基于EMD和神經(jīng)網(wǎng)絡(luò)的柴油機故障特征提取及診斷

基于EMD和神經(jīng)網(wǎng)絡(luò)的柴油機故障特征提取及診斷第1頁/共34頁1選題背景

隨著我國現(xiàn)代化進程的不斷加快，各種大型車輛設(shè)備及工程農(nóng)用機械設(shè)備得到廣泛應(yīng)用，尤其是柴油機（它具有功率大、熱效率高、經(jīng)濟性能好等優(yōu)點）的廣泛應(yīng)用在農(nóng)業(yè)領(lǐng)域有著無法替代的作用。

目前，柴油機正在變的更加綜合化、自動化、設(shè)備構(gòu)造更加復(fù)雜化，零部件之間的聯(lián)系更加緊密，與其他設(shè)備構(gòu)成一個有機系統(tǒng)。

復(fù)雜的結(jié)構(gòu)，惡劣的工作條件，使得柴油機很容易發(fā)生各種未知故障，如果不能及時發(fā)現(xiàn)和排除，往往會造成整個機械系統(tǒng)的癱瘓甚至是巨大的經(jīng)濟損失和人員傷亡。所以，對柴油機進行實時的狀態(tài)監(jiān)測和故障診斷是十分必要的。第2頁/共34頁1.1主要工作

(1)針對柴油機缸蓋振動信號的非平穩(wěn)特性，將EMD方法引入到最能反映柴油機工況信息的缸蓋振動信號的特征提取中。(2)首先構(gòu)建了IMF時域特征向量，然后構(gòu)建了基于EMD和邊際譜的特征向量，最后構(gòu)建了基于EMD和AR模型的特征向量。(3)采用PCA和遺傳算法優(yōu)化理論，對前面得到的特征向量進行優(yōu)化處理；(4)采用BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)（PNN）兩種分類器進行故障識別，每種情況均進行三次測試，并對結(jié)果進行分析。第3頁/共34頁1.2設(shè)計思路AR譜特征邊際譜特征時域特征遺傳算法優(yōu)化PCA優(yōu)化原始數(shù)據(jù)數(shù)據(jù)分段EMD分解特征量提取診斷BP數(shù)據(jù)優(yōu)化處理IMF結(jié)果比較PNN第4頁/共34頁1.3數(shù)據(jù)說明標(biāo)簽柴油機工作狀態(tài)1正常情況2進氣門間隙異常3噴油壓力異常4供油提前角異常5排氣門間隙異常這5種情況下，均有30組數(shù)據(jù)，每組16384個數(shù)據(jù)。變換為（240*2048）的矩陣處理。第5頁/共34頁2.經(jīng)驗?zāi)Ｊ椒纸猓‥MD）EMD方法依據(jù)數(shù)據(jù)自身的時間尺度特征進行信號分解，無需事先設(shè)定任何基函數(shù)。在處理非平穩(wěn)、非線性的數(shù)據(jù)上，有非常明顯的優(yōu)勢。

針對柴油機缸蓋振動信號的非平穩(wěn)特性，將EMD方法引入到最能反映柴油機工況信息的缸蓋振動信號的特征提取中。EMD方法能把一個復(fù)雜信號分解成為若干個有限階內(nèi)稟模態(tài)函數(shù)（IMF）之和，它反映信號本身內(nèi)在的結(jié)構(gòu)。然后進行希爾伯特變換，得到有物理意義的頻率。

第6頁/共34頁2.1特征量的提?。?）時域特征量的提取得到時域特征向量為帶標(biāo)簽的（240*17）的矩陣。第7頁/共34頁2.1特征量的提?。?）邊際譜的特征向量的構(gòu)建得到邊際譜的特征向量為帶標(biāo)簽的（240*25）的矩陣。第8頁/共34頁2.1特征量的提取

（3）AR模型的特征向量的構(gòu)建得到AR模型的特征向量為帶標(biāo)簽的（240*40）的矩陣。第9頁/共34頁3數(shù)據(jù)優(yōu)化3.1PCA（主成分分析）處理

計算主成分的目的是將高維空間壓縮到低維空間。它把“信息”理解為各樣本相對于“均值狀態(tài)”的“差異”。于是用方差來刻畫指標(biāo)或變量中“信息”的多少。主成分分析的設(shè)計步驟：（1）計算相關(guān)系數(shù)陣（2）計算特征值與特征向量（3）計算主成分貢獻率及累計貢獻率（4）計算主成分負荷特征量PCA優(yōu)化前(含標(biāo)簽)PCA優(yōu)化后（含標(biāo)簽）時域特征量（240*17）（240*11）邊際譜特征量（240*25）（240*13）AR譜特征量（240*40）（240*18）第10頁/共34頁第11頁/共34頁3.2遺傳算法優(yōu)化

