基于小波包-BP 神經(jīng)網(wǎng)絡(luò)的輸油泵機組轉(zhuǎn)子故障診斷

田曉文，馬振利，譚 勝

(1.后勤工程學院，重慶 401331;2.廣州軍區(qū)76199 部隊，湖南株洲 412000)

野戰(zhàn)輸油泵機組由發(fā)動機、增速器、油泵組成，各部件結(jié)構(gòu)復雜，故障模式多樣，尤以轉(zhuǎn)子系統(tǒng)故障最為常見，發(fā)生故障時，如果使用傳統(tǒng)的故障診斷方法，很難快速準確地判斷故障原因、故障部位及嚴重程度，這會給泵機組故障的排查和維修工作帶來極大的困難，增加非計劃性停泵維修時間，影響油料保障任務(wù)的完成。本研究通過利用小波包提取振動信號各頻帶能量，運用BP 神經(jīng)網(wǎng)絡(luò)進行診斷，能取得良好的效果。

1 小波包神經(jīng)網(wǎng)絡(luò)故障診斷原理。

1.1 小波包分析

小波包分析對小波分析沒有細分的高頻部分進一步分解，并能夠根據(jù)被分析信號的特征，自適應(yīng)地選擇相應(yīng)頻帶，使之與信號頻譜相匹配，從而提高了時-頻分辨率［1］。

以3 層小波包分解為例，其小波包分解樹如圖1 所示。

圖1 小波包分析樹

圖1中，A 表示低頻，D 表示高頻，末尾序號數(shù)表示小波包分解的層數(shù)。分解的關(guān)系為

在多分辨率分析中，尺度函數(shù)φ(t)和小波基函數(shù)ψ(t)滿足雙尺度方程

令函數(shù){un(t)}滿足雙尺度方程

定義函數(shù)系{ un(t)} (其中n∈Z+)，稱為由基函數(shù)u0(t)=φ(t)確定的正交小波包。

1.2 基于小波包分解的故障特征提取。

小波包的能量譜表示為

式中:Eij(tj)表示振動信號在第i 層第j 個節(jié)點對于的頻帶能量值;xij表示重構(gòu)信號fij(tj)的離散點對應(yīng)的幅值。其中，i=0，1，2，…，2i-1，j =1，2，…，m，m 為振動信號離散采樣點數(shù)量。

振動信號總能量為

不同頻帶能量占總能量的百分比為

小波包分解提取頻帶能量的步驟如下［2］:

1)采集機械設(shè)備在不同故障下的振動信號。

2)對采取的振動信號進行小波包分解，將振動信號分解到不同的頻帶。假如原始信號中最低頻率成分為0，最大頻率成分為1，則8 個頻帶如表1 所示。

表1 頻帶

3)計算各個頻帶內(nèi)的能量Esj。

4)構(gòu)造特征向量。求出不同頻帶內(nèi)的局部能量，得到一組振動信號能量Eij(j=1，2，…，2n)，獲得如下特征向量

5)歸一化處理。

1.3 BP 神經(jīng)網(wǎng)絡(luò)原理

設(shè)i 層為輸入層，輸入向量為X =［x1，x2，…，xm］，包含m 個節(jié)點; j 層為隱含層; l 層為輸出層，輸出向量為Y =［y1，y2，…，yn］，包含n 個節(jié)點; Wji為輸出層到隱含層的權(quán)值;wlj為隱層到輸出層的權(quán)值。通常，還設(shè)置閾值θ，用于控制神經(jīng)元的反應(yīng)。

BP 神經(jīng)網(wǎng)絡(luò)的學習過程一般分為2 個階段［3］。

1)輸入信息正向傳播階段。信息從輸入層逐步向后計算各神經(jīng)元的輸出。

隱層的輸入為

隱層的輸出為

其中: f(·)為神經(jīng)元的激活函數(shù);BP 網(wǎng)絡(luò)的激活函數(shù)通常選用S 函數(shù)，即

設(shè)隱層有t 個節(jié)點，則輸出層的輸入為

輸出層的輸出為

2)誤差反向傳播階段。從輸出層向前計算各權(quán)值和閾值對總誤差的影響，對權(quán)值和閾值進行調(diào)整。

設(shè)期望輸出值為ys，則輸出節(jié)點的誤差公式為

如果E 大于給定誤差，就需要調(diào)整權(quán)值及閾值。依據(jù)梯度下降原則，權(quán)值的調(diào)整量與誤差函數(shù)E 負梯度方向成正比。

