基于改进小波神经网络的旋转机械故障诊断

教务一体化系统

(兰州理工大学机电工程学院兰州，730050 ) )兰州理工大学石油化工学院兰州，730050 )。摘要根据旋转机械复杂故障特点，提出了一种结合第二代小波分析、模糊理论和神经网络形成的改进小波神经网络联系。 该诊断方法利用第二代小波分析对信号进行预处理―特征向量提取，然后利用训练的模糊神经网络进行故障诊断识别并优化了相应的算法。 将改进小波神经网络应用于旋转机械故障诊断，得到了计算机仿真和试验的结果表明该方法在处理多故障耦合情况时优势明显，不仅能准确识别故障类型，而且能进一步认识故障的严重性再确诊其发展趋势。 这表明改进后的诊断方法是有效的，为旋转机械故障诊断提供了理论支持。关键词故障诊断第二代小波模糊神经网络旋转机械中图分类号TP277查词

随着科学技术和现代化工业的发展，旋转机械正向着大型化、连续化、高速化、轻量化、集中化、自动化向大功率、大负荷方向发展，几乎所有系统都配备了智能监测系统，故障诊断是智能监测系统的主要体现在。 故障诊断技术的提高，影响了智能监控系统的工作是的，针对维护系统的正常运转，降低生产成本，提高生产效率保障生产效率和生产安全都具有重要意义。

故障诊断包括两个步骤：故障征兆的提取和实际故障诊断。 步骤1是故障征兆的提取，主要用作数据为了提取、比较、放大信号的目的，获得故障的特性征收信息； 步骤2实际故障诊断包括故障诊断的类型和故障严重程度的诊断是两个部分。 只有这两个是确实得到的一定可以得到关于旋转机械故障的全面说明。 但是，现在有几种方法，但大多数只从其中一种开始研究很少将两者结合起来进行综合分析。本文结合第二代小波包理论和模糊神经网络理提出了一种改进小波神经网络的新方法，由此诊断方法不仅能准确识别故障类型，而且可以纳入其中步骤确诊故障严重程度及其发展趋势。1回转机械故障诊断方法及步骤旋转机械发生故障时，必然会产生其振动信号相应地，这些变化集中反映在部分特征频带上。这些特征频带中特征量的变化及其比例关系没有得到反映给出机械设备的振动特点及相应的故障类型。 现在开始场获取的振动信号包含了设备自身的特征通道

该信息还包括各种干扰噪声，并描述如何去除信号中的噪声信号获得信息、有效的分析信号是由于设备的状态监测故障诊断的前提。 信号分析应了解设备的运行状态进行故障诊断的最重要方法，主要目标是：寻找简单有效的信号转换方法，使得信号被包括在内的重要信息，最终提取有效的信号征收的目的。 进行第二代小波分析和模糊神经网络耦合形成稀疏耦合的改进小波神经网络，即小波分析作为模糊神经网络的预处理手段，是模糊神通过网络给出输入特征向量，训练的模糊神经网络可以得到故障的类型和发展趋势，如图1所示旋转机械故障诊断的系统框图[1 ]。图1故障诊断系统图第二十七卷第一期2007年3月振动、测试、诊断

Jou rnal of V ib ration，M easu rem en t D iagno sisVo l. 27 No. 1M ar. 2007

自然科学基金资助项目(编号： 3ZS051A 252036 )。受理日期： 2005202224； 修稿受理日： 2005206210。2第二代小波变换分析第二代小波变换基于多项式插值的思想

最明显的特征是不引入Fou rier分析，所有的运算都是通过在空间域进行，可以从对频域的依赖中解放出来。 利用第二小波变换产生所有传统CDf(Cohen2)D aubech ies2Feauveau ) )类型的双正交小波，且容易收获目前，快速算法(速度约为传统小波变换的两倍)； 相反变换也很容易，具有与正变换同样的复杂性； 变了转换信号可以是任意长度，不需要2n，允许原位置计计算，节约计算机内存； 可以很容易地扩展为整数转换。输入有2k个离散值的信号sj被小波分解

低频信号sj- 1和高频细节信号d j- 1由提升法构成小波变换的过程分为分裂、预测和更新三部分步骤如图2所示。(1)分裂

这个过程是将信号sj分裂成两个互不相交的点

收集： evenj- 1 (偶数序列s2k )和oddj- 1 (奇数序列s2k 1)，该方法可以表示如下split(SJ )=(Evenj-1，oddj- 1 ) ) )1) )1) ) ) )。图2第二代小波变换框图)2)预测

