基于MRSVD和信息融合的供输弹系统早期故障预示
梁海英，许 昕，潘宏侠，赵雄鹏
(中北大学 机械工程学院，太原 030051)
摘 要： 对于供输弹系统早期故障中信号成分复杂、潜在故障征兆难以识别问题，提出基于多分辨奇异值分解能量特征和多场信息融合的供输弹系统早期故障识别方法。首先采集不同状态下供输弹系统的振动信号通过进行MRSVD分解，得到1个相似信号和8个细节信号，提取这些分量信号的能量特征并进行归一化处理，得其能量相对值；然后使用灰色关联分析对所提取的能量特征进行故障识别；为了提高故障识别准确率，将振动信号和声压信号用D-S证据理论进行融合识别。实验结果表明，MRSVD能量特征提取方法能有效提取供输弹系统早期故障特征，且经多场信息融合后可提高故障识别准确率。
关键词： 振动与波；供输弹系统；多分辨奇异值分解；灰色关联分析；多场信息融合；故障识别
供输弹系统作为火炮等武器装备的重要组成部分，运动过程复杂，伴有剧烈的撞击、振动和摩擦等现象，其工作可靠性一直是制约复杂兵器装备性能和实用性的障碍，也成为武器装备状态监测与故障诊断领域的焦点[1]。如果在供输弹系统早期故障出现阶段，即故障萌芽即将出现时，能及时准确地予以辨识和预示，并据此指导保养和维修工作，就能防止造成严重损失，提高运行的可靠性，延长其使用寿命。但供输弹系统结构复杂，工作环境恶劣，微弱的早期故障信息极易淹没在噪声中，且信号表现形式不确定，故障预示难度大，因此寻找一种有效可靠的供输弹系统早期故障预示方法十分必要。
PHILLIPS等[2]将SVD理论对采集的数据进行特征降维，实验证明，SVD比主成分分析更有效，可较精准地提取特征,不仅能减少存储量，速度也较快。华南理工大学赵学智等[3]利用SVD从铣削力信号中提取特征，可有效地实现特征提取。但奇异值分解技术难以检测强噪声背景中的微弱故障信息。本文以此为基础并结合矩阵二分递推原理对信号进行分析得到具有多分辨率的相似信号和细节信号，以展示信号的主体概貌和细节特征，并精确地寻找到奇异点位置，将微弱特征放大并且保持位置不变。
对于供输弹系统的故障识别，许海伦[4]基于小波理论和支持向量机对其电流信号进行分析，付志敏等[5]基于PCA-KLD方法只对其振动信号进行分析，但均未应用信息融合方法对供输弹系统的故障进行研究，识别率有待提高。针对供输弹系统的故障特征之间存在较强的非线性关系，同时充分利用异类传感器之间的互补信息，提高故障识别的准确率[6]，本文引入D-S证据理论进行振动信号和声信号的多场信息融合。
本文将MRSVD能量特征提取和多场信息融合运用于供输弹系统的早期故障识别，并通过试验证明，所提方法可有效识别供输弹系统的早期故障。
1 MRSVD能量特征
1.1 多分辨奇异值分解
MRSVD是在奇异值分解的基础上，加入矩阵二分递推结构的思想，实现将复杂信号分解到不同层次子空间的一种分解[7]。
奇异值分解（SVD）[8]的定义为：实矩阵H ∈Rm ×n ，不论其行、列是否相关，都必定存在一个正交矩阵U =(u 1,u 2,···um )∈Rm ×n 和一个正交矩阵V =(v 1,v 2,···vm )∈Rm ×n ，使得
为 二 级 最 小 差 值 ，
为第一级最小差值，表示xo 曲线与xi 曲线各个对应点之间距离的最小值；
为二级最大差。
为了获取第j 次分解时得到的SVD相似信号和细节信号，将式（1）用列矢量uji 和vji 表示为
式中：uji ∈R 2×1，vji ∈R 2×(N -1)，i =1,2。
国家尚未出台针对磷石膏利用的强有力的相关政策、措施、标准，[6]规定了磷石膏主要质量控制指标的标准中的数项指标也亟待修订完善。另外，针对磷石膏综合利用的基础性、前瞻性技术研发投入严重不够，大掺量的综合利用技术没有突破，[7]缺乏产业化、大规模、高附加值利用的高端技术。
