当前位置:首页 >> >>

基于小波分析和神经网络的动力机械故障诊断研究


西南林学院 硕士学位论文 基于小波分析和神经网络的动力机械故障诊断研究 姓名:王裕鹏 申请学位级别:硕士 专业:森林工程 指导教师:赵龙庆 20070501

摘要:随着现代机械设备的日趋大型化、复杂化、自动化和连续化,设备一旦发生故 障,给生产和生活以至于人们的生命财产安全造成很大影响。因此,人们总是期望建 立一套监测、预警、容错和维修机制,伴随系统运行的

全寿命周期,防止和杜绝影响
系统正常运行故障的发生和发展。

小波包分析是在多分辨分析的基础上提出的一种能够将频率分辨到任意细节的 信号处理方法,它不仅对低频信号进一步进行分解,而且对高频信号也一样,因此在 故障诊断方面得到了广泛的应用。本文中就是利用自主编写完成的改进的小波包软阈 值消噪方法源程序对采集的振动信号进行消噪处理,进而提取归一化后的故障特征向
量。

神经网络因其极强的非线性映射能力,特别适合于复杂模式识别,所以成为动力
机械状态识别的有力工具。本文中采用神经网络中最核心的部分即三层BP神经网络

作为故障分类识别的工具,根据实验的要求和需要求解的问题最终确定神经网络的输 入层神经元个数为8个、中间层神经元个数为30个、输出层神经元个数为5个。 在对云内动力股份有限公司生产的4100QB柴油发动机上进行实验的基础上,建 立了基于小波分析和神经网络的自适应故障诊断系统。该系统采集了柴油机缸体表面 的振动信号,利用小波分析对振动信号消噪处理,有效的剔除了振动信号的噪声干扰, 提取了可以表征柴油机故障的振动信号的特征向量。把提取的发动机缸体振动信号特 征向量作为神经网络的训练样本,最终建立起了神经网络自适应故障诊断系统。通过 输入检验样本对神经网络自适应故障诊断系统进行验证,结果表明该系统能有效的对 故障进行分类识别,最终实现故障诊断。 实验中应用DASP2005专业软件采集了发动机在正常和非正常工作状况下的缸体 振动信号,利用MATLAB的小波分析源程序对振动信号进行消噪处理,提取相应特征 向量,作为神经网络的训练和检验样本。通过BP神经网络的学习和识别,最后对相 关工作状态进行了分类,对发动机的相应故障做出了判定。这些方法和实验数据为后 续的研究提供了基础。 实验和分析结果表明,小波分析和神经网络用于动力机械故障诊断是有效的、可 行的,为动力机械故障的判定、诊断提供了一种新的思路和方法。

关键词:动力机械,故障诊断,小波包,BP神经网络

Abstract:As modem mechanical equipment becomes larger,more complicated,more automated and more integrated with each passing day,people have realized that equipment breaks down,it will well
set
aS once

the

have



unimaginably
and

large impact

on

production and

people’S
always

lives sought

as

the safety of human life

property.Therefore,people

have

to

up

monitoring,early?warning,fault—tolerance and maintenance

systems to function alongside equipment systems throughout their life spans in order to guard against

and even

put



stop to the

occurrence

and

development of equipment failures

that hamper the normal operation ofthe

machinery.
on

Wavelet

packet

analysis

is



way of handling signals based

multi-resolution analysis,

capable ofdistinguishing each wave frequency to the desired level ofdetail.It resolve low-frequency signals further,it

Can

not only

Can

also do the same to

high—frequency

signals,

and

so has broad application in the

diagnosis

of machine faults.In this
as a

paper,an improved

wavelet packet threshold has been

designed

de-noising method.Employing this

method,the
extract

source

program

Can

filter the noise picked up in the vibration

signal,and then

the normalization eigenvector ofthe

machine fault diagnosis.
have
therefore become powerful tool for

Owing to their strong sensitivity to non-linear reflection,neural networks are particularly suited to complex pattem recognition,and recognition of the status of


power

machinery.In this paper,the COre part of the neural

network,namely the three—layer BP neural network,is used to identify and classify machine fault types.
On

the

basis

of

experimental demands and problem—solving

requirements,it Was ultimately determined that the neural network needed 8 input neurons,
30 middle-layer

neurons and 5

output

neurons.

A self-adaptive machine fault diagnosis system was
on

designed

on

the basis ofexperiments
on

the 4100QB diesel engine produced by the Kunming Yunnei Power Co.Ltd.,based

wavelet analysis and neural

networks.This

system picks up the vibration signal of the
through wavelet analysis,

diesel engine cylinder
effectively

head,and

filters the vibration noise

eliminating noise

interference in the vibration signal.It extracts the eigenvector

of the vibration

signal

that indicates the diesel engine

fault,and then

USeS

the eigenvector neural network

extracted from the vibration

signal

coming from the engine’S cylinder as




experimental sample,eventually
By inputting


building

self-adaptive

machine fault diagnosis system.

test sample into

the neural network's self-adaptive

machine

fault diagnosis

system

to conduct a verification of the system,it showed that the system call effectively


identify and classify the machine fault,and ultimately achieve

fault diagnosis.

In the experiment,DASP2005 professional software was used to acquire the vibration signal of the engine’S cylinder llead under both normal and abnormal engine operating conditions.The MATLAB wavelet analysis vibration si割lal to
extract
SOOECe

program Was applied to filter the
serve as a

the relevant eigenvector to

experimental and

verification sample for the neural network.By studying network,we were finally able to classify the engine’S corresponding machine


and

identifying the BP neural

relevant

operational status

and

determine the

fault.These

methods and experimental data have provided

foundation

for further study.

The

results of the experiment

and

analysis show that it is effective

and

feasible to

diagnose power machinery faults by employing wavelet analysis providing


and

neural networks,
of

new way ofthinking about

and approaching the determination and diagnosis

power machinery faults.

Key words:Power machinery,Fault

diagnosis,Wavelet

packets,BP Neural networks

声明
本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含他人已经发表 或撰写过的研究成果,也不包含为获得西南林学院或其它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。

躲三盗她吼耻

关于论文使用授权的说明

本人同意:西南林学院有权保留论文的复印件,可以采用影印、缩印或其他复制 手段保存论文;提交论文一年后,允许论文被查阅和借阅,学校可以公布论文的全部
或部分内容。

(保密的论文在解密后应遵守此规定)

1绪论

1绪论

1.1课题背景

1.1.1动力机械故障诊断的意义

随着现代机械设备的日趋大型化、复杂化、自动化和连续化,设备一旦发生故障,
给生产和生活甚至于人们的生命财产安全造成很大影响。因此,人们总是期望建立一 套监测、预警、容错和维修机制,伴随系统运行的全寿命周期,防止和杜绝影响系统 正常运行故障的发生和发展“m儿羽。

美国三里岛核电站1979年由于系统误判,导致开关误操作,堆芯严重损失,放 射物外流,损失几十亿美元,公害引起居民示威:1986年1月,美国“挑战者号航 天飞机由于密封装置不善造成燃料外泄而爆炸;1985年10月我国某电厂20万千瓦 汽轮机发电机组突然产生强烈震动,声音异常,在不到一分钟内,转速由3000r/min
升至4500r/min,机组转子的联轴器螺栓四处脱出或断裂,发生毁机的严重事故。 目前是我国许多大型技术设备广泛应用的关键时刻,从系统动力学特性出发,对

大型设备进行检测、诊断、控制是提高产品质量和性能,保证正常运行,充分发挥最
大效益的关键技术。

1.1.2动力机械故障诊断的发展现状

动力机械故障诊断作为一门综合性边缘学科在20世纪60年代产生并发展起来。 就其技术手段而言,已逐步形成以振动诊断、油样分析、温度监测和无损检测探伤为 主,其他技术或方法为辅的局面。这其中又以振动诊断涉及的领域最广、理论基础最

为雄厚、研究得最为充分而且最具生机与活力;就诊断方法而言,除了单一参数、单 一故障的诊断外,目前多参量、多故障的综合诊断已经兴起,人工智能的研究成果为 机械故障诊断注入了新的活力;就应用领域而言,机械故障诊断技术已在旋转机械、 往复机械、各种流程工业、机械加工过程和各种基础零部件的故障诊断方面获得了应
用。 动力机械故障诊断技术在世界各国的发展是不平衡的,美国在这一领域处于领先

地位,其次是英、法、德、日等国,也都具有各自的优势。与这些发达国家相比,我

基于小波分析和神经网络的动力机械故障诊断系统研究

国还有~定的差距。虽然我国在理论上跟的比较紧,但在诊断设备的可靠性等方面仍 有一定差距。就目前的市场份额来看,还有相当大的国内市场为外国产品所占领,这
不得不引起我们的重视。

1.2目前动力机械故障诊断的常用方法
动力机械设备应用范围广,结构复杂,诱发故障的原因多,工作环境多变,一旦 因故障停机,所造成的直接或间接损失将大的难以估算,所以,为了使动力机械安全 可靠地运行,对其工况进行监视与故障预测诊断是必不可少的。我国一直沿用的维修 制度是事故停机检修及定期拆卸检修,这种维修制度易造成“维修不足”与“维修过
剩”。动力机械故障诊断系统的发展是随着我国整体的其它故障诊断技术的发展而发

展起来的“m1。 动力机械工作环境复杂,曲轴高速运转,其运动学、动力学形态复杂,难以建立 受影响部件的数学模型,对其性能检测和研究发展总体进程较晚。目前动力机械故障
诊断的主要方法有:

①基于性能参数的动力机械状态监测 动力机械性能监测研究历史比较长,在改进动力机械的性能方面发挥了重要作 用,这种方法是通过测定发动机的各种工作参数(如功率、瞬时转速、气缸压力,水 温等)与其在正常工作状态下的参数相比较来分析判断动力机械的工作状态。采用动 力机械性能监测的方法,当监测参数出现异常时,其中有些参数可以通过调节来使其 恢复正常。如果是因为零部件失效导致的异常,则需要由有经验的专家根据参数来判 断具体是哪一部位出现了故障。例如利用瞬时转速诊断内燃机失火旧、反演气缸压力
∽等。

②基于油液分析动力机械故障诊断 油液监测技术是通过分析动力机械润滑油的性能变化和携带的磨损微粒的情况, 获得机器的润滑和磨损状态的信息,评价机器的工作状态和预测故障,并确定故障原 因、类型及零件的技术。美国、加拿大、日本及欧洲等国家已经较早地在实际中应用,
并积累了相当丰富的经验,也开发出了比较先进的测量和分析仪器。例如日本小松制

作所的油质分析仪,包括取样、分析等一系列仪器,主要是用原子吸收光仪,分析润 滑油中所含无机物的变化,判断磨损部位及磨损程度。总的说来,油液监测技术主要 适用于以液体或半液体润滑并以磨损为主要失效形式的零件设备。文献[8]中就是以


1绪论

DF4内燃机车润滑油光谱分析为对象,在研究补换油影响、样本总体分布、柴油机磨 损机理的基础上,提出了分析柴油机主要摩擦幅磨损状况的特征量,并将这些特征 量用于实例分析。 ③基于振声的动力机械故障诊断 20世纪70年代后期,国外开始用振声诊断技术来研究柴油机的故障诊断。1980 年,R.H.Lyon教授和美国麻省理工学院(MIT)的其他学者开始在发动机上进行实验并 把结果与理论相结合来开发新的处理方法。1987年研制出柴油机状态评价系统 NEUCE,NEUCE系统应用高级信号处理方法,从气缸外部机体上的加速度传感器采 集的振动信号中提取信息,从而得到接近于振源发出的信号。该系统使用了快速傅里 叶变换(FFT)技术,能够分析燃烧压力和柴油机其他零部件的冲击。卡特彼勒公司
(Caterpillar

Ine.)用高速数据采集器来采集柴油机的振动、噪声、温度和压力信号来

研究柴油机的故障。康明斯(Cummins)发动机公司主要在应用灭缸实验法以及应用 测功器和转速监测器来检测发动机的工作状态。 我国在动力机械故障诊断方面的研究工作始于上世纪80年代初。西安宏大微电 子技术研究所利用基本性能参数的状态监测方法,研制的MEK90—I型多功能动力机械 工况自动监测系统,是以微机为主体的自动化监测系统,可对柴油机气缸压力、转速, 各部位的温度、油路、水温、液位及各项技术参数进行巡回检测和监控:北京铁路局 把油液分析技术应用于内燃机车柴油机的状态监测,通过对198台运行中的柴油机的 监测,预报故障率在70%以上,取得了可观的经济效益;海军工程学院利用振声诊
断技术,进行了气阀开启和关闭时产生的冲击振动信号对气阀间隙异常与漏气故障的

实验研究,根据振动信号的出现早晚、振幅大小、延续时间长短来诊断气阀故障,由
于实验条件的限制,只做了信号的时域分析。陈怡然和周轶尘等探索用分形理论研究 发动机的机械故障状态,计算了气阀在不同机械状态下广义的Renyi维数谱,指出缸 盖振动为确定性混沌振动,并对气阀漏气做出了判断,为柴油机的振动诊断探索了一 条新途径。

