一種基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷方法

蘭天雯，徐志京

（上海海事大學(xué)信息工程學(xué)院，上海 201306）

一種基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷方法

蘭天雯，徐志京

（上海海事大學(xué)信息工程學(xué)院，上海 201306）

針對(duì)車(chē)輛發(fā)動(dòng)機(jī)故障診斷的問(wèn)題，首先通過(guò)希爾伯特-黃變換（HHT）分析處理發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的時(shí)頻特征，提取出基于邊際譜能量變化的故障特征參數(shù)來(lái)準(zhǔn)確的表征發(fā)動(dòng)機(jī)故障現(xiàn)象。然后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)故障數(shù)據(jù)特征進(jìn)行訓(xùn)練，并對(duì)多種實(shí)測(cè)的故障數(shù)據(jù)進(jìn)行測(cè)試和識(shí)別，驗(yàn)證所提出的算法的準(zhǔn)確性。

故障診斷；發(fā)動(dòng)機(jī)；HHT；BP神經(jīng)網(wǎng)絡(luò)

0 引言

車(chē)輛發(fā)動(dòng)機(jī)一般具有非常復(fù)雜的內(nèi)部結(jié)構(gòu)，而且工況較差，極易產(chǎn)生各類(lèi)故障現(xiàn)象，因此發(fā)動(dòng)機(jī)的正常工作對(duì)運(yùn)輸安全與經(jīng)濟(jì)效益有著重要意義。車(chē)輛發(fā)動(dòng)機(jī)工作的時(shí)候，會(huì)產(chǎn)生一系列的振動(dòng)現(xiàn)象，故而產(chǎn)生了振動(dòng)信號(hào)。這些振動(dòng)信號(hào)中包含了很多的故障信息參數(shù)，而這些參數(shù)直接表征了發(fā)動(dòng)機(jī)的工作狀況和部件的性能狀況。所以我們可以通過(guò)對(duì)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行采集和處理，提取相關(guān)的特征參數(shù)來(lái)作為故障診斷的依據(jù)。

目前，發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的分析與處理一般是利用傅利葉變換的方法進(jìn)行的。但是由于傅利葉變換算法的固有的性能缺陷，無(wú)法同時(shí)在時(shí)間與頻率上取得較高的分析分辨率。此外，發(fā)動(dòng)機(jī)振動(dòng)信號(hào)表現(xiàn)出了強(qiáng)烈的非平穩(wěn)性，而傅利葉變換方法僅能用于分析與處理平穩(wěn)性質(zhì)的信號(hào)。而其他的方法，例如短時(shí)傅利葉變換、時(shí)頻分析、小波變換等，其理論基礎(chǔ)的實(shí)質(zhì)仍然是傅利葉變換，因此也無(wú)法突破該方法理論上的先天性缺陷。因此基于傅利葉變換的算法僅能對(duì)振動(dòng)信號(hào)作近似處理，限制了故障特征分析的精度與準(zhǔn)確性。從而導(dǎo)致故障特征參數(shù)的精確性與穩(wěn)定性大大降低，無(wú)法準(zhǔn)確及時(shí)的識(shí)別發(fā)動(dòng)機(jī)故障信號(hào)。

HHT（希爾伯特-黃變換，Hilbert-Huang Transform）信號(hào)處理理論是由Norden E.Huang于1998年創(chuàng)立的，它突破了傅立葉變換處理所存在的缺陷。其核心處理方法是通過(guò)模態(tài)分解（Epirical Mode Decomposition，EMD）來(lái)獲取本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF），進(jìn)而實(shí)現(xiàn)信號(hào)的自適應(yīng)分解處理，這種方法可以精確地分析信號(hào)在時(shí)頻域的變化特征，在非平穩(wěn)信號(hào)處理方面取得了良好的應(yīng)用效果。所以本文嘗試通過(guò)HHT方法來(lái)分析處理發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的時(shí)頻特征，提取出了基于時(shí)頻譜能量變化的故障特征參數(shù)來(lái)準(zhǔn)確的表征發(fā)動(dòng)機(jī)故障現(xiàn)象。然后利用BP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)發(fā)動(dòng)機(jī)的故障數(shù)據(jù)特征進(jìn)行訓(xùn)練，得到了穩(wěn)定的訓(xùn)練收斂結(jié)果。最后通過(guò)多種實(shí)測(cè)故障數(shù)據(jù)的測(cè)試識(shí)別，驗(yàn)證了本文所提出的故障診斷算法的正確性。

