（机械电子工程专业论文）基于神经网络模型的振动筛损伤检测研究.pdf

太原理工大学硕士研究生学位论文 基于神经网络模型的振动筛损伤检测研究 摘要 随着机械制造技术的提高和现代工业发展的需求，机械设备的结构愈 来愈复杂，生产的高效率依赖机械设备提供的强大生产能力，设备的任何 故障都会给生产带来巨大的损失。因此，在生产中对设备进行故障诊断是 非常有意义的。故障诊断技术能够在监测设备运行状态的基础上，分析和 诊断出机械设备的故障状态以及故障发展的程度。 目前以时域和频域分析为主的方法研究具有强非线性特性系统的故障 诊断不是很好。本文利用系统辨识建立振动筛缩小模型系统的模型，通过 分析辨识模型的特性，对直线振动筛进行故障诊断和裂纹发展趋势研究。 为了从采集到的信号中提取出特征信息，首先对实验测得的振动信号 做预处理分析，将数据进行归一化，然后用小波消噪方法对信号消噪、采 用最小二乘法消除信号的趋势项，最后去除信号的直流分量。 研究振动筛缩小模型下横梁存在裂纹时系统的辨识方法。分别运用线 性模型、非线性模型、神经网络模型对振动筛系统进行建模，通过分析模 型和实际系统的拟合度，得出神经网络模型的精度较高。进一步通过判断 不同神经网络辨识模型的拟合度、检测残差等，选择神经网络n n a r x 模型。 最后确定了该模型的各个参数( 包括网络层数、隐层神经元个数、激活函 数等) 以及各参数对辨识精度的影响。 在振动筛缩小模型下横梁有无裂纹时，分别辨识出系统的神经网络模 型，通过分析振动筛在不同状态下实测振动信号的幅值谱、辨识模型的虚 t 太原理工大学硕士研究生学位论文 拟响应谱、模型的权值，得出分析辨识模型的特性可以作为判断振动筛是 否有裂纹的依据。 最后，将分析模型特性的方法应用到实际振动筛裂纹发展趋势的研究 上。辨识出实际振动筛存在裂纹时的模型，以天数增加的方式获取振动筛 的振动信号，研究辨识模型在不同时刻时权值的变化，经统计分析得出， 随着时间的增加，模型的权值呈逐渐减小且集中的趋势。实验表明，通过 分析辨识模型的权值来研究振动筛裂纹的发展趋势是可行的，也是有意义 的。 关键词：振动筛，非线性特性，系统辨识，神经网络，故障诊断 i i s t u d yo ft h ev i b r a t i n g s c r e e nd a m a g 范d e t e c t i o n b a s e d0 n 全m i 瓜a i ，n e t w o r km o d e l a bs t r a c t w i t hm ei m p r o v e m e n to fm em e c h a n i c a lm a j l u f a c t u r i n g t e c h n o l o g ya n dt 1 1 e n e e d s o fm o d e mi n d u s t r i a l d e v e i o p m e n t ，t 1 1 eg t m c n l r eo fm a c h i n e 拶a 1 1 d e q u i p m e n tb e c o m e sm o r ea n dm o r ec o m p l e x ， t 1 1 eh i g he 街c i e n c yo fp r o d u c t i o n d e p e n d e n to ns t r o n gp r o d u c t i o nc a p a c i 哆p r o v i d e db y m a c h i n e 巧a n de q u i p m e n t ， a n yf a i l u r eo fe q u i p m e mc a i lp r o d u c ea h u g el o s s t h e r e f o r e ，f a u l td i a g n o s i st o m e c h a l l i c a le q u i p m e n ti np r o d u c t i o ni s v e 巧m e a n i n g 如1 f a u l td i a g n o s i sc o u l d a n a l y z ea n dd i a g n o s et 1 1 ef a u l ts t a t e ，f a u l tp o s i t i o no fm em e c h a l l i c a le q u i p m e n t a n dc o u l dg e tt 1 1 ed e v e l o p m e n to f m l to nt 1 1 e b a s i so fm o n i t o r i n ge q u i p m e m o p e r a t i n gs t a t e t i m ed o m a i n a l l d 舭q u e n c yd o m a i na n a l y t i c a lm e t h o d sc a nn o t a c c u r a t e l y d e t e m l i n et h ef a u l ts t a t l j sa n df i a u l td e v e l o p m e n tt r e n do f t h ee q u i p m e n t t h i s p a p e ru s es y s t e mi d e n t i f i c a t i o nt oe s t a b l i s ht 1 1 em o d e lo fm ev i b r a t i n g s c r e e n ， t h r o u g ht h ea i l a l y s i so ft h ec h a r a c t e r i s t i c so ft h ei d e n t i f i c a t i 。