目前,动力机械故障诊断研究的重点是通过对缸盖或缸体振动信号进行各种分析 处理,如传统的谱分析、倒频谱分析、时序模型分析以及时频分析等,可以分离出故
障特征。通过建立缸盖振动信号和缸内压力之间关系的模型,可从缸盖振动信号中重

构出缸内压力嘲“”nlm“,进而对缸内燃烧状况进行诊断。文献[133通过建立缸盖振动 的非线性动力系统信息模型,采用奇异谱分析的方法提取故障特征。文献[14]通过内 燃机机体振动信号对内燃机主轴承进行状态监测和故障诊断。

基于小波分析和神经网络的动力机械故障诊断系统研究

1.3目前动力机械故障诊断存在的问题
故障诊断技术开始于20世纪60年代,经过四十多年的发展取得了相当可观的成 果。但是这些诊断方法都是针对某一故障模式,而且是诊断对象在工程中出现故障征
兆后进行的。主要存在问题如下“”“”:

①随着科学技术的发展,设备向高速、自动、精密、重载、高效的方向发展,工 作环境往往十分苛刻,设备的结构日趋复杂,往往融机、电、光、液等多种技术为一 体,因而故障类型亦增多,突发故障,组合故障更为频繁出现。近年来,此类研究虽 有成效,但是对强干扰,多事故、多征兆、突发条件下的诊断等问题还需加强研究。 ②在设备运行中,元素的故障和特征并不总是一一对应,尤其在复杂的非线性系 统中,特征和故障之间是复杂非线性关系,因而当故障出现时,难以根据一个或者几 个特征找到故障源。因此,在检测与诊断过程中,常常要尽可能多的获取故障信息, 以增加测点数,结果使钡4试设备过于复杂,或因设备运行状态复杂而使诊断失效。
而对于动力机械的故障诊断,通过对以上列出的目前动力机械故障诊断主要方法 进行分析可以看出,几种方法可以说是各有所长”1。

①性能参数监测可以直接得到关于动力机械工作参数的有关信息,便于对动力机 械的转速、输出功率的工作情况进行监控。但是,当监测参数出现异常无法通过调节 来使其恢复正常时,不容易判断出现失效的具体部位。 ②油液诊断法是一种能够比较方便、准确地监测以液体或半液体润滑的零部件的 磨损故障的先进技术,但在具体确定故障部位和该部位的故障程度上尚有困难。同时, 光谱分析的仪器设备价格也比较高,不便于普及。 ③振声诊断法由于振声信号测取方便,诊断速度快,并且不局限于液体润滑的零
部件,在零部件定位方面有很大的优越性。

振声诊断法已成功地应用于动力机械故障诊断中,并取得极大的经济效益。在动
力机械故障诊断方面已有的研究工作表明,动力机械的振声信号中包含了关于动力机

械工作状态的大量有用信息,只是需要更加有力的信号处理手段,因而振声诊断成为 目前动力机械故障诊断领域研究的重点和热点。本文中使用的诊断方法就是隶属于振
声诊断法的范畴,通过DASP(DataAcquisition and
Signal

Processing)数据采集仪来

采集振声信号,用小波分析和神经网络理论实现动力机械的故障诊断。



1绪论

1.4本论文研究的主要内容
本论文源于云南省教育厅高校教学科研带头人项目“基于小波分析与神经网络的 动力机械故障系统研究”,其主要任务是利用小波分析和神经网络的智能方法进行动 力机械的故障诊断处理。根据学校现有的实验条件,把云内4100QB柴油机台架系统 作为研究对象,主要实现对柴油机排气门间隙不正常、气缸中断供油以及同时出现排
气门间隙不正常和气缸中断供油的工况进行故障诊断。利用DASP数据采集分析系统 实现对云内4100QB柴油发动机缸盖振动信号的采集,然后对采集信号进行小波分析

获得表征发动机工作状况的特征向量。利用神经网络输入一输出函数的非线性特性, 将特征向量作为神经网络的输入,通过神经网络的自学习和联想记忆功能,对故障进 行分类识别,从而有效地实现对云内4100QB柴油机的故障诊断。 主要工作内容有以下几个方面: ①建立从传感器、信号调理与采集、小波分析处理到神经网络自适应故障诊断 的数据采集和处理系统; ②采集云内4100QB柴油机正常工况和存在故障工况的振动信号,并用DASP 系统转化成DAT格式文件; ③利用Matlab中编写好的小波分析的源程序对振动信号数据进行分析,提取其
特征向量;

④把提取的特征向量作为神经网络的输入,从而建立神经网络自适应故障诊断
系统;

⑤输入用来校验的振动信号,对系统进行验证。

1.5本章小结
本章介绍了课题研究背景,简述了目前动力机械故障诊断常用的方法,总结了动 力机械故障诊断存在的问题,最后提出了本论文所要研究的主要内容。

基于小波分析和神经网络的动力机械故障诊断系统研究

2小波分析、神经网络及其在动力机械故障诊断中的研究现状

2.1小波分析基本理论及其在信号处理和故障诊断中的应用
2.1.1小波分析基本理论

小波分析的首次应用是在1984年,法国物理学家Morlet在分析地震波的局部性 时首次采用小波分析。小波分析是一门新技术,它是数学理论调和分析技术发展的最 新成果,被公认为是工具和方法上的重大突破。它不仅具有完美的数学内涵,而且具 有重要的应用价值mm”。 小波(小波变换)的定义为n8m”㈨㈨: 设妒(r)∈II(R)(r(R)表示平方可积的实数空间,即能量有限的信号空间),其 Fourier变换为妒(∞),当面(∞)满足允许条件(Admissible Condition):

q=£眢2dco<。o
和平移后,就可以得到一个小波序列。其连续形式如下:

(2.t)

时,我们称9(f)为一个基本小波或母小波(Mother Wavelet)。将母小波妒O)经伸缩

妒。jO)刊4I--72妒(!:二鱼)口,beR;口≠0
对于任意的函数f(t)的小波变换的数学形式为:

(2.2)

%(咖)制。1”f(t)cp(等弦

(2.3)

窗口Fourier变换WFT仅具有不变的时一频窗,无论频率中心处于何处,其时一 频窗形状不改变,其时一频局部分析显得单一。与之相比,小波变换的时一频窗灵活可 调,是自适应的。这种自适应的时一频窗,在分析低频信号时,它的时窗宽而频窗窄; 在分析高频信号时,它的时窗窄而频窗宽。这就是为什么我们在数字信号处理中的一 些领域用小波变换代替窗口Fourier变换wFT的原因。 1986年,Y.Meyer创造性地构造出具有一定衰减性的光滑函数,其二进制伸缩与

平移构成r似)的规范正交基,才使小波得到真正的发展。1988年S.MMlat在构造正


2小波分析、神经网络及其在动力机械故障诊断中的研究现状

交小波基的基础之上提出了多分辨逼近MRA(Multi ResolutionAnalysis)的概念,从

空间的概念上形象地说明了小波的多分辨率特性,将此之前的所有正交小波基的构造 法统一起来,给出了正交小波的构造方法以及正交小波变换的快速算法,即Mallat
算法(FWT),这就是小波理论突破性的成果,其作用和地位相当于Fourier分析中的
FFT。

多分辨逼近MRA是指一串嵌套式闭子空间逼近序列{一)。,它满足下列要求:

①…c巧c一“c…∈r(R),IZ巧2{0},王巧2r(R):
②_=华鲫(妒肚(f)I以^(f)=2772妒(27t一后),k∈z);

③≯(,)=∑%妒(2r一”),{%}∈,2:
④{妒O—t)}是Riesz基。即

一∑H
keZ

12

41∑cz畎(t)IIg≤占∑l《12
keZ IEZ

(2.4)

上面各式中,由≯(r)生成了MRA,其中,③式称为双尺度方程,妒(f)称为尺度函数或

MRA的生成元。其中f@)是一个函数线性空间,它是全体能量有限信号(函数)的
集合。

由驴(f)生成的MRA确定了r㈤子空间直和分解关系:因为巧c一+。,记
%=巧。/一,即彤是巧在¨+,中的补子空间,所以就有巧。=巧o%。其中,记号

“。”表示子空间直和关系。所以,已㈣2旦%。记%的基函数为{妒(,一Ji})},则
妒(f)∈%一定可由K中的基函数线性表示,表达式为:
(2.5)

其中,妒(f)称为小波函数,上式成为妒(,)所满足的双尺度方程。 从以上的论述可知:多分辨分析分解的最终目的是力求构造一个在频率上高度逼

近r㈤空间的正交小波基,这些频率分辨率不同的正交小波基相当于带宽各异的带通
滤波器。多分辨分析只对低频空间进行进一步的分解,使频率的分辨率变得越来越高。 而对于高频信号而言,要用到小波包分析方法。小波包分析(Wavelet
PacketAnalysis)

能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对多分辨分析


基于小波分析和神经网络的动力机械故障诊断系统研究

没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应 的频带,使之与信号频谱相匹配,从而提高了时一频分辨率,因此小波包具有更广泛 的应用价值。

中曲 蛊 中柏 蛊
图1四层小波包空间分解结构示意图
Fig.1 Four layers wavelet packet decomposition structure

从上图可以看出,小波包空间分解对高频进行了进一步的细分。
2.1.2

Daubechies(dbN)d波函数

各个小波的特性不一样,在处理不同信号、不同信噪比时都存在一个去噪效果最
好或接近最好的分解层数,分解层数对于消噪效果的影响很大,通常分解层数过多,

而且对所有的各层小波空间的系数都进行阈值处理会造成信号的信息丢失严重,消噪 后的信噪比反而下降,同时导致运算量增大,使处理速度变慢。分解层数过少则消噪
效果不理想,信噪比提高不多,但不会出现信噪比下降的情况。阈值的选择相对较宽

松,通常在一定范围内变动时不会导致较大幅度的消噪效果的变化,但一个能够产生
有效门限阈值的准则是必要的、适用的。

根据上述原则,选取Daubechies小波作为实验分析工具。Daubechies函数是由世
界著名的小波分析学者Inrid Daubechies构造的小波函数,除了dbl(即Haar小波)

外,其他小波没有明确的表达式,dbN函数的出现使离散小波分析成为可能。 Daubechies小波函数提供了有效的分析和综合。Daubechies系中的小波基记为dbN,
N为序号,且N=1,2,…,10。其定义如下:

2小波分析、神经网络及其在动力机械故障诊断中的研究现状

Ⅳ一l

假设P(y)=∑c尹“‘Y‘,其中,c≯-1“为二项式的系数,则有:
k=0

瞰酬2=∽s2詈)”P(sin2嗤))
其中,

(2.6)

瞰∞)l=西l 2刍N-1‰e一?

Daubechies小波函数特点。

①在时域上是有限支撑的,其高阶原点矩积分为0。N值越大,9(f)的长度就越
长:

②dbN大多数不具有对称性(除了Haar小波外),对于有些小波函数,不对称性
是非常明显得。

③函数具有正交性。 在这里,给出了db3小波的尺度函数、小波函数、分解滤波器和重构滤波器的图
形,如下图2所示。在本论文的进行过程中,用的就是db3小波函数来进行信号的处 理。

黟8……”一”女3跫魈数一…一””。”

图2 db3小波尺度函数、小波函数
Fig.2 Scale function and wavelet function ofDaubechies3 wavelet



基于小波分析和神经网络的动力机械故障诊断系统研究

2.1.3小波包故障特征提取
小波包分析是在多分辨分析的基础上提出的一种能够将频率分辨到任意细节的

信号处理方法,它不仅对低频信号进一步进行分解,而且对高频信号也一样,因此在
故障诊断方面得到了广泛的应用。 小波包故障特征提取步骤:

①导入并读取采集信号。使用fopen命令导入信号,并用fread命令读取。 ②对采集的信号进行消噪。使用wdencmp命令对信号进行消噪处理,返回消噪 后的信号,该命令中所选取的阈值是采用本文中提出的硬、软阈值折中方法。硬、软
阈值折中方法的消噪效果比硬阂值和软阂值消噪更为理想,该方法如下:

现在常用方法是提出的硬、软阈值消噪算法,它们的定义是:取A=仃√2lgⅣ(仃2
为噪声方差,Ⅳ为离散采样信号的长度),硬阈值估计方法定义为:

略∥踹
软阈值估计方法定义为

眨,,

E,七={善∽,j1_jI—A1黟:f::
其中,sgn()为符号函数。
~。


。。.。,

’…?
Ⅵil

玛#

'………//7

—A A



一A

j/。


WJ;




I一7“
wik’

~“”一~

图3硬阈值和软阂值方法
Fig.3 Hard and soft threshold denosing met}10d

硬、软阂值在消噪时存在一些不足。硬闽值方法中,W,^在旯处是不连续的,因 此利用Wj。重构所得信号会产生一些振荡;软阂值方法克服了硬闽值不连续的缺点,
10

2小波分析、神经网络及其在动力机械故障诊断中的研究现状

但是它是通过减小绝对值大的小波系数消噪,造成了一定的高频信息损失,从而产生
误差。

针对硬、软阈值所存在得缺陷,对上述的软阈值量化方法稍做修改,引入下面的
定义:

珏p她小执鼢薯

亿。,

式中,0<a<1,当口取0和1时,分别对应的是硬阂值和软阈值量化方法,取口

的目的是使该方法介于硬、软阈值之间,以其得到更佳的去噪效果,因此称上式为折 中的硬、软阈值量化函数,在本论文的数据处理过程中就是利用此改进的阂值消噪方 法来进行振动信号消噪处理的。当口的取值介于(O,1)之间时,该函数量化出来的
阈值介于硬、软阈值之间,在(O,1)之间适当的调整口的大小,就可以得到理想的

消噪效果。取a=0.5时,可以达到良好的去噪效果,该方法可以表现为下图形式。
”…~~
“^J

W,j

。…&:o:5/“ V/


饮。
’ 一A

毡=1

形’。


,/

/。};÷≯一。%…。

∞;m㈣《女…∞^。々j一≮

图4硬、软阈值折中方法
Fig.4 Improved threshold denoising method

为了比较不同阂值消噪方法的消噪效果,将原始信号作为标准信号x(n),则经小


波消噪后的信号为x(n),信噪比SNR和均方根误差RMSE公式定义为:

姗=10

∑z2(以) ∑【x(H)一J(盯)】2

丑艘=

瀑蕊丽

(2.10)

其中,N为离散信号的长度。 信号的信噪比SNR越高,均方根误差RMSE越小,则估计信号就越接近于原始

基于小波分析和神经网络的动力机械故障诊断系统研究

信号,消噪效果越好。 ⑧对消噪后的信号进行小波包分解。使用wpdec命令采用db3小波按shannon熵 标准对信号做3层分解,分别提取第3层8个节点(RS30,RS31.“,RS,,)的信号 特征 ④重构小波包分解系数。使用wprcoef命令分别重构小波包分解8个结点(不同

频带)的信号。以RS,。表示%的重构信号,Rs3.表示墨。的重构信号,依此类推。则 总信号船可表示为: RS2只&+RS31+…+船37
(2.11)

⑤求各个频带信号的总能量。由于输入信号是一个随机信号,其输出也是一个随

机信号。设船”(j=0,1,…,7)对应的能量为易,(j=0,l,t

oot

7),则有:

E圹J|马剧2dt:窆M2

(2.12)

其中,x止(j=0,1,…,7,k21,2,…,n)表示重构信号Rs3,的离散点的幅值。 ⑥构造特征向量。以各频带的能量为元素构造特征向量,特征向量r如下:

丁=[如,E。,易:,如,如,易,,E。,岛,]

(2.13)

E,,(j=O,l,…,7)通常是一个较大的数值。对向量进行归一化处理之后得到的 特征向量r即为最终要提取的特征向量,从而为神经网络自适应内燃机诊断故障提 供了新的故障样本。
2.1.4小波分析在信号处理和故障诊断中的应用

小波分析的应用范围很广,基于小波分析进行故障诊断是属于故障诊断方法中的 信号处理法,这一方法的优点是可以回避被诊断对象的数学模型,这对于那些难以建 立解析数学模型的诊断对象是非常有用的…。小波分析特别适用于信号的瞬态分析、 图像的边沿分析、图像处理、数据压缩、分形信号分析等方面。由于它独特的优点, 许多科研人员在这方面进行了大量的研究。 小波分析在动力机械故障诊断中得到了广泛的应用。文献[23]根据输油管泄漏造 成的压力信号突变的特点,用小波分析监测这些突变点,实现输油管道的泄漏点诊断。

2小波分析、神经网络及其在动力机械故障诊断中的研究现状

文献[24]提出了利用Mallat塔式算法实现对系统的多故障检测,将观测信号进行多尺 度分解,获得故障在不同尺度下的特征,进而实现故障区分。利用该方法实现对某一
电网上不同故障的区分。文献[25]利用小波包的多维多分辨率特性,对电机振动信号

进行分解重构,提取电机故障特征信号,将其作为特征向量输入ART2(自适应谐振) 神经网络,可对电机工作状态进行在线监测和敌障诊断。文献[26]中,Goumas,S.K. 将小波分析用于清洗机械振动突变的监测,尤其是起动阶段的监测。这种方法能有效 的提取振动信号的突变特征,供识别系统进行诊断。文献[27]中利用连续小波变换极
值点来实现对动态系统的故障检测,仿真的结果表明这种方法灵敏度高,克服噪声能

力强,对输入信号要求低,而且不需要对象的数学模型,是一种有效的故障诊断方法。 文献[28]利用小波包分析与信号能量分解进行故障特征提取,运用这种方法提取风机
轴不对中故障特征向量,为神经网络故障诊断提供了新的故障样本。此文献结论表明

这种方法比基于Fourier变换的故障特征提取方法更有效,很适合于机械故障诊断。
文献[29]利用小波包将信号按任意时频分辨率(满足测不准原则)分解到不同频段的 特点,论述了小波包特征提取的方法。利用这一特性对柴油机气门间隙和漏气故障进

行了诊断,取得了满意的结果。文献[30]中讨论用谐波小波分析有效提取非平稳信号 中的奇异成分,当信号中存在噪声时,谐波小波分解的时频等高线图无法凸显其奇异 成分。文中采用谐波小波时频剖面图对仿真信号和齿轮故障信号进行分析,成功的提
取出信号中的奇异成分,该方法可有效用于设备故障诊断。文献[31]利用小波变换获

取特征域,取特征域上的峰值因子、脉冲因子、裕度因子、偏态因子、峭度因子及频 谱最大值作为神经网络的输入,并对神经网络的输入、输出进行模糊化处理,用神经
网络进行诊断,提出了一种基于小波和模糊神经网络的涡喷发动机故障诊断方法。

2.2神经网络基本理论及其在故障诊断中的应用
2.2.1神经网络的历史简介 神经网络是--I']活跃的边缘性交叉学科,研究其发展过程和前沿问题,具有重要 的理论意义。人工神经网络的研究已有半个多世纪的历史,它的发展大致可分为四个

阶段‘删川…:
①兴起(1943.1969):1943年,美国心理学家s.MeCulloch和数学家Walter.H.Pitts 合作,从人脑信息处理观点出发,采用数理模型的方法研究了脑细胞的动作和结构及

基于小波分析和神经网络的动力机械故障诊断系统研究

其生物神经元的一些基本生理特性,他们提出了第一个神经计算模型,即神经元的阈 值元件模型,简称MP模型,如下图5所示。

辨爰

麓^尸yI

'| ,。

图5生物神经元和人工MP神经元模型
Fig.5 Biological
nerve

cell and model

ofMP

artifical

nerve

cell

②低潮(20世纪70年代):1969年,Minskey和Papert发表专著《感知器 (Perceptron))),指出线性感知器功能的有限性,有些学者把研究兴趣转移到人工智 能或数字计算机有关的理论和应用方面,使神经网络的研究进入了低潮。 ③复兴(20世纪80年代):1982年美国加州工学院物理学家John Hopfield提出
了仿人脑的神经网络模型,即著名的Hopfield模型,开拓了神经网络用于联想记忆和

优化计算的新途径;1986年,误差反向传播算法(Back Propagation,即BP算法)被 提出来,从此BP网络成为迄今为止使用的最为广泛的一种神经网络。 ④热潮(20世纪80年代后期至今):1987年6月21日在美国圣地亚哥召开了第 一届国际神经网络学术会议,宣告了国际神经网络协会正式成立,掀起了研究开发和 利用神经网络的热潮。由于神经网络具有一定的自学习、自适应和泛化能力,因此它 在很多方面都得到了广泛的应用,神经网络研究进入新的发展。
BP神经网络基本理论

2.2.2

目前实际应用的人工神经网络有十几种,而且神经网络的理论研究日趋深入.其 重要发展方向之一就是注重小波、混沌、模糊集等非线性科学理论的结合。而BP网络
学习算法自1984年Rumelhart等人提出来之后,就得到了广泛的应用。据统计,80%~

90%的神经网络采用BP网络或其变化形式。BP网络是前向网络最核心的部分,体现了 神经网络中最精华、最完美的内容蛳m儿盯瑚1。 BP网络是一种具有三层或三层以上的多层前向神经网络,包括输入层、中间层
14

2小波分析、神经网络及其在动力机械故障诊断中的研究现状

(隐层)和输出层。上下层之间实现全连接,而每层神经元之间无连接。当学习样本

提供给网络后,神经元的激活值从输入层经中间层向输出层传播,在输出层的各神经
元获得网络的输入响应,实现“工作信号的正向传播”;接下来按照减少目标输出与

实际误差的方向,从输出层经过中间层逐层修正各连接权值,最后回到输入层,从而 实现“误差信号反向传播”,即BP算法。随着误差的逆向传播,修正不断进行,网络
对输入模式响应的正确率也不断上升。

图6三层BP网络结构
Fig.6 BP network structure ofthree layers

我们以三层BP网络为例,介绍BP网络的学习过程及步骤。首先说明各符号的
形式及意义。

网络输入向量B=(口l,42,...,%);网络的目标向量瓦=(J,。,y:,...,y,); 中间层单元输入向量墨=(s。,s:,...,s,),输出向量BI=(6l,b2,...,bp); 输出层单元输入向量t=(f。,,:….,乞),输出向量G=(q,c:,...,c。);

输入层到中间层的连接权值睨,中间层到输出层的连接权值%;
中间层各单元的输出阈值p,,输出层各单元的输出阈值y,;参数七=j,,…,IlL。

①在初始化之后,用输入样本最=(彳,迸….,露)、连接权值%和阈值日,计算中
间层各单元的输入jJ,然后用J,通过传递函数计算中间层各单元的输出q。

J/=∑%q-Oj
I;l

bJ=f(s,)

j:j,z”jP

(2?14)

②利用6』、一,和n计算输出层各单元的输出厶,然后计算输出层各单元响应e。
15

基于小波分析和神经网络的动力机械故障诊断系统研究



厶=∑¨,b,-y,cf=厂(厶)t=l,z…,q
,=I

(2.15)

⑨利用网络目标向量瓦,网络的实际输出Ct,计算输出层各单元的一般化误差

d:。

d/=(∥一e)Cf(1一cf)t=1,2,…,口

(2.16)

④利用¨,、输出层一般误差吐和中间层输出6,计算中间层各单元的一般化误差

P;=【∑4?Vj,]b,(1一b,)
t=l

(2.17)

⑤利用输出层各单元的一般化误差影与中间层各单元的输出bj来修正一,和n。 %(Ⅳ+1)=一,(Ⅳ)+a?d/?b/ r,(Ⅳ+1)=',,(Ⅳ)+a?d?t=l,2,…,q,
j=1,2,…,P,0兀a丁【1 (2.18) (2.19)

⑥利用中间层各单元的一般化误差P;,输入层各单元的输入最来修正%和o,。 %(Ⅳ+1)=%(Ⅳ)+卢?P;?47 0j(Ⅳ+1)=日,(Ⅳ)+卢?ej
毕。
i。』,2'…,n,

(2.20) (2.21)

户J,z“jP,0兀p兀l

⑦随机选下一个学习样本向量提供给网络,返回到步骤③,直到m个样本训练完

⑧重新从111个样本中随机选一组输入和目标样本,返回步骤③,直到网络全局误
差E小于预先设定极小值,网络完全收敛。若学习次数大于预先设定的值,网络不收 敛。

⑨学习结束。 可以看出,在以上学习步骤中,⑥~⑦步为网络误差的“逆传播过程”,⑨~⑨ 步则用于完成训练和收敛过程。由于系统是非线性的,初始值对于学习能否达到局部 最小和是否能够收敛的结果关系很大。一个重要的要求是:初始权值在输入累加时使 每个神经元的状态值接近于零,权值一般取随机数,要比较小。输入样本也同样希望 进行归一化处理,使那些比较大的输入仍落在传递函数梯度大的地方。通常,经过训
16

2小波分析、神经网络及其在动力机械故障诊断中的研究现状

练的网络还应该进行性能测试。测试的方法就是选择测试样本向量,将其提供给网络, 检验网络对其分类的正确性,测试样本向量中应包含今后网络应用过程中可能遇到的
主要典型模式。

2.2.3神经网络在故障诊断中的应用

1989年美国珀杜大学King Chan等人将人工神经网络用于故障诊断中㈨。同

年,日本庆应义塾大学的Kajiro、Watanabe等人将神经网络用于诊断化工过程的初
期故障…1。美国德克萨斯大学的Hoskins和Himmelblau等人应用人工神经网络“”,

以连续变量作为输入,进行三个连续搅拌釜反应器的故障诊断,结果证明人工神经网
络能将定量数值信息转化为定性解释。同时他们也得出人工神经网络的一些重要特

性:①人工神经网络的优点之一是能滤掉噪声。②当网络错误的将不正确的输入当作 噪声时,这个优点会转化为缺点。在随后的几年里美国和日本在利用神经网络进行故
障诊断方面取得了很大的进步。 我国也有一些学者对神经网络在旋转机械故障诊断中的应用进行了探讨,取得了