当信号具有局部相关时，信号的偶点集和奇点如果集之间也存在相关性，则可以更准确地使用一个点集定义用于预测另一个的预测算子p

教育部职业教育与成人教育司

将经过以上过程生成的系数子集sj- 1的平均

值等于原始信号sj的平均值，可以用d j- 1更新evenj- 1。 也就是说

SJ-1=Evenj-1u(DJ-1 ) ) ) (3) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )。其中：u(d j- 1 )表示与DJ-1的某种组合。

这样经过一定次数的反复，可以得到原来的信号码集的多级分解得到的方式与传统的小波变换相同这种结果实现了不同频带中信号的分离、分解振动信号中有各频带的分量，但这些频带并不是全部为了有助于故障识别，还进行了特征频带筛选，通常015倍的工频、工频及各倍的工频分量与故障有密切关系密集地，选择这些特征频率所在的频带作为特征频带。 各频率带内的能量值形成向量，该向量针对不同的故障因为通过对应不同的值，可以提取相关的故障信息故障诊断提供了有效的方法[223 ]。3模糊神经网络由于稀疏型结合的改良小波模糊神经网络的发展在故障诊断时，第二代小波分解提取的信号特征由多个特征要素构成的向量。 与障碍配对应关系是一种复杂的非线性映射，使用常规的分类方法虽然不容易实现，但人工神经网络在这方面得天独厚的条件是理想的分类器。 故障诊断的步骤2图6是从故障征兆矢量u到故障原因矢量v连续映射取输出故障矢量v中要素的可靠度的区域为[0]，1 )之间的连续数值。因为旋转机械有一些故障和征兆

性，严格的边界划分很难，不能轻易使用二值在逻辑解释判断的同时，为了一些故障和征兆的关系具有模糊性，很难通过显式分析来描绘为此，在故障诊断中引入了模糊理论，融合了模糊理论关于的模糊神经网络，通过学习更接近实际模糊规则可以在一定程度上克服模糊逻辑系统主观性，适用于旋转机械的故障诊断。本文根据旋转机械的故障特点采用了一种串联连接结构的模糊BP神经网络、模糊BP神经网络与传统BP神经网络的主要区别在于输入和输出都用模式表示该网络通过适当选择成员资格函数是可能的能够处理数字形式的输入，支持语义形式的输入输出也不是单一的分类结果，而是各类别的隶属度，这样可以更好地模拟人脑的思维模糊性。 这个网络2部分组成，前部分为模糊量化部分，后部分为神经网络部分。 该网络为4层结构，图3表示该模型粘贴BP神经网络的结构图。一楼是输入层，在旋转机械的工况识别中，很多单元振动频谱中各频段的振幅分布相对于机器的动作状态相反因为映射最敏感，所以将输入作为每个频带的振幅特征频带的总振幅之比。 输入层节点数为输入通道编号依据旋转机械转子系统常见故障及表

第一期彭斌等：基于改进小波神经网络的旋转机械故障诊断33出现的征兆的关系，确定了主要的征兆变量，分别是正确的根据图3中的输入量x 1、x 2…、x n，该层节点不施加任何作用地球将输入信号输出到下一级。

第2层是量化输入层，起到输入输入变量的作用行模糊量化是指首先在输入变量中定义模糊子集，然后输入变量转换，超出相应模糊子集的成员资格函数成为对应的模糊子集上的隶属度，隶属度函数为依据依靠模糊信号聚类的方法和经验获取。第3层是隐含层，其节点数是网络学习中的根根据实际情况，隐含层节点作用函数是Sig2mo id类型函数，用于将输入变量的模糊值实现到输出变量的模糊值的映射。第4层是输出层，每个节点表示一个旋转机器各种故障，各模糊数值的大小表示该故障的存在程度。在进行模糊BP神经网络训练时，采用L evenberg2marquart(L 2M )法、L2M法是梯度法和牛顿法的结合合起来，具有牛顿法的局部特性和梯度的优点

