基于matlab的柴油机故障诊断.doc

基于MATLAB的柴油机故障诊断顾玉东1，高伟东2，李刚1，范万里1（1.兰州交通大学 机电学院，兰州 730070；2.北车公司兰州机车有限公司，兰州 730050）摘要：提出了利用小波分析、BP神经网络技术处理柴油机工作时产生的振动信号，在输入层对振动信号进行小波变换，提取其在多尺度下的特征作为故障特征向量。根据这些特征向量进行小波BP网络的学习，以对柴油机进行故障诊断。在实验台上模拟了多个故障，并对柴油机工作时在汽缸盖上方振动信号采集和处理，对几种故障模式进行了成功的判别。结果表明此方法是可行和有效的。关键词：小波分析；BP神经网络；柴油机；振动信号；故障诊断1 前言近年来，将神经网络技术应用于柴油机振动故障中，较好地解决了许多故障诊断的问题，并取得了一定的研究成果。小波变换及其多分辨率分析技术的出现为故障诊断带来了新的方法和途径，并已得到了广泛应用。小波变换是分析处理非平稳信号的有力工具，能有效提取信号的局部时频特征并准确检测出故障发生时刻。本课题利用小波分析和BP神经网络技术对柴油机工作时发出的振动信号进行处理和故障识别。实验在2135柴油机上进行。通过对对多个故障的模拟，采集振动信号，并进一步进行故障诊断，识别效率较高，取得了很好的效果。实验证明:小波分析和BP神经网络技术在柴油机的振动信号处理中具有很好的应用前景。2 小波包分析和BP神经网络的基本概念2.1 小波包分析及算法多分辨率分析的基本思想是把信号投影到一组互相正交的小波函数构成的子空间上，形成信号在不同尺度上的展开，从而提取了信号在不同频带的特征，同时保留了信号在各尺度上的时域特征。小波包分析同时在低频和高频部分进行分解，自适应地确定信号在不同频段的分辨率。由于尺度函数和小波函数存在着两尺度关系： 式中，正交共轭滤波器系数；尺度函数；小波函数。小波包分解和重构算法为：，为待分解的信号。采用上述小波包算法对信号进行分解，当分解到N层时，得到个子频带。2.2 BP网络结构简介BP网络即多层前馈式反向传播神经网络，它是一个有导师示教的多层神经网络算法。BP网络通常由输入层、输出层和若干隐含层构成，每层由若干节点组成，每个节点表示一个神经元，上层节点与下层节点之间通过权值连接起来，同一层节点之间没有联系。BP网络通常选择三层网络，其结构如下图图1 BP网络拓扑结构图3 柴油机故障特征的提取因为柴油机振动信号中包含着设备运行状态的信息，所以柴油机设备的故障会在振动信号中有所体现，通过监测柴油机组的振动信号发现设备运行中出现的故障是一种有效的方法。故障诊断人工神经网络是通过样本对其进行训练来确定网络中各连接权的值。如果样本中没有包含足够的有待识别的故障信息或未能提取反映机器故障特征的信息，则诊断的结果肯定是不准确的。所以，在建立故障系统之前，有效地提取反映机器故障的信息的特征的样本是故障诊断的关键所在。3.1 原始数据的采集本实验故障设置在一缸，模拟五种故障类型：1喷油压力过大、2喷油压力过小、3喷油器针阀磨损、4油路堵塞、5供油提前角提前5o-6o。故障信号是从安装在2135柴油机一缸缸盖上的振动传感器上进行采集的。由于采集数据的图较多，所以只列出原始信号和柴油机油路堵塞的波形与频谱图：图2 柴油机正常信号波形与频谱图3 柴油机油路堵塞波形与频谱3.2振动信号的处理经过大量阅读有关柴油机振动故障信号产生的机理及其振动信号不同特点的资料，总结出这样的规律：绝大多数旋转机械的故障都对应有特定的振动特征，不同类型的故障可以反映到各个频带内的时域参数上，所以不同的故障原因就会有不同的频域特征，我们可以根据不同频率成分的幅值区别来判断柴油机不同故障。通过对不同振动故障信号的分析，可以将不同种类的振动特征表示出来。根据频谱图显示，证实故障信号具有特征频率,即故障征兆，可以用来作进一步分析研究。小波包分析的方法可以为信号提供一种精细的分析方法，它将各个频带进行多层次的划分，对多分辨率分析没有细分的高频部分进一步分解，并且能够根据被分析信号的特征，自适应地选择相应的频带，使之与信号的频谱相匹配，从而提高时频分辨率，下面以一个3层分解示意图解释小波包分解的含义：图4 3层小波包树分解a-正常信号 b-油路堵塞信号图5 小波5层分解后一层高频重构系数本实验对柴油机6种故障工况的振动信号经行了db5小波5层分解并进行重构，从图中可以看出一层高频重构的波形明显的反应了不同的故障工况，由此初步推断利用时频特征参数判断不同的工况是可行的。同时，我们图5中的幅值大小也可以推断：可以利用信号的能量作为诊断工况的一个参数。