一定的成果。东北大学虞和济教授等对机械设备故障诊断的人工神经网络进行了深入 的研究嗍“1,建立了旋转机械神经网络分类系统并得到了应用,研制成功了“轧钢机
状态检测诊断系统”。西安交大的屈梁生教授等较早的利用人工神经网络对大型旋转

机械的各种故障进行了全面的研究,并研制出“大型旋转机械计算机状态检测与故障 诊断系统”。张炜等一批科技工作者对旋转机械故障诊断中的神经网络算法进行了研 究…1,采用动态学习算法,引入了控制因子,结果表明这种改进提高了BP网络的收
敛速度,改善了网络的性能,具有实际应用意义。

近些年来,随着国内外对神经网络应用研究的深入,神经网络开始更加广泛的应
用于故障诊断领域。Dalmi,I.将自适应学习的神经网络用于汽车发动机和传感器的故

障诊断…1,在这个应用中,作者分别运用了有监督学习神经网络MLP和RBF神经网
络以及无监督学习神经网络Kohonen网络和对等网络。Howlett,1L和J.Palade V等人

将神经网络用于汽车发动机的状态监测和故障诊断H41,在这个应用中作者设计了一套 基于神经网络的监测和诊断系统,这个系统能通过发动机点火系统的火花塞电压的变 化来监控发动机的工作情况并进行故障诊断。在国内,也出现了大量的神经网络在各
个领域的应用研究。文献[45]提出了基于两级神经网络结构的多传感器斜置组件的故

障诊断方法,以消除传感器安装误差、刻度系数误差以及常值偏差对故障检测与隔离 准确性的影响。与基于参数估计的奇偶向量补偿方法相比,这种方法不需要各项误差
17

基于小波分析和神经网络的动力机械故障诊断系统研究

的动态模型和噪声的统计特性。仿真表明所提出的方法明显提高了系统对小幅值故障

的检测能力。文献[46]从车辆运行参数出发,运用小波理论及神经网络技术,对汽车 的运动参数进行特征提取,进而对不同安全部件进行故障诊断,取得了满意的效果。 文献[47]提出了一种基于三层BP网络的柴油机故障诊断模型,给出了一种基于黄金 分割法的变步长学习算法,该算法比标准BP算法具有更快的学习速度,完全适用于 柴油机故障诊断系统。文献[48]主要以振动诊断法为主,在对内燃机进行结构和振动 特性分析的基础上,针对内燃机表面振动信号的时域、频域特性和非平稳时变特点, 通过对实测故障信号和正常信号的对比分析,给出了几种对内燃机诊断行之有效的特 征提取方法和故障特征量,如时域分析方法和时域特征量、频域分析方法和频域特征 量以及小波包特征量。同时,采用附加动量项和自适应调整学习速率法相结合的策略, 克服了标准BP算法收敛速度慢和易陷入局部极小点的缺点,在此基础上建立了基于
BP神经网络的内燃机故障诊断模型,用实例验证了该模型的有效性。

2.3本章小结
本章介绍了小波分析和神经网络的基本理论及其在动力机械故障诊断中的应用。 在小波分析方面,首先引入了小波分析的基本理论,然后着重介绍了本论文要用到的
Daubechies小波函数以及利用db3小波进行故障特征提取的方法,最后探讨了小波分 析在信号处理和故障诊断中的应用;在神经网络方面,首先简介了神经网络的发展历

史,然后着重介绍了本论文使用到的BP神经网络,最后探讨了小波分析在动力机械 故障诊断中的应用。通过本章节分析,为实验数据的分析处理打下了基础。

3内燃机结构及振动特性分析

3内燃机结构及振动特性分析
内燃机在运行过程中由于各种力的激励作用必然会产生振动,通过各种传递路径 传播到内燃机表面,当内部零部件状态发生变化时,内燃机表面振动响应也会相应地 发生变化,因而内燃机表面振动信号中包含有丰富的内部零部件的状态信息,通过适
当的信号处理和其他手段从中提取出故障特征信息就可以对内燃机进行故障诊断。通 过对内燃机的结构、动力学特性的分析,以及对内燃机的各种激振源及振动的传播路

径的分析,可以深入了解内燃机振动的根源,从而建立内燃机表面振动信号与内燃机 工作过程或状态之间的内在联系,为内燃机实现故障诊断提供理论基础。

3.1内燃机基本结构
内燃机是一种将热能为机械能的机器呻1。它是经过人们长期使用实践的不断筛 选,在人们所发明创造的各类机构、机型中证明是最具有生命力的一种形式。结构上
最可靠的是由活塞、连杆、曲轴所组成的曲柄连杆机构作为主运动系统。一般以曲柄 连杆机构为主,加上其它辅助机构和系统,如活塞缸套组件、配气机构、燃料供给系

统、点火系统、启动系统、润滑系统、冷却系统等构成。按照气缸排列形式又可分为 直列式内燃机和V型内燃机。

图7内燃机气缸剖图
Fig.7 Cutaway view of engine cylinder

1一喷油器2一进气门3一凸轮轴4一排气门5一活塞

19

基于小波分析和神经网络的动力机械故障诊断系统研究

图8发动机点火系统结构简图
Fig.8 Engine Combustion system Structure figure

1一曲轴2一气缸3一活塞4一燃烧室5一进气门6一喷油嘴7一气流调节器 8一空气进入9一节气门lO一电子控制单元11一燃油压力调节器12一供油管

3.2内燃机振动的激振源及其传播途径
由内燃机的动力学分析可知,工作状态下内燃机缸盖系统主要承受的激励力有5 个:进、排气门的开启和关闭的4个冲击力以及缸内气体燃烧压力…。气阀机构的气 阀与阀座之间的敲击、进排气门开启气流的冲击等是内燃机缸盖振动的因素。此外, 内燃机燃烧室中气体燃烧压力是内燃机缸盖主要的激振源之一。可以认为缸盖系统是 一个多输入、单输出的线性系统,其系统输入是这些激励力,系统输出是缸盖表面振
动响应信号m”。

3.2.1内燃机振动的主要激振源

①气门落座冲击 由气阀工作过程可知,在内燃机工作循环中,气门在凸轮轴的作用下按照一定的 时序开启,然后依靠弹簧的弹性恢复力使其关闭。为保证气门能关紧,在气门杆和摇 臂之间一般都预留一定的气门间隙,气门关闭时必然会对阀座产生冲击,冲击会引起
缸盖或摇臂座产生振动响应信号㈣。尤其是排气门,气缸内燃烧压力大,对排气门冲
20

3内燃机结构及振动特性分析

击也比较大,是内燃机缸盖主要的激振源。

②进排气阀开启节流冲击 进排气阀开启时,气流高速通过气门与气门座之问的空隙,形成狭缝喷流,会对 系统产生一个激振力。 ③燃烧激振源 在内燃机中,缸内燃料混合气的燃烧产生气体压力激振,主要由压缩力、燃烧产 生的压力增量和气体压力的高频振荡分量组成。燃烧产生的气体激振力随气体的压力
的增加呈上升趋势“4。其强度与燃烧压力升高率、压力升高加速度、最高燃烧压力以 及三者出现时的曲轴转角等因素有关旧1。

3.2.2振动力传播途径

由内燃机动力学知识分析可知,进排气门落座冲击和燃烧所引起的气体力都直接 作用在缸盖上,引起振动并传播到缸盖外表面上,这是振动的主要传播途径。对缸盖 振动信号进行分析,增大了故障信息的占有量,有利于诊断工作的进行‘州。因此通过 测取内燃机缸体或缸盖振动信号,从中提取机体内各部分的状态信息用小波分析处理 并用神经网络实现故障诊断是可行的。

3.3内燃机缸盖振动信号的特性研究

由前面的分析可知,内燃机缸体表面振动信号是缸内气门落座冲击、进排气门开 启气流冲击、气体燃烧压力等多种激励力综合作用的结果,同时还有各气缸激振力的 相互作用,因而其表现形式非常复杂。内燃机缸盖振动信号的特性包括循环波动特性、 时、频域特性㈣删。

①循环波动特性
缸盖振动信号的循环波动特性是指内燃机稳定运转时同一工况下不同循环间振

动信号的波动变化特性,表现在作用时间、频率成分和振动强度方面,分别称为时间 波动特性、频率波动特性和强度波动特性。 ②时、频域特性
缸盖振动信号的时域特性是指各激励力响应信号在作用时刻及其作用强度等方

面体现出来的特性。缸盖表面振动信号在时域内的波形,与喷油提前角和配气相位密 不可分。当内燃机出现某种故障时,相应的激励力响应信号在作用时间和能量强度等
21

基于小波分析和神经网络的动力机械故障诊断系统研究

方面将发生改变,据此可以获取特征参数并进行故障诊断,这是内燃机缸盖振动信号
的一个最基本特性。

缸盖振动信号的频域特性是指各激励力响应信号在频域内体现出来的特性。当内 燃机出现故障时,相应频带内的能量或谱峰值对应的频带范围将发生改变,从而可以 提供诊断特征。这是内燃机缸盖振动信号的另一个基本特性。

3.4确定故障诊断对象
配气机构是柴油机最易发生故障的机构之一,尤其是气门机构间隙异常和气门漏 气。排气门由于受到高温燃气的高速冲刷作用以及阀头落座频繁,而受到很高的热应
力和机械应力,极易产生气门间隙异常和漏气现象…。据英国柴油机工程师和用户协 会提供的柴油机停机故障分析表明,造成柴油机停机故障的各种原因中,配气机构的

故障在柴油机的故障中占有比例达11.9%。配气机构的主要故障是由于气门配合部位 磨损、积炭烧蚀或翘曲变形而产生气门间隙异常或气门漏气。另外,缸内燃烧压力也 是缸体表面振动的主要激振源,存在着燃烧的循环变动,因此本论文也将采用灭缸法 来进行燃烧压力的故障诊断。总之,配气机构、缸内燃烧情况故障既影响发动机的性 能,又影响发动机的寿命,所以诊断配气机构、缸内燃烧情况故障是发动机性能检测
和故障诊断的重要内容“1:

到此我们可知,一是通过缸盖获取配气机构、燃烧激振源的振动信号是可行的, 二是配气机构、缸内燃烧情况是发动机性能检测和故障诊断的主要内容。根据以上分 析,在本文的研究中,选取内燃机排气门间隙异常、中断供油(灭缸法)以及同时出 现排气门间隙异常和中断供油作为故障诊断的研究对象,通过压电加速度传感器来获 取内燃机缸盖振动信号,用DASP数据采集和信号处理系统完成内燃机缸盖振动信号 的采集,利用MATLAB小波工具分析振动信号的时域特性和频域特性,求出所对应的 能量进行归一化之后作为神经网络输入的特征向量,在神经网络中实现故障的分类识
别,最终实现动力机械的故障诊断。

3.5.配气机构、燃烧情况故障诊断研究现状

3.5.1其它方法的配气机构故障诊断研究

由于配气机构是内燃机最容易发生故障的机构之一,很多学者已经在气门故障诊
22

3内燃机结构及振动特性分析

断这方面做了大量的工作。文献[57]对瞬时转速波动进行了仿真分析计算,同时实测 了发动机的瞬时转速,把实测与仿真计算的瞬时转速波形相对比,结果基本一致。文 中讨论了影响瞬时转速测量精度的关键因素,提出利用瞬时转速进行故障诊断的特征
参数及判据。文献[58]在对发动机气门漏气声学特性及其振动诊断机理研究的基础

上,利用测取的振动信号和信号处理技术,提出了一种利用高频带与总频带能量比诊 断发动机气门漏气故障的方法。文献[59]以发动机压缩冲程上止点为参考信号,采用 时域分离技术得到进、排气门的特征频率,找到适宜的气门间隙故障定量诊断方法。 气门间隙故障的脉冲诊断是通过选取参考信号对振动响应信号的加窗处理,从而实现
了具体气门的间隙故障定量诊断。

上述所提及的文献中都存在着不足之处。文献E57]采用瞬时转速波动来实现气门
漏气故障诊断,但是上面我们已经分析,当监测瞬时转速波动出现异常无法通过调节 来使其恢复正常时,那么就不容易实现气门漏气故障的诊断。文献[58]中实现了对发

动机气门漏气故障的诊断,但是要通过对比波形、高频带与总频带能量比来确定气门 漏气故障,没有实现用神经网络自适应判定气门漏气故障。文献[59]中采用时域分离 技术得到气门的特征频率,但是在脉冲诊断时采用的参考信号是对振动响应信号进行 加窗处理,没有发挥小波分析所特有的优势来实现高频和低频信号的分离,因此参考
信号的提取也是不足的。

3.5.2小波分析和神经网络在配气机构、燃烧情况故障诊断方面的应用

小波分析和神经网络在故障诊断中具有独特的优势,很多学者已经在利用小波分 析和神经网络实现气门故障诊断这方面做了大量的工作。文献【60】根据柴油机振动信 号的特点,综合信号处理及模式识别理论,提出了一种柴油机气门故障诊断综合方法。
文中详细阐述了将提取图像特征的神经网络法用于柴油机气门故障诊断的原理、过程