則輸入層到隱層權(quán)值調(diào)整公式為

隱層到輸出層權(quán)值調(diào)整公式為

η 為學習速率，η∈(0，1)。

BP 神經(jīng)網(wǎng)絡(luò)算法的流程圖如圖2 所示［4］。

2 小波包-神經(jīng)網(wǎng)絡(luò)故障診斷的應(yīng)用

2.1 網(wǎng)絡(luò)訓練

使用北京東方振動和噪聲技術(shù)研究所生產(chǎn)的INV1612型多功能柔性轉(zhuǎn)子試驗系統(tǒng)。設(shè)置正常、轉(zhuǎn)子不平衡、轉(zhuǎn)子不對中、底座松動4 種模式進行試驗，進行小波包3 層分解，得到振動信號的各頻帶特征能量值如表2 所示。

圖2 BP 網(wǎng)絡(luò)算法流程

表2 各頻帶特征能量值

BP 網(wǎng)絡(luò)輸入層節(jié)點數(shù)為8，輸出層節(jié)點數(shù)為4，依據(jù)經(jīng)驗公式設(shè)置隱節(jié)點數(shù)為30，運用Matlab 運算，其識別結(jié)果如圖3 所示。

圖3 BP 網(wǎng)絡(luò)訓練擬合精度

由圖3 中可見，所設(shè)計的BP 神經(jīng)網(wǎng)絡(luò)的識別精度是比較高的，取實驗所得任意一組數(shù)據(jù)進行驗證，都能得到相應(yīng)模式的輸出。

2.2 實例驗證

某輸油泵機組剛配發(fā)到部隊不久，在使用過程中，發(fā)現(xiàn)其振動及噪聲均比其他泵機組較大，經(jīng)由專家會診，懷疑是由轉(zhuǎn)子系統(tǒng)故障引起。利用傳感器采集其振動信號，進行小波包分解，提取其頻帶特征能量并歸一化后，得到一組數(shù)據(jù)，如表3 所示。

表3 故障泵機組數(shù)據(jù)

利用BP 網(wǎng)絡(luò)識別后發(fā)現(xiàn)，其屬于轉(zhuǎn)子不對中故障，后對轉(zhuǎn)子重新進行對中，該泵機組恢復了正常。

3 結(jié)論

輸油泵機組轉(zhuǎn)子系統(tǒng)的故障診斷研究還沒有系統(tǒng)完備的理論，且目前部隊對泵機組的故障診斷多還采用依靠管理人員經(jīng)驗或傳統(tǒng)頻譜分析。將智能的診斷方法運用到輸油泵機組轉(zhuǎn)子系統(tǒng)的診斷中，能極大提高部隊對輸油裝備的管理水平。小波包分析和BP 神經(jīng)網(wǎng)絡(luò)的結(jié)合，也體現(xiàn)了目前故障診斷走向方法融合的發(fā)展趨勢［5］。

［1］武建軍，馬振利，鄭勝強.基于小波包-支持向量機的發(fā)動機泵機組故障診斷［J］.機床與液壓.2008(04).

［2］何正嘉，陳進，王太勇，等. 機械故障診斷理論及應(yīng)用［M］.北京:高等教育出版社，2010.

［3］王立鵬，劉貴立，李小彤.基于BP 神經(jīng)網(wǎng)絡(luò)的風機轉(zhuǎn)子故障診斷［J］.沈陽工業(yè)大學學報，2002(5):428-431.

［4］張德豐.matlab 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計［M］.北京:機械工業(yè)出版社，2009.

［5］臧大進，曹云峰.故障診斷技術(shù)的研究現(xiàn)狀及展望［J］.礦山機械，2010(18):9-13.

［6］徐翔，汪坤，康曉妮，等.改進的提升小波變步長LMS 濾波算法及其應(yīng)用［J］. 武漢理工大學學報，2014，36(12):131-136.

［7］譚顯坤.基于網(wǎng)絡(luò)環(huán)境的設(shè)備動態(tài)故障診斷與預(yù)測維修［J］.重慶理工大學學報:自然科學版，2014(3):98-102.