nm o d e l ，s t u d yo f f a u l t d i a g l l o s i sa 1 1 dc r a c k d e v e l 叩m e n tt r e n d s o nt h eb a s i so f s y s t e m i c 【e m i f i c a t i o n i no r d e rt oe f f i c i e n t l ye x c r a c tf e a t u r ei n f o m a t i o n 仔o m t h ec 0 1 l e c t e ds i g n a l s ， i i i f l r s t l y ，p r e p r o c e s st 1 1 e m e a s u r e dv i b r a t i o ns i g n a l 觚dn o m l a l i z em ed a t a ，眦d t 1 1 e nu s i l l gw a v e l e td e n o i s i n gm e 也o dt od e n o i s e ，u s i n gt l l el e a s ts q u a r e sm e t h o d t oe l i m i n a t et h es i g n a lt r e n dp a r 七，f i n a l l yr e m o v et h ed cc o r n p o n e n to ft h e s i g l l a l s t u d y o fv a r i o u s s y s t e mi d e n t i f i c a t i o n m e t h o d sw h e nt h ev i b r a t i n g s c r e e ns c a l em o d e l1 0 w e rb e 锄c r a c k s r e s p e c t i v e l y u s el i n e a r m o d e l s ， n o n l i n e 2 u rm o d e l s ，n 吼a 1n e t w o r km o d e l st om o d e lm ev i b r a t i n gs c r e e n t h e n a n a l y z ed e 斟e eo ff i t t i n gb e t w e e nm o d e l 眦d t h ea c t u a ls y s t e m ，c o m b i n ew i t ha l a r g en u m b e ro f t e s t s 7 i h er e s e a r c hr e s u l ts h o w st 1 1 a tt h en e u r a ln e t w o r km o d e l h a sh i 曲e ra c c u r a c yu s e dt of i tm es h a k e rs y s t e m f u r t h e rt oc o l p a r ed e g r e eo f f i t t i n go fm o d e l ，t ot e s tr e s i d u a l o fd i n e r e n tn e u r a ln e t l o r km o d e l ，c h o o s e n e u r a ln e t w o r kn n a r xi d e n t i f l c a t i o nm o d e l a t1 a s t ，d e t e r m i n et h ev 2 u r i o u s p a u r 锄e t e r so ft h em o d e l ，i n c l u d i n g 也en _ u r n b e ro fs t o r e y ，t h en u m b e ro f h i d d e n 1 a y e ro fn e u r a ln e t l l ) l ，o r k ，a c t i v a t i o nm n c t i o n a n da n a l y z et h ee f f e c to ft h e s e p a r 锄e t e r so n t h em o d e l u 【1 d e rd i f f e r e n tc o n d i t i o n