法律的全局特性克服并加速了学习中的振动现象模糊了BP网络的收敛速度。

通过上面4层模糊神经网络可以实现输入输出的映射，利用训练的模糊神经网络，对旋转机进行诊断机器输入故障的特点[426 ]。图3模糊BP神经网络的结构图4计算示例为了验证上述改进小波神经网络在旋转机械中在故障诊断中的效果，以某旋转机械为例，改进小波比较了神经网络和传统的BP神经网络。 运用D aubech ies917小波提升方案分解信号，实现提升方案首先计算多个矩阵，用双正交小波滤波器滤波波器的系数可以得到多项式矩阵p(z )，使用多项式矩阵的形式公式表示滤波器对(表示h

(z )，g

(z )，根据矩阵形式也可以

通过导出递归算法，使其变小为D aubech ies917关于对应于波的第二代小波变换，请参考文献[ 7 ]。使用这个变换将信号在各个频段细致地分离，用于提取采取信号故障特征，全频带从9段： 0. 010. 39f、0. 040. 49f、0. 5f、0. 510. 99f、f、2f、35f，大于奇数倍f、5f。

应用该9个频带中振动信号的能量成分以布为诊断向量，诊断时输入模式向量、网络输入输出也是输入向量向标准向量的接近度，即各种各样的原因的隶属程度。 将网络输入节点数设为故障征兆数9，根据故障模式数设输出节点数为15，第3层(层)节点数通过综合比较训练结果选定，使其模糊BP神经网络按照L 2M法进行训练，训练结束误差设01000 1，在APP中设隐藏节点数h为7。 试采旋转机械常见故障实例：采用油膜振荡、不平衡、旋转子接触磨、转子弯曲、转子破裂、转子不匹配及壳体从松弛等多个故障事例中总结了5种故障模式，对针对每个故障模式进行训练，同时模糊结构的BP消失神经网络也接受了训练。 通过比较，训练后的模糊神经网络的故障诊断能力高于采用一般BP神经网进行故障诊断的能力。

迎新活动

对旋转机械故障诊断中的问题进行了系统的研究研究结合第二代小波分析、模糊理论和神经网络方法基于一种新的改进小波神经网络

故障排除方法。 利用第二代小波变换提取旋转机械的特征信号为模糊神经网络提供输入特征向量，输当进入训练的模糊神经网络时，根据输入的特性本征向量可以得到故障的类型和重要度，同时得到故障的发展方向。 经过实验验证，本文提出的改进很小波神经网络方法具有很好的科学性和实用性，并且34振动、测试和诊断第27卷表1旋转机械的故障输入测点

模糊神经网络的输入特性

(0.01至0.39 ) f ) 0.40至0.49 ) f0.50f ) 0.01至0.39 ) f1f2f(3~5至5 ) f奇数倍f 5f1.000.000.3450.000.5820.0740.000.000.0002.000.000.0790.0790.5960.180.0670.000.0003.000.0610.1360.1800.2360.1490.1750.000.063表2模糊BP神经网络故障诊断结果测点

不平衡碰摩轴裂纹对中油膜涡动故障HMLHMLHMLHMLHMLLLHML

1.8710.2110.0340.4210.0250.0120.3420.1260.0260.2360.0560.018.9550.0050.0092.950.0110.0060.4220.2210.0130.3450.1210.0010.9120.050.0120.3510.1640.0423.0060.0160.090.9380.0180.0150.240.060.0050.120.1120.051.3120.1620.002" h "表示"明显"，" m "表示"明显"，" l "表示"不明显"H={0. 05L； 0. 5M； 0. 95H }； M={0. 5L； 0. 95M； 0. 5H }； L={0. 95L； 0. 5M； 0. 05H }表3 BP神经网络故障诊断结果

测量点的不平衡碰到摩轴裂纹油膜动故障

1 0. 101 0. 002 0. 003 0. 005 0. 8792 0. 062 0. 000 0. 028 0. 163 0. 0343 0. 000 0. 805 0. 025 0. 000 0. 014在旋转机械故障诊断系统中取得了良好的结果。 这位先生法在一定程度上综合了第二代小波分析、模糊理论神经网络三种方法的优点是具有更强的模式识别及判断能力在旋转机械故障诊断中极高有潜力的方法。参考文献

[1 ]许飞云，贾民平，钟秉林，等.旋转机械振动故障诊断的模糊神经网络方法研究[J ] .振动工程学报，19963 )9) : 2132219。[2 ]汤焱，莫玉龙.第二代小波变换应用于图像无损压缩

