已训练好的神经网络模型输入,通过故障分类,得到天线状态预测值。23第3期李 蒙等:基于子带功率均值的天线故障特征提取及分类技术表1 故障分类信息表故障源状态名称故障描述状态标签振动数据组电机端故障1电机与减速器的连接螺钉产生轻微松动,4个连接螺栓中有1个螺栓失去预紧力电机端1振动数据1-1故障2-1电机与减速器的连接螺钉产生中度松动,4个连接螺栓中有2个螺栓失去预紧力电机端2振动数据1-2故障2-2电机与减速器的连接螺钉产生中度松动,4个连接螺栓中有3个螺栓失去预紧力电机端2振动数据
18、1-2故障3电机与减速器的连接螺钉产生严重松动,4个连接螺栓全部丧失预紧力电机端3振动数据1-3正常状态电机端4正常数据1-4减速器端故障1减速器与方位机构的连接螺钉产生轻微松动,4个连接螺栓中有1个螺栓失去预紧力减速器端1振动数据2-1故障2-1减速器与方位机构的连接螺钉产生中度松动,4个连接螺栓中有2个螺栓失去预紧力减速器端2振动数据2-2故障2-2减速器与方位机构的连接螺钉产生中度松动,4个连接螺栓中有3个螺栓失去预紧力减速器端2振动数据2-2故障3减速器与方位机构的连接螺钉产生严重松动,4个连接螺栓全部丧失预紧力减速器端3振动数据2-3正常状态减速器端4正常数据2-42.4 诊断与测试
19、为测试神经网络分类器模型的准确性,本研究采用随机抽样法进行离线训练和离线测试,具体方法如下:1)分别对4种状态下的振动数据组进行滑窗分段,记录不同状态下的多个数据片段;例如,振动数据1-1、振动数据1-2、振动数据1-3、正常数据1-4分别通过滑动窗口后,分别得到a、b、c、d四组片段数据,状态标签分别对应1、2、3、4;2)总的数据片段为A=a+b+c+d,随机在A中抽取7 0%的数据片段作为“离线训练数据”,剩余3 0%的数据片段作为“在线测试数据”;3)采用7 0%的“离线训练数据”训练神经网络,训练完成后,采用3 0%的“在线测试数据”进行准确度测试,将神经网络的预测输出值与已知标签值
20、进行对比,进而得到神经网络的正确度。4)分别对电机端和减速器端进行分类测试。通过分析不同数据故障检测率(f a u l t d e t e c t i o n r a t e,F D R),一定时间内,用某种检测方法检测到的故障数与故障总数之比,RF D用百分数表示。数学表达式为:RF D=正确诊断的故障样本数总故障样本数(3)方位转台在4个运行状态进行正反转运动,分别采集4种运行状态下方位轴正转、反转依次交替的振动数据。分别采集电机端、减速器端的多组振动数据,采样频率为1 0 2 4 H z,每组截取1 6 3 8 5个采样点,分别33河北省科学院学报2 0 2 3年第4 0卷为记录结果。振
21、动原始采集数据如图3所示。图3 振动信号原始采集数据3 天线故障诊断结果3.1 A P S D S特征提取结果根据振动信号进行离散傅里叶变换,分别得到振动数据的功率谱密度曲线,可得到4种状态下两两对比的混淆矩阵(表2)。可以看出,电机端和减速器端在不同工作状态下的R S D曲线之间有较大的区分度。表2 电机端、减速器端P S D对比混淆矩阵43第3期李 蒙等:基于子带功率均值的天线故障特征提取及分类技术 当天线传动系统中发生故障变化及天线运行状态发生变化时,其振动数据的P S D曲线会在不同频率范围内发生分布改变。实验平台的采样频率为1 0 2 4 H z,从表2中可以看出,4种状态在02 0
22、 0 H z频率范围内的P S D分布差异性不大,而在2 0 11 0 2 4 H z范围内,会产生较大差异。因此,本研究在2 0 11 0 2 4 H z范围内按照每1 0 3 H z为一个频率区间,即平分为8个频率区间,分别为2 0 13 0 3 H z、3 0 44 0 6 H z、4 0 75 0 9 H z、5 1 06 1 2 H z、6 1 37 1 5 H z、7 1 68 1 8 H z、8 1 99 2 1 H z、9 2 21 0 2 4 H z。分别计算8个频率区间内的RM S特征值,电机端和减速器端的A P S D S特征值分布如图4、图5所示。其中,两个状态下的故障