st h a tv i b r a t i n gs c r e e ns c a l em o d e l l o w e rb e 锄 c r a c k so rn o t ，r e s p e c t i v e l yi d e n t i 矽t h en e u r a ln e t w o r km o d e lo f t h es y s t e m ，a n d b ya n a l y s i so fa n l p l i t u d es p e c t m mo f v i b r a t i o ns i g n a l ，t h em o d e lv i r 七u a l r e s p o n s e s p e c t m m ，m o d e lw e i g l l t s ，o b t a i nt h ep r o p e n i e so ft h ea n a l y s i sm o d e l s t h e s e p r o p e r t i e sc a nb et h eb a s i so f j u d g i n g w h e t h e rm ev i b r a t i n gs c r e e nc r a c k s f i n a l l y ，a p p l yt h em e t h o do fa n a l y z i n gt h ep r o p e r r t i e so f m o d e lt om es t u d y o fa c t u a lv i b r a t i n gs c r e e nc r a c kd e v e l o p m e n tt r e n d i d e n t i 矽t h em o d e lo f a c t u a l i v v i b r a t 堍s c r e e nt h a tc r a c k s ，0 b t a i nv i b r a t i n gs c r e e nv i b r a t i o ns i g l l a lb ym ew a y o f 访c r e a s ei nt h en u m b e ro f d a y s ，s t u d ym ec h a n g eo ft h ei d e m i f i c a t i o nm o d e l w e i g h tm d i f i e r e n tt i m e s b yt 1 1 e s t a t i s t i c a l 跚a l y s i so ft h e s ec h a l l g e s ，w i t ht 1 1 e i n c r e a s ei nm en 啪b e ro f d a y s ，t h ew e i g h to ：ft h em o d e lw a s 铲a d u a l l yd e c r e a s e d a n dt r e n dt o w a r d sc o n c e n t r a t i o n t h ee x p e r i m e n t ss h o w m a tu s i l l gm ea n a l y s i s o ft 1 1 ei d e n t i f i c a t i o nm o d e lw e i g h t st o s t u d yt h ed e v e l o p m e n tt r e n do ft h e v i b r a ：t i n gs c r e e nc r a c k si sf e a s i b l e ，a n da l s om e a n i n g 如1 k e y w o i 己d s ：v i b r a t i n gs c r e e n ，n o n l i n e a rc h a r a c t e r i s t i c ，s y s t e mi d e n t i f i c a t i o n ， n e u r a ln e t w o r k ，f a u l td i a g l l o s i s v 太原理工大学硕士研究生学位论文 v i 太原理工大学硕士研究生学位论文 1 1 课题研究的背景 第一章绪论 随着生产力水平的不断提高，现代机械设备的复杂化程度越来越高、功能也越来越 完善。机械设备呈自动化、智能化、数字化的趋势发展。机械设备在运行过程中发生故 障造成的经济损失和维修费用以及引发的人身安全问题和社会影响越来越大。因此，大 型机械设备的安全性和可靠性成为人们所关注的重点问题。对机械设备运行状况的实时 监测、故障的预测和诊断是非常有必要的。 机械故障诊断的过程一般有以下两方面的内容【l 】：( 1 ) 监测机械设备的运行状态； ( 2 ) 在机械设备发生异常情况时，及时进行分析、诊断设备的故障信息，判断设备的 故障状况。其具体实施步骤可以归结为以下四个方面：采集信号、处理信号、状态识别 和诊断。