基于小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷

1、收稿日期:2003206219作者簡介:江磊(19762,男,工程師,從事電廠熱工過程自動化方面的工作。基于小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷江磊1,江凡2(1核工業(yè)第五研究設(shè)計院,鄭州314300;2中船重工集團(tuán)第704研究所,上海200031摘要:研究了小波變換與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來應(yīng)用于旋轉(zhuǎn)機械故障診斷的問題。通過選擇合適的參數(shù),對故障信號功率譜進(jìn)行小波分解,簡化了故障特征向量的提取。建立了基于小波變換和BP 網(wǎng)絡(luò)的混合診斷模型,成功地實現(xiàn)了對故障的智能診斷。關(guān)鍵詞:小波變換;神經(jīng)網(wǎng)絡(luò);旋轉(zhuǎn)機械;故障診斷分類號:TH 133;TH 165文獻(xiàn)標(biāo)識碼:A 文章編號:100125884(2004

2、0320204203Fault Diagnosis of Rotation Machine Based on Wavelet Neural Netw orkJ IANGLei 1,J IANG Fan 2(1No.5Research and Design Institute for Nuclear Industry ,Zhengzhou 314300,China ;2No.704Institute of China Marine Heavy Industry G roup ,Shanghai 200031Abstract :The combination usage of wavelet tr

3、ans form and artificial neural netw ork in the fault diagnosis of rotation machine is dis 2cussed in this paper.When proper parameters are chosen ,the extraction process of fault character can be simplied by applying WT (wavelet trans form upon the PS D (power spectrum density of fault signal.A mixe

4、d m odel based on WT and BP netw ork is con 2structed and it can be used in the intelligent diagnosis success fully.K ey w ords :w avelet transform;neural netw ork;rotation m achine ;fault diagnosis0前言小波變換是信號分析的有力工具,人工神經(jīng)網(wǎng)絡(luò)更是能出色完成模式識別任務(wù),而信號分析和模式識別正是設(shè)備故障診斷所依賴的兩個關(guān)鍵技術(shù)。因此,研究如何將二者完美的結(jié)合起來,應(yīng)用于旋轉(zhuǎn)機械的故障診斷,具有廣泛

5、的應(yīng)用價值。1小波變換及神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用小波分析在故障診斷中的應(yīng)用是多方面的,如奇異信號檢測、信噪分離和頻帶分析等。其中在旋轉(zhuǎn)機械故障診斷中主要用到的是頻帶分析技術(shù)。F ourier 分析也可以作頻帶能量分析,其得出的是不同故障的譜結(jié)構(gòu)特征向量,這在實際中已獲得了成功的運用。和F ourier 頻譜分析技術(shù)一樣,小波頻帶分析技術(shù)的理論依據(jù)也是Parseval 能量積分等式。因f (x 在時域的能量: f =+-f (x 2d x =cj ,k2上式表明,小波變換系數(shù)c j ,k 具有能量的量綱,因此可以用于能量分析。F ourier 分析只是對信號中的正弦成分進(jìn)行了統(tǒng)計,實際的故障信

6、號往往包含非平穩(wěn)成分,這些信號嚴(yán)格講并不能用正弦信號作為基來描述,即使描述,能量表示也不全面。而用小波進(jìn)行信號分析,則可以描述信號中的非平穩(wěn)成分。尤其用小波包分析技術(shù),可以把信號分解在任意精細(xì)的頻帶上。在這些頻帶上作能量統(tǒng)計,形成的特征向量更合理。人工神經(jīng)網(wǎng)絡(luò)能夠出色地解決那些傳統(tǒng)模式識別方法難以圓滿解決的問題,所以故障診斷技術(shù)是人工神經(jīng)網(wǎng)絡(luò)的重要應(yīng)用領(lǐng)域之一。在眾多的神經(jīng)網(wǎng)絡(luò)中,基于BP 算法的多層感知器(M LP 神經(jīng)網(wǎng)絡(luò)理論最為堅實,應(yīng)用也最廣泛。2小波神經(jīng)網(wǎng)絡(luò)目前小波分析和神經(jīng)網(wǎng)絡(luò)結(jié)合的途徑主要有兩種:(1松散型結(jié)合,即小波分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段,為神經(jīng)網(wǎng)絡(luò)提供輸入特征向量;(