23、1-1与故障1-2同属于故障1类型,在模拟时分别来自于“2颗螺钉松动”和“3颗螺钉松动”状态下的振动数据。图4 电机端各子带A P S D S特征值分布曲线图5 减速器端各子带A P S D S特征值分布曲线 从图中可以看出,故障2-1与故障2-2只有在6 1 27 1 5 H z之间有差异,在其他频率范围内差异性不大。由此,可将故障2-1与故障2-2特征进行合并。4个状态下,8个A P S D S子带的特征值均具有区分度,可作为有效特征值进行后续神经网络分类器的输入。3.2 时频特征提取对比目前已有天线中的故障诊断系统多采用统计学参数,如:最大值、最小值、平均值、峰峰值、整流平均值、有效值、
24、峰值、方差等,时频特征值共计2 1个参数对数据进行特征提取,时频特征参数表见表3。表3 时频特征参数列表编号特征名称编号特征名称编号特征名称1最大值8方差1 5脉冲因子2最小值9标准差1 6裕度因子3平均值1 0峭度1 7重心频率4峰峰值1 1偏度1 8均方频率5整流平均值1 2均方根1 9频率方差6有效值1 3波形因子2 0频带能量7峰值1 4峰值因子2 1相对功率谱熵采用时频特征参数对振动数据进行特征提取,其统计特征值分布曲线如图6、图7所示。从图中可以看出,电机端与减速器端的2 1个特征值均重叠在一起,不同状态下的特征分布之间不具有良好的区分度,无法达到状态区分的效果。53河北省科学院学
25、报2 0 2 3年第4 0卷图6 电机端各时频特征值分布曲线图7 减速器端各时频特征值分布曲线3.3 故障分类结果故障分类器模型采用3层B P神经网络,分别针对电机端和减速器端建立2个分类器模型。其中输入层神经元为8个,依次代表A P S D S特征值的8个特征值;隐含层为3层,每层5个神经元;输出层为4个神经元,输出值分别代表故障1、2、3和正常状态共计4种不同的状态输出。分别对4种状态下采集的振动数据进行预处理、A P S D S特征值提取,得到数据组经过随机抽样法进行分配,随机抽取7 0%数据作为训练数据,3 0%数据作为测试验证数据,具体数据划分见表4。表4 振动传感器技术参数表分类数
26、据分组数据组数训练数据组数(7 0%)测试数据组数(3 0%)状态标签电机端振动数据1-13 3 32 3 31 0 01振动数据1-22 6 91 8 88 12振动数据1-32 6 91 8 88 13正常数据1-42 5 31 7 77 64总样本数1 1 2 47 8 73 3 7减速器端振动数据2-13 3 32 3 31 0 01振动数据2-22 6 91 8 88 12振动数据2-32 6 91 8 88 13正常数据2-42 5 31 7 77 64总样本数1 1 2 47 8 73 3 7采用B P神经网络重复2 0轮“训练-测试”,记录平均故障检测率F D R值,统计结果见
27、表5。试验结果可以看出,电机端和减速器端的2 0轮故障分类准确率均在9 6%以上,其中电机端的平均准确率为9 6.2 8%,减速器端的平均准确率为9 6.0 5%。4 结论本研究提出的子带功率均值特征提取方法对天线传动系统振动信号的频域特征提取具有良好的区分作用,相比于目前大部分天线健康管理平台中使用的时频特征提取方法具有明显的特征提取效果,同时通过B P神经网络分类器进行故障分类测试,电机端和减速器端的故障平均准确率均在9 6%以上,故障分类效果显著。该方法的提出可在天线健康管理及运维安全系统中提供有效的算法储备。63第3期李 蒙等:基于子带功率均值的天线故障特征提取及分类技术表5 B P故
28、障检测率结果统计测试轮次电机端减速器端测试轮次电机端减速器端19 7.8 9%9 6.1 5%1 19 8.0 4%9 3.4 8%29 6.3 2%9 2.6 3%1 29 6.8 4%9 6.3 2%39 7.3 7%9 9.4 7%1 39 4.2 3%9 4.7 4%49 8.4 2%9 5.7 9%1 49 7.1 4%9 5.7 9%59 5.7 9%9 7.8 7%1 59 5.9 2%9 7.0 6%69 8.4 2%9 4.7 4%1 69 4.7 4%9 7.8 9%79 6.3 2%9 7.6 2%1 79 6.3 2%9 5.2 6%89 5.7 9%9 5.4 5%1
