小波和神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用_圖文

1、小波和神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用吳虎勝,呂建新,王茂生,許陽懿(中國人民武裝警察部隊工程學(xué)院,西安710086摘要:柴油機(jī)以其良好的動力性、可靠性、經(jīng)濟(jì)性在運輸車輛和農(nóng)用機(jī)械中廣泛應(yīng)用,但對其施行及時的不解體故障診斷卻并非易事。為此,以配氣機(jī)構(gòu)故障為例,提出將小波包分解與神經(jīng)網(wǎng)絡(luò)結(jié)合的故障診斷方法。先對振動信號應(yīng)用小波閥值法降噪,再進(jìn)行小波包分解,構(gòu)造小波包特征向量作為故障樣本,并用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識別,試驗結(jié)果證明了該方法的有效性。關(guān)鍵詞:柴油機(jī);故障診斷;小波包;神經(jīng)網(wǎng)絡(luò)中圖分類號:TK428;TP3891文獻(xiàn)標(biāo)識碼:A文章編號:1003188X(201010020704

2、0引言柴油機(jī)氣缸直接承受著缸內(nèi)燃?xì)鈮毫芭錃鈾C(jī)構(gòu)的沖擊,因此缸蓋振動信號含有反映柴油機(jī)技術(shù)狀態(tài)的有用信息?；诖?通過測取缸蓋接近氣門位置處的振動信號進(jìn)行處理分析,以對氣門間隙異常故障進(jìn)行研究。振動信號中含有非平穩(wěn)和時變成分,而小波變換能實現(xiàn)信號的不同頻帶、不同時刻的合理分離,很適合于振動信號降噪和特征提取。神經(jīng)網(wǎng)絡(luò)可實現(xiàn)故障與征兆之間的復(fù)雜非線性映射,因此可將小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合起來進(jìn)行信號降噪、特征提取和狀態(tài)識別,以提高故障診斷的準(zhǔn)確性。1信號的小波閥值降噪缸蓋振動信號是燃?xì)獗l(fā)壓力、氣門落座沖擊和氣流沖擊等多種激勵力綜合作用的結(jié)果,并受機(jī)身整體振動等因素的影響。因此,直接從傳感器獲取的

3、信號包含了大量非平穩(wěn)的干擾噪聲,對后續(xù)分析和處理不利,故依據(jù)文獻(xiàn)1的研究結(jié)論選用小波閥值法對信號降噪以提高信噪比。Donoho提出的小波閥值降噪法具有較好的信號去噪效果2,因此將其應(yīng)用于柴油機(jī)缸蓋振動信號去噪中,具體過程如下:1小波函數(shù)的選擇。選取具有正交和近似對稱性質(zhì)的Daubechies小波系列中的db4小波作為降噪用小波。2小波分解最大尺度J的選擇。為了兼顧信噪收稿日期:20091208作者簡介:吳虎勝(1986,男,湖北荊門人,在讀碩士研究生,(Emailwuhusheng0421163comcn。分離和重構(gòu)誤差,選取J=4。3閥值和閥值函數(shù)的選擇。根據(jù)閥值函數(shù)對小波分解系數(shù)進(jìn)行閥值處

4、理,選取通用閥值(式1中u,j為第j尺度下噪聲的標(biāo)準(zhǔn)差,其估計值為u,j(式2中median表示求中值,閥值函數(shù)選擇軟閥值函數(shù)(式3中為小波系數(shù)的大小,為施加閥值后的小波系數(shù)。=2ln Nu,槡j(1u,j=median(|dj(k|06745(2=sign(|0|(34依據(jù)第4層的低頻系數(shù)和閥值處理后的第1 第4層高頻系數(shù)實現(xiàn)小波包重構(gòu)。試驗采用加速度振動傳感器,測取EQB16020柴油發(fā)動機(jī)空載、轉(zhuǎn)速1500r/min時一缸進(jìn)排氣門中間位置的缸蓋振動信號。信號的測取采用等時間采樣,采樣頻率為50kHz,故柴油機(jī)每個工作循環(huán)理論耗時為80ms,采樣點數(shù)確定為4096個(為分析方便,采樣點數(shù)一

5、般取2的整數(shù)次冪,采樣始點為無觸發(fā)操作,對每種工況測取5次,各采集50個工作循環(huán)的缸蓋振動信號。試驗工況設(shè)置如表1所示。表1氣門間隙狀態(tài)設(shè)置mm 狀態(tài)工況進(jìn)氣排氣正常102505氣門間隙不當(dāng)234567025025010060010060010805050108利用小波閥值降噪法對試驗測取的振動信號進(jìn)行降噪,降噪前后信號對比如圖1所示。由圖1可以看出,降噪效果良好,降噪后的信號光滑,與原始信號的相似性較強(qiáng)。圖1降噪前后的信號對比2小波包分解及故障特征的提取氣缸蓋表面的振動信號由一系列瞬態(tài)響應(yīng)信號所組成(如圖2所示,分別表示一缸的振源響應(yīng)信號:1為一缸燃燒激振響應(yīng);2為排氣門開啟時節(jié)流沖擊響應(yīng);