遺傳算法

(GA)也稱為進化算法，是受到達爾文的進化論的啟發(fā)，借鑒生物進化過程而提出的一種啟發(fā)式搜索算法。

簡單說來就是繁殖過程，會發(fā)生基因交叉、基因突變，適應(yīng)度低的個體會被逐步淘汰，而適應(yīng)度高的個體會越來越多。那么經(jīng)過N代的自然選擇后，保存下來的個體都是適應(yīng)度很高的，其中很可能包含史上產(chǎn)生的適應(yīng)度最高的那些個個體。（1）選擇

本文中采用的選擇策略是“比例選擇”即是“輪盤賭算法”即每個個體被選中的概率與其適應(yīng)度函數(shù)值大小成正比。第12頁/共34頁（2）交叉

本文遺傳算法優(yōu)化方法中采用單點交叉算子。（3）變異

本文采用基本位變異算子。交叉前：交叉后：00000|01110000000000000|00000111111011100|00000111111011100|011100000000變異前：變異后：00000111000000000000011100001000第13頁/共34頁

第14頁/共34頁4神經(jīng)網(wǎng)絡(luò)診斷4.1BP神經(jīng)網(wǎng)絡(luò)（1）前向過程：在訓(xùn)練開始前，隨機賦予各權(quán)值一定的初值。在訓(xùn)練過程中，輪流地對神經(jīng)網(wǎng)絡(luò)施加各個訓(xùn)練樣本。當(dāng)某個訓(xùn)練樣本作用于神經(jīng)網(wǎng)絡(luò)輸入端后，利用當(dāng)前權(quán)值計算神經(jīng)網(wǎng)絡(luò)的輸出。（2）誤差反向傳播：觀察所得到的輸出與訓(xùn)練樣本的已知正確輸出之間的誤差，根據(jù)誤差對輸出層權(quán)值的偏導(dǎo)數(shù)修正輸出層的權(quán)值；把誤差反向傳遞到倒數(shù)第二層的各節(jié)點上，根據(jù)誤差對節(jié)點權(quán)值的偏導(dǎo)數(shù)修正這些權(quán)值，以此類推，直到把各層的權(quán)值都修正一次。

在這個學(xué)習(xí)過程中，誤差反向傳播到各隱層節(jié)點是能夠?qū)χ虚g各層的權(quán)值進行優(yōu)化學(xué)習(xí)的關(guān)鍵。第15頁/共34頁（1）IMF時域特征量

（a）pca優(yōu)化后的BP診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本463846244692.0正確識別4335382246識別率%93.4892.1182.6191.76100.0第二次檢測樣本334345364391.0正確識別3040412843識別率%90.9193.0291.1177.78100.0第三次監(jiān)測樣本374136444287.5正確識別3239283541識別率%86.4995.1277.7879.5597.62平均識別率%90.2993.4283.8383.0399.2190.2第16頁/共34頁（1）IMF時域特征量

（b）遺傳算法優(yōu)化后的BP診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異常總識別率%第一次監(jiān)測樣本463846244695.50正確識別4438402346識別率%95.65100.086.9695.83100.0第二次檢測樣本324346374292.50正確識別3241452542識別率%90.9193.0291.1177.78100.0第三次監(jiān)測樣本423733434591.50正確識別4229303745識別率%86.4995.1277.7879.5597.62平均識別率%91.0296.0584.3983.0399.2192.73第17頁/共34頁(2)邊際譜的特征向量

（a）pca優(yōu)化后的BP診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本463846244694.0正確識別4337421746識別率%100.097.3791.3070.83100.0第二次檢測樣本374342374184.5正確識別2740342741識別率%72.9793.0280.9572.97100.0第三次監(jiān)測樣本413739374689.5正確識別3537283346識別率%85.37100.071.7989.19100.0平均識別率%86.1196.8081.3577.67100.089.3第18頁/共34頁(2)邊際譜的特征向量

（b）遺傳算法優(yōu)化后BP診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本484045343375.50正確識別3328283329識別率%68.7570.062.2297.0687.88第二次檢測樣本374341423778.50正確識別3030293434識別率%81.0869.7770.7380.9591.89第三次監(jiān)測樣本355933363777.50正確識別3432252836識別率%97.1454.2475.7677.7897.30平均識別率%82.3064.6769.5785.2692.3677.17第19頁/共34頁(3)AR譜的特征向量

（a）PCA優(yōu)化后BP診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本395337343794.5正確識別3853313037識別率%97.44100.083.7888.24100.0第二次檢測樣本404038384492.0正確識別3838313344識別率%95.0095.0081.5886.84100.0第三次監(jiān)測樣本503531384689.5正確識別5033283246識別率%100.094.2990.3284.21100.0平均識別率%97.4896.4385.2386.43100.092.0第20頁/共34頁(3)AR譜的特征向量