其诊断过程如图卜1 所示： 图1 1 设备故障诊断过程 f i g 1 1t h ep r o c e s so ff a u l td i a 鄹o s i sa i l dm o n i t o 血gf o re q u i p m e n t 一个系统的特性总是可以用一些状态变量或输入输出变量来描述。如果系统的特性 或者说状态变量、输入输出变量间的因果关系发生变化了，说明系统可能有故障出现了。 这种基于系统模型的故障检测方法中，系统模型的辨识是一项不可缺少的技术，他是一 种以“软件冗余”为原理的方法【2 】，目前在故障检测中占有重要的位置。 太原理工大学硕士研究生学位论文 如果把系统的数学模型表示为： z ( 七) = 厂( “( 七) ，x ( 七) ，目，咒( 后) ) 式中：“( 七) 和z ( 七) 分别为可测的输入、输出变量；x ( 七) 为部分可测、部分不可测 的状态变量；臼是不可测的过程模型参数；门( 七) 是不可测的过程噪声干扰。那么故障检 测的所用的方法将取决于以下信息的有效利用：可测的信号、不可测的状态变量、不可 测的系统模型参数。以上信息的有效利用都要求有较准确的系统数学模型，也就是说系 统辨识的精度要高。 工业化生产引入大量成套机械设备，为保证这些机械设备不间断可靠高效运行，创 造更大的经济效益，人们对机械设备的动态性能、维护管理和使用寿命的要求越来越高。 由于大型机械设备系统具有较强的非线性特征，使得这些要求在针对大型设备实现时较 为困难。因此，近几十年来，基于这个问题，国内外学者开始广泛研究与这些大型机械 设备的动态设计、运行监测、故障诊断等有关的非线性系统的建模、非线性系统的辨识 与仿真的方法并探索他们的应用领域【3 j 。 非线性是在研究和分析系统中经常出现的问题，他主要表现为阶跃、滞后、延迟、 突变和混沌等现象。因为非线性特性在系统中出现的形式可能会不同，所以研究非线性 系统的辨识不能采用统一的数学模型。传统的辨识方法是建立在线性模型的基础上的， 常常把一些非线性特性局限在一定的线性范围内，用线性系统的辨识方法进行研究，但 是非线性特性往往是集中在系统的高次项中，线性研究不能完全表达非线性特性，因此， 必须建立与所研究非线性系统相对应的非线性模型来研究其特性。而在非线性系统辨识 研究中确定模型的结构是最重要的、也是最不容易解决的问题之一。如果对系统的先验 知识有足够的了解或者知道系统的运动规律，就可以按照系统的先验知识或运动规律 ( 或作适当的近似) 确定它的数学模型，通过这种方法确定的模型一般是由系统的非线 性差分或非线性微分方程确定的。这样，就可以运用线性化或者近似线性化、展开成特 殊函数等方法对确定的模型进行系统特性研究。但是如果不能充分了解系统的先验知识 和运动特性，则确定系统模型就很困难。目前，人们对非线性系统的定量研究还没有完 全的掌握，因此根据观测到的现象或根据测量得到的数据确定一个非线性系统的模型是 否唯一的问题【4 】就产生了。目前，在对非线性系统模型的辨识方面还没有完整的理论体 系作指导，而研究非线性系统模型辨识理论对寻求新的故障诊断方法提供了新的思路和 2 太原理工大学硕士研究生学位论文 理论依据【5 j 。 神经网络具有良好的非线性、较高的容错性且其计算具有非精度性，能够并行处理 信息、将信息分布存储，信息单元互联性和结构可重塑，自学习、自组织和自适应能力 较强。基于这些优点，使得神经网络在解决复杂非线性系统辨识的复杂问题上成为一种 很实用的方法。将神经网络模型用于非线性系统辨识的优点在于不需要事先建立实际系 统的模型结构，就可以对本质非线性系统进行辨识、建模。具有概念简单、实用方便的 特点。 神经网络能够很好的模拟实际对象的输入输出，并且通过调节神经元间的权值使神 经网络模型的实际输出最大程度的逼近系统的目标输出。用神经网络模型辨识系统时， 其收敛速度取决于学习算法的效率。相同的神经网络模型采用不同的学习算法，收敛速 度也不同，从而训练模型所需要的时间也不同。由于神经网络所特有的优点，使得神经 网络模型辨识非线性系统应用越来越广泛。但是在选择用哪种神经网络模型以及相对应 的算法规则进行非线性辨识方面，目前还没有完全一致的理论体系，需要学者做进一步 的研究。还有如何将神经网络技术与其他一些智能优化算法相结合，以及如何优化神经 网络的算法，提高辨识的精度，也是比较热门的研究课题。目前，还没有完全一致的理 论性体系指导用于神经网络进行非线性系统辨识的研究中，所以探索如何很好的用神经 网络进行非线性系统模型辨识问题是一个非常有价值、有意义的课题。 1 2 国内外研究现状 1 2 1 系统辨识研究综述 传统的系统辨识大都是建立在线性模型基础之上的，通常是把一些简单的非线性问 题简化成线性问题用线性方法处理。最常见的方法有：阶跃响应法、梯度校正法、极大 似然法、以脉冲响应为基础的方法、最小二乘法( l s ) 、最小均方误差算法( l m s ) 以及l m s 和l s 两种算法的改进算法等等。但是线性方法自身的局限性已经不能满足日益复杂 的非线性系统的辨识研究。 对非线性系统的辨识研究始于对双线性系统、聃e n e r 模型、h 锄n e r s t a 证模型和输 出仿辐射模型等一些具有特殊非线性特性的模型的研究。对于这些不同类型的特殊非线 性模型，不同研究者都做了大量不同的研究工作，也相应地提出了大量不同的优化算法。 