1 HHT故障信號(hào)分析的基本原理

發(fā)動(dòng)機(jī)振動(dòng)信號(hào)要進(jìn)行HHT時(shí)頻分析處理，首先必須通過(guò)EMD算法處理得到一系列本征模態(tài)分量即IMF。IMF具有瞬時(shí)頻率隨著時(shí)間變化的單值性性質(zhì)，所以對(duì)IMF進(jìn)行Hilbert變換可以得到振動(dòng)信號(hào)的時(shí)頻譜分析結(jié)果[1]。其中，IMF滿足如下兩個(gè)條件：即IMF的所有極值點(diǎn)和過(guò)零點(diǎn)的數(shù)量相同，或最多僅可相差一個(gè)采樣點(diǎn)；且IMF的上包絡(luò)與下包絡(luò)必須對(duì)于時(shí)間軸有對(duì)稱性。

EMD算法過(guò)程為：

（1）首先計(jì)算輸入信號(hào)x（k）的各個(gè)極值，通過(guò)樣條插值得到上包絡(luò)線和下包絡(luò)線；

（2）計(jì)算上下包絡(luò)線幅度的均值m1，可以得到一個(gè)序列h1=x(k)-m1；

（3）利用上述兩個(gè)IMF條件校驗(yàn)h1參數(shù)，若滿足條件，則將h1抽取為第一個(gè)IMF記為c1；否則令其作為新序列并重復(fù)上述（1）（2）步驟，直至滿足條件；

（4）計(jì)算獲取IMF后的殘余量：r1=x(k)-c1，并作為新信號(hào)重復(fù)（1）至（4）各步驟得到下一個(gè)IMF即c2。

（5）按上述進(jìn)行循環(huán)計(jì)算，直到殘余量rn無(wú)法滿足IMF條件，至此完成了發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的EMD算法的分解計(jì)算。

由計(jì)算過(guò)程可知，相比于傅立葉變換，EMD無(wú)固定基函數(shù)，因此可對(duì)信號(hào)進(jìn)行自適應(yīng)分解。原發(fā)動(dòng)機(jī)振動(dòng)信號(hào)可由下式表示：

即EMD過(guò)程是以時(shí)間特征尺度逐步將振動(dòng)信號(hào)的局部模態(tài)分離，將復(fù)雜的非平穩(wěn)的振動(dòng)信號(hào)分解成一系列單分量信號(hào)的和。此外，每個(gè)IMF表征了不同的振動(dòng)因素，可有效表達(dá)出信號(hào)的內(nèi)在模態(tài)特征。因此通過(guò)對(duì)IMF的分析能夠明確振動(dòng)頻率成分來(lái)源，可對(duì)故障原因進(jìn)行準(zhǔn)確的分析。圖1即為車(chē)輛發(fā)動(dòng)機(jī)內(nèi)環(huán)故障信號(hào)EMD得到的IMF圖。

圖1 車(chē)輛發(fā)動(dòng)機(jī)內(nèi)環(huán)故障信號(hào)EMD得到的IMF圖

2 特征參數(shù)提取

若對(duì)EMD得到的IMF信號(hào)實(shí)施Hilbert變換，即可獲得具有現(xiàn)實(shí)含義的瞬時(shí)頻率、幅度函數(shù)與Hilbert譜數(shù)據(jù)[2]。然后將所有IMF信號(hào)Hilbert變換數(shù)據(jù)相加，即為原始振動(dòng)信號(hào)的HHT時(shí)頻譜H（w,t）。HHT時(shí)頻譜中表達(dá)了豐富的振動(dòng)源信息，有信號(hào)的瞬時(shí)頻率，也有振動(dòng)信號(hào)在時(shí)間和能量上的變化情況。圖2即為車(chē)輛發(fā)動(dòng)機(jī)內(nèi)環(huán)故障振動(dòng)信號(hào)的HHT時(shí)頻譜圖，包含了故障信號(hào)的頻率變化的清晰軌跡。故障振動(dòng)信號(hào)的瞬時(shí)頻率實(shí)質(zhì)上是由故障振源頻率決定，因此通過(guò)HHT時(shí)頻譜特征的分析來(lái)確定故障源，并據(jù)此實(shí)現(xiàn)有效的故障診斷。

