基于改进小波神经网络的旋转机械故障诊断

振动、测试与诊断

JournalofVibration,Measurement&DiagnosisVol.27No.1

Mar.2007

基于改进小波神经网络的旋转机械故障诊断

　　　　　　　　　彭　斌　　　　　　　　　　刘振全

(兰州理工大学机电工程学院　兰州,730050)　　(兰州理工大学石油化工学院　兰州,730050)

Ξ

摘要　根据旋转机械复杂的故障特点,提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-特征向量的提取,然后用训练好的模糊神经网络进行故障识别,并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断,通过计算机仿真和试验的结果表明,该方法在处理多故障耦合的情况时优势明显,不仅可以正确识别故障的类型,还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的,为旋转机械的故障诊断提供了理论支持。关键词　故障诊断　第二代小波　模糊神经网络　旋转机械中图分类号　TP277

步对故障的严重程度及其发展趋势进行可靠地诊断。

引　言

随着科学技术与现代化工业的发展,旋转机械正朝着大型化、连续化、高速化、轻型化、集中化、自动化和大功率、大载荷方向发展,大多数系统都配有智能监控系统,而故障诊断又是智能监控系统的主要体现。故障诊断技术的提高,影响着智能监控系统的功能,对于维护系统的正常运行,降低生产成本、提高生产效率和保障生产安全都具有重要的意义。

故障诊断包括2个步骤:故障征兆的提取和实际故障诊断。第1步是故障征兆提取,其主要用作数据信号的提取、比较和放大的目的,从而获得故障的特征信息;第2步实际故障诊断包括故障的类型诊断和故障严重程度的诊断两部分。只有这两者都得到了确定,才能获得对旋转机械故障的全面描述。但目前提出的一些方法,大多数只从其中某一方面进行研究,很少把两者结合起来综合进行分析。

本文结合第2代小波包理论和模糊神经网络理论,提出了一种改进小波神经网络的新方法,通过这种诊断方法不仅可以正确识别故障类型,还可以进一

1　旋转机械故障诊断方法及步骤

当旋转机械出现故障时,其振动信号必然发生相应的变化,这些变化集中反映在部分特征频段上,这些特征频段上特征量的变化及其比例关系就反映出机械设备振动的特点以及相应的故障类型。从现场获取的振动信号既包含了设备自身的某些特征信息,也包含了各种干扰噪声,如何剔除信号中噪声信息、获取有效的分析信号,是实现设备状态监测和故障诊断的前提。信号分析作为了解设备运行状态和进行故障诊断的最主要途径,它的主要目标就是要寻找一种简单有效的信号变换方法,使得信号所包含的重要信息显示出来,最终达到提取有效信号特征的目的。把第2代小波分析与模糊神经网络进行结合,形成松散型结合的改进小波神经网络,即小波分析作为模糊神经网络的前置处理手段,为模糊神经网络提供输入特征向量,再经过训练的模糊神经网络,就可得到故障的类型及发展趋势,图1所示为旋转机械故障诊断的系统框图[1]。

图1　故障诊断的系统图

Ξ

甘肃自然科学基金资助项目(编号:3ZS051A252036)。收稿日期:2005202224;修改稿收到日期:2005206210。

　第1期彭　斌等:基于改进小波神经网络的旋转机械故障诊断　33

样的结果,即实现信号在不同频带上的分离,分解的

2　第2代小波变换分析

第2代小波变换是基于多项式内插的思想,其最显著的特点是不引入Fourier分析,所有的运算都在空间域进行,从而摆脱了对频域的依赖。利用第2

代小波变换可产生所有传统CDF(Cohen2Daubechies2Feauveau)类型双正交小波,且容易实

振动信号有各频段内的成份,但这些频段并不是都对故障识别有用,因而还要进行特征频段筛选,通常015倍工频、工频及各倍工频分量与故障关系较紧

密,选择这些特征频率所在的频段为特征频段。各频带内的能量值形成一个向量,该向量对不同的故障对应不同的值,由此可提取出有关的故障信息,为故障诊断提供了有效途径[223]。现快速算法(速度大约是传统小波变换的2倍);逆变换也容易实现,且与正变换具有同样的复杂度;变换信号可以是任意长度(不必是2n),且允许原位计算,节省计算机内存;它很容易扩展到整数变换。

输入具有2k个离散值的信号sj,经小波分解成为低频信号sj-1与高频细节信号dj-1,由提升方法构成的小波变换过程可以分为、预测和更新3个步骤,如图2所示。

(1)

