基于小波包和GA-BP網(wǎng)絡(luò)的柴油發(fā)電機(jī)故障診斷

別鋒鋒 范文華 裴峻峰 劉 楊

(常州大學(xué)機(jī)械工程學(xué)院，江蘇 常州 213164)

基于小波包和GA-BP網(wǎng)絡(luò)的柴油發(fā)電機(jī)故障診斷

別鋒鋒 范文華 裴峻峰 劉 楊

(常州大學(xué)機(jī)械工程學(xué)院，江蘇 常州 213164)

針對(duì)柴油發(fā)電機(jī)的非平穩(wěn)和非線性振動(dòng)信號(hào)診斷難的問(wèn)題，利用小波包和遺傳算法優(yōu)化的BP(GA-BP)網(wǎng)絡(luò)兩大工具對(duì)其進(jìn)行故障診斷。首先利用小波包對(duì)柴油機(jī)發(fā)電機(jī)的振動(dòng)信號(hào)進(jìn)行分解，單支重構(gòu)，構(gòu)造特征向量，再將特征向量輸入到遺傳算法優(yōu)化的BP網(wǎng)絡(luò)里，從而實(shí)現(xiàn)柴油發(fā)電機(jī)的故障類別診斷。實(shí)驗(yàn)仿真和工程應(yīng)用結(jié)果表明：所采用的方法可有效并精確地實(shí)現(xiàn)柴油發(fā)電機(jī)故障類別的診斷。

柴油發(fā)電機(jī) 故障診斷 小波包 遺傳算法 BP網(wǎng)絡(luò)

柴油發(fā)電機(jī)是機(jī)械系統(tǒng)的動(dòng)力之源，其工況正常與否意義重大。由于柴油發(fā)電機(jī)結(jié)構(gòu)復(fù)雜且工作環(huán)境惡劣，所以存在著潛在的故障。從信號(hào)中提取特征參數(shù)是機(jī)械故障診斷的關(guān)鍵所在[1,2]。柴油發(fā)電機(jī)的振動(dòng)信號(hào)是非平穩(wěn)非線性的,傳統(tǒng)的振動(dòng)分析方法，例如快速傅里葉變換，不能準(zhǔn)確地診斷。處理這種信號(hào)就是將其分解成能夠獲得平穩(wěn)和線性特征的子頻帶，這樣設(shè)備的故障類型就能夠很容易提取出來(lái)。小波包和經(jīng)驗(yàn)?zāi)B(tài)分解是處理該類振動(dòng)信號(hào)的常用方法，但經(jīng)驗(yàn)?zāi)B(tài)分解時(shí)，由于端點(diǎn)效應(yīng)會(huì)使篩選結(jié)果嚴(yán)重失真[3]。常見(jiàn)的神經(jīng)網(wǎng)絡(luò)有BP網(wǎng)絡(luò)及小波神經(jīng)網(wǎng)絡(luò)等，雖然小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果優(yōu)于BP網(wǎng)絡(luò),但收斂性差，且更容易出現(xiàn)不收斂的情況[4]，所以BP網(wǎng)絡(luò)更適合用來(lái)分類。小波神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)在參數(shù)優(yōu)化的過(guò)程中采用的是梯度下降法，易陷入局部極小或引起振蕩效應(yīng)。而遺傳算法具有很強(qiáng)的宏觀搜索能力，能以較大的概率找到全局最優(yōu)解，能較好地克服梯度法的缺點(diǎn)，達(dá)到更高的預(yù)測(cè)精度要求[5]。

筆者擬對(duì)柴油發(fā)電機(jī)的非平穩(wěn)非線性振動(dòng)信號(hào)進(jìn)行分析，利用小波包分解重構(gòu)信號(hào)，獲得各個(gè)子頻帶的能量值，構(gòu)建特征向量，再通過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,從而實(shí)現(xiàn)對(duì)柴油發(fā)電機(jī)的故障識(shí)別。

1.1 小波包原理

小波包是在小波變換的基礎(chǔ)上進(jìn)一步提出來(lái)的，并且從數(shù)學(xué)上作了比較嚴(yán)密的推導(dǎo)。小波包分析是把信號(hào)s分解成低頻a1和高頻d1兩部分，在下一層的分解中，又將a1和d1分別分解成低頻和高頻兩部分，依此類推[6]。