再對(duì)HHT時(shí)頻譜數(shù)據(jù)在時(shí)間上進(jìn)行積分求和，可得到信號(hào)邊際譜h（w）：

特別地，由圖2邊際譜圖容易看出，絕大部分的譜能量分布在為0至500Hz，其他頻率處能量很小，可以等同為無(wú)效信號(hào)舍棄處理。因此可對(duì)0至500Hz的能量劇烈變化區(qū)間進(jìn)行量化。令每20Hz為基本的時(shí)頻特征提取單元，可得到25個(gè)特征提取單元，這些單元按照瞬時(shí)頻率的高低依次排列。之后可對(duì)第i個(gè)特征提取單元的時(shí)頻能量求和計(jì)算特征量hi，然后以總的時(shí)頻能量和h0為基準(zhǔn)對(duì)各個(gè)特征量進(jìn)行能量歸一化計(jì)算。最終計(jì)算的故障特征參數(shù)Hi為：

圖2 車(chē)輛發(fā)動(dòng)機(jī)內(nèi)環(huán)故障振動(dòng)信號(hào)的HHT時(shí)頻譜圖

3 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷

人工神經(jīng)網(wǎng)絡(luò)的計(jì)算原理類(lèi)似于人類(lèi)大腦神經(jīng)的信息處理原理。學(xué)術(shù)界里，我們經(jīng)常稱之為類(lèi)神經(jīng)網(wǎng)絡(luò)或者神經(jīng)網(wǎng)絡(luò)。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是于1986年由Rumelhart和McCelland兩位學(xué)者提出的神經(jīng)網(wǎng)絡(luò)計(jì)算模型，其主要原理是通過(guò)誤差逆?zhèn)鞑ニ惴▉?lái)訓(xùn)練準(zhǔn)確的多層前饋網(wǎng)絡(luò)[3]。BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括了輸入層（input）、隱含層（hide layer）和輸出層（output layer）。BP神經(jīng)網(wǎng)絡(luò)可以通過(guò)一定的訓(xùn)練的過(guò)程，學(xué)習(xí)到大量的輸入輸出的模式映射數(shù)據(jù)。其學(xué)習(xí)規(guī)則一般采用的是最速下降法，然后經(jīng)由反向傳播算法迭代來(lái)調(diào)整網(wǎng)絡(luò)權(quán)值以及閾值，令整個(gè)神經(jīng)網(wǎng)絡(luò)的誤差平方和收斂到最小值。

BP網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù)，具有良好的泛化能力和快速的訓(xùn)練收斂速度，已成功用于非時(shí)間序列分析、數(shù)據(jù)分類(lèi)、模式識(shí)別和故障診斷等領(lǐng)域[4]。故本文選用BP網(wǎng)絡(luò)來(lái)分析上述提取特征的正確性。首先將車(chē)輛發(fā)動(dòng)機(jī)的故障信號(hào)經(jīng)特征提取算法處理，得到各個(gè)故障樣本的特征參量作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入。然后執(zhí)行網(wǎng)絡(luò)訓(xùn)練獲取訓(xùn)練收斂后的BP神經(jīng)網(wǎng)絡(luò)參數(shù)并存儲(chǔ)，即可對(duì)故障測(cè)試信號(hào)進(jìn)行特征提取并輸入保存好的神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行故障的診斷分析。

4 仿真分析

為驗(yàn)證上述特征提取算法的正確性，使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練故障信號(hào)特征數(shù)據(jù)，并對(duì)故障信號(hào)進(jìn)行識(shí)別率計(jì)算。選用的故障信號(hào)數(shù)據(jù)集是某種汽車(chē)發(fā)動(dòng)機(jī)的4種故障振動(dòng)信號(hào)，即外圈故障、滾動(dòng)體故障、內(nèi)環(huán)故障及正常運(yùn)行下的振動(dòng)信號(hào)。每種故障的樣本數(shù)據(jù)數(shù)量是100組，每個(gè)樣本信號(hào)的采樣率是4kHz，采集時(shí)間長(zhǎng)度是0.5s。實(shí)驗(yàn)利用每種故障的前50組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，每種故障的剩下的50組為識(shí)別樣本進(jìn)行故障診斷。