以及故障分类。文献[6H将小波分析引入气缸压力的分析与研究,对其进行二进小波 分解,计算分解后尺度1上信号各频带的能量百分比,从中获得诊断特征量,从而对 气门间隙进行故障诊断,利用小波分析良好的时频分辨能力可以对气缸压力信号进行
更精细地描述,使得诊断特征量的获得更方便有效。文献[62】探讨了利用缸盖振动信

号诊断内燃机气阀漏气的一种小波包方法。对实测信号的分析和处理结果表明了小波
包在该领域的适用性; 建立了基于马氏距离法的气阀漏气多指标诊断模型,在实机

诊断中取得了预期的效果。文献[631针对强噪声背景的高频振动信号,给出了一种利 用小波包消噪和频带分割技术,根据信号能量在小波包空间的分布特性,提取故障信
23

基于小波分析和神经网络的动力机械故障诊断系统研究

号特征信息的方法。在小波包空间自适应软阈值去噪,消除白噪声;运用频带分割消 除有色噪声,计算各子空间的能量,抽取低维特征矢量,作为小波神经网络的输入。 该文中的方法既提高了小波包神经网络的故障识别性能,又简化了决策网络结构,提 高了收敛速度。文献[641提出了一种基于小波分析和神经网络技术检测发动机气缸气 密性能的新方法。对电涡流位移传感器拾取的飞轮位移信号直接进行时域采样,通过 处理和小波分析,获得反映发动机启动瞬时转速尺度参数,BP神经网络以此作为输 入向量,从而有效地检测了发动机气缸气密性能。文献[65】中研究了内燃机缸内压力
高频振荡的机理以及压力高频振荡对燃烧噪声的影响,利用小波分析提取缸内压力高

频成分,从而确定缸内压力高频振荡出现的范围。用有限元方法计算不同曲轴转角下 对应燃烧室空腔声模态,用声响应法测量不同曲轴转角下燃烧室空腔声模态,并对计 算值和测量值进行了比较和修正,对实测的缸内燃烧压力信号进行了分析。

3.6本研究的特点
上述的研究中,用小波分析气缸密闭性的研究较多,而且研究气缸漏气情况诊断 居多,但是结合小波分析和神经网络两者一起来实现气门间隙不正常以及判别灭缸情 况下的故障诊断的研究较少。而且,上述研究中大多是只做到判断出气门存在问题为 止,具体判别出是哪个或哪几个缸的气门存在问题没有提及,更没有提及同时出现气 门间隙不正常和中断供油时的故障诊断,这样导致后续的工作还要迸一步进行检测, 没有一步到位。 因此本研究的特点有以下几个方面: ①首次使用改进的阈值方法来提取发动机振动信号的特征向量,所提取的特征向 量经归一化处理后能较好的表征原信号,具有较高的信噪比SNR和均方根误差I孙ISE, 这是不同于其他研究的一个重要特点。 ②用小波分析和神经网络判断出哪个缸的气门存在问题,对同时出现气门间隙不 正常和中断供油时的情况进行故障诊断,这尚属首次,也是不同于其他研究的一个重
要特点。

③首次使用小波分析和神经网络理论实现对云内4100QB柴油机配气机构、燃烧 情况进行故障诊断,结果表明该方法对4100QB柴油机的故障诊断是有效的、可行的。

3内燃机结构及振动特性分析

3.7本章小结
本章节主要简介了内燃机基本结构,找出了内燃机缸盖振动信号的主要激振源, 并对其振动特性进行了分析,从而确定本论文实验中把配气机构排气门和缸内燃烧情 况(中断供油)作为故障诊断研究对象,并探讨了配气机构排气门和缸内燃烧情况(中 断供油)作为故障诊断对象的研究现状,最后提出本论文不同于前人所作工作的创新 点。此章节的工作为实验的顺利进行打下了基础。

基于小波分析和神经网络的动力机械故障诊断系统研究

4实验系统

4.1动力机械故障诊断系统
一个智能在线诊断的动力机械故障诊断系统,是一个从故障产生、信号的采集处
理到反馈决策判定的一个闭环系统。其结构框图如图9所示:

}|…bl焉鬻卜 —}{诊断神经网络j
/k

》j预处理b


特征选择/提取1
(小波分析)

广

—}I

送入测试


图9基于小波分析和神经网络的诊断系统结构
on

Fig.9 Fault diagnosis system based

the wavelet analysis and neural network

整个诊断系统主要进行如下几项工作: ①数据获取 来自传感器的信号要用计算机可以运算的符号表示。对输入对象的信息(一维机 械振动信号),通过测量、采样、量化、编码、数据形式的转换,使数据变成可以由
计算机处理的数据,这就是数据获取过程。当前数据的转换处理分两种方式:一种是

由传感器系统直接进行处理;另一种是由上层的计算机间接进行处理。 ②预处理 预处理的目的是提高信号的信噪比,如提取奇异项,去掉电平漂移,必要时零均
值化,消除趋势项和平滑滤波等,以便突出有用信息,并对输入测量仪器或其它原因

所造成的退化现象进行复原。 ③特征数据提取和选择 为了有效地实现分类识别,需要根据系统的性质与要求对原始数据进行提取和选 择,正确地提取能够反映状态分类本质的特征。一般我们把原始数据组成的空间叫做

4实验系统

测量空间,把分类识别赖以进行的空间叫做特征空间。通过各种变换可以将维数较高

的测量空间中的模式变为维数较低的特征空问的模式。某些特征量对某些故障有较大 的敏感度,而对另一些故障则相对迟钝,这样就需正确地从特征信号中提取对预识别 状态变化最敏感的特征量。 ④分类和识别 根据系统的具体情况,对系统的工作状态做出正确的判断和归属,应使系统在规 定可靠性的条件下具有不低于某一给定的识别品质。 ⑤分析决策与维护管理 分析系统特性、工作状态和发展趋势,并由此做出相应的决策判断,干预系统的 工作过程。

4.2本课题中的实验系统
根据理论故障诊断模型,结合本论文的研究,建立由一个振动信号源、采集系统、 信号分析系统的一个实验系统,结构图如图L0所示。

图10实验系统
Fig.10 Scheme ofexperiment system

4,2.1振动信号产生系统 振动信号源主要是由台架上的云内4100QB柴油机工作产生。台架实验系统是其
工作基础。

台架实验系统主要以长沙湘仪电涡流测功机为中心组成,它由内燃机、转速计、 测扭计、油耗仪、转速扭矩控制器、控制计算机、显示和打印等部分组成。台架实验
系统如图11所示。研究对象是实验台架上的云南内燃机厂生产的4100QB柴油发动

机,研究其在一定工作条件下工作时所产生的振动信号,其工作状态的控制借助于台 架实验系统进行控制。其实验系统框图如图12所示。实物图如图13、图14所示。

基于小波分析和神经网络的动力机械故障诊断系统研究

固甲四

图ll台架实验系统组成图
Fig.11 System ofengine experiment bed

图12实验系统框图
Fig.12 Scheme ofexperimental system

4实验系统

图13 4100QB柴油发动机实验台架实物图
Fig.13 Practicality experiment bed

of4100QB

diesel engine

图14

PowerLink

FC2000发动机测控系统

Fig.14 The Poweflink FC2000 engine measure and control system

基于小波分析和神经网络的动力机械故障诊断系统研究

实验设备主要技术参数: (1)实验台架主要设备技术参数,表1所示。 表1实验台架设备参数
T,Ible 1 Parameter ofthe exDedment bed

(2)发动机基本参数,表2所示。 表2发动机参数
Table 2

Parameter ofengine

(3)采集系统主要设备技术参数,表3所示。 表3采集系统设备参数
Table 3 Parameter ofthe signal acquisition system

4实验系统

4.2.2信号采集系统

振动信号在台架实验系统的控制下,达到实验所需的工作条件,压电加速度传感
器作为信号采集的载体,四合一信号滤波器(集电压放大、电荷放大、积分、抗混滤

波于一体)对信号进行初始处理,信号采集仪对信号进行采集,计算机和DASP2005 Professional软件对信号进行显示和记录。信号采集系统框图如图15所示。信号采集
系统实物图片,见图16所示。

图15信号采集系统
Fig.15 Signal acquisition system

图16信号采集系统各部分实物图
Fig.16 Scheme of signal acquisition system

基于小波分析和神经网络的动力机械故障诊断系统研究

4.2.3信号分析系统

利用DASP专业分析软件将采集的信号导出ASCII码文件(文件格式为.dat), 将其导入到MATLAB软件中已经用小波命令行编写好的程序中,利用小波分析提取 信号归一化后的能量作为特征向量,送入神经网络进行学习判断、分类识别,判定工 作状况或工作部件工作异常。信号分析系统框图见图17所示:

I鬣鬻卜

MA…TLAB一~向量'I"波H裟淼
图17信号分析系统

Fig.17 Signal analysis system

图18 matlab工作界面
Fig.18 Interface ofthe matlab

4实验系统

4.3实验设备简介
4.3.1

DASP2005专业分析软件简介 DASP2005是东方振动和噪声技术研究所开发的,是一个可进行各种动静态测试

的,是一套运行在windo、v95/98/Me肘1'/2000ⅨP平台上的大型动态信号处理软件。 具有以下特点。 ①新技术含量高 实现频率计技术使测量频率的精度达到万分之一、幅值精度达到千分之一、相位
精度达到l度之内:阻力计精度有数量级的提高。

②多功能示波技术 不仅具有单通道、双通道和多通道信号示波,还含有许多实时分析功能;示波方 式具有随机、触发、变时基触发等多种方式。 ③高性能数据采集技术 实现了不间断大量数据采集和采样过程中随时中止采样功能;连续采样的储存、
显示。

④全面的信号处理和分析功能 提供时域、频域、幅域等多种信号分析方法;对大容量数据进行编辑和滤波处理。 ⑤科学的文件管理和友好的用户界面 软件设计了一个比较完善的文件管理系统,对于每一次不同的实验,一经参数设 置后,系统即可进行文件管理,无需人为干预。在信号分析时,直接调用就可。
4.3.2压电加速度传感器介绍

压电加速度传感器由于具有体积小、重量轻、灵敏度高、测量范围大、频响范围

宽、线性度好、安装简便等诸多优点而获得了广泛的应用,是目前机械故障的振动诊
断测试中最为常用的一种传感器。压电加速度传感器的工作原理是:由物理学可知,

某些电介质,当沿着一定的方向对其施力而使之变形时,其内部将发生极化现象,同 时在它的两个表面上产生符号相反的电荷;当外力去除后,电介质又重新恢复到不带 电的状态,介质的这种机械能转换为电能的现象即为压电效应f¨。本实验中采用的 INV9818压电式加速度传感器实物以及该传感器在柴油机缸盖表面的固定位置如图
19和20所示:
33

基于小波分析和神经网络的动力机械故障诊断系统研究

图19 INV9818压电加速度传感器
Fig.19 INV981 8 piezoelectricity acceleration
sensor

图20传感器固定位置
Fig.20 Position ofthe piezoelectricity acceleration
sensor

4.4本章小结
本章介绍了动力机械故障诊断的常用系统及各部分的功能,介绍了本文的实验系 统的组成,以及各组成部分包含的组件及功能,并用图片加以介绍。对本文所用的分 析软件DASP和压电式加速度传感器进行了概述,此章节的介绍为实验的完成和实验 方案的设计及其数据采集、分析提供了基础。

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

5.1实验步骤

实验过程中,利用云内4100QB柴油机台架的发动机测控系统,控制柴油机在油
门开度为100%的工作条件下,采集不同转速下的4100QB缸盖的振动信号。其具体 步骤如下:

①实验准备 将加速度传感器布置于2—3缸燃烧室对应的缸体中间位置。发动机各缸工作顺序 是1.3-4—2,因此该位置振动信号特征明显,振动的能量比较集中,信号特征值具有
较强的代表性,能比较明显反应发动机工作状态(详见图20)。固定好传感器位置后,

将其与四合一放大滤波器、信号采集处理分析仪、装有DASP2005分析软件的计算机
连接,并对DASP2005软件采集参数进行设置,如下图21所示。

图21采样参数设置
Fig.21 Parameter setting ofsignal acquisition

分析频率说明:发动机最高转速为3200r/min,当其工作时,其振动的固有频率

基于小波分析和神经网络的动力机械故障诊断系统研究

近似为其工作时的工作频率,即厂固=丘作频率=丽n=罨笋m
率选择lOOHz。

54

Hz,所以本实验分析频

在信号采集系统工作准备完后,开启发动机冷却系统和燃油供给系统,启动发动 机和FC2000发动机测控系统,将各工作机械进行预热。上述准备工作主要是保证发 动机工作状况符合外特性,利用其程序控制模块,控制发动机转速的变化,在其基础 上重点研究其发动机工作时振动信号的特点,为后面的数据采集和实验分析做好基 础。对发动机运行过程实行程序控制,特性程控设定如图22所示。