6、3為進(jìn)氣門開啟時沖擊響應(yīng);4為排氣門關(guān)閉時落座沖擊響應(yīng);5為進(jìn)氣門關(guān)閉時落座沖擊響應(yīng)。其中, 4和5這兩個時段的信號將是分析的重點。圖2各激振源響應(yīng)信號發(fā)生時刻示意圖小波包分解技術(shù)能將任何信號分解到由小波伸縮而成的基函數(shù)族上,信息量完整,且具有較好的時域和頻域局部化功能3。因此,可對5和4這兩個時段的信號分別采用小波包分解進(jìn)行時頻分析(分析頻率為25kHz。圖3所示氣門間隙工況的改變反映到功率譜的變化上主要集中在02 16kHz,36 55kHz 兩個頻率范圍內(nèi)。因此,在小波包分解時要重視這兩個頻段。圖3進(jìn)排氣門關(guān)閉時落座段信號的功率譜對比圖氣門間隙異常時,在靠近沖擊力作用的時刻振動信號的能量

7、較大,而在遠(yuǎn)離沖擊力作用的時刻振動信號的主要成分是平穩(wěn)振動信號和噪聲,信號能量相對較小。因此,可以利用各個頻帶能量的變化來提取故障特征,而頻帶能量可以由小波包分解系數(shù)來求取4。頻帶能量的故障特征提取的具體步驟如下:1應(yīng)用Daubechies小波對振動信號x(t進(jìn)行小波包分解。為減少信號混疊并突出重點頻段的信號,采用如圖4(a所示的小波包分解樹結(jié)構(gòu)進(jìn)行小波包分解。2對小波包分解系數(shù)重構(gòu),并提取從低頻到高頻各頻率成分(如表2所示的信號特征,重構(gòu)后各頻帶信號如圖4(b所示。3求各頻帶信號的能量,其能量的計算公式為Eij=nk=1|dij|2(i=1,2,4。式中,dij是第i層第j個小波包節(jié)點各離散

8、點的幅值(i=1時,j=1;i=2時,j= 1;i=4時,j=0,1,2,3;k=1,2n。4以各頻帶能量為元素,構(gòu)造特征向量R=E40,E41,E42,E43,E21,E11,將其重新編號為R=E1,E2,E3,E4,E5,E6。為降低奇異數(shù)據(jù)和樣本的影響,減少計算量,加快收斂速度,將R依公式(4進(jìn)行歸一化處理,就得到能量特征向T=E1,E2,E3,E4,E5,E6。Ej=E'j/ 6j=1|E'j|槡2(4(a樹結(jié)構(gòu)(b頻帶信號圖4小波包分解樹結(jié)構(gòu)及重構(gòu)后各頻帶信號表2小波包分解各節(jié)點代表的頻率范圍信號頻率/kHz信號頻率/kHzd400 15625 d4115625 31

9、25 d423125 46875d4346875 625 d21625 125 d11125 253神經(jīng)網(wǎng)絡(luò)的基本原理及故障識別人工神經(jīng)網(wǎng)絡(luò)由于具有大規(guī)模并行處理、分布式存儲、自組織自適應(yīng)和自學(xué)習(xí)能力,適于處理不精確或模糊信息而一直受人矚目5。其中,最成熟的是BP 神經(jīng)網(wǎng)絡(luò),它是一種多層前向網(wǎng)絡(luò),由輸入層、隱含層和誤差反向傳播,逐步修正每一層之間的連接權(quán)與各神經(jīng)元的閥值,直至輸出接近于理想輸出信號為止6。因此,BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意一個有限維函數(shù),適合應(yīng)用于模式識別。現(xiàn)將每種工況的信號各取5例,將35組樣本信號按照第2節(jié)所述步驟編程提取樣本信號的能量特征向量,如表3所示。表3樣本信號

10、的能量特征向量樣本E1E2E3E4E5E6工況編號氣門間隙狀態(tài)期望輸出10703104719014960482501651002131氣門間隙正常0,0,1 20693704896012260456701399001921氣門間隙正常0,0,1 30714604653011970487701568003041氣門間隙正常0,0,1 40709904598013860499301504001581氣門間隙正常0,0,1 50689404802014040500101714002261氣門間隙正常0,0,1 60593705197003760601101208001122僅排氣門間隙過小0,1,0

11、 70579605254004990600401167001012僅排氣門間隙過小0,1,0 80603905033005010615601305001732僅排氣門間隙過小0,1,0 90607305204007030597701243000982僅排氣門間隙過小0,1,0320794503033014010443301832003027進(jìn)排氣門間隙都過大1,1,1 330809502975013790450301905002997進(jìn)排氣門間隙都過大1,1,1 340799103123014140450701981003697進(jìn)排氣門間隙都過大1,1,1 350810702864015170

