基于神经网络的机械故障诊断
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于神经网络的机械故障诊断
何彦平，袁翔，夏晶晶
（长沙理工大学汽机学院，湖南长沙410076）
摘要：针对传统方法在故障诊断中的局限性，提出了把神经网络用于故障诊断的方法，以汽轮机振动故障为例，证明了此方法的有效性和可行性。
关键词：汽车；故障诊断；神经网络；汽轮机；振动故障
中图分类号：U472.4文献标识码：B文章编号：1671-2668（2005）04-0016-03
训练过的神经网络能存贮有关过程的知识，直接从定量的、历史故障信息中学习，可根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障；人工神经网络具有滤出噪声及在有噪声情况下得到正确结论的能力，可训练人工神经网络来识别故障信息，使其能在噪声环境中有效工作，这种滤除噪声的能力使人工神经网络适合在线故障检测和诊断；人工神经网络具有分辨故障原因及类型的能力。因此，人工神经网络可用于机械故障诊断。
1B P网络
1.1B P网络及其应用
目前，在人工神经网络的实际应用中，绝大部分网络模型采用BP网络及其变化形式，BP网络主要应用于：!函数逼近，用输入矢量和相应的输出矢量训练一个网络逼近一个函数；"模式识别，用一个特定的输出矢量将它与输入矢量联系起来；#分类，把输入矢量以所定的合适方式进行分类；$数据压缩，减少输出矢量维树以便于传输或存储。
1.2B P网络结构
BP网络是一种单向传播的多层前向网络，其结构如图1所示。网络除输入、输出节点外，还有一层或多层隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次穿过各隐层节点后传到输出节点，每层节点的输出只影响下一层节点的输出。其节点单元特性（传递函数）通常为S i g m o i d型：f（O）=1／（1+ex p（-BO））（B!0），但在输出层中，节点的单元特性有时为线性。BP网络可看作是一个从输入到输出的高度非线性映射，通过对简单的非线性函数进行数次复合，可近似复杂的函数。其中，输入层与输出层单元数由问题确定，隐层层数与
单元数由试算选定。
图1B P网络结构
1.3B P算法的基本思想
BP网络不仅有输入、输出节点，而且还有一层或多层隐含节点。对于输入信息，要先向前传播到隐含节点上，经过各单元的特性为S i g m o i d型的激活函数运算后，把隐含节点的输出信息传播到输出节点，最后给出输出结果。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每层神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，即实际输出值与期望输出值之间有误差，则转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层传播并进行计算，再经过正向传播过程。这两个过程的反复运用，使误差信号最小。误差达到人们所希望的要求时，网络的学习过程就结束。
2算例及分析
2.1训练样本的获得
在汽轮机的测量点上布置传感器，通过一定的仪器获取所需信号，将传感器的输出信号经采样和A／D转换为数字信号送入计算机，这些信号要经过预处理才能交付给后面的应用程序使用。预处理的主要任务是去除来自传感器的有用信号中混杂的干扰信号。在智能化仪表中，为了减少和去除干扰、噪声，提高系统的可靠性，常用软件的方法实现。然后对信号进行谱分析，将信号转换到频率域，并应用多
61
公路与汽运
~i g h w a y s&a uto m otioe a11lications
第4期
2005年8
"
""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
月
分辨率分析和小波包分析技术把信号分解在不同的频带内。在这些频率内，根据感兴趣的信号的频率范围，将信号在一定尺度上进行分解，从而提取相应频带内的信息，对各频带内的信号能量进行统计分析，形成反应信号特征的特征向量。
以振动信号频谱中的9个频段上不同频率的谱的谱峰能量值为特征量，作为网络输入。以旋转机械常见的不平衡、不对中、油膜涡动、气动力偶、转子径向碰摩、共生松动故障、推力轴承损坏、喘振、轴承座松动、不等轴承刚度10种故障作为网络的输出。根据以上数据形成训练样本（见表1、表2）。如表1所示，选用振动信号频谱中的9个频段，所以，网络输