图22发动机程序控制
Figure 22 Control program ofengine

说明:控制特性n/P是指固定油门拉杆位置(油门开度100%),不同转速下发动 机的外特性。外特性反应发动机功率、转矩和燃油消耗率三者关系的一个重要特性,
是表征和研究发动机性能的一个重要特性。

②数据采集 在完成上述实验准备工作的基础上,运行发动机自动测控系统FC2000程序控制 模块,控制发动机在油门全开度条件下,发动机随转速改变时,在不同工作状态下的 缸体振动信号,利用信号采集系统采集转速改变后,相应转速下的柴油机缸盖表面振 动信号。程控实时测试界面根据传感器安装情况,实时显示4100QB柴油机的转速、 转矩、功率、出水温度、排气温度、机油温度、机油油压、进水温度、进气温度、测 功机出水温度、进气压力、排气压力等参数。程控实时测试界面和DASP数据采集边
36

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

采边显工作界面如下图23和24所示:

图23实时测试界面
Fig.23 Real time testing interface

图24 DASP数据采集工作界面
Fig.24 DASP data acquisition interface

基于小波分析和神经网络的动力机械故障诊断系统研究

该实验中,采集7个工作状况下的实验数据:正常工况、二缸排气门间隙异常、
三缸排气门间隙异常、二缸中断供油、三缸中断供油、二缸中断供油同时三缸排气门

间隙异常、三缸中断供油同时二缸排气门间隙异常。这7种工作状况下,均采集
800r/min、1600r/min、2100r/min(对应此转速下,柴油机输出最大扭矩)3个转速

下的柴油机工作振动信号,而且每个转速下均采集12组信号(其中前10组作为神经 网络训练数据,形成故障诊断故障库,第11组作为检验数据,第12组备用),因此 共采集信号7X3×12=252组。对采集信号保存,为数据分析做好基础。 ③注意事项 在采集实验数据时,发动机工况应保持相对稳定,即启动后,须预热8.10分钟, 达到稳定怠速工况;变工况时,需要足够的时间进行过渡,以保证达到相应转速下的 稳定工况,再进行实验数据采集,以保证所采集的数据能真实反应该状态下的工作特
性。

5.2小波分析数据处理
采集发动机在800r/min、1600r/min、2100r/min(对应此转速下,柴油机达到最 大扭矩)三个转速下,7种工况下柴油机的振动信号,用自主编写的小波分析源程序 进行振动信号分析,故障特征提取步骤详见2.1.3节,源程序如下: 首先,要采用改进的闽值消噪方法,必须修改mau曲小波工具箱下的Wthresh源程 序,文件位置为:E:hnattab\toolbox\wavelet\wavelet\wthresh。Wthresh源程序如下:
function Y=va.hresh(x,sorh,0 switch SOrh

case。s’%默认软阂值消噪方法; tmp=(abs(x)-t);
tmp 2(tmp+abs(tmp))/2;


=sign(x).+tmp;

case’lI%默认硬阂值消噪方法;


=x.+(abs(x)>t);

Case。g.96修改添加部分,加入’g’,意为改进的阈值消噪方法;
tmp=(abs(x)一0.5+t); tmp=(tmp+abs(tmp))/2;

5小波分析和神经网络在动力机械故障诊断中应用的实验研究




sign(x).+tmp;

otherwise

erro珂'Invalid
end

argument

value.嘣如果输入不是’h’、’s’、~g,则报错;

其次,运行自己编写的特征向量提取源程序,程序如下:
%打开数据文件; fid=fopen('E:LMATLAB704\workⅥnal data\iE篇m\wypl#1.DA=r1: %读取数据文件到ss; ss--fread(fid,5120.,’intl6,; %获取在消噪或压缩过程中的阈值、熵标准;

[thr,sorh,keepapp]=ddencmp(’den',’W,ss)
%使用全局自定义软阈值用db3/]x波函数进行消噪(保留低频系数),返回消噪后的信 号:使用改进的阈值方法,调用修改的1wthresh'.源程序,选用一g; xd=wdencmp(’曲l。,ss,'db3’,3,t虹’g’,keepapp); %绘制出原始信号的波形和改进的阂值消噪后信号的波形,如图25:
subplot(.':211);plot(:ss);title('原始信号','fontsize。,18); subplot(212);plot(xd);title('改进的阂值进行消噪后的信弓",'fontsize’,18); %用db3d,波包对采集的训练样本信号作3层分解,采用的shannom犄标准; t=wpde圮(xd.,3,’'db37shannon'); %绘制出小波包树结构图形,如图26; plot(t);

%下面对采集的训练样本信号第三层各系数进行重构;s30是指信号s的[3,0]结点的重 构系数,后面的依此类推:
s30=wprcoef(t,[3,0】);s31=wprcoef(t,【3,1D; s32=wpreoef(t,[3,2】);s33=wprcoef(t,,[3,3】); s34---wpreoef(t,【3'4】);s35=wprcoef(t,[3,5】); s36--wpreoef(t,t3,6】);s37=wpreoef(t,[3,7】); %绘制出重构系数的波形,如图27;

subplot(421);plot(s30);title('’各节点的重构系数L'fontsize’,18)
subplot(g:22);plot(s31); subplot(4:23);plot(s32);

基于小波分析和神经网络的动力机械故障诊断系统研究

subplot(424);plot(s33); subplot(425);plot(s34); subplot(426);plot(s35); subplot(427);plot(s36); subplot(428);plot(s37);

%计算采集的训练样本信号各重构系数的方差;sO是指s30的方差,后面的依此类推;
s0=norm(s30);s1=norm(s31); s2=norm(s32);s3=norm(s33); s4=norm(s34);s5=norm(s35); s6--norm(s36);s7。norm(s37);

disp(计算采集的训练样本信号各重构系数的方差如下:’
ss=[s0,sl,s2,s3,s4,s5,s6,s7】 disp(’对方差进行归一化处理后,结果如下:’) S=(abs(s0).^2+abs(s1).^2+abs(s2).^2+abs(s3).^2+abs(s4).^2+abs(s5).^2+abs(s6).^2+abs(s 7).^2).“O.5; SI=:[sO./S,s1./S,s2./S,s3./S,s4./S,s5./S,s6./S,s7./S】

%求各个频带信号的总能量;E30是指信号S的[3,0]结点的重构信号的能量(s30各个离 散点的幅值),后面的依此类推;
E30=sum(abs(s30).^2);E3 1=sum(abs(s3 1).“2); E32=sum(abs(s32).“2);E33=sum(abs(s33).“2); E34=sum(abs(s34).^2);E35=sum(abs(s35).“2); E36=sum(abs(s36).^2);E37=sum(abs(s37).“2);

dispC计算采集的训练样本信号各重构系数的各个频带信号总能量作为输出特征向
量,特征向量如下:t)

T=[E30,E31,E32,E33,E34,E35,E36,E37】 disp(’对特征向量进行归一化处理后,结果如下:。)
%E表示归一化处理过程中信号能量; E=(abs(E30).A2+abs(E31).^2+abs(E32).^2+abs(E33).^2+abs(E34).^2+abs(E35).^2+absfE 36).^2+abs(E37).^2).^o.5;

%Tl表示归一化后的向量,也就是我们最终要得到的向量,输出结果如图28;
TI=[E30./E,E3 1./E,E32./E,E33./E,E34./E,E35./E,E36./E,E37./E】
40

6小波分析和神经网络在动力机械故障诊断中应用的实验研究

在程序运行后,得到原始信号的波形和改进的阈值消噪后信号的波形,如F图:

图25原始信号的波形和改进的阈值消噪后信号的波形
Fig.25 The wave shape between original signal and de—noising signal with improved threshold method

得到的小波包分解树形结构以及各节点的重构系数,如下图
data

h r'ode:(10)Of(3.3).

图26小波包分解树形结构图
Fig.26 The sketch map ofwavelet packet decompostition tre
4l

基于小波分析和神经网络的动力机械故障诊断系统研究

图27小波包分解各节点的重构系数
Fig.27 The reconstruct coefficient ofnodes witIl wavelet packet decomposition

在matlab工作环境下的输出有:采集的训练样本信号各重构系数的方差、归一
化后的方差、作为特征向量的采集训练样本信号各重构系数的各个频带信号总能量以

及归一化后的特征向量,如下图28所示:

计算采集的训练样本信号各重构幕觳的备个频带信号总能量作为输出特征向量,特征向量如下:
T=

8.0121

o.0783

0.0486

0.0640

0.0514

0.0211

0.0336

0.0247

对特征向量进行归—化女£理后,结果如下:

0.9999

0.0098

0.0061

0.0080

0.0064

0.0026

0.0042

0.0031

图28 matlab输出结果界面
Fig.28 Interface ofmatlab output

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

对采集的所有数据反复运行程序,最终得到7个工况下共252组信号数据进行归 一化后的特征向量(详见附录A),从而确定了神经网络训练的样本数据。

值得一提的是:为了表明使用改进的阈值消噪后的信号具有较高的信噪比,特编 写出下面源程序,以对比使用硬阂值消噪、软阂值消噪、改进的阈值消噪的信噪比
SNR和均方根误差RMSE,源程序如下: %打开数据文件 rid=fopen(’E:LMATLAB704\workXfinal data\iE常\l\wypl#1.DAT’); %读取数据文件至lJss;; ss=fread(fid,5120,’intl6’; %获取在消噪或压缩过程中的阈值、熵标准; [thr,sorh,keepapp]=ddencmp(’den。,、Ⅳv。,ss);

%使用全局自定义软阈值用db3小波对小波3层分解的系数进行消噪(保留低频系数),
返回消噪后的信号,使用的消噪方法是改进的阂值消噪方法。g’: xd=wdencmp(。gbl。,ss,’db3。,3,thr,“g,keepapp);

∑z2(n)
%根据蹋碾=10logl——L——_一

I∑Ix(n)一x(H)】2
L”

和RMSE=I—l∑n[x(n—)-x(n)]2写计算公式;

s1=O: s2=O: forn=l:5120;

s1=sl+ss(n)^2;

s2=s2+[ss(n)-xd(n)】“2;
end

%在运行界面上显示“信噪比SNR和均方根误差RMSE为:”
disp('信噪比SNR和均方根误差RidSE为:’ SNR=10+109(sl/s2) RMSE=(s2/5120)^0.5

以正常工况下转速为800r/min时wypl#1.DAT这一组数据为例,利用上面源程序, 依次采用软阈值方法、硬阈值方法和改进的阈值方法对振动信号进行消噪,3种阈值
消噪方法的信噪比SNR和均方误差RMSE比较如下表4所示:

基于小波分析和神经网络的动力机械故障诊断系统研究

表4 3种阈值消噪方法的信噪比和均方根误差比较
Table 4 The comparison ofthree threshold denoising methods
on

SNR and

RMSE

SNR

24.0580 4.0153f卜003

30.673l 2.8845}卜003

33.1912

RMSE

2.5433州由03

通过以上对比可以看出,改进的阈值方法对信号进行消噪后能得到较高的信噪比 SNR和较小的均方根误差RMSE,能更好的表征柴油机工作振动信号,因此本文的振动
信号消噪过程中就是选用改进的阈值消噪方法。

5.3神经网络自适应故障诊断系统的形成
首先,对本论文中采用的BP网络的设计技巧进行简单的介绍: ①输入和输出层的设计 输入的神经元可以根据需要求解的问题和数据表示方式确定,本文中提取的故障 特征向量为8个,故输入的神经元确定为8个。输出层的神经元个数根据要判别的故 障总数设定为5个,由此来定义各个工况下的故障代码。
②隐层的设计

对于BP网络,有一个非常重要的定理。即对于任何在闭区间内的一个连续函数 都可以用单隐层的BP网络逼近,因而一个三层BP网络就可以完成任意的n维到m 维的映射,因此本论文的采用的就是3层的BP网络。隐层的神经元数目选择是一个 十分复杂的问题,隐含层的神经元个数并不固定,需要根据实际经验的检验来不断的 进行调整。本论文经过反复的训练和以往训练的经验,最终确定隐含层的神经元个数 为30个。本文中采用的BP神经网络结构如下图29所示:

图29采用的BP神经网络
Fig.29

The

adoptive BP neural network
44

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

其次,在实际网络训练中,BP算法的存在的两个重要问题:收敛速度慢,目标

函数存在局部最小点。因此,本文提出一些改善BP算法的方法,取得了良好的效果。
其主要的改进措施:

①加入动量项,训练函数采用梯度下降动量BP算法函数trainlm。 ②归一化输入信号。 ③选用奇函数作为传递函数。本文中是采用最常用的奇函数是双曲正切函数
tansig。

④采用顺序方式训练网络。 ⑤充分利用先验信息。利用方差、对称性等有关输出信息,加快学习速度,改善
逼近效果。

再次,定义各个工况下的故障代码。柴油机在800r/min、1600r/rain、2100r/min (对应此转速下,柴油机输出最大扭矩)三个转速下,对应7种工况:正常工况、二 缸排气门间隙异常、三缸排气门间隙异常、二缸中断供油、三缸中断供油、二缸中断 供油同时三缸排气门间隙异常、三缸中断供油同时二缸排气门问隙异常下柴油机的振 动信号,定义各个工况下的故障代码如下表5所示: 表5各个工况下故障代码
T{lble 5 Fault codes in different
state