7、2緊致型結(jié)合,小波和神經(jīng)網(wǎng)絡(luò)直接融合,即用小波函數(shù)和尺度函數(shù)形成神經(jīng)元。小波神經(jīng)網(wǎng)絡(luò)通過上述兩種途徑的結(jié)合,形成了廣義上的兩種小波神經(jīng)網(wǎng)絡(luò)。其中第2種類型的小波神經(jīng)網(wǎng)絡(luò),即狹義上的小波神經(jīng)網(wǎng)絡(luò),主要用于對非均勻性數(shù)據(jù)對的逼近。在故障診斷領(lǐng)域,多采用小波分析和神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合方法。把小波分析中的多分辨率技術(shù)和F ourier 頻譜技術(shù)結(jié)合起來,也可以為神經(jīng)網(wǎng)絡(luò)提供一種輸入向量。F ourier 變換的頻譜譜線非常豐富,但它們譜線值的組合能反映故障的特第46卷第3期汽輪機技術(shù)V ol.46N o.32004年6月T URBI NE TECH NO LOGYJun.2004征,因此可以作為神經(jīng)網(wǎng)

8、絡(luò)的特征輸入向量。但若有512條譜線,則需512個輸入節(jié)點,顯然使網(wǎng)絡(luò)的結(jié)構(gòu)過于龐大。這時可以運用小波分析中的多分辨率技術(shù),把F ourier頻譜在一定尺度上分解為一離散逼近部分和若干離散細(xì)節(jié)部分。該逼近部分譜線數(shù)將大為減少,但它仍保留了原頻譜的主要特征。如經(jīng)過3層分解,逼近部分譜線數(shù)將降為原來的1/8,即64條。對于旋轉(zhuǎn)機械,這將極大地簡化輸入特征向量的提取。3旋轉(zhuǎn)機械故障診斷模型的建立3.1旋轉(zhuǎn)機械故障特征的建立縱觀我國的機械設(shè)備故障診斷技術(shù),對旋轉(zhuǎn)機械故障診斷的研究是最深入和完善的,其應(yīng)用也是最成功的。經(jīng)過大量的實驗,已經(jīng)建立起了通用的旋轉(zhuǎn)機械故障原因與征兆對應(yīng)表1。從中選出旋轉(zhuǎn)機械中常

9、見的不平衡、不對中、油膜渦動等9種故障作為神經(jīng)網(wǎng)絡(luò)的輸出;利用振動信號頻譜的9個頻段上的不同頻率的譜的譜峰能量值作為特征量,形成訓(xùn)練樣本,見表1、表2。3.2特征向量的提取把多分辨率分析應(yīng)用到功率譜的特征提取上,可以方便而有效的提取出特征向量。具體方法如下:(1對旋轉(zhuǎn)機械的振動信號采樣1024點,采樣頻率為12.8f(f為工頻;(2計算振動信號的功率譜(512點,頻率分布區(qū)間0 6.4f;(3對功率譜序列進(jìn)行3層小波分解,提取其第3層分解的逼近部分(64點,對應(yīng)頻率分布區(qū)間06.4f,頻率間隔為0.1f;表1旋轉(zhuǎn)機械振動故障原因與征兆表故障樣本輸出節(jié)點012345678(4照表1,從9個頻段中

10、提取特征向量x(n,n=0,1,8,并進(jìn)行歸一化。3.3人工神經(jīng)網(wǎng)絡(luò)模型的建立根據(jù)上面的分析,選3層BP網(wǎng)絡(luò),輸入層單元數(shù)為9,對應(yīng)9個頻率特征量;輸出層單元數(shù)為9,對應(yīng)9種故障;根據(jù)文獻(xiàn)2,隱層神經(jīng)元數(shù)選為8。網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。3.4人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練用最速梯度下降法訓(xùn)練網(wǎng)絡(luò),經(jīng)過3000次訓(xùn)練后仍未達(dá)到訓(xùn)練目標(biāo);而采用L-M優(yōu)化算法收斂速度明顯加快,很快就達(dá)到了訓(xùn)練目標(biāo)。最后網(wǎng)絡(luò)誤差為4.2064×10-5,實際輸出如表3所列。4旋轉(zhuǎn)機械故障診斷模型的驗證從某軸承-轉(zhuǎn)子試驗臺上采集到了其在不平衡狀態(tài)時的振動信號樣本如圖2所示,驗證結(jié)果見表4、表5。圖2中,上圖為原始信號;中圖為原始信號的功率譜;下圖為功率譜序列的3層小波分解逼近部分。502第3期江磊等:基于小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷圖1診斷系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型上圖:原始信號;中圖:原始信號的功率譜;下圖:功率譜序列的3層小波分解逼近部分圖2檢驗信號及其特征提取圖表3樣本的實際輸出編號輸出節(jié)點012345678輸入節(jié)點012345678輸出檢驗0123456785結(jié)論小波變換的多分辨分析技術(shù)可以用來提取故障信號頻譜中的有用信息,減少了數(shù)據(jù)量。針對特定的診斷對象,如果參數(shù)選取得當(dāng),則會簡化特征向量的提取過程。根據(jù)對識