实验也证明了时频特征参数和能量参数的有效性（表1列出了3组信号的6个指标）。所以，我们提取原始信号小波5层分解后的一层高频重构系数的特征参数：能量指标（E），峭度指标（Kv），波形指标（S）,裕度指标（L），脉冲指标（I）和峰值指标（C），作为BP神经网络的输入。表1 训练样本及验证样本状态 指标样本E（能量）Kv（峭度）S（波形）L（裕度）I（脉冲）C（峰值）正常训练1.15039.84061.493419.108916.455811.21831.141911.94761.453619.416216.344711.2245验证1.276110.68711.467519.358416.879011.10241训练2.011110.13321.424217.721011.74308.50321.503410.22091.461019.395712.70869.3333验证1.91589.92291.425518.135412.55108.93142训练0.66629.66591.654015.568210.56876.99800.60339.63271.726315.428110.02876.6587验证0.64209.62341.699115.687010.42826.88533训练0.78457.13021.591116.657111.85247.56870.78698.68981.565815.110811.58427.5624验证0.77637.86831.586415.548811.28347.43824训练1.56117.33411.521914.768011.05878.65491.56168.54671.9087213.96199.86886.5880验证1.54587.65651.752414.344910.63457.63425训练1.01678.27041.850312.81199.89786.60601.24899.12341.638716.149811.67247.6584验证1.23448.85341.769814.895610.57327.65844 系统仿真我们在使用神经网络进行故障诊断的时侯，首先要确定BP网络的具体结构。一般情况下，网络的输出节点至少要等于系统的故障测量点的数目，也可以多定义一些输入节点，其数据可通过测量数据进行适当处理获得。网络的输出节点的数目与要区分的故障模式的种类有关，若系统状态分为无故障和有故障状态（n种故障）可选输出节点数为n+1。故障诊断的人工神经网络的训练目标是输出节点为“1”时代表出现故障,为“0”时代表不出现故障。对于隐层单元设计，1947年，Kolmogorov给出了一个定理。当输入层n个单元，隐含层2n+1个单元，这个定理我们做为参考。运用MATLAB仿真工具对网络进行训练。设定误差范围为0.00001，训练次数设为2000次。对网络进行验证，结果如下表：我们可以很清楚的看出，诊断结果符合预设的故障。表2 诊断结果实际故障类型诊断结果数据诊断状态正常1.04720.0790-0.01520.0826-0.0200-0.0851正常1-0.12810.7901-0.03380.1265-0.0008-0.034512-0.0392-0.03391.0115-0.1470-0.05510.223123-0.03770.04530.06381.00790.0633-0.1118340.22180.5983-0.34530.05771.03350.1348450.12670.34340.0255-0.32250.14521.05125从表2我们可以看出，网络经过训练后对输入信号具有很好的识别能力，基本能够满足实际工程的需要。但是，需要说明的是：首先，MATLAB仿真程序, 不仅易于编程和调试, 而且使数据可视化, 便于修改。在实际的工程中应用很广。其次，对BP网络而言, 需要大量的数据可以使结果更为精确。仿真试验表明, 采用BP网络是可行的, 可以获得满意的结果。最后，本文使用的是Levenberg- Marquardt算法，是期望在不计算Hessian矩阵的情况下获得高阶的训练速度，并得到了不错的效果。大家也可以在中小规模的BP神经网络使用时，选择Levenberg-Marquardt算法。参考文献：1 马明建,数据采集与处理技术.西安.西安交通大学出版社,2005.92周林,殷侠.数据采集与分析技术.西安.西安电子科技大学出版社,2005.73 葛哲学，孙志强.神经网络理论与