正常 二缸排气门间隙异常 二缸中断供油 二缸断油+三缸排气门异 三缸排气门间隙异常 三缸中断供油 三缸断油+二缸排气门异

00000 01 OOl 011ll l 0l Ol O l l OO l 001 O 1 l OOO

O O 0 0l 01 01 0 l 00 00 l 0 l l O Oll Ol 1 00ll l l OOl

000l O 0l 01l l OO 0l l 0 1 l 1 O l 1 l O 1 0l 00 l l 0 l O

最后,利用小波分析得到的特征向量和定义各个工况下的故障代码,送到编写好 的神经网络中进行训练,从而得到神经网络自适应故障诊断系统,神经网络源程序如
下:

基于小波分析和神经网络的动力机械故障诊断系统研究

%网络输入P,P对应的是7种工况3个转速下共7×3×10=210组数据的特征向量;
P=[O.9999
0.0098 0.0061 0.0080 0.0064 0.0026 0.0042

0.0030n

……
0.9998 0.0107 0.0067 0.0094 0.0083 0.0028 0.0052

L共210组
0.0033]: J

%网络目标T,与网络输入P相对应,共210组数据;
T=[O
0 0 0 O;、

……
1 1 0 l

}共210组
0]:J

%FiY.P和T的转置,保证网络输入和网络目标之间列数相等;
P=P’;}_T‘; %创建前向BP网络,由每组输入(共8组)元素的最大值和最小值组成的8×2维的矩阵,

隐含层神经元个数为30个,输出层神经元个数为5个,其中隐含层的传递函数采用
tansig,而输出层的传递函数采用logsig。训练函数采用梯度下降动量BP算法函数 trainlm(Levernberg--Marquardt),学习函数为默认的梯度下降动量学习函数 learngdm,性能函数为均方误差性能函数mse: net=newff(minmax(P),130,5】,{'tansig','logsig’),。trainlm’,。leamgdm','mse’); %网络的最大训练步数为1000:
net.trainParam.epochs=1000;

%网络训练中,性能参数的目标是误差控制在0.05;
net.trainParam.goal=0.05;

%网络训练过程中,确认失败的最大次数为10次;
net.trainParam.max_fail=lO;

%网络训练时,两次显示之间的训练步数为200步;
net.trainParam.show=200;

%网络最大的训练时间是600秒;
net.trainParam.time=600;

%对创建的BP网络进行训练,网络输入为P,网络目标为T,训练过程如图30;
net=train(net,P,T); 训练结果和过程如下图30所示,可见BP神经网络经过120步训练,达到预定的网 络性能参数目标。

Tlc^m瓦Epoch

Tl(^瑚∞Epoch

TR^姒Performance

◆{
o/Iooo,Time

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

0.1l,吼0.417586/0.05,Gradient

20.2207/Ie-010

120/1000,Time

r.鲋,耵E 0.0497934/0.05,Gradient 9.19164/Ie-010

goal met.

图30网络训练过程
Fig.30 The neural network training process

5.4故障诊断模型的建立
通过对上述小波分析数据处理和神经网络自适应故障诊断系统的分析,我们已经
建立起了故障诊断的模型,其步骤可以简述为:

①采集信号。通过压电式加速度传感器,利用DASP数据采集和信号分析系统采 集7种工况不同转速时柴油机振动信号,并用DASP把数据转化为DAT格式文件。 ②提取特征向量。对采集的7种工况下柴油机的振动信号进行3层小波包分解,利 用自主编写的源程序提取该信号的特征向量; ③BP神经网络结构的设计。首先定义故障特征代码(表5),然后根据输入特征 向量的维数和发动机的故障状态数确定BP神经网络的输入为8个节点、输出为5个节点 数。利用已有经验和进行反复的训练确定神经网络的隐含层节点数为30个。 ④BP网络的训练。把采集的7种工况下210组柴油机振动信号的训练数据送入已 编写好的BP神经网络源程序中进行训练,形成故障特征库net。

基于小波分析和神经网络的动力机械故障诊断系统研究

⑤故障的识别。利用前面训练好的故障特征库,把需要诊断的动力机械振动信号 的特征向量P_test作为检验样本输入训练好的神经网络,将此时网络的输出故障特征 代码与训练样本的输出故障特征代码相比较,从而判断发动机工作状况。

5.5实验验证
为了检验训练好的神经网络自适应故障诊断系统工作的有效性,输入检验样本进
行验证,源程序如下:

%输入网络测试数据P-test,共对应7种工况3个转速7×3=21组测试数据;
P_test=[O.9998
O.0097 O.0071 O.0098 O.0078 O.0028 0.0045 O.0029;



……
O.9998 O.0105 O.0066 O.0098 O.0082 O.0029 0.0052

>.共21组


O.0031]’:一J

%对神经网络进行仿真,函数返回值为网络输出;
Y=sim(net,P-test) 运行结果为:





Coltmms



throu曲S
0.0170 0.0000 1.0000 0.0000 0.9526 0.0218 0.0060 0.0000 1.0000 0.0000 0 1.0000 0.0000 0.0170 1.0000 0.0000 0.9944 0.00Il 1.0000 0.0000 0 1.0000 0.0000 1.0000 1.0000 0 0 0 0.9970 0.0016 0.1099 0.0330 0.0000

0.OOOO 0.0000 0.0000 0.0000 0.0000

咖啪啪咖 0



Colttt埘9
0.9952 0.0000 1.0000 0.0000 1.0000

through

16

1.0000 0.0000 I.0000 0.0096 0.9967

0.9928 0.0000 0.0000 1.0000 0.0000

0.9985 0.0000 0.9993 0.9992 1.0000

0.0000 1.0000 0.9741 0.0040 0.0000

0.0099 1.0000 I.0000 0.0008 1.0000

0.0000 1.0000 1.0000 0.9992 0.0000

0.9976 0.0065 0.0003 0.9973 0.0000

Columns

1,through 21

1.OOOO 0.0000 0.0000 0.9903 1.0000

I.0000 0.0000 0.9993 0.0024 0.0054

1.0000 1.0000 0.0000 0.0000 0.0000

1.OOOO 1.OOOO 0.0003 0.OOOO 0.9960

0.9925 0.9977 0.0D44 0.9861 0.0000

图31神经网络验证样本输出结果
Fig.31

n圮output

result ofneural network validation sample
48

5小波分析和神经网络在动力机械故障诊断中应用的实验研究

表6各个工况下输出结果
Table 6 Output results in different state

正常 =缸排气门间隙异常 二缸中断供油 二缸断油+三缸排气门异 三缸排气门间隙异常 三缸中断供油 三缸断油+二缸排气门异

o ooo o ol O 0l o l l 1 l l Ol 01 0 1 l OO l 001 O 1 l O 00

001 01 01 01 0 1 o oo o 1 o 01 0 ol l Ol l oo l 1 1 l 00 l

00 Ol O 0l Oll l 01 0l 1 O 1 1 l O l l l O l Ol OO l 1 O l O

通过把上述神经网络输出代码与设定的故障特征代码(表5)相对比,得到的结
果是:正常1600r/min、二缸中断供油2100r/min和二缸中断供油同时三缸排气门异常 1600r/min这3种工况下没有达到预定的故障诊断识别效果,其余工况均达到预定的

故障诊断识别效果。2l组中有18组和设定的故障特征代码相一致,正确率达到85.7%。
从运行结果可见,故障的诊断、识别具有良好的效果,说明利用小波分析和神经网络

进行动力机械故障的研究和应用对本实验系统是合理的、可行的。

5.6本章小结
本章首先简要的介绍了实验步骤,主要包括实验的准备和数据的采集;然后,利 用小波分析对采集后信号进行分析处理,从而提取故障特征向量;再利用提取的故障 特征向量作为训练样本送入BP神经网络进行训练,形成神经网络自适应故障诊断特 征库;最后,用检验样本对神经网络进行检验判断。从分析结果得出,利用小波分析 和神经网络对动力机械故障进行诊断这个实验方案是合理的,可行的。

基于小波分析和神经网络的动力机械故障诊断系统研究

6结论与展望

6.1结论
诱发动力机械系统故障的原因很多,要实现其完整的智能故障诊断专家系统,需 要庞大的实验数据。本文在现有实验条件基础上,利用小波分析实现数据的分析处理, 用神经网络对函数和信号良好的逼近性能,对发动机相应工况下振动信号的特征向 量,进行了离线分析,对本实验中遇到的发动机有关故障作出了良好的判断,说明该
方法是适用的,为动力机械故障检测判定提供了一种途径和方法。

本文在现有实验基础和条件下,对小波分析和神经网络在4100QB柴油机故障诊 断应用方面进行了探讨和研究,建立起了一个较为完整的“基于小波分析和神经网络 的动力机械故障系统”,结果证明该方法是适合本实验的。根据本文达到的效果,得
出以下结论:

①以发动机缸盖的振动信号来对文中研究的柴油机工作状况进行研究和分析的 方法是适合、可行的。说明缸盖振动信号能够表征发动机工作性能及相应状态。 ②对缸盖振动信号进行小波分析,提取特征向量作为神经网络的输入,利用BP 神经网络对动力机械自适应的进行故障诊断的方法是有效的。 ③神经网络结构的确定、训练和检验样本的选取、神经网络的学习算法等对神经
网络的学习和训练有重要影响。结论表明,本文选用的BP神经网络的相关参数符合 本系统研究和应用的要求。

④基于小波分析和神经网络对动力机械进行故障诊断方面的研究和应用在文中 达到了预期目标,取得了预期效果,能满足故障诊断的要求。 ⑤本文建立起了基于小波分析和神经网络的自适应故障诊断模型,最终建立起了 一个较为完整的“基于小波分析和神经网络的动力机械故障系统”。实验验证表明, 建立起的“基于小波分析和神经网络的动力机械故障系统”对所涵盖的故障进行诊断
是适用的、可行的。

6.2展望
虽然小波神经网络在故障诊断方面的应用不同于基于模型的诊断方法那样需要 复杂建模过程,该方法方便快捷,但是在小波分析与神经网络结合后,需要考虑很多
50

6结论与展望

细节和进行大量的工作,需要了解和掌握具体动态系统有关的特点、原理、故障形式
和特征,需要采集大量的、不同状态下的故障特征数据,才能更好的完善神经网络系

统,才能更好的判定故障和对故障进行分类。随着各种诊断技术的发展,各种小波函 数的出现,神经网络算法的进步等方面的影响,还有许多工作要做,主要有以下几方
面:

①小波分析中小波基函数的选择:不同的小波具有不同的特点和优势,如何选用 小波基函数,选择后对相关系统的影响值得探讨。 ②小波分析和神经网络的模型和学习算法方面:不同的小波和不同神经网络的结
合,同一小波神经网络采用不同算法,会对系统的分析有什么样的影响值得深思。

③小波分析和神经网络理论在故障系统中的硬件和软件实现值得深入探讨和研
究。

④小波分析和神经网络在故障诊断中的完善:对于具体诊断对象,提取什么样的 特征更能反应故障状态以及更容易采用神经网络进行识别值得探讨。 ⑤如何利用小波分析和神经网络理论对动力机械进行在线故障监测、乃至推广到
实际生产中有待研究。

基于小波分析和神经网络的动力机械故障诊断系统研究

参考文献:
[1] [2]

李国华,张永忠编著.机械故障诊断.北京:化学工业出版社1999.
虞和济,韩庆大,李沈编著.设备故障诊断工程.北京:冶金工业出版社
2001.

[3] [4] [5]

廖伯瑜.机械故障诊断基础.北京:冶金工业出版社2003
肖云魁编著.汽车故障诊断学.北京:北京理工大学出版社2001.

虞和济,陈长征,张省等.基于神经网络的智能诊断[M].北京:冶金工业出版
社2000.

[6]

刘世元,杜润生,杨叔子.利用转速波动信号诊断内燃机失火故障的研究(1)

——诊断模型方法.内燃机学报,2000,18(3):315~319.
[7]Jianguo Yang,Lijun
Analysing the Pu,Zhihua

Wang

et a1.Fault Detection in A Diesel Engine by

Instaneous

Angular Speed.Mechanical

Systems

and

Signal

Processing,2001,15(3):549~564

[8]

程瑞琪,崔建军.内燃机车机油光谱数据特征分析与故障诊断.机械科学与技
术,2000,19(2):289~294.

[9]J.Antoni,J.Daniere,F.Guillet.Effective
cyclostationarity.Part II-New results
on

vibration analysis of IC engines using

the reconstruction ofthe cylinder pressures

Journal of Sound and Vibration,2002

[10]

杜海平,张亮,史习智等.基于径向基函数神经网络的内燃机气缸压力识别.内
燃机学报,2001.

[11]

张来斌,刘守道,王朝晖.基于神经网络的柴油机燃烧系统故障诊断.内燃机
学报,2000.