表!汽轮机振动故障原因与征兆
故障样本
频段
（f为工频）
0不
平衡
1气动
力偶
2不
对中
3油膜
涡动
4转子径
向碰摩
5共生松
动故障
6推力轴
承损坏7
喘振8
轴承
座松动
9不等轴
承刚度
0 1 2 3 4 5 6 7 8
0.01／039f
0.40／0.49f
0.50f
0.51／0.99f
f
2f
3／5f
奇数倍f
高频!5f
0.00
0.00
0.00
0.00
0.90
0.05
0.05
0.00
0.00
0.00
0.30
0.10
0.60
0.00
0.00
0.00
0.00
0.10
0.00
0.00
0.00
0.00
0.40
0.50
0.10
0.00
0.00
0.10
0.80
0.00
0.10
0.00
0.00
0.00
0.00
0.00
0.10
0.10
0.10
0.10
0.20
0.10
0.10
0.10
0.10
0.00
0.00
0.00
0.00
0.20
0.15
0.40
0.00
0.25
0.00
0.00
0.10
0.90
0.00
0.00
0.00
0.00
0.00
0.00
0.30
0.10
0.60
0.00
0.00
0.00
0.00
0.00
0.90
0.00
0.00
0.00
0.00
0.00
0.00
0.10
0.00
0.00
0.00
0.00
0.00
0.00
0.80
0.20
0.00
0.00
表"样本的目标输出
故障样本
各节点的输出
0123456789 0不平衡1.000.000.000.000.000.000.000.000.000.00 1气动力偶0.001.000.000.000.000.000.000.000.000.00 2不对中0.000.001.000.000.000.000.000.000.000.00 3油膜涡动0.000.000.001.000.000.000.000.000.000.00 4转子径向碰摩0.000.000.000.001.000.000.000.000.000.00 5共生松动故障0.000.000.000.000.001.000.000.000.000.00 6推力轴承损坏0.000.000.000.000.000.001.000.000.000.00 7喘振0.000.000.000.000.000.000.001.000.000.00 8轴承座松动0.000.000.000.000.000.000.000.001.000.00 9不等轴承刚度0.000.000.000.000.000.000.000.000.001.00注：
“1.00”表示对应故障发生；“0.00”表示对应故障不发生
入节点数为9。选用10个故障样本，表中主要数据为这10个故障样本在不同频率时的谱的谱峰能量值。例如，不平衡故障样本在频率为f时的谱的谱峰能量值为0.90，在频率为2f和3／5f时的谱的谱峰能量值都为0.05，而在其它6个频段时的谱的谱峰能量值全为0。
由表2可知：本网络的输出节点数为10。对于10个故障样本中的任何一个样本，在10个输出节点中均有对应的值。如不平衡故障在0号节点对应的值为1.00，在其它9个节点对应的值为0.00。其中，输出节点数的值决定了故障种类。例如，若在输出节点中0号节点对应的值为1.00，而在其它9个节点对应的值为0.00，则对应的故障样本为不平衡。这种故障诊断方式的实质是模式识别，即不同
的输出节点值对应不同的故障模式。
"."网络结构
选用三层感知器网络，输入层单元数为9，对应9个频率特征量；输出层单元数为10，对应10种故障。把以上训练样本输入M ATLAB工具箱运行，并调试网络隐层。若隐层神经元单元数小于10个，则无法达到预期设定的误差值0.01；若隐层神经单元数过大，则网络计算量过大，网络非最优。因此，将隐层神经单元数选为15。
此网络的结构为9-15-10。对网络进行训练，训练误差和学习率变化见图2。
".#仿真
".#.!仿真一
因为实验数据较少，把10组数据全部作为训练
71
公路与汽运
总第109期H i g h w a y S&A uto m otioe A11
" """"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
licationS