基于小波_神经网络的矿用通风机故障诊断研究

主讲神经网络的诊断方法

第29卷第6期 2004年12月

煤 炭 学 报JOURNALOFCHINACOALSOCIETY

Vol.29 No.6 Dec.

2004

文章编号:0253-9993(2004)06-0736-04

基于小波-神经网络的矿用通风机故障诊断研究

荆双喜,冷军发,李 臻

(河南理工大学机械工程系,河南焦作 454003)

摘 要:运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量,以此作为BP神经网络的故障样本,经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.研究结果表明,小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点,是提取机械故障特征进行设备状态自动识别的有效方法.关键词:小波包;BP网络;通风机;故障诊断

中图分类号:TH165 3;TP391 5 文献标识码:A

Studyonthemineventilatorfaultdiagnosisbasedon

waveletpacketandneuralnetwork

JINGShuang xi,LENGJun fa,LIZhen

(DepartmentofMechanicalEngineering,HenanPolytechnicUniversity,Jiaozuo454003,China)

Abstract:Whichreflectsdifferentworkingstateofventilator,wasextractedfromdifferentfrequencysegmentwiththetechnologyofwaveletpacketfrequencysegmentpowerdecomposition,andtakingitasinputfaultsampleofBPneuralnetwork Thetrainednetwork,asfaultintelligentclassification,hasverystrongidentificationcapability,whichcaniden tifyautomaticallytheworkingstateofventilator Theresultofresearchshowsthatthefaultdiagnosisandidentificationtechnology,basedonsyncretizingwaveletpacketandneuralnetwork,exertstheirstrongpoints,andit saeffectivemethodofextractingmechanicalfaultcharacteristicandauto identifyingequipment sworkingstate Keywords:waveletpacket;BPnetwork;ventilator;faultdiagnosis

通风机是保证煤矿安全生产的重要设备,对其进行状态监测与故障诊断有着极其重要的意义.目前对通风机的故障诊断大多采用振动频谱分析的方法,通过对故障特征信息的提取并加以识别,从而进行故障诊断,这种传统的故障诊断方法中的故障特征提取与识别均靠人工来实现,其诊断水平受技术人员的知识、经验等多方面因素的制约,难免出现误诊、漏诊,为避免这些问题的产生,人们一直在研究智能故障诊断技术.

本文以矿用通风机为研究对象,研究基于小波分析和人工神经网络的故障自动识别技术,主要利用小波变换具有的良好时频局部化性能以提取故障特征信息,以及BP人工神经网络较强的非线性映射、较好的容错能力进行状态的自动识别.即通过小波变换,把通风机振动信号分解在不同的频段内,各频段内的能量可形成一个特征向量,且对应通风机不同的故障有不同的特征值,该向量可作为BP神经网络的输入

收稿日期:2004-04-29

基金项目:河南省科技攻关项目(0424260115)

作者简介:荆双喜(1962-),男,河南巩义人,博士,教授.Tel:0391-3987203,E-mail:jsx@hpu edu cn

主讲神经网络的诊断方法

第6期荆双喜等:基于小波-神经网络的矿用通风机故障诊断研究737

样本,通过典型故障样本的学习与训练,得到可用于对通风机进行故障自动识别的网络.研究表明,基于小波和人工神经网络的故障诊断技术适用于通风机械系统中的多故障、多征兆的复杂故障模式识别问题,可实现通风机故障的智能诊断.

1 基于小波包的能量故障特征提取

离散信号按小波包基展开时,包含低通滤波与高通滤波两部分,每一次分解就将上层j+1的第n个频带进一步分割变细为下层j的第2n与2n+1两个子频带.离散信号的小波包分解算法[1]为

dl(j,2n)=

ak-2ldk(j+

k

1,n),dl(j,2n+1)=

bk-2ldk(j+

k

1,n),

式中,ak,bk为小波分解共轭滤波器系数. 由Parseval恒等式知

!

-

|f(x)|2dx=

|d(j,k)|2.由此可知,小波包变换系数d(j,k)的平方

具有能量的量纲,可用于机械故障诊断的能量特征提取.假设离散信号按最优小波包分解[2]后可得到M个正交的频带,各频带的能量为

N

i

Ei=

k=1

|d(i,k)|2,

式中,i#M;Ni为第i个子频段的数据长度,且k#Ni. 离散信号的能量均方根Er=

i=1

Ei.

2

则能量特征向量T=

[E1,E2, ,EM].E

2 矿用通风机BP神经网络的建立

对通风机常见的几种典型故障建立的3层BP

网络模型如图1所示.输入层的单元数M对应于小波包分解的频段数;隐层单元数L=5~14[3],需按BP网络的训练速度与精度来优选;输出层单元数K为风机的状态数,即风机的典型故障数;初始权值与阈值的取值范围一般为0~1 0.BP网络一般采用3层就可以满足网络训练要求[3],但隐层单元数L、学习率 等则应兼顾网络训练精度,即网络训练样本总误差E及网络权值误差对训练速度的影响.

学习率 采用自适应学习算法,BP网络的学习过程实质上是通过不断地调整网络权值使系统总误差E达到给定的精度.当网络的结构及训练样本和目标输出值一定时,系统总误差E仅是内部连接权值wml和wlk的函数,即E=f(wml,wlk).

对每个样本各训练1次后,由权值改变引起的系统总误差E的改变量为

E=

又由BP网络算法:

wml=- , wml=

ml

p=1

图1 通风机的3层BP网络模型Fig 1 ThreelayersBPnetworkmodelofventilator

m=1l=1

ML

w+

mlml

l=1k=1

LK

w.

lklk

(1)

pwml=

P

mlOpm,

p=1

P

主讲神经网络的诊断方法

738

煤 炭 学 报

wlk=- , wlk=

lk

2004年第29卷

P

p=1

pwlk=

2

M

K

P

lkOpl.

p=1

将上式代入式(1)中,并取 E=0-E=-E,则

=

E

式中,P为故障样本总数.