3 太原理工大学硕士研究生学位论文 随着非线性系统辨识理论的发展和对非线性系统研究的深入，更为一般的性的、具有普 遍适用性的非线性辨识的模型【6 】逐渐被提出。 小波分析是2 0 世纪8 0 年代中期发展起来的数学理论和方法，被普遍认为是调和分 析现代f o u r i e r 分析的重大突破，日益受到人们广泛重视，应用领域不断扩大。小波也 是用于函数逼近的一种强有力的工具，但小波分析一般适合处理低维问题，构造高维小 波的代价非常高【7 1 。 粒子群优化算法( p a n i c l es 、a 册o p t i m i z a ：t _ i o n ，p s 0 ) 是由e b e r h a n 博士与k e 妯e d y 博士提出的一种新的全局优化进化算法【8 。9 】。该算法源于对鸟类捕食行为的模拟，是一 类新兴的随机全局优化技术，其最主要特点是简单、收敛速度快，并具有较好的全局与 局部收敛能力。和其他优化算法相比，p s o 算法可以用于解决非线性、不可微和多峰 值的复杂问题，从而该算法被应用到许多领域。 借助生物控制中的自组织原理，依瓦连科教授( i v a l d m e n k o ) 用启发式的方法提 出了一套建模方法，即g m d h ( g r o u pm e d d a t ah a n d l i n g ) ，他是对复杂系统的一种启 发式自组织建模方法。很长一个时期，g m d h 方法作为非线性系统辨识的一种重要的 方法一直受到人们的重视，但是由于g m d h 由于他将上一层的输出作为下一层的输入， 因此造成模型结构柔性较差，从而得到的最终模型不是最简单的，甚至对一个简单的非 线性过程也可能得到一个复杂的模型。 意大利数学家t o v 0 1 t e r r a 【l o 】提出了v o l e t r r a 泛函级数法。它常用来描述非线性时 不变系统的输入与输出关系。由于v o l e t 玎a 级数可以描述某种特殊类型的非线性系统， 而且能够以任何精度无限逼近紧集上的连续函数，使得v 0 1 e t 玎a 泛函级数有非常大的应 用价值。但是如果增加模型的记忆长度、增加模型的阶次就会导致v o l e t r r a 泛函级数的 数量级成指数形式的增加，这使得v 0 1 e t r r a 级数辨识的维数过大，计算不可实现 1 1 】。 t i 仳r i n 西o n 和鼬t s o s 【1 2 】搜集和研究了当时新发展出来的非线性实验设计，从中归 纳出了常用于化工领域的1 5 个非线性模型。 基于n a r m a x 模型描述的非线性系统的辨识在辨识不太复杂的非线性系统中得 到了人们的普遍重视。非线性动态系统的n a 砌以a x 模型是b i l l i n g s ( 1 3 】等人提出的，并 通过n e r o d e 的有限实现理论及泰勒定理，讨论了n a r m a x 模型普遍适用于描述一般 非线性系统【1 4 1 卯。形成了影响力很大的b i l l i n g s 学派【1 6 1 。并成功应用在实际控制工程中。 韩志刚教授【1 7 】提出了多层递阶方法的非线性系统辨识，也就是在输入输出等价的前 4 太原理工大学硕士研究生学位论文 提下，可以将所研究的复杂非线性模型转化为不同层的多层线性模型，用线性模型近似 的代替非线性模型。用这种方法研究非线性系统辨识将是一个非常简洁有用的途径。该 方法在很多方面得到了非常广泛的应用，比如在农业病虫害预报、气象领域和金融系统 等很多方面的应用研究已经相当的成熟。 t 酞a g i 和s u g e n o l l8 】提出了t - s 模糊模型，该方法是将非线性系统局部线性化，然后运 用模糊推理方法让局部线性化的系统达到系统全局的非线性。t - s 模糊模型模型因为其 结构简单、逼近能力强，在模糊逻辑辨识中已经成为一种经典的、常用的模糊模型。 神经网络是上个世纪8 0 年代兴起的一门高新技术，因为人工神经网络具有很多其他 方法没有的优点，如很强的自学习能力、自适应和自组织能力、函数逼近和大规模并行 处理信息的能力等，使得它在非线性系统辨识、信号处理、模式识别、优化控制中得到 广泛的应用，尤其是对高度复杂的非线性系统的辨识建模、预测和控制方面，作为一种 新的、有前途的工具起到了非常重要的作用。 n a r e n d r a 和p a r m a s a r a t h y 1 9 】给出了一种新的辨识和控制方案，该方案使用一种新的神 经网络连接权的学习算法，它能够很好的描述系统的非线性特性，提高了系统的鲁棒性。 多层前向神经网络是目前用得最多的一种神经网络网络结构，这种结构的网络大多 数都采用误差反向传播( b p ) 算法以及一些改进的算法 2 0 】训练其连接权值的。但是用b p 算法训练网络的连接权值存在收敛速度慢、容易陷入局部极值等的缺陷。 胡云安等人【2 1 】提出一种r l s 算法。它与标准b p 算法相比，在学习效率上有很大的提 高。但用r l s 算法训练网络却存在着b p 算法不存在的其他一些问题，如数值稳定性问题 和鲁棒性不强问题。文献 2 2 提出一种基于递推最小二乘算法( r l s ) 的修正的多层前向神 经网络的快速学习算法，该算法具有鲁棒性强，而且数值稳定性问题也不存在的特点。 