1.2能量特征的提取

首先進(jìn)行小波包分解，再對(duì)小波包分解得到的系數(shù)重構(gòu)，提取各頻帶范圍的信號(hào)。求出各段頻帶信號(hào)的總能量。以各段頻帶的總能量作為元素，構(gòu)造一個(gè)特征向量[7]。小波包的分解樹(shù)如圖1所示。

2 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，它利用梯度下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，通過(guò)不斷訓(xùn)練使網(wǎng)絡(luò)的誤差平方和最小，是目前使用最為廣泛的網(wǎng)絡(luò)。一般的BP網(wǎng)絡(luò)模型如圖2所示。

圖2 BP網(wǎng)絡(luò)模型

2.2基于遺傳算法(GA)的BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化

遺傳算法是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法。它將“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適應(yīng)度函數(shù)和一系列遺傳操作對(duì)各個(gè)體進(jìn)行篩選，從而使適應(yīng)值高的個(gè)體被保留下來(lái)，組成新的群體。新群體中個(gè)體的適應(yīng)度不斷提高，直至滿足一定的極限條件。此時(shí)，群體中適應(yīng)度值最高的個(gè)體即待優(yōu)化參數(shù)的最優(yōu)解[5]。

由于BP網(wǎng)絡(luò)訓(xùn)練的初始權(quán)值和閾值是隨機(jī)給定的，因此很難選取到具有全局性的初始點(diǎn)，這就造成網(wǎng)絡(luò)有時(shí)候會(huì)陷入局部最小或者根本不能收斂。因?yàn)檫z傳算法的全局搜索性較強(qiáng)，所以利用它對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化。

3 實(shí)驗(yàn)仿真

振動(dòng)信號(hào)的獲取是故障診斷的第一步，為了確保利用該方法得到的診斷結(jié)果的可靠性，實(shí)驗(yàn)使用的數(shù)據(jù)來(lái)自往復(fù)式壓縮機(jī)[8](圖3)，獲取不同工作狀態(tài)下的振動(dòng)信號(hào)(一個(gè)是正常信號(hào)，一個(gè)是故障信號(hào))。

將壓縮機(jī)正常與故障時(shí)的振動(dòng)信號(hào)經(jīng)過(guò)3層小波包分解重構(gòu)，重構(gòu)后的信號(hào)選用時(shí)序模型(AR譜)進(jìn)行分析，最后畫(huà)出其AR譜圖，如圖4所示。

圖3 往復(fù)式壓縮機(jī)的結(jié)構(gòu)簡(jiǎn)圖

a. 正常工作信號(hào)

b. 故障工作信號(hào)

由圖4可以清楚地看到：當(dāng)壓縮機(jī)正常工作時(shí)，信號(hào)AR譜的主頻主要集中在2 916Hz左右的頻段,而當(dāng)其工作異常時(shí)，信號(hào)的主頻向左漂移至2 455Hz左右，且出現(xiàn)多個(gè)譜峰，分散在各個(gè)頻段中。由此可以看出當(dāng)壓縮機(jī)出現(xiàn)異常時(shí)，能量由最初的集中在某幾個(gè)頻段變?yōu)榉稚⒌礁鱾€(gè)頻段。

通過(guò)小波包分解重構(gòu)，得到8個(gè)均勻劃分的子頻帶，然后求出各個(gè)頻帶信號(hào)的總能量，構(gòu)造出特征向量，經(jīng)過(guò)歸一化處理,壓縮機(jī)正常工作時(shí)特征向量的各數(shù)值相差比較大，而出現(xiàn)故障時(shí)能量相對(duì)比較平均。因此采用小波包分解重構(gòu)，將利用各個(gè)子頻帶的能量構(gòu)造的特征向量作為故障診斷的判斷依據(jù)。

把采集到的72個(gè)信號(hào)數(shù)據(jù)(36個(gè)正常，36個(gè)故障)經(jīng)過(guò)小波包三層分解，信號(hào)重構(gòu)，構(gòu)造特征向量，將歸一化后的50組特征向量(正常與故障信號(hào)各25組)分別輸入到BP網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、GA-BP網(wǎng)絡(luò)和遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再將歸一化后的剩余特征向量分別輸入到4個(gè)已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)里進(jìn)行仿真分類。

