（热能工程专业论文）基于小波神经网络的汽轮机早期振动故障诊断.pdf

华北电力大学硕士学位论文 摘要 本文以小波分析为基础，针对早期振动故障信号具有背景噪声强，特征信号弱 的特点改进传统的d o n o h o 硬阈值降噪算法，提出了基于s h a n n o n 熵的最优小波包基 降噪算法，取得了良好的效果。利用b p 神经网络在故障诊断方面具有诊断精度高， 学习速度快的特点与小波分析相结合，针对正常状态、轴承座松动、不对中、碰磨、 裂纹五种模式下，对振动信号加以分析，运用频带能量谱分析法提取信号特征量， 作为神经网络的输入向量，采用l e v e n b e r g - - m a r q u a r d t 学习算法，对b p 网络进行有 教师的训练和模式识别，并且通过实验台仿真证明，小波神经网络能够很好的进行 早期振动故障的分类诊断并且具有较快的收敛速度。 在数据分析过程中，充分利用m a t l a b 强大的数据处理、数据可视化、数字信号 处理等功能，实现了数据直观有效的分析与处理。 关键词：早期振动故障，小波分析，最优小波包基降噪，频带能量分析，神经网络 a b s t r a c t t h i sp a p e rf o c u s e so nw a v e l e ta n a l y s i s ，a i m sa te a r l yv i b r a t i o nf a u l t sw h i c hh a v es t r o n g b a c k g r o u n dn o i s e sa n dw e a kc h a r a c t e r i s t i cs i g n a l s i m p r o v e st h et r a d i t i o n a ld o n o h o h r a d t h r e s h o l dd e n o i s ea l g o r i t h m ，b r i n g sf o r w a r db a s eo ns h a n n o ne n t r o p yo ft h e o p t i m i z a t i o nw a v e l e tp a c k e ta n a l y s i sd e n o i s ea l g o r i t h m ，a n do b t a i n sf a v o u r a b l ee f f e c t i tc o m b i n e sw a v e l e ta n a l y s i sa n db pn e u r a ln e t w o r kw h i c hh a sh i g hp r e c i s i o no fd i a g n o s i s a n dr a p i ds t u d ys p e e d a n a l y z e st h ev i b r a t i o ns i g n a l si n c l u d ef i v ec o n d i t i o n s t h ep a p e rp i c k u pe n e r g yo ff r e q u e n c yr a n g e a st h ei n p u tp a r a m e t e r , a n du s e sl e v e n b e r g - - m a r q u a r d t a i g o r i t h mt ob pn e u r a ln e t w o r kt h et r a i n i n ga n dm o d e l su n d e rt e a c h e r s c o n t r o l s i ti sp r o v e dt h a tw a v e l e tn e u r a ln e t w o r kc a nd i a g n o s e se a r l yv i b r a t i o nf a u l t sa n da c h i e v e c o n s t r i n g e n c yw i t haq u i c ks p e e d i nt h ep r o c e s so fa n a l y s i s a u t h o rm a k e su s eo fm a t l a bt h a ti so fg r e a ta b i l i t yo fv i s u a l d a t ap r o c e s s i n go fd i g i t a ls i g n a l so fb i ga m o u n ta n dr e a l i z e sd i r e c ta n dv a l i dd a t ap r o c e s s i n g y a nl i a n g ( t h e r m a lp o w e re n g i n e e r i n g ) d i r e c t e db ya s s o c i a t ep r o f e s s o rg ez h i h u a k e yw o r d s ：e a r l yf a u l t sd i a g n o s i s ，w a v e l e ta n a l y s i s ，o p t i m i z a t i o nw a v e l e tp a c k e t t r a n s f o r md e n o i s e ，e n e r g yo ff r e q u e n c yr a n g ea n a l y s i s ，a r t i f i c i a ln e u r a ln e t w o r k 华北电力大学硕士学位论文 摘要 本文以小波分析为基础，针对早期振动故障信号具有背景噪声强，特征信号弱 的特点改进传统的d o n o h o 硬阈值降噪算法，提出了基于s h a n n o n 熵的最优小波包基 降噪算法，取得了良好的效果。