12、463702022004077進(jìn)排氣門間隙都過大1,1,1神經(jīng)網(wǎng)絡(luò)故障診斷模型識別的具體步驟如下:1以能量特征向量T為神經(jīng)網(wǎng)絡(luò)的輸入向量,同時給出相應(yīng)的BP神經(jīng)網(wǎng)路期望輸出。2采用3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),輸入層單元數(shù)為6,輸出層單元數(shù)為7,對應(yīng)氣門間隙的7種狀態(tài)。依據(jù)Kolnogorov定理,初步確定隱含層單元數(shù)確定為13個。中間層神經(jīng)元和輸出層神經(jīng)元分別選取tansig(S 型正切函數(shù)和logsig(S型對數(shù)函數(shù)為激活函數(shù)。3編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序并進(jìn)行訓(xùn)練,利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)把采集到的數(shù)據(jù)進(jìn)行特征提取后輸入神經(jīng)網(wǎng)絡(luò),經(jīng)網(wǎng)絡(luò)計算后便可實現(xiàn)氣門間隙狀態(tài)的識別。經(jīng)網(wǎng)絡(luò)訓(xùn)練測試后,決定隱含層單元數(shù)為

13、14,則網(wǎng)絡(luò)結(jié)構(gòu)確定為6147。為驗證訓(xùn)練所得網(wǎng)絡(luò)的正確性,對于每種狀態(tài)各選1個檢驗樣本來測試神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。將測試信號的能量特征向量輸入神經(jīng)網(wǎng)絡(luò),進(jìn)行氣門間隙故障的狀態(tài)識別,所得結(jié)果如表4所示。網(wǎng)絡(luò)的輸出有一定誤差,但基本符合實測信號對應(yīng)的狀態(tài)。按照歐氏范數(shù)理論,誤差依次為01155, 0083,01065,01138,01708,00401,00332。誤差較小,在允許的范圍之內(nèi),達(dá)到了故障識別的預(yù)期目的。表4測試信號的特征向量及測試輸出樣本E1E2E3E4E5E6實際輸出期望輸出工況編號T1073310411301294047140156600197(0186,0208,080160,0

14、,11T2059370519700376060110120800113(0206,0832,01120,1,02T3053590505401248063850182900245(0019,0741,0250,1,03T4046340520800930069170162700166(0189,0773,08370,1,14T5079980323302316039320214300377(1272,0043,01751,0,05T6067330482500764053970127900134(0879,014,11771,0,16T7081910346301489042130166700891(0

15、889,0905,00091,1,074結(jié)束語為實現(xiàn)對柴油發(fā)動機(jī)配氣機(jī)構(gòu)的不解體故障診斷,本文將測取的缸蓋振動信號進(jìn)行小波閥值降噪預(yù)處理,而后將經(jīng)時頻分析后的信號依據(jù)其頻率特征進(jìn)行小波包分解,構(gòu)造的能量特征向量較準(zhǔn)確地反應(yīng)了缸蓋振動信號能量隨氣門間隙狀態(tài)的變化而變化的情況。通過試驗表明,利用能量特征向量,BP神經(jīng)網(wǎng)絡(luò)能較準(zhǔn)確地完成從振動信號空間到氣門間隙狀態(tài)空間的非線性映射,能較好滿足對柴油機(jī)的狀態(tài)檢測和故障診斷的要求。參考文獻(xiàn):1程利軍,張英堂,羅亮,等柴油機(jī)缸蓋噪聲信號處理方法及故障診斷研究J振動與沖擊,2009(4:1731762Donoho D L,Johnstone I M,Kerk

16、yacharian C,et alWaveletshrinkage:asymptopiaJJournal of the Royal Statistical So-ciety:Series B,1995,57(2:3013093程永康,宓為建基于小波分析的柴油機(jī)配氣機(jī)構(gòu)故障診斷J上海海運學(xué)院學(xué)報,2001(9:1231264劉冬生,趙輝,王紅君,等基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究J天津理工大學(xué)學(xué)報,2009(6:11145肖云魁汽車故障診斷學(xué)M北京:北京理工大學(xué)出版社,20066黃志剛,林鳳濤小波神經(jīng)網(wǎng)絡(luò)在齒輪故障診斷中的應(yīng)用J制造技術(shù)與機(jī)床,2009(4:5557Applicati

17、on on Diesel Engine Fault Diagnosis Based on Wavelet andNeural NetworkWu Husheng,Lv Jianxin,Wang Maosheng,Xu Yangyi(Engineering College of CAPF,Xian710086,ChinaAbstract:Diesel engine is widly used in transport vehicle and farm machine because of its good dynamic performance, economy and reliability,but it is not easy to be diagnosed without dismantlement and in timeMaking valve train for exam-ple,the diagnostic method about combination of wavelet and neural network is presented in this paperFirst,it denoises the vibration signals with wavelet thresholding and adopts wave