这样学习率 完全由网络的系统总误差E、学习误差 ml, lk及各单元的输出值Opm,Opl决定.在实际训练中,网络将根据当时的运行参数自动改变学习率 ,无需人为调整,从而实现学习率的真正自适应,而且可以使网络的训练速度大为提高

[4]

m=1l=1

MLP

p=1

mlOpm

+

m=1k=1

P

p=1

lkOpl

,

.

3 诊断实例

图2为一轴流式通风机的5种典型故障的振动时域加速度信号(信号经

过小波除噪与零均值化处理).风机转轴旋转频率fr=12 5Hz,采样频率fs=1kHz,分析频率500Hz,采样长度为4096点.由旋转机械典型故障频率特征分析[5],可按频域空间的最优小波包分解[6]图2信号,表示为

d(0,0)=d(6,0)!d(6,1)!d(6,2)!d(6,3)!d(4,1)!d(3,1)!d(2,1)!d(1,1),

式中,d(0,0)为原始信号的频域空间,d(j,k)为第j层的第k个子频带. 按式(1)即可求得5组8维的能量特征向量,并以此作为图1所示的BP网络的输入样本.因此输入层的单元数M=8;输出层单元数K=8;隐层单元数L确定为5~14;初始权值与阈值的取值范围一般为0~1 0.而故障特征向量所对应的理想输出见表1.

表2为通风机BP网络训练过程中取样本总误差E=0 001,学习率 采用自适应学习算法时BP网络隐层单元数L随训练迭代次数的关系:节点数为5~14,对应的迭代次数分别为1244,920,736,571,459,362,457,782,984,1213.可以看出,隐层单元数L=10时效果最好,此时网络实际输出见表2.

表1 BP网络的理想输出Table1 IdealoutputofBPnetwork

风机的典型故障

不平衡 不对中 基础松动碰磨故障叶片故障

1 00000

典型故障对应的理想输出01 0000

001 000

0001 00

00001 0

图2 风机的5种典型

故障时域波形Fig 2 Timewaveoffivetypicalfaultsofventilator

(a)不平衡;(b)不对中;(c)基础松动;(d)碰磨故障;(e)叶片故障

表2 BP网络训练后的实际输出

Table2 TheactualoutputoftrainedBPnetwork

风机的典型故障

不平衡 不对中 基础松动碰磨故障叶片故障

0 9870 0050 0030 0070 002

典型故障对应的实际输出0 0040 9810 0080 0040 007

0 0020 0030 9890 0010 006

0 0060 0070 0050 9830 003

0 0080 0020 0090 0060 986

用图3所示的振动加速度信号进行验证所建立的风机3层BP故障诊断与识别网络的准确性和可靠性.

经小波包频道能量特征提取及BP网络训练后得到的识别结果y=[0 016,0 912,0 120,0 047,0 015]T.由BP网络对待识别样本进行识别的结果表明该振动信号为不对中故障.为验证该网络的识别结果,现对待检信号进行频谱分析.

3,

主讲神经网络的诊断方法

第6期荆双喜等:基于小波-神经网络的矿用通风机故障诊断研究739

图3 待识别的风机振动时域信号Fig 3 Theidentifyingtimesignalofventilator

高次谐波,并且二次谐波(25 39Hz)幅值最大,其幅值为基频幅值的2 56倍,根据这些振动特征可判断该振动信号反映的故障为严重的轴系不对中,由此证明了所训练的通风机3层BP网络对待检信号状态自动识别的正确性.

图4 待识别信号的功率谱

Fig 4 Thepowerspectrumofidentifyingsignal

4 结 论

(1)小波包频道能量特征提取是提取通风机故障特征

的一种较好的方法,经提取的能量特征向量可作为BP网络的输入样本和待识别样本.

(2)推导出了BP网络学习率 自适应学习算法,它可以根据当时的运行参数自动改变,而无需人为调整,从而实现学习率的真正自适应,而且可以使网络的训练速度大大提高.

(3)小波包与神经网络相融合的故障诊断识别技术是提取通风机故障特征进行状态自动识别的有效方法,该方法还可适于其他机械设备的故障自动识别与诊断.参考文献:

[1] 程正兴 小波分析算法与应用[M].西安:西安交通大学出版社,1998.156~162.[2] 荆双喜 基于小波分析的多分辨率故障诊断技术研究[D].北京:中国矿业大学,2000.[3] 冷军发 基于小波-神经网络的故障诊断技术研究[D].焦作:焦作工学院,2003.[4] 张立明 人工神经网络的模型及其应用[M].上海:复旦大学出版社,1993.43~46.[5] 徐 敏,黄昭毅 设备故障诊断手册[M].西安:西安交通大学出版社,1998.298~349.

[6] DuR Featureextractionandassessmentusingwaveletpacketsformonitoringofmachiningprocesses[J].Mech Syst SignalProc ,

1996,10(1):29~53.

本刊收取稿件审理费的通知

承蒙广大作者的厚爱,近几年,%煤炭学报&的收稿量急剧增加.由于本刊采取比较严格的审稿制度,外审工作量很大,审稿费的开支逐年增加,因此,本刊从2003年7月1日起,对投稿的作者一律酌收稿件审理费60元/篇,以补充办刊经费的不足,敬请广大作者谅解与支持.

本刊编辑部

本文来源：https://www.bwwdw.com/article/zf94.html