基于小波神经网络的旋转机械故障诊断

收稿日期:2003206219
作者简介:江磊(19762,男,工程师,从事电厂热工过程自动化方面的工作。

基于小波神经网络的旋转机械故障诊断
江磊1,江凡2
(1核工业第五研究设计院,郑州314300;2中船重工集团第704研究所,上海200031
摘要:研究了小波变换与人工神经网络结合起来应用于旋转机械故障诊断的问题。

通过选择合适的参数,对故障
信号功率谱进行小波分解,简化了故障特征向量的提取。

建立了基于小波变换和BP 网络的混合诊断模型,成功地实现了对故障的智能诊断。

关键词:小波变换;神经网络;旋转机械;故障诊断分类号:TH 133;TH 165文献标识码:A 文章编号:100125884(20040320204203
Fault Diagnosis of Rotation Machine Based on Wavelet Neural Netw ork
J 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 200031
Abstract :The combination usage of wavelet trans 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 mixed 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 diagnosis
0前言
小波变换是信号分析的有力工具,人工神经网络更是能出色完成模式识别任务,而信号分析和模式识别正是设备故障诊断所依赖的两个关键技术。

因此,研究如何将二者完美的结合起来,应用于旋转机械的故障诊断,具有广泛的应用价值。

1小波变换及神经网络在故障诊断中的应用
小波分析在故障诊断中的应用是多方面的,如奇异信号检测、信噪分离和频带分析等。

其中在旋转机械故障诊断中主要用到的是频带分析技术。

F ourier 分析也可以作频带能量分析,其得出的是不同故
障的谱结构特征向量,这在实际中已获得了成功的运用。

和F ourier 频谱分析技术一样,小波频带分析技术的理论依据也是Parseval 能量积分等式。

因f (x 在时域的能量:
f =
∫
+∞-∞
f (x
2
d x =
∑c
j ,k
2
上式表明,小波变换系数c j ,k 具有能量的量纲,因此可以用于能量分析。

F ourier 分析只是对信号中的正弦成分进行了统计,实际的故障信号往往包含非平稳成分,这些信号严格讲并不能用正弦信号作为基来描述,即使描述,能量表示也不
全面。

而用小波进行信号分析,则可以描述信号中的非平稳成分。

尤其用小波包分析技术,可以把信号分解在任意精细的频带上。

在这些频带上作能量统计,形成的特征向量更合理。

人工神经网络能够出色地解决那些传统模式识别方法难以圆满解决的问题,所以故障诊断技术是人工神经网络的重要应用领域之一。

在众多的神经网络中,基于BP 算法的多层感知器(M LP 神经网络理论最为坚实,应用也最广泛。

2小波神经网络
目前小波分析和神经网络结合的途径主要有两种:
(1松散型结合,即小波分析作为神经网络的前置处理手段,为神经网络提供输入特征向量;
(2紧致型结合,小波和神经网络直接融合,即用小波函数和尺度函数形成神经元。

小波神经网络通过上述两种途径的结合,形成了广义上的两种小波神经网络。

其中第2种类型的小波神经网络,即狭义上的小波神经网络,主要用于对非均匀性数据对的逼近。

在故障诊断领域,多采用小波分析和神经网络的松散型结合方法。

把小波分析中的多分辨率技术和F ourier 频谱技术结合起来,也可以为神经网络提供一种输入向量。

F ourier 变换的频谱谱线非常丰富,但它们谱线值的组合能反映故障的特
第46卷第3期
汽轮机技术V ol.46N o.3
2004年6月
T URBI NE TECH NO LOGY
Jun.2004
征,因此可以作为神经网络的特征输入向量。

但若有512条谱线,则需512个输入节点,显然使网络的结构过于庞大。

这时可以运用小波分析中的多分辨率技术,把F ourier频谱在一定尺度上分解为一离散逼近部分和若干离散细节部分。

该逼近部分谱线数将大为减少,但它仍保留了原频谱的主要特征。

如经过3层分解,逼近部分谱线数将降为原来的1/8,即64条。

对于旋转机械,这将极大地简化输入特征向量的提取。

3旋转机械故障诊断模型的建立
3.1旋转机械故障特征的建立
纵观我国的机械设备故障诊断技术,对旋转机械故障诊断的研究是最深入和完善的,其应用也是最成功的。

经过大量的实验,已经建立起了通用的旋转机械故障原因与征兆对应表[1]。

从中选出旋转机械中常见的不平衡、不对中、油膜涡动等9种故障作为神经网络的输出;利用振动信号频谱的9个频段上的不同频率的谱的谱峰能量值作为特征量,形成训练样本,见表1、表2。