顾正奎l 2 3 j 等人提出的基于前向神经网络的非线性时变系统辨识方法，该辨识方法是 运用局部化扩展卡尔曼滤波算法训练神经网络的。局部化扩展卡尔曼滤波算法无需矩阵 求逆，并且收敛速度快、存储容量要求小。 谭福成【2 4 】等人给出了基于g a b p 算法的神经网络能够以高精度逼近非线性函数， g a b p 算法拟合精度高，泛化能力强，具有良好的辨识能力。但是如何有效地选择网络 的参数以进一步提高网络的收敛速度和精度，有待进一步研究。 胡玉玲【2 5 j 等人针对静态模糊神经网络对动态系统辨识精度低的特点，在5 层静态模 糊神经网络基础上进行了优化和改进，形成了可将暂态信息记忆于网络的动态回归层的 5 太原理工大学硕士研究生学位论文 动态模糊神经网络，来提高对动态系统的辨识能力。为动态非线性系统的辨识提供新的 思路。 程亮口6 1 提出的一种输入输出均为时变函数的过程神经元网络模型和算法，很好的解 决了系统过程式输入输出和时间顺序依赖性的非线性系统辨识问题。 1 2 2 机械故障诊断研究综述 机械故障诊断作为一门新兴的综合性学科，从起步到现在经历3 0 多年的发展历史， 已经逐渐形成了一门相对完整的理论体系。如今在该领域形成了以振动诊断、油样分析、 温度检测和无损检测为主流技术，其他技术为辅助技术的局面。主流技术中又以振动诊 断理论最为成熟、涉及的面最广。 振动诊断是以振动信号为基础，对机械设备的状态进行检测和诊断的一种方法，可 以概括为三种方法：( 1 ) 基于信号的时域分析、频域分析和统计分析等方法。( 2 ) 基于 神经网络、支持向量机、遗传与进化算法等的人工智能方法。( 3 ) 基于时间序列模型、 由辨识得到的模型、模态模型等的模型方法。目前在研究振动信号方面，除了最早的对 提取的振动信号做统计分析、对信号进行时频域分析外，又发展了一些如时域平均法、 频率细化技术、倒频谱分析、同频检测技术以及短时傅里叶变换和小波变换等新的技术。 基于人工智能方法的故障诊断方法能很好的处理不确定性和模糊性的随机故障【2 7 1 ， 因为用这种方法检测不需要事先知道被研究对象的精确模型。基于人工智能的故障诊断 主要有基于模糊的故障诊断方法、基于神经网络的故障诊断方法、基于专家系统的故障 诊断方法、基于遗传算法的故障诊断方法等。目前，将多种智能化方法相结合是故障诊 断研究的主流方向。随着机械设备的复杂化程度增加，用单一的人工智能方法进行故障 诊断已经难以应付复杂机械设备的故障诊断需要，所以考虑将熟悉的多种单一的智能化 方法通过一定有效的方式进行组合进行故障诊断，来提高故障诊断的能力。文献 2 8 提 出了一种综合模糊聚类和数据挖掘的故障诊断方法。文献 2 9 】提出了一种综合粗糙集理 论和数据挖掘的故障诊断方法。文献 3 0 提出了一种综合粗糙集和支持向量机的故障诊 断方法。 基于模型的故障诊断方法大体上可以分为两类。一类是基于数据驱动的模型，如时 间序列模型、隐马雅科夫模型等。另一类是反映机械设备系统物理本质的模型，如经过 系统辨识得到的模型、机械结构的模态模型等。基于模型的故障诊断方法是通过分析模 型本身或者计算模型的某些参数、分析模型的某种特性来研究系统的特性的，通过这种 6 太原理工大学硕士研究生学位论文 方法能深入研究系统的动态性质、对设备进行实时诊断，有利于对故障进行准确定位和 分离、有利于早期对设备的故障诊断。由于基于模型的故障诊断方法的独特优点，使得 其近年来应用日益广泛。如文献【3 1 】基于模型的故障诊方法对可重复使用的运载器和国 际空间站的最新故障诊断系统进行诊断研究。 基于由实际系统在运行中测得的数据辨识得到的模型、机械结构的模态模型，这些 模型中都包含有机械系统的某些本质特征信息，如果能够通过研究模型的特性，然后使 用有效的后处理就能达到系统较精确的特性研究和故障诊断研究。 文献 3 2 】提出了一种新型混合模型辨识算法来实现对某类具有特殊非线性特性的动 态网络的数学模型进行辨识，并得出了与算法相对应的模型计算公式以及求解动态响应 的方法，然后在该新型混合模型的基础上提出了对非线性网络故障进行诊断的多重预置 模型方法。李敏等人在复杂机械基于数据的建模与故障诊断的研究中提出了基于虚拟响 应谱序列的故障诊断方法。即在辨识出的系统精确模型上，施加不同幅值的虚拟正弦或 脉冲激励，得到不同的输出响应。通过分析得到的系列响应谱图，得到系统的特性，可 以用于线性或非线性系统的故障诊断，但没有分析当设备存在裂纹时，裂纹的发展趋势。 文献 3 3 】提出了诊断发动机双故障的新方法，即数理统计和模型辨识相结合的方法， 证实了该方法的可行性和能达到的预期效果。模型辨识法在考虑了模型的非线性特性的 基础上，利用了发动机平衡技术，在辨识的过程中是基于发动机性能仿真模型来进行辨 识的。然后将辨识到的结果运用数理统计方法再进行处理，这样做能够避免只用拟合度 来进行故障隔离的不足。如果进一步能定义和选择合适的故障指标，就可以在多重故障 模型下得到良好的故障隔离效果。 1 3 本文主要研究内容 大型直线振动筛是洗煤厂的主要设备之一，作为振动机械，不仅工作强度大，而且 工作环境十分恶劣，容易产生故障。