（b）遺傳算法優(yōu)化后BP診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本415036324190.50正確識別3948302737識別率%95.1296.083.3384.3890.24第二次檢測樣本324437454292.00正確識別3040304242識別率%93.7590.9181.0893.33100.0第三次監(jiān)測樣本423042434391.00正確識別3829343942識別率%90.4896.6780.9590.7097.67平均識別率%93.1294.5381.7989.4795.9791.00第21頁/共34頁（4）結(jié)果比較（1）經(jīng)過PCA和遺傳算法優(yōu)化后的BP診斷結(jié)果相差不大。（2）其中時域特征量和AR譜特征量的診斷正確率都能達到90%以上；（3）對于邊際譜特征量的診斷效果，PCA優(yōu)化效果（89.3%）明顯優(yōu)于遺傳算法優(yōu)化的效果（77%）。第22頁/共34頁4.2概率神經(jīng)網(wǎng)絡(luò)（PNN）由于BP神將網(wǎng)絡(luò)是基于梯度下降規(guī)則的學(xué)習(xí)算法存在收斂速度慢、容易陷入局部極小值以及網(wǎng)絡(luò)結(jié)構(gòu)難以確定的缺點，這些都影響了它的學(xué)習(xí)效率和分類精度，難以滿足實時診斷的要求（診斷時間大約10分鐘）。PNN神經(jīng)網(wǎng)絡(luò)收斂速度快，訓(xùn)練函數(shù)簡單（幾乎不用訓(xùn)練），而且無論分類問題有多么的復(fù)雜，只要有足夠多的訓(xùn)練樣本，PNN就可以保證在貝利葉斯的準(zhǔn)則下獲取最優(yōu)解，樣本追加能力強，而且實時性強（診斷時間大約2秒）。第23頁/共34頁（1）IMF時域特征量

（a）pca優(yōu)化后的PNN診斷

工況

測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本463846244685.10正確識別3638431345識別率%78.26100.093.4854.17100.0第二次檢測樣本423544433685.00正確識別3831372935識別率%90.4888.5784.0967.4497.22第三次監(jiān)測樣本424041383986.50正確識別3640352438識別率%85.71100.085.3763.1697.44平均識別率%84.8296.1987.6561.5998.2285.53第24頁/共34頁（1）IMF時域特征量

（b）遺傳算法優(yōu)化后PNN診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異常總識別率%第一次監(jiān)測樣本374052422991.50正確識別3540463329識別率%94.59100.088.4678.57100.0第二次檢測樣本463346433291.00正確識別4230423632識別率%91.3090.9191.3083.72100.0第三次監(jiān)測樣本453933384593.50正確識別4238332945識別率%93.3397.44100.076.32100.0平均識別率%93.0796.1293.2579.54100.092.00第25頁/共34頁(2)邊際譜的特征向量

（a）pca優(yōu)化后的PNN診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本424338364180.50正確識別3737252339識別率%88.1086.0565.7963.8995.12第二次檢測樣本424236423876.00正確識別3433173335識別率%80.9578.5747.2278.5792.11第三次監(jiān)測樣本424038334781.00正確識別3534262146識別率%83.3385.0068.4263,6497.87平均識別率%84.1383.2158.8168.7095.0379.12第26頁/共34頁(2)邊際譜的特征向量

（b）遺傳算法優(yōu)化后PNN診斷

工況測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本373546453770.50正確識別2722362927識別率%72.9762.8678.2664.4472.97第二次檢測樣本493849343070.50正確識別3923382021識別率%79.5960.5377.5558.8270.00第三次監(jiān)測樣本413846393675.50正確識別3225343228識別率%78.0565.7973.9182.0577.78平均識別率%76.8763.0676.5768.4473.5872.17第27頁/共34頁(3)AR譜的特征向量

（a）PCA優(yōu)化后的PNN診斷

工況

測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本355535354083.00正確識別2950272436識別率%82.8690.9177.1468.5790.00第二次檢測樣本463836453579.00正確識別4626233429識別率%100.068.4263.8975.5682.86第三次監(jiān)測樣本493137453883.00正確識別4819263736識別率%97.9661.2970.2982.2294.74平均識別率%93.6173.5470.4475.4589.2081.67第28頁/共34頁(3)AR譜的特征向量

（b）遺傳算法優(yōu)化后PNN診斷

工況

測試正常情況進氣門間隙異常噴油壓力異常供油提前角異常排氣門間隙異?？傋R別率%第一次監(jiān)測樣本404134434282.00正確識別3736203635識別率%92.5087.8058.8283.7283.33第二次檢測樣本414042413685.50正確識別4133342835識別率%100.082.5080