3.2特征向量的提取
把多分辨率分析应用到功率谱的特征提取上,可以方便而有效的提取出特征向量。

具体方法如下:
(1对旋转机械的振动信号采样1024点,采样频率为12.8f(f为工频;
(2计算振动信号的功率谱(512点,频率分布区间0~ 6.4f;
(3对功率谱序列进行3层小波分解,提取其第3层分解的逼近部分(64点,对应频率分布区间0~6.4f,频率间隔为0.1f;
表1旋转机械振动故障原因与征兆表
故障样本012345678归一化频段(/f(f为工频0.01/0.390.40/0.490.50.51/0.99123/5奇数倍高频>5
0.不平衡0.000.000.000.000.900.050.050.000.00
1.不对中0.000.000.000.000.400.500.100.000.00
2.油膜涡动0.100.800.000.100.000.000.000.000.00
3.转子径向碰摩0.100.100.100.100.200.100.100.100.10
4.共生松动故障0.000.000.000.000.200.150.400.000.25
5.推力轴承损坏0.000.000.100.900.000.000.000.000.00
6.喘振0.000.300.100.600.000.000.000.000.00
7.轴承座松动0.900.000.000.000.000.000.000.100.00
8.不等轴承刚度0.000.000.000.000.000.800.200.000.00表2样本的目标输出
故障样本
输出节点
012345678
0.不平衡1.000.000.000.000.000.000.000.000.00
1.不对中0.001.000.000.000.000.000.000.000.00
2.油膜涡动0.000.001.000.000.000.000.000.000.00
3.转子径向碰摩0.000.000.001.000.000.000.000.000.00
4.共生松动故障0.000.000.000.001.000.000.000.000.00
5.推力轴承损坏0.000.000.000.000.001.000.000.000.00
6.喘振0.000.000.000.000.000.001.000.000.00
7.轴承座松动0.000.000.000.000.000.000.001.000.00
8.不等轴承刚度0.000.000.000.000.000.000.000.001.00
(4照表1,从9个频段中提取特征向量x(n,n=0,1,…,8,并进行归一化。

3.3人工神经网络模型的建立
根据上面的分析,选3层BP网络,输入层单元数为9,对应9个频率特征量;输出层单元数为9,对应9种故障;根据文献[2],隐层神经元数选为8。

网络的结构如图1所示。

3.4人工神经网络模型的训练
用最速梯度下降法训练网络,经过3000次训练后仍未达到训练目标;而采用L-M优化算法收敛速度明显加快,很快就达到了训练目标。

最后网络误差为
4.2064×10-5,实际输出如表3所列。

4旋转机械故障诊断模型的验证
从某轴承-转子试验台上采集到了其在不平衡状态时的振动信号样本如图2所示,验证结果见表4、表5。

图2中,上图为原始信号;中图为原始信号的功率谱;下图为功率谱序列的3层小波分解逼近部分。

502
第3期江磊等:基于小波神经网络的旋转机械故障诊断
图1诊断系统的BP神经网络模型上图:原始信号;中图:原始信号的功率谱;
下图:功率谱序列的3层小波分解逼近部分
图2检验信号及其特征提取图
表3样本的实际输出
编号
输出节点
012345678
00.9892-0.00060.0075-0.0036-0.0038-0.0113-0.00780.0146-0.0131
10.01091.00100.00140.00340.00200.00540.0041-0.00020.0032
20.0069-0.00010.99460.00200.00190.01190.0104-0.00580.0048
30.0098-0.00110.00481.0005-0.00640.00100.00570.0005-0.0103
40.01230.0003-0.0081-0.00141.0058-0.0013-0.0062-0.00090.0123
50.0064-0.00210.00200.0026-0.00300.99950.00400.0019-0.0105
60.0032-0.00040.00530.0014-0.00060.00411.0044-0.00850.0061
70.0077-0.00100.00700.0009-0.0072-0.00100.00401.0041-0.0121
80.0056-0.00120.01380.00150.00060.01320.0131-0.00150.9979表4网络输入
输入节点012345678
标准向量0.0000.0000.0000.0000.9000.0500.0500.0000.000检验向量
0.0030.0010.0010.0037.3290.1040.2010.0000.016归一化值
0.0000.0000.0000.0000.9560.0130.0260.0000.002表5网络输出
输出检验012345678
标准输出1.0000.0000.0000.0000.0000.0000.0000.0000.000检验输出1.093-
0.0970.0090.030-0.018-0.002-0.0150.0080.019
5结论
小波变换的多分辨分析技术可以用来提取故障信号频谱中的有用信息,减少了数据量。

针对特定的诊断对象,如果参数选取得当,则会简化特征向量的提取过程。

根据对识别样本进行的分类可知,该小波神经网络模型具有较高的识别精度,优于单独通过功率谱或小波包分解提取特征向量的方法,适用于旋转机械的故障诊断。

参考文献
[1]虞和济,等.基于神经网络的智能诊断[M].北京:冶金工业出
版社,2002.
[2]陈树红,余红英,等.BP网络算法及其在故障诊断中的应用述
评[J].振动、测试与诊断,2001,21(2.
602汽轮机技术第46卷。