代码[J ] .中国图像图形学报，2000，5 (8) : 6092702。[3 ]邓集锋.第二代小波变换及其遥感影像应用[J ] .中国影像学报，1998，3 (2) : 1002105。[4 ]侯小梅，毛宗源.神经网络在汽轮发电机组故障诊断中的应用[J ] .华南理工大学学报：自然科学版，1999，27)8) : 47249。[5 ]张吉先、钟秋海、戴亚平. RBF及模糊神经网络在旋转在机械故障诊断中的应用[J ] .系统仿真学报，2004，16)3) : 5602563。

[6 ]周受钦，谢友柏.基于模糊神经网络的机械故障诊断研

研究[J ] .汽轮机技术，1999，44 (4) : 2162202 .[7 ]胡广书.现代信号处理教程[M ] .北京：清华大学出版公司，2004: 3672369。[8 ]李世玲，李治，李合生.基于小波包能量特征的滚动轴

故障监测方法[J ] .系统仿真学报，2003，15 (1) : 76280.

第一作者简介：彭斌男，1976年9月学生，博士研究生。 主要从事容积式压缩机的测试和优化设计等研究。 曾发表过“变频”涡旋压缩机的研究与应用》《兰州理工大学》学报》2005年第31卷第1期)等论文刊登。E2m ail: [email protected]第一期彭斌等：基于改进小波神经网络的旋转机械故障诊断35故障诊断机制wavelet网络

1 collegeofmechano 2电工程，L anzhou U niv. of Tech. L anzhou，730050，Ch ina )（

2Co llege of Petrochem ical Tech .L anzhou U niv. of Tech. L anzhou，730050，Ch ina )abstractaccordingtothecomplicatedcharacteristicofrotatingmachineryfaults，a fau lt diagno sismethodbasedonanimprovedwaveletneuralnetworkisputforward，w h ich com b ines a second generationwaveletandafuzzyneuralnetwork.themethodusesthewavelettoextracteigenvectorsofsignalsandthefuzzyneuralnetworktorealizefaultdiagnosis，thecorrespondingalgorithmisoptimized.the improvedwaveletneuralnetworkisappliedtofaultdiagnosisofrotatingmachinery，the resu lt of sim u lation and testindicatesthatthemethodhasobviousadvantagefordealingwithmulti2coupled faults.using the methodno t on ly can iden tify the fau lt type，butalsocangetthedegreeanddevelopmenttrendoffaults.sot heim 2proveddiagnosismethodiseffectiveandprovidsatheoreticalbasisforthefaultdiagnosisofrotatingma 2信道入内。keywordsfaultdiagnosesthesecondgenerationwaveletfuzzyneuralnetworkrotatingmachineryresearchonvibrationofair-to-airmissileinreliabilitytest

L i Gencheng1

J iang T ongm in1Chen W eid ong2（1

instituteofreliabilityengineering，beijinguniversityofaeronauticsandastronauticsbeijing，100083，Ch ina )（2

instituteofvibrationengineering，nanjinguniversityofaeronauticsandastronauticsnanjing，210016，Ch ina )abstractthecaptiveflightvibrationstressisanimportantfactorwhichaffectstheair 2to2 air missile’sre 2liab ility，thevibrationmainlyderivesfromthedisturbedairflowfieldaroundthemissile.throughanalyz 2ingthecharacteristicsofthedisturbedairflowfieldaroundthemissile，andcitingtheactualvibrationdataobtainedfromthemissile’soutfieldcaptiveflighttestathomeandabroad，it is po in ted ou t that theGJB 899’sregulationsforthewholeair 2to2 air missile’scaptiveflightvibrationisillogical.itis suggestedthatthewholemissile’scaptiveflightvibrationinreliabilitytestshouldbeawiderangerandomvibrationw ho se frequency is from 20 to 2000 H z，andthevibrationpowerspectrumdensitylevelofthemissile’soresideshouldbe 3至6 dblowerthanthatofthemissile’srearward，in th is w ay，the actual cap tive fligh tvibrationcausedbythedisturbedairflowfieldissimulated.theresultofthelaboratorytestisclosetothatofthecaptiveflighttestinthesky。keywordsreliabilityvibrationpowerspectrumdensitycaptiveflightreferencestress84 Journal of V ibration，M easurem ent D iagno sis Vo l. 27