设备故障诊断之信号处理

设备故障诊断之信号处理

摘要：本文首先介绍了设备故障诊断的相关基础内容，进而对设备故障

诊断中的信号分析

处理进行了简要的叙述，并阐述了其中的小波分析和神经网络的概念。

为了更深的理解相关

概念，本文还收入了一则关于柴油机故障诊断的例子。

关键词：设备故障诊断信号分析小波神经网络

Abstract:Thispaperintroducesthebasisandtherelevantcontentsoffault

diagnosis,and

thusthereissignalanalysisinprocessingonthefaultdiagnosisbeingbriefly

described.

Conceptsofthewaveletanalysisandneuralnetworkareelaboratedinthis

paper.Fora

deeperunderstandingofcertainconcepts,anexampleoffaultdiagnosison

dieselengine

iscollectedinthispaper.

Keywords:equipmentfailureDiagnosisSignalanalysisWavelet

Neuralnetwork

一、设备故障诊断概述

1、设备故障诊断基本内容和方法

机械故障诊断学是一门近三十年内发展起来的新学科。他随着机器不

断完善化、复杂化

和自动化而发展起来的。机器在运行过程中内部零件受到力、摩擦、磨

损等多种作用，其运

行状态不断变化，一旦发生故障，往往会导致严重后果。所以必须在事

故发生前就查明，并

加以消除。诊断，即根据设备运转过程中产生的各种信息，识别机器

（包括设备、工程结构

及工艺过程）是否发生了故障，并进行失效分析，达到预防、改进设备

设计的目的。

由此我们可以看出机械故障诊断学是识别机器或机组运行状态的科

学，研究的是机器或

记住运行状态的变化在诊断信息中的反映。内容包括对机器运行状态的

识别、预测和监个方

面。整个诊断过程如下图一所示。

1

机器

传感器

机械图像

信息处理

标准图像比较状态识别

诊断决策

重点监视巡回监视停机修理

图一、机械故障诊断过程

2、诊断信息的来源和获取

机器在运行过程中获取诊断信息的常用方法有直接观察、振

动噪声检测法、磨损残余物

测定法、整机性能测定法等等。当然现今传感器的运用已经无

处不在，更有不少传感器中集

成了微型处理器，如今高精端的设备制造中，都大量采用传感

器技术来采集信号，并且传感

器也日益向生活大众机器普及。传感器的大量运用为信息的数

字化和网络化提供了基础。

3、机械故障诊断的几种类型

功能诊断和运行诊断、定期诊断和连续监控、直接诊断和间

接诊断、常规工矿下诊断和

特殊工况下诊断

4、诊断技术现状和发展

（1）信号分析与处理

从传统的谱分析、时序分析、时域分析，开始研究先进的

短时傅立叶分析、Wigner

分析、小波变换等分析方法。

（2）传感器技术

国内目前使用的许多类型的传感器在可靠性、稳定性等方

面需进一步提高。

（3）人工智能和专家系统

2

近来这方面的研究和应用几乎成了诊断技术发展的主流，

但在工程应用上远未达到

人们所期望的。

由于故障的诊断软件上关键在于信号处理，因此本篇论文注

重讨论信号处理方面。并收

集了相关例子。

二、信号处理

1、机械图像概念及其采样

我们在图一中提到了机械图像，即指机械系统在运行过程中

各种随时间而变化的动态信

息，如振动、噪声、温升、压力以及反映机器状态的各种参

数，经过各种动态测试仪器拾取，

并用记录仪器记录下来的图像。这是机械故障诊断的原始依

据。

这些机械图像按照性质可以分为三类：随机信号图像、周期

信号图像和瞬时信号图像。

二十几测量记录到的图像往往是这三种图像的组合，因此需要

对该信号进行后处理、分析。

现在如今计算机技术得到了普遍的运用，而传感器所接受的

信号确实模拟信号(即连续

信号)，这样在采集信号时就需要将这些信号离散化，即模数

转换(A/D)一—利用采样脉

冲序列P(t)，从模拟信号x(t)中按一定时间间隔At逐点抽取一系

列离散样值。

2、信号的分析

信号经过采样后有多种分析方法，例如时域分析、频域分

析、倒频谱分析、小波分析以

及神经网络的运用等等，下面简单介绍其中的小波分析和BP

神经网络概念。

小波分析：

小波分析是建立在小波变换基础之上的，公式如下

It

WT(,)x(t)*()dt

具有以下特点：

①对非平稳信号进行时域分析，其时频局部化方式是：在

高频范围内时间分

辨率高，在低频范围内频率分辨率高。对高频信号有较高的

频率分辨率，对低频信

号有较大的时间分析长度。

②信号的分解和重构可有针对性地选择有关频带信息，剔

除噪声干扰；

③在全频带内正交分解的结果，信号量既无沉余也无遗

漏；

④若非平稳信号有低频长波期叠加高频短波期组成，小波

变换是最理想的分

解工具。

正是由于这些性质，我们也可以运用其来降低测试信号中的

噪声。信号降噪的目的就是

从被污染的信号中，尽最大可能的恢复有效信号，最大限度的抑

制或消除噪声。由于小波变

换可以使一个信号的能量在小波变换域中集中于少数系数上，