令Haj =σajuj 1vj 1T，称为相似矩阵，反映信号的主要部分；令Hdj =σdjuj 2vj 2T称为细节矩阵，反映信号的细节部分。第j 次SVD分解的相似信号Aj 和细节信号Dj 可从相似矩阵和细节矩阵中获得。设原始信号为A 0，其MRSVD分解过程如图1所示[9]。
[6] 宗世海、刘文辉：《印尼华文教育政策的历史演变及其走向预测》，《暨南大学华文学院学报》2007年第3期，第3页。
图1 MRSVD分解过程
1.2 MRSVD能量特征
MRSVD能量特征提取的步骤如下：
（2）工程施工工序的制定。将施工目标制进行制定之后，还应该对目标做出细化安排。通过对关键施工与永久性工程之间的关系进行分析我们得到：建设工程的工期越短，对于建筑工程施工进度的加快有着积极的促进作用。因此为了让工程的顺利完工得到保障，在施工的前期就应该将各方面的因素进行科学且详细的分析，制定出科学合理的施工方案。这些因素主要包含了季节以及气候对施工进度的影响；建筑材料的保存以及质量对施工进度的影响；机械设备的维护与保养对施工进度的影响等。
（1）针对信号进行k 层MRSVD分解，得到k +1个分量信号ci ，i =1,2,···k +1。
（2）计算k +1个信号所具有的的能量
（3）构建能量特征向量
（4）令
对式(4)进行归一化处理。
（5）构造相应的决策规则，预先设定阈值ε 1=0.1，ε 2=0.1。
2 灰色关联分析
灰色关联是灰色理论重要的组成部分，用于描述事物之间不确定关联，或者指事物之间主要行为与影响因素之间产生的不确定关联。灰色关联分析的实质是：寻找行为序列之间是否具有一定的内在联系，当其越接近时，关联度就越大，其表现越相似，反之就越小[10]。灰色关联分析的具体步骤如下：
1.重点发展少数民族文化特色酒店。一是酒店建筑设计融入少数民族文化元素。挖掘广西壮族、瑶族、苗族、侗族、京族等少数民族建筑文化，将壮族干栏式民居、铜鼓、壮锦、花山岩画、侗族鼓楼等文化元素进行升华优化，运用于酒店设计中，使酒店展现出浓浓的民族风情。二是策划有民族特色的娱乐活动。将少数民族歌舞、戏剧融入度假酒店的休闲娱乐项目，营造浓郁的民族文化氛围。三是打造有民族特色的酒店餐饮。有广西特色的美食融入到酒店的餐饮中，成为吸引顾客的途径。四是酒店服务人员身穿少数民族服饰，以营造浓郁的民族文化氛围。
（1）确定主行为序列和比较序列
假设主行为序列和比较序列分别为
式中：n 是行为序列中因素的个数
和xi (k )分别为xo 与xi 在第k 点的数值。
教师利用语言真实的互动情境，为学生提供一个特定的场景，引学生进入学习之中。教师也可以通过故事的讲解或以问题引发学生讨论，集中学生的注意力，使他们全身心地参与到课堂互动之中。如在《彩色世界》一课教学中，教者创设情境如下：“为庆祝十九大的胜利召开，小海龟画了一幅三角旗，你觉得怎样？如果在画图软件中画这个图形，你想如何美化它？”教者以情境激发学生的探学热情，引导学生思考如何用Logo实现画图软件中设置前景色、背景色的功能。
（2）求灰色关联系数
如图1所示，Client通过自定义协议向Server发送请求，Server监测Client连接请求，为每一个Client连接请求生成一个服务线程，考虑到每一个连接都需要一定的系统开销，所以Server自己维护连接归入池中。因此，线程池负责分配管理和释放Client连接，允许系统重复使用一个现有连接，而不是重新建立一个。
点xo (k)与点xi(k )的关联系数为
三是做大水利投融资平台。省政府成立了省水利发展投资有限公司，注册资本金50亿元，主要由省财政注资，采取多元投资方式，省水利厅管理为主，通过市场融资，解决湖南省水利建设投入不足的问题。各市县水利投融资平台通过财政注入资金、金融机构贷款、土地储备等方式，融资90亿元。