此过程是将信号sj成为两个互不相交的点集:evenj-1(偶数序列s2k)和oddj-1(奇数序列s2k+1),该方法可表示为

split(sj)=(evenj-1,oddj-1)

(1)

3　模糊神经网络松散型结合的改进小波模糊神经网络在进行故障诊断时,第2代小波分解中提取的信号特征是由多个特征元素组成的一个向量,它和故障之间的对应关系是一种复杂的非线性映射,用常规分类方法不易实现,但人工神经网络在这方面具有得天独厚的条件,是一种理想的分类器。故障诊断的第2步就是故障征兆向量U至故障原因向量V的连续映射过程,而输出故障向量V中的元素取可信度区域为[0,1]之间的连续数值。

因为旋转机械中有一些故障或征兆具有模糊性,难以进行严格的界限划分,不能简单地使用二值逻辑去描述判断它们,同时由于有些故障与征兆之间的关系具有模糊性,难以用显式解析地去进行描述,所以在故障诊断中引入模糊理论,融合了模糊理论的模糊神经网络可以通过学习获得更接近现实的模糊规则,能够在一定程度上克服模糊逻辑系统的

图2　第2代小波变换框图

主观性,将更加适合于旋转机械的故障诊断。

本文根据旋转机械的故障特征采用一种串形结构的模糊BP神经网络,模糊BP神经网络与传统BP神经网络的主要区别在于其输入和输出均表示为模糊隶属度,通过隶属度函数的适当选择,该网络既可以处理数字形式输入,又能适应语义形式输入,同时

(2)

　　(2)预测

如果信号有局部相关性,信号的偶点集和奇点集之间也有相关性,则可以较为精确地用一个点集来预测另一个,定义预测算子P,且

dj-1

=oddj-

1

-p(evenj-1)

输出也不再是单一的分类结果而是各类的隶属度,这样就更好地模拟了人脑思维的模糊性。该网络由2部分组成,前一部分为模糊量化部分,后一部分为

其中:p(evenj-1)表示用evenj-1的组合来预测oddj-1,预测误差dj-1表示信号的细节信息。

(3)更新

神经网络部分。该网络为4层结构,图3所示是该模糊BP神经网络的结构图。

第1层为输入层,在旋转机械工况辨识中,许多机组振动频谱中各频段振幅分布对机器工作状态反映最为敏感,因此将输入取为每个频段振幅占所取特征频段总振幅的比值。输入层的节点数由输入信号决定,可根据旋转机械转子系统常见的故障与表

为了使经过以上步骤产生的系数子集sj-1的均值等于原信号sj的均值,可用dj-1来更新evenj-1,即

sj-1

=evenj-

1

+U(dj-1)(3)

其中:U(dj-1)表示对dj-1的某种组合。

这样经过一定次数的迭代后,就可以得到原信号集的一个多级分解,可以获得与传统小波变换同

34振　动、测　试　与　诊　断　　　　　　　　　　　　　　　　第27卷　

现出来的征兆的关系,定出主要的征兆变量,分别对应图3中输入量x1,x2…,xn,该层节点不加任何作用地将输入信号输出到下一层。

第2层为量化输入层,其作用是将输入变量进行模糊量化,即先对输入变量定义一些模糊子集,通过相应的模糊子集上的隶属度函数,输入变量转换成相应的模糊子集上的隶属度,隶属度函数可根据对信号模糊聚类的方法或者依靠经验取得。

第3层为隐含层,其节点数是在网络学习中根据实际情况来确定的,隐含层节点作用函数为Sig2moid型函数,该层节点用于实现输入变量模糊值到→5f,奇数倍f,大于5f。

本文就应用振动信号在这9个频段内的能量分布作为诊断向量,诊断时,输入模式向量,网络的输出也是输入向量对标准向量的贴近度,即对各种故障的隶属程度。网络输入节点数取为故障征兆数9,根据故障模式数输出节点数取为15,第3层(隐含层)节点数则通过训练结果综合比较后选定,模糊BP神经网络按照L2M法进行训练,训练终止误差

取为010001,在应用中将隐节点数h取为7。试验采用了旋转机械常见故障案例:油膜振荡、不平衡、转子碰磨、转子弯曲、转子裂纹、转子不对中及轴承座松动等,从多个故障案例中总结出5个故障模式,对每种故障模式进行训练,同时将没有模糊结构的BP神经网络亦进行了训练。通过对比,验证了训练后的模糊神经网络的故障诊断能力要高于采用一般BP神经网进行故障诊断的能力。