本實(shí)驗(yàn)中，將BP神經(jīng)網(wǎng)絡(luò)設(shè)定隱含層的神經(jīng)元個(gè)數(shù)是25，隱含層的神經(jīng)元傳遞函數(shù)使用S型正切函數(shù)tansig，輸出層的神經(jīng)元傳遞函數(shù)使用S型對(duì)數(shù)函數(shù)logsig，訓(xùn)練函數(shù)采用Levenberg-Marquardt的改進(jìn)算法，訓(xùn)練目標(biāo)誤差設(shè)定為0.001。圖3為BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的誤差收斂曲線，經(jīng)過(guò)多次迭代計(jì)算，成功收斂到預(yù)定目標(biāo)，完成了訓(xùn)練學(xué)習(xí)過(guò)程。

表1為基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷的樣本識(shí)別結(jié)果。由結(jié)果容易看出，識(shí)別測(cè)試的故障信號(hào)數(shù)量為200，正確識(shí)別的故障信號(hào)個(gè)數(shù)為193，所以故障診斷的正確率達(dá)到了96.5%，因此上述特征提取算法可以準(zhǔn)確的識(shí)別車(chē)輛發(fā)動(dòng)機(jī)故障類(lèi)型，而且診斷結(jié)果具有比較高的正確率。

圖3 BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的誤差收斂曲線

表1 BP神經(jīng)網(wǎng)絡(luò)故障診斷的樣本識(shí)別結(jié)果

5 結(jié)語(yǔ)

本文針對(duì)基于汽車(chē)發(fā)動(dòng)機(jī)的振動(dòng)信號(hào)處理的故障診斷問(wèn)題，利用HHT時(shí)頻分析法，提取了車(chē)輛發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的時(shí)頻能量變化特征，并以此作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入。最后使用大量的實(shí)測(cè)故障信號(hào)來(lái)進(jìn)行診斷測(cè)試。診斷實(shí)驗(yàn)的結(jié)果表明，時(shí)頻能量變化特征參數(shù)可以有效描述車(chē)輛發(fā)動(dòng)機(jī)的不同故障類(lèi)型的信號(hào)本質(zhì)，因此可以較準(zhǔn)確地實(shí)現(xiàn)車(chē)輛發(fā)動(dòng)機(jī)的故障診斷。

[1]徐可君,秦海勤,江龍平.基于EMD和HHT的航空發(fā)動(dòng)機(jī)轉(zhuǎn)子-機(jī)匣振動(dòng)信號(hào)分析[J].振動(dòng)與沖擊,2011,30（07）：237-240.

[2]王醇濤，陸金銘.運(yùn)用HHT邊際譜的柴油機(jī)故障診斷[J].振動(dòng)、測(cè)試與診斷，2010.8：465-468.

[3]MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].電子工業(yè)出版社，2009.

[4]人工神經(jīng)網(wǎng)絡(luò)教程[M].北京郵電大學(xué)出版社，2006.

A Method of Vehicle Engine Fault Diagnosis Based on BP Neural Network

LAN Tian-wen，XU Zhi-jing
（College of Information Engineering,Shanghai Maritime University，Shanghai 201306）

Aiming at the vehicle engine fault diagnosis issue,applies Hilbert Huang transform(HHT)on engine vibration signal for time-frequency characteristics,and extracts parameters based on change of marginal spectrum energy to accurately characterize the engine fault phenome?non.Then,the BP neural network is used to train the engine fault data,and the accuracy of the proposed algorithm is verified by test data.

1007-1423（2017）23-0007-04

10.3969/j.issn.1007-1423.2017.23.002

蘭天雯（1991-），女，江蘇南京人，碩士研究生，研究方向?yàn)楦劭谕ㄐ排c計(jì)算機(jī)測(cè)控

徐志京（1972-），男，上海人，工學(xué)博士，副教授，研究方向?yàn)闊o(wú)線通信和導(dǎo)航技術(shù)、人工智能、深度學(xué)習(xí)

2017-05-23

2017-08-10

Fault Diagnosis;Engine;Hilbert-Huang Transform;BP Neural Network