那妖怪站在大江的中心，双脚直接踏在水面上，随着江水缓缓起伏。他的双耳是鱼鳍的形状，身体的右半边是人形，左半边却生满了紫色的鳞片。他的左手是一只紫色的鳞爪，犹如龙钩，闪着锋利的寒光，右手则握着一根白中透亮的鱼骨杖。骨杖前端一颗阔口獠牙的颅骨，空洞的眼眶中，有紫色的光影明灭。
式中：ρ 为分辨系数，常取ρ =0.5；
为点距离；
本研究的不足之处：（1）目前尚缺乏公认的下肢淋巴水肿评估及诊断标准，造成相关妇科恶性肿瘤术后下肢淋巴水肿发病率报道不一；（2）尚不清楚疾病分期、术后随访时间、具体合并症等对水肿发生的影响，有望在后期研究中进一步明确。
式中：S =(diag(σ 1,σ 2,···,σq ),0)或者其转置，取决于m ＜n 还是m ＞n ；R 为m ×n 的矩阵；H ∈Sm ×n ，0为零矩阵；q =min(m ,n )；σ 1≥σ 2≥···σq ≥ 0，它们即称为实矩阵H 的奇异值。
（3）求灰色关联度
将关联系数的平均值roj 定义为xo 与xi 的关联程度，其表达式为
3 多场信息融合
（3）分别计算每一个证据体在Θ 中的信度区间
（6）根据决策规则得到最后的融合识别结果。
（2）针对灰色关联度识别的结果，对识别的概率值进行归一化处理，确定各个证据体的基本概率赋值函数BPA 的数值
(i 表示工况种类)。
针对供输弹系统，运用D-S证据理论[11]对采集的振动信号和声压信号进行多场故障信息融合识别，主要步骤如下：
（4）计算各个证据体联合作用下的BPA函数mi 和信度区间( BelPl)。
（5）重复步骤（1）至（4），分别计算t 个原始信号的特征向量。
（1）构造证据体和识别框架。针对本文的供输弹系统，证据体为振动测点3、振动测点5、声压测点2，对应的识别框架分别为
针对文中的供输弹系统，基于D-S证据理论的故障信息融合识别流程图见图2。
在党的十九大报告以及同各界优秀青年代表座谈时的讲话中，习近平总书记多次提到与青年相关的话题，他指出：“广大青年要坚持面向现代化、面向世界、面向未来，增强知识更新的紧迫感，如饥似渴学习。既扎实打牢基础知识又及时更新知识，既刻苦钻研理论又积极掌握技能，不断提高与时代发展和事业要求相适应的素质和能力。”入学教育，可以使新生明确学习目的，端正学习态度，增强学习动力，帮助新生了解研究生阶段的生活特点和基本要求，顺利完成从本科到研究生的角色适应和角色转变，尽快步入科学发展轨道。然而与本科生相比，研究生新生入学教育的关注度远远不够。
图2 基于D-S证据理论的故障信息融合识别流程图
4 试验
为验证所提方法对供输弹系统早期故障识别的有效性，依据供输弹系统工作机理和结构，结合实际测试的某型转管火炮的结构（由于供输弹系统的特殊性，无法预设故障，只能根据实射情况测试），对该型火炮开展多场信息测试工作。共布置6处振动测点和两处声压测点，振动测点采集3个方向的加速度信号。测点分布如表1所示，测点分布图如图3所示。
本次试验射速为450发/min，射击过程如下：6连发两次，实验完成且未发生故障；40连发，虽完成射击任务，但在射击至26～27发时射速降低，出现故障征兆。经过检修，60连发，全程射速平稳，机构正常运行，无任何故障现象。本文将某型号火炮的工作状态共划分为3种，即正常工况（60连发）、恶化中工况（6连发）、故障工况（40连发）。
本文选取振动测点3、振动测点5和声压测点2采集的信号，对其进行双树复小波变换降噪预处理，并进行MRSVD分解，经8层分解得到9个信号，分别是8个细节信号D 1～D 8和1个相似信号A 8。如图4所示为振动测点3信号40连发的第5发信号MRSVD分解图。
表1 某型转管火炮测点分布
图3 某型转管火炮测点分布图
对分解后的不同尺度信号提取其能量值并进行归一化处理，如图5所示为振动测点3的各工况的能量相对值。
