神經網絡及小波分析法在汽車發動機故障診斷中的應用研究

孟雅琦，古 遠，莊新穎，魏廣遠，夏付芝

(青島恒星科技學院，山東 青島 266000)

1 基于BP模型的神經網絡理論

BP神經網絡采用梯度下降法，并通過網絡誤差反向傳播不斷調整連接權值，以達到對神經網絡模型的優化。現在BP神經網絡已成為神經網絡中廣泛使用的模型之一，其優勢是無需進行數學方程描述就可同時訓練大量的輸入輸出映射關系。

2 小波分析原理

小波分析是對小波函數的一個疊加，小波函數是通過信號分解得到的。小波分析中還有一個多分辨率分析的概念，多分辨率分析可以對時頻信號分解，既把一個信號分成多個簡單信號之和，然后進行分析。多分辨率分析分解的最終目的是力求構造一個在頻率上高度逼近L(R)空間的正交小波基，在構造正交小波的方法中，其中Mallat算法對信號分解重構是小波分析理論發展中的突破性成果。

3 實驗裝置及實驗過程

振動測試儀是振動信號采集裝置，把它固定于發動機的缸蓋上，在發動機正常工作狀態下、進氣管堵塞的情況下，收集并利用其振動信號，采取小波包能量譜分析法提取振動信號的特征，分析頻帶，把所得信息向量輸入給BP神經網絡。本次試驗的采樣頻率為2048 Hz，分析頻率為1024 Hz。

3.1 發動機振動信號的小波包降噪分析

常用的振動信號時域參數包括均方值、方差、有效值、峰值、標準差、最大值和最小值等，這些參數一般可以表達出信號振動大小、幅值變化和振動能量的分布情況。

通過對發動機在正常工作狀態下小波包分解降噪前、降噪后時域曲線信號圖和發動機在進氣管堵塞情況下小波包分解降噪前、降噪后時域曲線信號圖對比分析，可發現其振動信號相差不大，相對較平穩。而發動機表面為非平穩信號，因此要判斷出發動機的故障狀態，不能只看波形圖，還需要做頻域上的分析。

3.2 發動機振動信號的小波包能量譜分析

發動機振動信號頻域分析，可以具體定位到故障發生的位置，當系統部件故障時，正常系統振動也會出現新的變化，這就使得它的頻譜也相應改變，所以采用振動信號的頻域分析對于發動機復雜機構維修是很高效的故障診斷方法。通過給出發動機分別在正常工作狀態下、進氣管堵塞的缸蓋振動信號的頻譜圖分析可知，發動機正常工作狀態下振動相對劇烈的位置主要集中在800 Hz處，400 Hz處有輕微的波動，再比較其他情況下的振動信號的頻譜，我們分析觀察發動機，就能夠看出其規律性變化。但為更好地識別故障特征頻帶，還是利用小波包能量譜提取振動信號的特征值。

3.3 提取發動機振動信號的特征值

先對正常工作狀態下、進氣管堵塞兩種情況下的發動機振動信號使用小波包能量譜的方法，進行三層小波包分解，將整個頻帶分成了8份，每個頻帶的寬度為128 Hz，這次的故障識別率相比之前提高了很多。分析對比，就能夠檢測出發動機是否存在故障，以及發生故障的部位、嚴重程度等。由于數據龐大，分析處理不太方便，應用到BP神經網絡中會導致收斂速度緩慢，所以本文對得到的特征向量采用了極值歸一化的數據處理方法，使得數據存在于[0,1]區間，公式如下

(1)

式中x—原始數據；

xmax—原始數據的最大值；

xmin—原始數據的最小值；

x′—歸一化后的數據，越接近1時，則故障識別率越高。

3.4 建立BP神經網絡故障診斷系統

在用神經網絡進行故障診斷時包括兩個階段，即系統識別階段；故障檢測階段。而先進的發動機故障診斷系統先是故障產生，處理采集的信號，再反饋回來進行判別，其結構框圖如圖1所示。

圖1 故障診斷系統結構框圖

圖2 訓練誤差曲線圖

對于BP神經網絡訓練學習中，我們需要考慮到網絡的層數，設置每層神經元數目，初始值設定以及網絡學習速度的程度等。由上文可知，特征向量為8個，則輸入的神經元個數就為8，本次采集了發動機兩種工況下的信號，則輸出神經元個數為2，隱含層的個數經過計算試驗分析，最終選擇10。設定最大訓練次數M為2000，最終目標誤差為0.001，學習的速率為0.001。選擇改進后的BP神經網絡算法進行訓練，結果更精確。

3.5 發動機振動信號的BP神經網絡訓練與測試

在不斷修改調整權值跟閾值的BP神經網絡訓練過程中，不斷縮小輸出值與輸入值的差距，達到最小值，以滿足實際要求。

本文對兩類工作狀態特征向量分別進行識別，每種工作狀態提取60組數據，共180組，其中120組用來訓練，60組用來測試，最終驗證改進BP神經網絡識別檢測故障狀態的準確性。訓練的結果和過程如圖2所示，可見BP神經網絡經過79步訓練，達到預定的網絡性能參數目標。

通過選擇60組數據進行測試在訓練好的BP神經網絡，通過測試樣本來驗證BP神經網絡的預測性能。通過實驗很好地完成了BP神經網絡對發動機故障狀態的識別，通過BP神經網絡進行故障診斷可以判別出發動機不同的工作狀態，并且準確率高達95%以上，驗證了本方法的可行性。

4 結論

本文僅對神經網絡與小波分析結合進行了研究，未來還會有更多不同的技術結合應用，相信汽車發動機故障診斷技術會越來越好。