利用b p 神经网络在故障诊断方面具有诊断精度高， 学习速度快的特点与小波分析相结合，针对正常状态、轴承座松动、不对中、碰磨、 裂纹五种模式下，对振动信号加以分析，运用频带能量谱分析法提取信号特征量， 作为神经网络的输入向量，采用l e v e n b e r g - - m a r q u a r d t 学习算法，对b p 网络进行有 教师的训练和模式识别，并且通过实验台仿真证明，小波神经网络能够很好的进行 早期振动故障的分类诊断并且具有较快的收敛速度。 在数据分析过程中，充分利用m a t l a b 强大的数据处理、数据可视化、数字信号 处理等功能，实现了数据直观有效的分析与处理。 关键词：早期振动故障，小波分析，最优小波包基降噪，频带能量分析，神经网络 a b s t r a c t t h i sp a p e rf o c u s e so nw a v e l e ta n a l y s i s ，a i m sa te a r l yv i b r a t i o nf a u l t sw h i c hh a v es t r o n g b a c k g r o u n dn o i s e sa n dw e a kc h a r a c t e r i s t i cs i g n a l s i m p r o v e st h et r a d i t i o n a ld o n o h o h r a d t h r e s h o l dd e n o i s ea l g o r i t h m ，b r i n g sf o r w a r db a s eo ns h a n n o ne n t r o p yo ft h e o p t i m i z a t i o nw a v e l e tp a c k e ta n a l y s i sd e n o i s ea l g o r i t h m ，a n do b t a i n sf a v o u r a b l ee f f e c t i tc o m b i n e sw a v e l e ta n a l y s i sa n db pn e u r a ln e t w o r kw h i c hh a sh i g hp r e c i s i o no fd i a g n o s i s a n dr a p i ds t u d ys p e e d a n a l y z e st h ev i b r a t i o ns i g n a l si n c l u d ef i v ec o n d i t i o n s t h ep a p e rp i c k u pe n e r g yo ff r e q u e n c yr a n g e a st h ei n p u tp a r a m e t e r , a n du s e sl e v e n b e r g - - m a r q u a r d t a i g o r i t h mt ob pn e u r a ln e t w o r kt h et r a i n i n ga n dm o d e l su n d e rt e a c h e r s c o n t r o l s i ti sp r o v e dt h a tw a v e l e tn e u r a ln e t w o r kc a nd i a g n o s e se a r l yv i b r a t i o nf a u l t sa n da c h i e v e c o n s t r i n g e n c yw i t haq u i c ks p e e d 一 i nt h ep r o c e s so fa n a l y s i s a u t h o rm a k e su s eo fm a t l a bt h a ti so fg r e a ta b i l i t yo fv i s u a l d a t ap r o c e s s i n go fd i g i t a ls i g n a l so fb i ga m o u n ta n dr e a l i z e sd i r e c ta n dv a l i dd a t ap r o c e s s i n g y a nl i a n g ( t h e r m a