29、 89 6.3 2%9 6.8 7%99 6.3 2%9 7.3 7%1 99 3.1 6%9 7.1 4%1 09 5.5 6%9 3.6 2%2 09 4.6 4%9 5.6 5%平均准确率9 6.2 8%9 6.0 5%未来工作可将其应用于具体天线运维系统中,以真实数据及真实故障进行分类训练,开展更多的实践研究来验证该方法在多工况下的适应性。参考文献:1 侯锦,吴宗清,胡红军,等.测控天线健康管理与支援保障系统研究及设计J.测控技术,2 0 2 2,4 1(8):5 9-6 5.2 徐频频,刘传保.雷达预测与健康管理系统设计J.现代雷达,2 0 1 9,4 1(1 1):7 7-8 4.
30、3 王鹏.大型抛物面天线健康管理系统设计研究J.通讯世界,2 0 2 0,2 7(9):1 9 1-1 9 2.4 侯锦,王鹏.基于健康管理功能的测控天线一体化维护保障系统研究J.国外电子测量技术,2 0 2 1,4 0(1):1 0 1-1 0 5.5 F L EM I NG A J,N I NN E S S B,W I L L S A.R e c o v e r i n g t h e s p e c t r u m o f a l o w l e v e l s i g n a l f r o m t w o n o i s y m e a s u r e m e n t s u-s i
31、 n g t h e c r o s s p o w e r s p e c t r a l d e n s i t yJ.R e v i e w o f S c i e n t i f i c I n s t r u m e n t s,2 0 1 3,8 4(8):1-6.6 C U S I D C U S I D O J,R OME R A L L,O R T E G A J A,e t a l.F a u l t d e t e c t i o n i n i n d u c t i o n m a c h i n e s u s i n g p o w e r s p e c t r
32、 a l d e n s i t y i n w a v e l e t d e c o m p o s i t i o nJ.I E E E T r a n s a c t i o n s o n I n d u s t r i a l E l e c t r o n i c s,2 0 0 8,5 5(2):6 3 3-6 4 3.7 张家良,曹建福,高峰.大型装备传动系统非线性频谱特征提取与故障诊断J.控制与决策,2 0 1 2,2 7(1):1 3 5-1 3 8.8 陈凯,张礼华,赵恒,等.基于深度特征提取和对抗域适应网络的滚动轴承故障诊断J.制造技术与机床,2 0 2 3(1):9
33、-1 5.9 YOUN GWOR TH R N,G A L L A GHE R B B,S T AMP E R B L.A n o v e r v i e w o f p o w e r s p e c t r a l d e n s i t y(P S D)c a l c u l a t i o n sJ.P r o c e e d i n g s o f S P I E-O p t i c a l M a n u f a c t u r i n g a n d T e s t i n g V I,2 0 0 5,5 8 6 9:1-1 1.1 0 RUME LHA R T D E,H I N T ON G E,W I L L I AM S R J.L e a r n i n g r e p r e s e n t a t i o n s b y b a c k-p r o p a g a t i n g e r r o r sJ.N a-t u r e,1 9 8 6,3 2 3(6 0 8 8):5 3 3-5 3 6.73