对振动筛振动异常状态检测以及故障发展程度的研 究具有非常重要的现实意义。 本文在非线性系统辨识的基础上，通过多种不同模型的辨识比较研究，辨识出用于 检测振动筛系统的最佳模型。然后通过比较振动信号频域分析方法，提出了通过分析神 经网络辨识模型的特性，确定振动筛异常状态的检测方法。并将该方法应用到实际振动 筛裂纹发展趋势的研究上。 7 太原理工大学硕士研究生学位论文 论文总共分为六部分，其结构如下： 第一章介绍了选择本课题的研究背景，并对国内外研究系统辨识和故障诊断的动态 作了相关了解和研究。最后将本文研究的主要内容和结构做了介绍。 第二章通过实验的方法得到振动筛的实测振动信号，针对实测振动信号进行预处 理。其中包括数据归一化、小波阈值消噪、最小二乘法进行了去趋势项和去直流处理， 并在m a t l a b 软件中进行仿真实现，为后续振动筛系统模型辨识做准备。 第三章研究了非线性系统辨识的各种方法，对振动筛非线性系统进行各种不同方法 辨识的比较研究，通过模型和实际系统的拟合程度判断模型的优劣，选择神经网络 n n 舢模型作为后续分析的最佳模型。 第四章详细研究了神经网络n n a i 模型中各个参数( 网络层数、隐层神经元个数、 历史数据和延迟、激活函数) 的确定以及这些参数对辨识效果的影响。 第五章将确定好的神经网络模型应用到振动筛故障诊断中去。首先通过分析神经网 络模型的特性对振动筛有无裂纹的检测研究；其次，判断裂纹的发展趋势。 第六章对本论文的研究工作进行了全面总结，并对需要进一步研究的问题作了展 望。 8 太原理工大学硕士研究生学位论文 2 1 概述 第二章振动信号的采集与预处理 对设备进行故障诊断和在线监测时，通常要对机械设备进行振动测试，采集到振 动信号来进行分析。为诊断故障而采集到的信号在测量过程中常常会混入很多干扰信 号，为了能够充分地利用所测取的信号，有必要对这些信号进行处理。信号的预处理包 括：数据归一化、消噪处理、去直流分量、消除多项式趋势项和信号的平滑处理等。 2 2 振动筛的工作原理 振动筛是在高速旋转的激振器的离心力作用下作连续工作，从而实现物料的筛分。 振动筛一般由振动器、筛箱、支承、传动装置等部分组成。其中，筛箱是振动筛的 工作机体。 振动筛按振动频率是否接近或远离共振频率分为共振筛和惯性筛。 振动筛按激振器产生激振力的原理不同，可分为偏心振动筛( 也叫半振动筛) 、 惯性振动筛和电磁振动筛。 本文只讨论目前在工业上大量使用的直线振动筛。图2 1 所示为直线振动筛结构 图2 。1 直线振动筛结构 f i g 2 - 1t h es t r u c t u r eo f t 1 1 e1 i n e a rs h a k e r 9 太原理工大学硕士研究生学位论文 直线振动筛又叫做双轴惯性振动筛，它的工作原理如图2 2 所示。激振器两轴上的 偏心距和偏心质量均相等，并且对称于y y 轴线。当激振器两轴作同步反向回转时，每 一时刻两轴上所产生的离心惯性力在x i x 方向的分力总是相互抵消的，而沿y y 方向的 分力是互相叠加的，这样就形成了单一的y - y 方向的激振力。该简谐力作用在筛箱上， 驱动筛箱作往复振动。该直线振动筛的模型由四根橡胶弹簧支承，这样筛箱产生的振动 为弹性振动，同时可以减小传给地基的动载荷。当直线振动筛的筛箱在任意时刻f ，两 轴上偏心质量所处的位置如图2 2 所示，从而求出激振力随时间变化的函数关系： e = 刑2 s i nw ，= 聊刑2s i h 们= f s i n w ，( 2 - 1 ) 图2 2 直线振动筛工作原理 f i g 2 - 2l i n e a rv i b r a t i n gs c r e e no p e r a t i n gp r i i l c i p l e 式中：聊。偏心块的质量( 堙) ； w 偏心块的回转角速度( m d j ) ； r 偏心块的回转半径( 聊) ： f ，在振动方向上的激振力( ) ； f 转动时间( s ) ； f 偏心块所产生的激振力( ) 。 由该原理图与所给的公式得出，该直线振动筛作同步反向回转时，产生定向的简谐 力，此力使得筛箱作定向往复直线振动。 2 3 振动信号的采集过程 对于本文所研究的振动筛缩小模型，其振动信号采集过程如下：利用激振器对振动 1 0 太原理工大学硕士研究生学位论文 筛进行激振以产生振动信号，然后利用合适的传感器对振动信号进行拾取，传感器采集 到的信号经过相应的转换变为模拟信号，应用采集器进行数据采集，为进计算机进行分 析需要把采集到的模拟信号转换为数字信号，最后将测得的数据进行显示与保存，即完 成振动信号的测量。其过程如图2 3 所示： 激振器对振信号的显 动筛作用产传感器数据采集器示与存储 生振动信号 2 3 1 振动测量传感器 图2 3 振动数据的采集过程 f i g 2 - 3c o u e c t i o np r o c e s so f v i b r 撕o nd a _ t a 按测振时是否与被测件接触可将振动测量传感器分为接触式传感器和非接触式传 感器。电容传感器、涡流传感器常用于振动位移的非接触测量。而压电加速计则用于接 触式振动测量。 