lp o w e re n g i n e e r i n g ) d i r e c t e db ya s s o c i a t ep r o f e s s o rg ez h i h u a k e yw o r d s ：e a r l yf a u l t sd i a g n o s i s ，w a v e l e ta n a l y s i s ，o p t i m i z a t i o nw a v e l e tp a c k e t t r a n s f o r md e n o i s e ，e n e r g yo ff r e q u e n c yr a n g ea n a l y s i s ，a r t i f i c i a ln e u r a ln e t w o r k 声明尸明 本人郑重声明：此处所提交的硕士学位论文基于小波神经网络的汽轮机早 期振动故障诊断，是本人在华北电力大学攻读硕士学位期间，在导师指导下进 行的研究工作和取得的研究成果。据本人所知，除了文中特别加以标注和致谢之 处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得华北 电力大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对 本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名：互刍盘日期：2 避墨：兰 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有 权保管、并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩 印或其它复制手段复制并保存学位论文；学校可允许学位论文被查阅或借阅； 学校可以学术交流为目的，复制赠送和交换学位论文；同意学校可以用不同 方式在不同媒体上发表、传播学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名： 日期： 导师签名： 日 期：耋 华北电力火学硕士学位论文 1 1 故障诊断的发展 第一章绪论 随着生产设备日趋大型化、集成化、高速化、自动化和智能化，设备在生产中 的地位越来越重要，对设备的管理也提出了更高的要求，能否保证一些关键设备的 正常运行，直接关系到一个行业发展的各个层面。现代化的工业生产一旦因故障停 机，损失将十分巨大。因此，防止故障发生，减少维修支出就显得尤为重要和迫切。 设备故障诊断技术发展到今天，己成为一门独立的跨学科的综合信息处理技术， 它以可靠性理论、信息论、控制论、系统论为理论基础，以现代测试仪器和计算机 为技术手段，结合各种诊断对象( 系统、设备、机器、装置、工程结构、工艺过程 等) 的特殊规律而逐步形成的一门新兴学科。 故障诊断实质就是状态的识别，诊断过程主要有三个步骤：第一步是检测设备状 态的特征信号，如振动、噪声、温度等：第二步是从所检测到的特征信号中提取征 兆：第三步是故障的模式识别。其任务就是发现故障并分离出发生故障的部位、判 别故障的种类、估计故障的大小及进行评价与决策。就其技术手段而言，1 9 6 5 年快 速傅立叶算法的出现为故障诊断技术奠定了技术基础。2 0 世纪7 0 年代末期，电子 测量技术和频谱分析技术被应用到机械故障渗断领域中，国外大型旋转机械的状态 监测与故障诊断技术开始进入实用化阶段。到2 0 世纪8 0 年代中期，以微型计算机 为中心的现代机械故障诊断技术得到了迅速的发展。随着传感器技术的发展，除了 可以利用振动信号进行机械设备的故障诊断( 即振动诊断) 外，还可以利用噪声、温 度、力、磁等多种信息作为设备诊断的信息源，由此发展了噪声监测技术、红外测 温技术、声发射技术以及无损伤探伤技术、数学诊断方法等，其中的数学诊断方法 又包括基于贝叶斯决策判据以及基于线性和非线性判别函数的模式识别方法、基于 概率统计的时序模型诊断法、小波分析法，以及混沌分析和分形几何法等。这其中 又以振动诊断涉及的领域最广、理论基础最雄厚、研究的最充分而最有生机与活力。 由于计算机技术的发展，目前用于振动测试的设备十分丰富，从少通道( 卜2 通道) 、 较低采样频率( t i x i r ( 3 - 8 ) 其中x - d , 波变换系数； r 一阈值，t = o 、1 1 2 l o g m ； m 一相应尺度下的信号长度； o 一噪声的方差； ( 3 ) 根据射层的低频系数和从第一层到鳓层的高频系数，实现信号的小波重 构。 d o n o h o 提出的阈值消噪方法中，软阈值消噪方法获得的压缩信号是连续衰减 的，而硬阂值小波消噪方法对小波系数的压缩是不连续的。因此，二进小波变换软 阈值消噪方法比硬阈值小波消噪方法效果更好。 3 2 2 最优小波包基降噪 采用最优小波包基对原始信号进行分解，其分解结果可使原信号信息损失最 小，它是根据原信号的时频特点，将其分解到各个不同频带上。信号x ( t ) 的小波包 分解，是将x ( t ) 投影到小波包基上，获得一系列系数d ? 一，并用这一系列系数刻画 信号x ( t ) 的特征，系数之间的差别越大越好，若其中只有少数系数很大，则就可以 用这几个少数的系数代表x ( t ) 的特征，这样的小波包基是最优的基。 