其中第1分量代表相似信号A 8的相对能量值，第2～9分量分别代表8个细节信号D 1～D 8的相对能量值。很明显，针对不同工况，提取的能量值在相似信号和不同细节信号中具有一定的差异。
（1）计划。针对临床免疫检验过程进行整体规划，制定工作方案，从管控规划到人员培训，从检验样本获取到检验结果分析，针对免疫检验流程及管理制度，严格按照《临床免疫检验细则》进行科学训练、专业知识学习以及消毒意识，设置新的临床免疫消毒标准、洗手点以及检验功能区域划分[1] 。
各工况选前5发数据的能量平均值作为测试样本，其余定义为训练样本。测试数据样本向量为xo =[xo (1),xo (2),···xo (9)] ，分别对应[A 8,D 1,D 2,···D 8] 。
各工况训练样本能量平均值组成故障标准模式矩阵Xi 。
1.2.2 观察胎心情况 在产程开始后,潜伏期时应对胎心每隔1~2 h行一次听诊,活跃期时应每隔15~30 min行一次听诊,可在宫缩间歇期用听诊器、多普勒仪或胎儿电子监护仪监测。观察胎心时,应观察胎心的节律、频率及宫缩前后胎心变化与恢复速度等,正常胎心率为120~160次/min,如胎心率节律不齐,或胎心率小于120次/min,或超过160次/min时,表示胎儿缺氧[3]。胎儿电子监护仪可记录胎心曲线,显示胎心率及胎心率与子宫收缩的关系,明确胎儿具体状态,其方法在胎心最响亮处置入探头,在腹壁上固定窄腹带。
图4 振动测点3的40连发第5发信号MRSVD分解图
式中：X 、X 、X 3分别为供输弹系统3种工况的标准模式向量，诊断评估指标为
计算各个测试样本向量和标准模式向量之间的关联度，得单一信号的识别结果，表2所示为振动测点3的识别结果。
图5 振动测点3的信号能量分布图
表2中，每一个数值代表待测量和标准量的关联度大小，选择每种工况的最大关联度值为该工况所属的类型。经过灰色关联度识别分析，在15个测试样本中，振动测点3有13个样本识别准确，识别准确率约为86.67%；振动测点5有12个样本识别准确，识别准确率约为80%；声压测点2有11个样本识别准确，识别准确率约为73.33%。
表2 振动测点3诊断结果
将灰色关联度值进行归一化处理，用D-S证据理论进行融合识别。识别结果如表3所示。
表3 经D-S证据理论融合后的故障识别数据(MRSVD分解）
表3中，经D-S证据理论融合后的15个测试样本中，有14个识别准确，识别准确率为93.33%。对比表2和表3，可知经多场信息融合后，可获取更丰富的故障信息，避免仅凭单一信号所造成的识别错误，能提高故障识别准确率。
为了进行对比，将基于对信号提取聚合经验模态分解（EEMD）前5层分量能量值作为表征供输弹系统不同状态的特征值，并做灰色关联度分析和基于D-S证据理论融合识别。识别结果如表4所示。
表4 基于D-S证据理论的故障融合识别数据(EEMD分解）
表4中，经基于D-S证据理论融合后的15个测试样本中，有12个识别准确，识别准确率为80%。对比表3和表4，相比于EEMD分解后的能量特征值，MRSVD分解后的能量特征值更有效，可为后续分析提供更可靠的数据。
5 结语
本研究针对复杂供输弹系统早期故障中信号成分复杂、潜在故障征兆难以识别的问题，提出基于MRSVD能量特征和多场信息融合的识别方法，并进行试验验证，结果表明：
一师医院新生儿科援疆专家陈正副院长主动对赵主任说：“赵主任，我们一起去护台吧！”赵主任回答说：“可以，请跟我来。”话音刚落，两人便大步往手术室奔去……
（1）运用MRSVD能量特征方法可实现对供输弹系统微弱信号的有效提取，为实现早期故障的准确识别提供可靠的特征信息；
（2）运用D-S证据理论进行故障融合识别可使识别准确率更高而且能够避免单一信号识别的错误；
（3）本文的多场信息融合理论为故障识别方法的研究提供了一种新思路。
参考文献:
[1] 王红玲.火炮自动供输弹系统故障诊断技术研究[D] .太原：中北大学，2010.