小波系数较大者，携带信号能

量也较多；小波系数较小者，携带信号能量也较少。所以降噪

过程主要进行以下处理：首先

对原始信号进行小波分解，则噪声部分通常包含在高频系数

中；然后对小波分解的高频系数

以门限阈值等形式进行量化处理，使噪声的小波系数减弱或为

零，最后，进行小波变换的逆

变换，恢复原始信号，即可达到降噪的目的。归纳起来，信号

的降噪过程可分为以下三个步

骤。

①信号的小波分解；

②对各级高频系数用不同的阈值量化；

③对量化后的系数进行重建，得到去噪后的信号。

神经网络：

BP神经网络是多层前馈神经网络，它的名字源于网络权值的

调整规则，采用的是后向

传播学习算法，既BP算法。BP网络是目前应用最广的神经网

络之一，BP网络是由一个输人

层，一个或多个隐层以及一个输出层组成，上下层之间实现全

连接，而每层神经元之间无连

接。网络的学习过程包括正向传播和反向传播。在正向传播进

程中，输人信息从输人层经隐

层加权处理传向输出层，经功能函数运算后得到的输出值与期

望值进行比较，若有误差，则

误差反向传播，沿原先的连接通道返回，通过逐层修改各层的

权重系数，减小误差。随着这

种误差逆向传播修正的不断进行，网络对输入模式响应的正确

率也不断上升。

研究表明：带有两个隐层的BP网络能形成任何形状的决策区

域。当BP网用作非线性映

射时，允许网络实现输人到输出之间的任意映射关系，即可建

立故障征兆空间与故障空间的

某种映射关系，每当给出一个实测的故障征兆矢量，网络即能

通过状态演化（前传和联想川攵

敛到与其最相近的模式，从而诊断其故障原因。

三、实例分析一一柴油机故障诊断

柴油机的使用普遍，其故障诊断具有广泛的实际用处。利用

柴油机工作时缸盖的振动信

号进行故障诊断，是一种不拆分，不停机的在线检测，具有很

强的实际应用价值。该例在分

析了五种工况下缸盖振动信号所包含的特征后，提取多个特征

参数，并输入多参数神经网络

系统，得出相关结论。

①柴油机缸盖振动信号的测量

实验对象是三缸四冲程柴油机，实验系统构成框图如图二所

示。同步采集三路信号，第

一路为一缸缸盖振动信号。第二路为二缸缸盖振动信号。第三

路为第三缸高压油管的油压信

号，外卡式油压传感器安装在第三缸的高压油管，用来指示各

缸的工作时刻及定位缸盖振动

信号时.刻。发动机转速和采样频率统一为确定值，且故障均设

置在1缸和2缸。

4

图二、柴油机缸盖振动分析系统

②缸盖振动信号分析

首先分析一缸缸盖振动信号的时域图与时频分析，其它各缸

各冲击与一缸一样。由

柴油机工作相位可以推断出图三中各个数字代表的位置是：1-

缸燃爆；2-二缸燃爆；3.三缸

燃爆；4.缸排气门关闭；5-缸进气门关闭。由时频分析图可以看

出信号在各个频段均存在不

同幅值的干扰噪声。在图3中将信号作三层分解后可以看出各

个各频段干扰噪声的幅值大小，

通过设置对应于这些幅值的降噪阈值，即可有效去除噪声干

扰。

由图四可以看出各层小波系数对应的噪声幅值分别为a3,

O.lv；d3,O.Olv；d2,0.03v；

dl,0.08,故将这些值设为小波降噪时的各层阈值。

5

图三、正常工况一缸缸盖振动信号

图四、正常工况一缸振动信号三层分解

6

图五、振动信号降噪前后比较

③故障特征分析

本文在柴油机转速为1200r/min下共设置5种工况来进行识

别，分别是（1）正常工况（2）

第一缸失火（3）第二缸失火（4）排气门间隙过大（5）进气门

间隙过大。失火故障通过断

开高压油管模拟。图六〜八为各工况时的振动波形图，可以看

出一缸失火时，一缸的燃爆冲

击响应1消失；排气门间隙过大时排气门关闭冲击响应4变

大；进气门间隙过大时进气门关闭

冲击响应5变大；同理别的缸失火或气门间隙发生变化时，相

应缸的缸盖振动信号也会发生

同样的变化。利用这一点我们就可以判断出相应故障。

7

图六、一缸失火时一缸缸盖振动信号

图七、一缸排气门间隙过大时一缸缸盖振动信号

8

图八、一缸进气门间隙过大时一缸缸盖振动信号

④故障特征提取

根据不同故障下缸盖振动信号的特点，分别提取各缸加速度

传感器测得的燃爆段振动信

号（图中冲击信号1）作为相应各缸失火故障的诊断；提取各

缸加速度传感器测得的排气门

关闭段的振动信号（图中冲击信号4）作为相应各缸排气门间

隙检测的依据；提取各缸加速

度传感器测得的进气门关闭段的振动信号（图中冲击信号5）

作为相应各缸进气门间隙检测

的依据。

这些信号段提取后先作小波降噪，再提取平均幅值，标准

差，峭度指标作为故障特征输

入相应的神经网络。例如燃爆段提取的三个参数就输入失火诊

断网络，气门关闭响应段提取

的参数就输入相应的气门检验神经网络。这三个参数可以选择

平均幅值、标准差和峭度

⑤神经网络分类结果

每个工况用上述方法提取30个样本，用前一半样本进行训

练，用后一半样本做检验样本。

识别结果见下表。

四、小结

我们在相关硬件条件不能很大提高，或者在预算相对较低情

况下，可以通过改进信号的

分析方法，进而更准、更快的找到故障所在，这在当今高速发

展的现在，具有很大的实际应

用价值。

9

五、参考文献

[1]屈粱生何正嘉机械故障诊断学上海：上海科学技术出版社.

1986.1