首先定义某个序列的代价函数，然后在小波库里寻找使代价函数最小的基，最 好选择具有可加性的代价函数。在实际中应用较多的是s h a n n o n 熵，定义序列x = x j 的熵为 l 丫1 2 m ( 石) = 一乃l g 乃其中p j = 器，且p = o 时，p l g p = o 。 ， i i x l i 若代价函数m ( x ) 已经选定，最优基的概念定义如下： 设x = x ， 为空间v 的某一向量，记b 为从库中选出的一个正交基，b 。是x 在b 下的 系数，对于x ev ，若m ( b 。) 是最小的，则b 为最优基。 具体计算步骤如下： ( 1 ) 对于序列，进行归一化处理，确定所要选择的小波包函数以及分解层数n ， 进行n 层小波包分解，并计算出各节点的熵值。为了便于计算引入可加函数 e ( x ) = 一k 1 21 9 k 1 2 这样代价函数m ( x ) - - i n l 2e ( x ) + l g l l x l l 2 ，当e ( x ) 最小 时m ( x ) 也最小。4 ( 2 ) 对最低层的各节点作标记，而对其他各层节点不作标记。 ( 3 ) 每一层共有2 “个节点，从左至右每两个节点构成一组，由下往上比较相邻两层 1 7 华北电力大学硕十学何论文 的下一层每组的两个节点熵之和与上一层对应节点的熵值；若下一层的两个节点的 熵值和大于等于上一层对应节点的熵值，则对上一层的该节点作标记，而去掉下一 层的两个节点的标记。否则，以下一层该两个节点的熵之和取代上一层该节点的熵 值，但对标记不作处理。 ( 4 ) 检查所有结点，取最上层所标记节点，一经选定，其下方的各层的节点不再 考虑。 下面以含噪声的工频信号为例，求其最优小波包基。图3 4 是含噪声工频信号的波 形，图3 5 是采用d b 2 l l 、波包进行三层分解，并用s h a n n o n 熵为信息花费函数所搜索到的 最优基。 图3 - 4含噪声t 频信号波形图3 - 5龠噪t 频信号最优基 在求得信号的最优小波包基的基础上i _ l j 4 以进步实现基于最优小波包的信号 去噪算法具体步骡如下： ( 1 ) 信号的小波包分解，选择一个小波并确定所需分解的层次n ，然后对含噪信号 进行n 层小波包分解； ( 2 ) 对于给定的s h a n n o n 熵标准，选择最优小波包基； ( 3 ) 对最优小波包基每个节点上的分解系数进行阈值量化； ( 4 ) 利用阈值量化以后的最优小波包基的分解系数进行信号重构，得到最优小波 包基去噪后的信号。 关键在于第三步选择合适的闽值，若阂值太小，去噪后的信号仍然有噪声存在； 相反地，若阈值太大，重要信号特征将被滤掉，引起偏差。由于小波包分解系数在 不同频带反映信号的不同特征，很难找到一个特别有效的统一的阈值算法对各个频 带进行处理，因此本文对于小波包分解在不同频带上的系数采用不同的阈值选择算 法。 对于高频系数，采用基于无偏似然估计原理的自适应阈值。 无偏似然估计原则是一种基于史坦( s t e i n ) 无偏似然估计( 二次方样) 原删n 勺 1 8 华北叱力入学硕卜学f 市论文 白适应阈值选择。设信号x ( k ) 为一一个离散时i 、白j 序列，k _ - - 1 ，2 ，一，n ，令信号y ( k ) 为 i x ( 足) 的升序序列，再令 y ( k ) = j ，( 足) 二 ( 3 - 9 ) 则闽值如一的计算公式如下： k 少：( 尼) = y 。( f ) h ( 3 10 ) ，f k l ：! 二三生上! ! 生! ! ! 二生! ! ! ! 生! ，2 ，厶厂= m i n ( r ) ( 3 11 ) 对于低频系数，则采用一种以信号能量为判据的吲定闽值原则 固定闽值t h n 的汁算公式如下： t h r 2 = o x 2 l o g ( n ) ( ： 一1 2 ) 式中，n 一信号x ( k ) 的长度，o 一噪声力筹 当原始信号歹l 有少量的高频系数f 讧j ：噪声范围内时，兀偏似然估计原则更加保 。、) ：方便，仪将部分系数至于零，不容易丢失真实信号成分，此时可以将弱小的信号 提耳义i i 来。 为了验证最优小波包基降噪效果与传统d o n o h o 降噪的区别，采用信号分析中具 有代表性的b u m p s 、b l o c k s 、h e a v ys i n e 、d o p p e r 四种信号作为原始信弓通过叠 加白噪，旨模拟含噪信号。利j 订币交小波变换和1 小波包变换，分_ j ：；u 对d o n o h o 硬阂值消 噪算法与本文提出的降噪力法进行对比。计算时，选用d b 2 小波包进行4 层分解，其 对比结果撕i 蚓36 ，3 - 7 ，3 - 8 ，3 - 9 所示，从上二到一| 、i 依次为原始信几、含噪声信弓、 传统d o n o h ( ，降噪信号、最优小波包基降噪信弓。可以看出本文提出的最优小波包綦 分解结合特定频段阈值选择算法明妊优j 二传统的d o n o h o 硬阈值降噪算法。 j 1 基也：垒越一 i 。k 加。八、帅。，州“。砌怫。i i ：圭二茎二章二j j 匠 。l 一胁、一l ，一亿一，虮一 溢二蔓二蔓二i j e j 塞互二葺 。l 一小j