基于子带功率均值的天线故障特征提取及分类技术_李蒙.pdf

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 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 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 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 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 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 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:10.16191/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 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-