表1中所示的为旋转机械故障输入,测点1为很明显的不平衡故障和油膜涡动故障,测点2为很明显的不平衡故障和不对中故障,测点3为很明显的碰摩故障。表2为通过训练后得到的模糊BP神经网络故障诊断结果,从表中很容易看出正确的故障诊断结果。表3为BP神经网络的故障诊断结果,可以看出,BP神经网络对单一的结果有很好的判断能力,只有第3组数据BP神经网络的诊断结果与模糊BP神经网络的诊断结果是相一致的,对第2组数据

输出变量模糊值的映射。第4层为输出层,每一节点代表旋转机械的一种故障,各个模糊数值大小代表该故障存在的程度。在进行模糊BP神经网络训练时采用Levenberg2

Marquart(L2M)法,L2M法是梯度法和牛顿法的结合,它的优点在于既有牛顿法的局部特性又有梯度法的全局特性,克服了学习过程中的振荡现象,加快了模糊BP网络的收敛速度。

由上面4层模糊神经网络可以实现输入到输出的映射,运用训练好的模糊神经网络,可以对旋转机械的输入故障特征进行诊断[426]。

还有错误诊断(不平衡故障和不对中故障)。其主要原因是BP网络通常采用单故障样本进行训练,因而造成了对多故障分类不清或错误分类,而模糊BP神

图3　模糊BP神经网络的结构图

经网络通过输入及输出的隶属度对故障进行分类就避免了这种错误的发生,特别是在处理多故障耦合的情况时优点就更为突出[8]。

4　算　例

为了验证上述改进小波神经网络在旋转机械故障诊断中的效果,以某一旋转机械为例,对改进小波神经网络和传统的BP神经网络进行了比较。运用Daubechies917小波的提升方案对信号进行分解,实现提升方案首先计算多项矩阵,由双正交小波滤

δ(z),用多项矩阵的形波器的系数可得到多项矩阵P

δ(z),Gδ(z)),根据矩阵形式又可式表示滤波器对(H

导出递推算法,这样就得到了与Daubechies917小波相对应的第2代小波变换,详细推导见文献[7]。运用此变换对信号在各频段进行细划分离,用于提取信号的故障特征,把整个频段分成9段:0.01→0.39f,0.04→0.49f,0.5f,0.51→0.99f,f,2f,3

5　结　论

对旋转机械故障诊断中的问题进行了系统地研究,将第2代小波分析、模糊理论和神经网络方法结合在一起形成了一种新的基于改进小波神经网络的故障诊断方法。运用第2代小波变换提取旋转机械的特征信号,为模糊神经网络提供输入特征向量,输入经过训练的模糊神经网络,就可以根据输入的特征向量得到故障类型以及严重程度,同时还可得到故障的发展方向。经过试验验证,本文提出的改进小波神经网络方法,具有很强的科学性和实用性,并在

　第1期彭　斌等:基于改进小波神经网络的旋转机械故障诊断

表1　旋转机械故障输入

　35

测点

(0.01～0.39)f(0.40～0.49)f123

0.0000.0000.000

0.0000.0000.061

0.50f0.3450.0790.136

(0.51～0.99)f

0.0000.0790.180

1f0.5820.5960.236

2f0.0740.1800.149

(3～5)f0.0000.0670.175模糊神经网络的输入特征

奇数倍f

0.0000.0000.000

>5f0.0000.0000.063

表2　模糊BP神经网络故障诊断结果不平衡

测点

H123

M

LHML

HML

H

M

L

H

M

L

0.8710.2110.0340.4210.0250.0120.3420.1260.0260.2360.0560.0180.9550.0050.0090.9500.0110.0060.4220.2210.0130.3450.1210.0010.9120.0500.0120.3510.10.0420.0060.0160.0900.9380.0180.0150.2400.0600.0050.1200.1120.0510.3120.1620.002

碰摩轴裂纹不对中油膜涡动故障

“H”表示“很明显”,“表示“明显”,“表示“不明显”M”L”

H={0.05󰃗L;0.5󰃗M;0.95󰃗H};M={0.5󰃗L;0.95󰃗M;0.5󰃗H};L={0.95󰃗L;0.5󰃗M;0.05󰃗H}

表3　BP神经网络故障诊断结果

测点不平衡

123

0.1010.0620.000

　　图象图形学报,1998,3(2):1002105.

[4]　侯小梅,毛宗源.神经网络在汽轮发电机组故障诊断中

碰摩

0.0020.0000.805

轴裂纹

0.0030.0280.025

不对中

0.0050.1630.000

油膜涡动故障

0.8790.0340.014

的应用[J].华南理工大学学报:自然科学版,1999,27

(8):47249.