經(jīng)過(guò)多次代入訓(xùn)練，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)不穩(wěn)定，分類效果時(shí)好時(shí)壞。小波神經(jīng)網(wǎng)絡(luò)同樣不穩(wěn)定，且對(duì)故障的準(zhǔn)確識(shí)別率不如BP網(wǎng)絡(luò)。而經(jīng)過(guò)遺傳算法優(yōu)化的BP和小波神經(jīng)網(wǎng)絡(luò)改善了分類結(jié)果，使其比較穩(wěn)定。所以從網(wǎng)絡(luò)的穩(wěn)定與分類準(zhǔn)確識(shí)別率兩方面考慮，選擇遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)作為分類工具。

4 應(yīng)用實(shí)例

以某公司4臺(tái)柴油發(fā)電機(jī)組為例，其中1#(負(fù)荷29%)和4#(負(fù)荷58%)為正常機(jī)組，3#為故障機(jī)組(故障已知)，2#為故障機(jī)組(故障未知)。現(xiàn)利用已知工作狀態(tài)的3臺(tái)機(jī)組的振動(dòng)信號(hào)對(duì)2#機(jī)組進(jìn)行故障診斷。

基于小波包與人工神經(jīng)網(wǎng)絡(luò)的柴油發(fā)電機(jī)的故障診斷流程如圖5所示。

圖5 故障診斷流程

4.1特征向量的處理與樣本數(shù)據(jù)的采集

對(duì)1#機(jī)組和4#機(jī)組發(fā)電機(jī)自由端的各兩個(gè)振動(dòng)信號(hào)進(jìn)行小波包分解和重構(gòu)，求出重構(gòu)信號(hào)的特征向量。正常情況下，鄰近測(cè)點(diǎn)同一故障類型的各頻帶能量值應(yīng)該基本相近。但不能找到上面4組特征向量的相似之處，由于機(jī)組負(fù)荷等因素導(dǎo)致了能量值沒(méi)有可參考性，于是進(jìn)行歸一化處理，如圖6所示。

圖6 歸一化后的特征向量對(duì)比

從圖6中可以看到幾組數(shù)據(jù)的縱坐標(biāo)基本持平，說(shuō)明各頻帶能量在總能量中所占的百分比是需要提取的特征信息，以此來(lái)構(gòu)造4個(gè)機(jī)組振動(dòng)信號(hào)的特征向量。

通過(guò)對(duì)4臺(tái)柴油機(jī)發(fā)電機(jī)組已知的振動(dòng)信號(hào)進(jìn)行小波包分解重構(gòu)，提取歸一化后的特征向量作為樣本數(shù)據(jù)，共獲得3個(gè)樣本數(shù)據(jù)集(表1)。

表1 樣本數(shù)據(jù)集統(tǒng)計(jì)

數(shù)據(jù)集A是來(lái)自柴油機(jī)機(jī)身的振動(dòng)信號(hào)，包含了兩種不同條件(正常狀態(tài)，不平衡)下的各26組數(shù)據(jù)樣本，其中20組樣本用來(lái)作為網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集，余下的6組樣本作為網(wǎng)絡(luò)仿真的測(cè)試集；數(shù)據(jù)集B是來(lái)自發(fā)電機(jī)自由端的振動(dòng)信號(hào)，包含了兩種不同條件(正常狀態(tài)，不對(duì)中)下的各26組數(shù)據(jù)樣本，同樣20組樣本用來(lái)作為訓(xùn)練集，余下的6組樣本用作測(cè)試集；數(shù)據(jù)集C是來(lái)自故障未知的2#機(jī)組，發(fā)電機(jī)自由端的振動(dòng)信號(hào)，是需要對(duì)其故障診斷的一組數(shù)據(jù)。每個(gè)測(cè)點(diǎn)和每個(gè)故障狀態(tài)都代表著不同種類的數(shù)據(jù)樣本，用不同的阿拉伯?dāng)?shù)字表示(表1)，所以這是一個(gè)four-class分類任務(wù)[8]。

4.2遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與測(cè)試分析

已知輸入節(jié)點(diǎn)數(shù)為8，輸出節(jié)點(diǎn)數(shù)為1，隱層節(jié)點(diǎn)數(shù)為17。新建一個(gè)隱層，該層中的神經(jīng)元均采用tansig型傳遞函數(shù)，輸出層的神經(jīng)元?jiǎng)t采用線性傳遞函數(shù)purelin，網(wǎng)絡(luò)訓(xùn)練函數(shù)選取trainbr。