本实验采用的是i c p ( i n t e 留a t e dc i r c u i tp i e z o e l e c t r i c ) 加速度计，其体积小，重量 轻，有较高的灵敏度，内置了电压电荷转换芯片，是一种具有低阻抗的压电加速度计。 将该类加速度计安装在现场振动筛的比例缩小模型上，使该模型在1 6 6 h z 的激励下工 作，以振动筛上的测点1 为例来分析振动筛的特性。本文所研究的振动筛模型是现场振 动筛的比例缩小模型，其工作参数与实际振动筛的工作参数一致。图2 4 为传感器布置 图。 图2 4 传感器位置的布置 f 喀2 4l a y o u to f 虹l es e n s o rl o c a t i o n 太原理工大学硕士研究生学位论文 如测点1 为振动筛下横梁上的某点，从面向侧板的方向看过去，该传感器的方向如 下所示( 图2 5 ) ，其中x ，z 在一个平面上，y 为垂直于侧帮的方向。 z 2 3 2 信号采样与采样定理 x y 图2 5 测点1 传感器的方向 f i g 2 - 5s e n s o rd i r e c t i o no fm e a s u r e dl 信号采集器把模拟信号转换为数字信号的过程称为模数( a d ) 转换。该过程包括了 采样、量化、编码等过程，这是数字信号分析的必要过程。采样时利用采样脉冲函数序 列万g ) 从模拟信号z o ) 中抽取一系列的离散样值，使之成为采样信号x ( 门f ) ( ，2 = 1 ，2 ，3 ，) 的过程。缸为采样间隔，1 = 疋，称为采样频率。 对连续信号采样后得到的离散信号应该保持原信号的主要特征，既没有干扰，也不 失真，这就涉及选择合适的采样频率的问题。为了使采样时不发生频率混叠现象，采样 时采样频率必须高于信号成分中最高频率的2 倍，也就是必须满足采样定理，即 1 六= 亡= 2 厶2 止 ( 2 - 2 ) 其中 厂 l k = 每 z ( 2 3 ) 式中：六为采样频率，& 为采样间隔， 为折叠频率，又称为奈奎斯特频率，丘为 连续信号的最高频率。 本实验采用的采样频率为1 k h z 。 2 4 数据预处理 数据预处理( d a t ap r e p r o c e s s i n g ) 是指对所测得的粗糙的数据进行的一些规整处理。 我们在实验中所测量的数据一般都是单位不一致，含有噪声、有趋势项的不完整数据， 1 2 太原理工大学硕士研究生学位论文 无法直接进行后续分析所用。为了提高数据的质量以便分析准确，就要先进行数据预处 理，信号的预处理方法有很多，其中主要包括数据归一化、消噪处理、去直流分量、消 除趋势项等。信号预处理的能力和结果直接影响后续信号的进一步分析和处理。 2 4 1 数据归一化 由于采集的各个数据单位可能不一致，为了分析数据方便，就必须把所采集到的数 据放到同一范围内，因而对数据进行归一化处理是非常有必要的。 归一化定义：归一化就是把从实验采集到的实际系统的需要处理的数据，通过某种 特定的算法限制在某一需要的数据范围内。 2 4 2 小波消噪 信号在处理过程中会因各种噪声的干扰影响其处理结果，所以在主要的信号处理前 必须对信号进行去噪声处理。而去噪所要达到的主要目的就是在较好去除噪声的基础 上，能够很好的保持信号的重要信息。如何将含噪声的信号进行有效的去噪处理一直是 信号处理领域长期研究的热点问题。线性滤波方法和非线性滤波方法作为传统的去噪方 法，已经得到了广泛的应用，但这些传统去噪方法有它们的不足之处，比如用传统方法 去噪后的信号的熵会增高，而且也不能描述信号的非平稳特性【3 4 】。为了解决传统去噪方 法存在的这些缺点，人们开始寻找别的一些新的方法解决信号去噪问题，其中小波变换 消唰3 5 就是一种有效的方法。 1 小波变换主要特性： ( 1 ) 低熵性：由于小波系数的分布形式是稀疏的，因此经过小波变换后的信号的 熵会降低； ( 2 ) 多分辨率：小波变换可以直观、清楚的显示信号的一些不平稳特性，如断点、 毛刺、尖峰等。 ( 3 ) 去相关性：小波变换的过程中可以去信号的相关性，而且信号中所含的噪声 信号在小波变换有白化趋势，所以运用小波变换去噪要比时域去噪更方便和实用； ( 4 ) 选基灵活性：小波变换中的小波基函数是可以灵活选取的，所以在小波消噪 中可以根据实测信号的特点和去噪所要达到的目的来灵活选择合适的小波基函数。 2 小波消噪的m a t l a b 实现与实例仿真 文中以信号x = s i n ( t ) + 0 5 c o s ( 0 5 t ) + 0 9 c o s ( 1 3 t ) 为例，并在该信号上叠加高斯白噪声， 1 3 太原理工大学硕士研究生学位论文 做出降噪前后信号的波形图，如图2 6 、2 7 、2 8 所示，从图中可以看出，经过小波消噪 处理之后，能够有效地去除混杂在信号中的噪声成分，保留原始信号的局部特征。 时间，8 图2 6 原始信号 f i g 2 - 6o r i g i n a ls i g n a l 图2 7 原始含噪信号 f i g 2 - 7s i g n a li n c l u d i n gn o i s e 图2 8 消噪后重构信号 f i g 2 8r e c o n i 仃1 l c t i o n