[5]　张吉先,钟秋海,戴亚平.RBF及模糊神经网络在旋转

机械故障诊断中的应用[J].系统仿真学报,2004,16

(3):5602563.

[6]　周受钦,谢友柏.基于模糊神经网络的机械故障诊断研

旋转机械故障诊断系统中取得了很好的结果。该方法在某种程度上综合了第2代小波分析、模糊理论和神经网络3种方法的优点,具有更强的模式识别及判断能力,在旋转机械故障诊断方面是一种极具潜力的方法。

参　考　文　献

[1]　许飞云,贾民平,钟秉林,等.旋转机械振动故障诊断的

究[J].汽轮机技术,1999,44(4):2162202.

[7]　胡广书.现代信号处理教程[M].北京:清华大学出版

社,2004:3672369.

[8]　李世玲,李治,李合生.基于小波包能量特征的滚动轴

承故障监测方法[J].系统仿真学报,2003,15(1):762

80.

第一作者简介:彭　斌　男,1976年9月生,博士研究生。主要从事容积式压缩机的测试及优化设计等研究。曾发表“变频

(兰州理工大涡旋压缩机的研究与应用”《

一种模糊神经网络方法研究[J].振动工程学报,1996,

3(9):2132219.

[2]　汤焱,莫玉龙.第二代小波变换应用于图象的无损压缩

编码[J].中国图象图形学报,2000,5(8):6092702.

[3]　邓集锋.第二代小波变换及其遥感图象应用[J].中国

学学报》2005年第31卷第1期)等论文。

E2mail:pengb2000@163.com

84JournalofVibration,Measurement&Diagnosis.27Vol

FaultDiagnosisofRotatingMachineryBasedonImproved

WaveletNeuralNetwork

PengBin　LiuZhenquan

1

2

(1CollegeofMechano2ElectronicEngineering,LanzhouUniv.ofTech.　Lanzhou,730050,China)

(2CollegeofPetrochemicalTech.,LanzhouUniv.ofTech.　Lanzhou,730050,China)

Abstract　Accordingtothecomplicatedcharacteristicofrotatingmachineryfaults,afaultdiagnosis

methodbasedonanimprovedwaveletneuralnetworkisputforward,whichcombinesasecondgenerationwaveletandafuzzyneuralnetwork.Themethodusesthewavelettoextracteigenvectorsofsignalsandthefuzzyneuralnetworktorealizefaultdiagnosis,thecorrespondingalgorithmisoptimized.Theimprovedwaveletneuralnetworkisappliedtofaultdiagnosisofrotatingmachinery,theresultofsimulationandtestindicatesthatthemethodhasobviousadvantagefordealingwithmulti2coupledfaults.Usingthemethodnotonlycanidentifythefaulttype,butalsocangetthedegreeanddevelopmenttrendoffaults.Sotheim2proveddiagnosismethodiseffectiveandprovidsatheoreticalbasisforthefaultdiagnosisofrotatingma2chinery.

Keywords　faultdiagnoses　thesecondgenerationwavelet　fuzzyneuralnetwork　rotatingmachinery

ResearchonVibrationofAir-to-AirMissileinReliabilityTest

LiGencheng　JiangTongmin　ChenWeidong

1

1

2

(1InstituteofReliabilityEngineering,BeijingUniversityofAeronauticsandAstronautics　Beijing,100083,China)(2InstituteofVibrationEngineering,NanjingUniversityofAeronauticsandAstronautics　Nanjing,210016,China)

Abstract　Thecaptiveflightvibrationstressisanimportantfactorwhichaffectstheair2to2airmissile’sre2

liability,thevibrationmainlyderivesfromthedisturbedairflowfieldaroundthemissile.Throughanalyz2ingthecharacteristicsofthedisturbedairflowfieldaroundthemissile,andcitingtheactualvibrationdataobtainedfromthemissile’soutfieldcaptiveflighttestathomeandabroad,itispointedoutthatthe.ItissuggestedGJB9’sregulationsforthewholeair2to2airmissile’scaptiveflightvibrationisillogicalthatthewholemissile’scaptiveflightvibrationinreliabilitytestshouldbeawiderangerandomvibrationwhosefrequencyisfrom20to2000Hz,andthevibrationpowerspectrumdensitylevelofthemissile’s

～6dBlowerthanthatofthemissile’foresideshouldbe3srearward,inthisway,theactualcaptiveflightvibrationcausedbythedisturbedairflowfieldissimulated.Theresultofthelaboratorytestisclosetothatofthecaptiveflighttestinthesky.

Keywords　reliability　vibration　powerspectrumdensity　captiveflight　referencestress