首先利用遺傳算法優(yōu)化權(quán)值和閾值，用新的權(quán)值和閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練(圖7)，再把所有訓(xùn)練樣本放到優(yōu)化過(guò)的BP神經(jīng)網(wǎng)絡(luò)里進(jìn)行仿真測(cè)試。從圖7中可以看出，最好的訓(xùn)練精度是在經(jīng)過(guò)1 146次迭代后達(dá)到的，均方誤差達(dá)到1.301 8×10-9。把訓(xùn)練樣本輸入到優(yōu)化過(guò)的網(wǎng)絡(luò)中進(jìn)行仿真，把分類結(jié)果與期望值進(jìn)行比較，得到分類誤差(圖8)，其中最大的誤差只有1.3×10-4,表明已訓(xùn)練的遺傳算法優(yōu)化的BP網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的識(shí)別率不僅達(dá)到100%，且分類效果非常好。

圖7 均方誤差收斂曲線

圖8 分類結(jié)果誤差

把測(cè)試樣本輸入到訓(xùn)練好的遺傳算法優(yōu)化的BP網(wǎng)絡(luò)中進(jìn)行仿真，得出了測(cè)試樣本的分類結(jié)果(表2)。從表2中可以看出，經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)對(duì)測(cè)試樣本的識(shí)別率不僅達(dá)到了100%，而且分類效果很好。

表2 測(cè)試樣本的分類結(jié)果

4.3未知信號(hào)的故障診斷

把來(lái)自2#機(jī)組的數(shù)據(jù)集C輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，得到的分類結(jié)果為3，可以判斷該處不存在故障。正好恰逢該公司檢修，檢修結(jié)果與故障診斷一致，該處不存在故障。

5 結(jié)束語(yǔ)

利用小波包與遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)柴油發(fā)電機(jī)進(jìn)行故障診斷，對(duì)柴油發(fā)電機(jī)的原始振動(dòng)信號(hào)進(jìn)行了基于小波包分解的特征向量提取，再把歸一化后的特征向量輸入到已訓(xùn)練的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)里進(jìn)行故障識(shí)別。從實(shí)驗(yàn)仿真和應(yīng)用實(shí)例可知，基于小波包和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果具有良好的穩(wěn)定性和精確度，因而更適用于非平穩(wěn)信號(hào)的故障診斷。

[1] 武建軍，鄧松圣，周愛(ài)華，等.基于EMD-灰色關(guān)聯(lián)降噪的泵機(jī)組故障診斷[J].化工機(jī)械，2010,37(5):563～566.

[2] 王迎，王新明，趙小強(qiáng).基于小波去噪與KPCA的TE過(guò)程故障檢測(cè)研究[J].化工機(jī)械，2011,38(1):49～53.

[3] 王學(xué)敏，黃方林.EMD端點(diǎn)效應(yīng)抑制的一種實(shí)用方法[J].振動(dòng).測(cè)試與診斷，2012,32(3):493～497.

[4] 畢研秋,周文連，張大海，等.連續(xù)小波神經(jīng)網(wǎng)絡(luò)收斂性能的探討[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2005,17(6):50～54.

[5] 李婧瑜,李歧強(qiáng),侯海燕，等.基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)[J].山東大學(xué)學(xué)報(bào),2007,37(2):109～112.

[6] 楊國(guó)安,鐘秉林，黃仁，等.機(jī)械故障信號(hào)小波包分解的時(shí)域特征提取方法研究[J].振動(dòng)與沖擊,2001,20(2):27～30.

[7] 胡昌華,李國(guó)華,周濤.基于MATLAB 7.X的系統(tǒng)分析與設(shè)計(jì)——小波分析[M].西安：西安電子科技大學(xué)出版社,2008.

[8] Jin M,Li R,Xu Z B.Reliable Fault Diagnosis Method Using Ensemble Fuzzy ARTMAP Based on Improved Bayesian Belief Method[J].Neurocomputing,2014,133:309～316.

(Continued on Page 83)

FaultDiagnosisofDieselGeneratorBasedonWaveletPacketandGA-BPNetwork

BIE Feng-feng, FAN Wen-hua, PEI Jun-feng, LIU Yang

(SchoolofMechanicalEngineering,ChangzhouUniversity,Changzhou213164,China)

TH17

A

1000-3932(2016)01-0046-05

2015-11-26(修改稿)基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51175051)；常州大學(xué)青年基金項(xiàng)目(zmf13020051)