[2] PHILLIPS R D,WATSON L T,WYNNE R H,et al.Feature reduction using a singular value decomposition for the iterative guided spectral class rejection hybrid classifier[J] .ISPRS Journal of Photogrammetry and Remote Sensing,2009,64(1):107-116.
[3] 赵学智，陈统坚，叶邦彦.基于奇异值分解的铣削力信号处理与铣床状态信息分离[J] .机械工程学报，2007，43(6)：169-174.
[4] 许海伦.基于电流信号分析与小波-支持向量机的火炮自动装填系统故障诊断研究[D] .太原：中北大学，2013.
[5] 付志敏，潘宏侠，许昕，等.基于PCA-KLD的供输弹系统早期故障识别[J] .机械设计与研究，2018，34(2)：192-195.
[6] 李平.基于多源异类信息融合的异步电机故障诊断技术研究[D] .湘潭：湖南科技大学，2013.
[7] 李明晓，刘增力.MRSVD-EMD方法在滚动轴承故障诊断中的应用[J] . 软件导刊，2018，17(5)：138-141+145.
[8] 孟智慧，王昌.应用多分辨SVD和ICA的轴承复合故障诊断研究[J] .现代制造工程，2014(8)：127-130.
[9] 于海涛.基于灰色关联分析的水电机组振动故障诊断方案[J] . 黑龙江水利，2017，3(2)：64-67.
[10] 程哲，胡茑庆，秦国军.基于物理模型和灰色关联分析的直升机传动系统损伤定量检测方法[J] .航空动力学报，2011，26(3)：716-720.
[11] GONG YONG JIAN,SU XIAO YAN,QIAN HONG,et al.Research on fault diagnosis methods for the reactor coolant system of nuclear power plant based on D-S evidence theory[J] .Annals of Nuclear Energy,2018:112.
Early Fault Identification based on MRSVD and Information Fusion for the Supply and Delivery Missile System
LIANG Haiying ,XU Xin ,PAN Hongxia ,ZHAO Xiongpeng
(Mechanical Engineering Institute,North University of China,Taiyuan 030051,China)
Abstract: For the problem that the signal components in the early failure of the missile system are complex and the potential fault signs are difficult to identify,an early fault identification method for the missile system based on multiresolution singular value decomposition energy feature and multi-field information fusion is proposed.Firstly,the vibration signals in different states of the transport system are collected to obtain a similar signal and 8 detail signals by performing MRSVD decomposition.The energy characteristics of these component signals are extracted and normalized to obtain the relative energy values.Then,the gray correlation analysis is used to identify the extracted energy features.In order to improve the accuracy of fault identification,the vibration signal and sound pressure signal are combined and identified by DS evidence theory.The experimental results show that the MRSVD energy feature extraction method can effectively extract the early fault characteristics of the missile system,and the accuracy of fault identification can be improved after multi-field information fusion.
Keywords: vibration and wave;ammunition supply system;MRSVD;grey correlation analysis;multi-field information fusion;fault diagnosis
中图分类号： TH165+.3
文献标志码： A
DOI编码： 10.3969/j.issn.1006-1355.2019.04.035
文章编号： 1006-1355(2019)04-0190-05+229
收稿日期： 2018-10-30
基金项目： 国家自然科学基金资助项目(51675491)
作者简介： 梁海英（1993-），女，河北省张家口市人，硕士研究生，主要研究方向为信号识别与处理、装备系统检测与诊断。E-mail:1197275065@qq.com
通信作者： 潘宏侠，男，教授，博士生导师。E-mail:408608573@qq.com
标签：振动与波论文; 供输弹系统论文; 多分辨奇异值分解论文; 灰色关联分析论文; 多场信息融合论文; 故障识别论文; 中北大学机械工程学院论文;