[12]Y.Gao,R.B.Randall.Reconstruction ofDiesel


Engine Cylinder Pressure Using

Time Domain Smoothing Technique.Mechanical Systems

and Signal

Processing,

1999.

[13]

房立清,米东,徐章遂等.基于奇异谱分析的发动机燃油系统故障诊断.燃烧
科学与技术,2003.

[14]

李志敏.基于振动分析的内燃机主轴承状态监测与故障诊断:[博士学位论文].

大连:大连理工大学,2001.
[15]

周东华,叶银忠.现代故障诊断与容错控制[M].北京:清华大学出版社,

参考文献

2000.

m l兰 眦 l呈

吴凡.状态监测和故障诊断技术的现状与展望.国外电子测量技术2006年3
月第25卷第3期.

楼顺天,于卫.基于MATLAB的系统分析和设计——时频分析.西安:西安电子
科技大学出版社1998年9月第1版. 胡昌华李国华等.基于IVIATLAB 6.x的系统分析与设计——小波分析(第二版).
西安:西安电子科技大学出版社2004.1. 徐长发李国宽主编.实用小波方法(第二版).武昌:华中科技大学出版社
2004.1.

胡广书.现代信号处理教材[M].北京:清华大学出版社2004.
Daubechies I.Ten Lectures
ON

wavelets[M].SIAM Philadelphia

PA,1992.

跚胁.墨i

周小勇,叶银忠.小波分析在故障诊断中的应用.控制工程2006年1月第13
卷第l期.

王海生,叶昊.基于小波分析的输油管道泄漏检测[J].信息与控制,2002.

豳以 .墨l 啪

周小勇,叶银忠.基于Mallat塔式算法小波变换的多故障诊断方法[J].控制与
决策,2004.

吴桂峰,翟玉庆,陈虹等.基于小波一神经网络的电机振动故障诊断[J].控制
工程,2004.
Goumas,S.K.Classification of washing machines vibration signals using discrete wavelet analysis for feature and

extraetion[J-J.IEEE

Transactions

on

Instrumentation

Measurement,2002,51(3):497—508.

阱 嘧 四 l量
.至

王立国,吴猛,韩光信.基于连续小波变换极值点进行故障检测的研究.吉林
化工学院学报2002年6月第19卷第2期.

荆双喜,冷军发,李臻.基于小波包分析的机械故障特征提取方法研究.煤矿 机械2003年第3期. 商斌梁,夏勇,张振仁.基于小波包分析的气门故障诊断.小型内燃机与摩托
车2001年(第30卷)第5期.

王志刚,李友荣,李方.基于谐波小波分析的故障诊断方法研究.振动与冲击 2006年第25卷第2期.
杨建国,孙扬,郑严.基于小波和模糊神经网络的涡喷发动机故障诊断.推进 技术2001年4月第22卷第2期.

基于小波分析和神经网络的动力机械故障诊断系统研究

|墨i l旦阻

高隽编著.人工神经网络原理及仿真实例.北京:机械工业出版社2003.8. 刘永红.神经网络理论的发展与前沿问题[J].信息与控制.1999(28):31-46.

楼顺天,施阳.基于MATLAB的系统分析和设计——神经网络.西安:西安电子
科技大学出版社.1998年9月第1版.

加卢什金著阎平凡译.神经网络理论.北京:清华大学出版社2002.4.

l墨啪

张吉先.小波分析及神经网络在水电机组故障诊断系统中的应用研究.博士论 文2004.

高隽编著.人工神经网络原理及仿真实例.北京:机械工业出版社2003.8.

∞嘞 ∞ m

飞思科技产品研发中心编著.神经网络理论与MATLAB7实现.北京:电子工业出 版社2005,1.
Venkat Venkatasubramanian,King Process Fault Chart.A Neural Network

Methodology

for

Diagnosis们.Journal ofAICHE,1989,35(12):1993~2002.
Abe,et a1.Incipient fault

Kajiro Watanabe,Ichiro Matsuura’Masahiro
chemical
processing via artificial

diagnosis

of

neural

networks【J】.AIChE

Joumal

1989,35(11):1803—1812. [41]
J.C.Hoskins,Himmelblau.Artificial
Neural Network

Model

of

Konwledge

Representation in Chemical Engineering.Comput.Chem.Eng,V01.12,1998.

[42]

张炜等.旋转机械故障诊断中的神经网络改进算法研究[J].振动工程学
报,1996,9(1).

[43]

IstV磊n Dalmi.et a1.Application ofsupervised and unsupervised learning methods to fault

diagnosis[C].In:Proc

ofIFAC world Congress.1999.91~96.

[44]

Palade V Howlett R J,Jain L C,et a1.Automated knowledge acquisition

based

on

unsupervised

neural

network

and

expert

system

paradigms[C].Berlin

Heidelberg:Springer-Verlag,2003.134—140.

[45]

魏春岭,张洪钺.一种基于神经网络的传感器故障诊断方法.中国惯性技术学 报,2001年第9卷第3期.

[46]

杨占春,胡子正,孙华.基于车辆运行参数的汽车安全部件故障诊断.中国机
械工程2002年第13卷第20期1791—1794.

[47】

周红晓.基于神经网络的柴油机故障诊断方法.计算机测量与控制2003年第
1l卷第7期.

[483

彭恒义.基于振动分析的内燃机故障诊断研究.华科大硕士学位论文2004.

参考文献

阻刚

吉林工业大学汽车工程系编著,陈家瑞主编.汽车构造(上).北京:人民交
通出版社1999年8月第3版.

畸∞

刘世元,杜润生,杨叔子.内燃机缸盖振动信号的特性与诊断应用研究.华中
理工大学学报1999年7月第27卷第7期. 周轶尘,彭勇。发动机缸盖系统振动特性研究.内燃机学报,1988第6卷第1期.

杨建国.高速柴油机气门漏气故障的振动诊断.航海技术1997年第6期. 余成波.内燃机振动控制及应用.北京:国防工业出版社,1997.25~27.
瞄∞瞄畸 ¨幻鲫们

秦萍,阎兵,谭达明.柴油机缸盖振动信号的时间特征和循环波动性.西南交
通大学学报1995年4月第30卷第2期.

∞印

杨建国,周轶尘,冯春晃。柴油机主要运动部件的振动检测与诊断技术.新技
术新工艺1996年第2期.

畸印

张培林,李国章,何忠波.利用缸盖振动信号诊断气门机构故障.测试技术学 报1998年第12卷第1期.

畸刀

濮立俊,杨建国,王志华,周轶尘,严新平.利用发动机瞬时转速波动诊断气 门漏气故障.武汉交通科技大学学报2000年2月第24卷第l期.

瞄踟

张英堂,沈寿林,李国章.发动机气门漏气故障的振动诊断研究.车用发动机

1999年10月第5期(总第123期).
瞄町

郑殿旺,张俊智,王风岐.汽车发动机气门间隙故障的脉冲振动诊断.汽车技
术1999年第10期.

∞∞

李智,陈祥初,刘政波.基于图像与神经网络的柴油机气门故障诊断方法研究. 内燃机学报2001年第19卷第3期.

瞄¨

夏勇,张振仁,商斌梁,薛模根,郭明芳.基于小波分析与气缸压力的气门故
障诊断.内燃机工程2001年第22卷第1期.

∞幻

伍学奎,陈进,周轶尘.基于小波包变换的内燃机气阀漏气诊断方法.振动工 程学报2000年6月第13卷第2期.

∞司

孙涛,黄天戍,阚黎明,李明,向继东.小波包消噪提高小波网络故障识别性
能.哈尔滨工业大学学报2005年4月第37卷第4期.

旧钉

沈寿林,彭顺堂,张英堂,郑海起.基于神经网络技术和小波分析的发动机气
缸气密性能检测研究.军械工程学院学报2000年6月第12卷第2期.

阳目

卫海桥、舒歌群.利用小波分析技术研究燃烧压力高频振荡.天津大学学报
2004年7月第37卷第7期.

基于小波分析和神经网络的动力机械故障诊断系统研究

致谢
本课题的研究和论文的撰写是在导师赵龙庆教授的悉心指导和热情鼓励下完成 的。在我攻读硕士学位期间,赵老师渊博的学术知识、严谨的治学态度和独特的人格 魅力以及开拓创新的精神深深的影响了我。这几年来赵老师一直在学习、工作和生活 上不断的给予我鼓励、关心和帮助,在此论文完成之际,谨向恩师致以深深的谢意! 在论文的撰写过程中,是众多老师同学的帮助和鼓励才使我克服了重重的困难: 感谢王建华、贾德文、陈继飞、杨灿宇、何超老师在实验技术和理论上的帮助和支持, 感谢江广波、李加强、张华伟和师弟夏琦、邓召文、孙学聪在实验中的鼎力相助,感
谢实验室所有的师兄师弟们。

感谢交通机械与土木工程学院的所有老师,谢谢他们的关心与帮助,很高兴能在 这样一个积极团结的集体中学习;感谢同宿舍的兄弟们,是你们的支持和鼓励才使我
顺利的完成论文的撰写。 感谢所有帮助和支持我的人!

附录A

附录

附录A

实验数据处理后结果(归一化后特征向量)

数据号

正常2(0 00

0 1)

基于小波分析和神经网络的动力机械故障诊断系统研究

数据号

二缸排异常K01 001)

附录A

数据号

二缸排异常3(01

01 1)

基于小波分析和神经网络的动力机械故障诊断系统研究

数据号

二缸灭2(1

o oo 01

附录A

数据号

二缸灭+3缸排气异常1(1 01 01)

61

基于小波分析和神经网络的动力机械故障诊断系统研究

数据号

二缸灭+3缸排气异常30

0 1 1 1)

附录A

数据号

三缸排异常2(01 1 01)

基于小波分析和神经网络的动力机械故障诊断系统研究

数据号

三缸灭l(1

0 01

o)

附录A

数据号

三缸灭30

01 0 01

基于小波分析和神经网络的动力机械故障诊断系统研究

数据号

三缸灭+--缸排异常20

1 00 1)

附录A

注:1)数据号为每个转速工况下,对应采集12组信号,其中前10组作为神经网络训 练数据,形成故障诊断故障库,第ll组作为检验数据,第12组备用。 2)工况1、2、3分别对应的发动机转速为800r/min、1600r/min、2100r/min。其中 发动机转速为2100r/min时,对应4100QB柴油机得到最大转矩。 3)得出的数据为归一化后缸盖振动信号特征向量,作为神经网络训练的样本。 4)故障诊断工况共有7种:正常工况、二缸排气门间隙异常、三缸排气门问隙异 常、二缸中断供油、三缸中断供油、二缸中断供油同时三缸排气门间隙异常、三缸中 断供油同时二缸排气门间隙异常。

基于小波分析和神经网络的动力机械故障诊断系统研究

附录B攻读硕士学位期间参与的课题及发表的学术论文
参与赵龙庆老师主持的教育部骨干教师资助项目“云南高原苗木、花卉大棚控制 系统研究”后期控制柜安装、调试,项目验收等相关工作。 参与赵龙庆老师云南省教育厅高校教学科研带头人项目“基于小波分析和神经网 络的动力机械系统故障研究”。 王裕鹏、赵龙庆典型轮胎模型及其发展趋势农业装备与车辆工程2006年第12期 王裕鹏、赵龙庆、张华伟基于小波改进阙值消噪的缸盖振动信号分析柴油机已收 录

68

www.rolexsaleshop.com Our website has been in business for upwards of a few years. We pride ourselves on the quality of our rolex watches and the service we provide. When you purchase rolex from us at our website, you are automatically assured of the best in quality as well as our utmost commitment to service excellence. We have literally thousands of satisfied customers who are pleased with our service and merchandise Cyou TOO can join them! Our customer support team is committed towards achieving 100% customer satisfaction, and you are always welcome to e-mail us if you have any questions about your order, or any of our rolex watches on display on our website.Happy Shopping! rolex rolex watches rolex watches sale

杭州舒逸电器有限公司 是专业研发、 生产、 销售“东井”品牌除湿机、 工业除湿机、 湿膜加湿机、抽湿机,超声波加湿机、电力工具柜专用除湿机、转轮除湿机、 文 件档案图书消毒柜、 防磁柜、 防潮箱、 空气消毒机等空气净化设备的生产型企业。 十多年的技术经验,在国际空气环保除湿和加湿设 备领域一直处于领先地位, 目前公司拥有一批知识结构合理且技术经验丰富的老团队, 其中大专以上文化的 各类专业技术人员占70%左右。是国际除湿机行业自主开发生产的厂家之一。 东井除湿机采用日本除湿工业新理念,旨在完善东井品牌的国际化效应,东井除 湿机生产仍在不断地向规模化方向发展。本公司在研制、开发、生产和销售除湿 机产品方 面一直处于国内优势地位。 杭州舒逸电器有限公司 全面贯彻质量体系, 生产的冷冻除湿机采用国际品牌压缩 机,微电脑智能控制 ,集静音、省电、高效于一体 ,具国内领先水平每年都有新 的品种推向市场, 公司产品的设计按照国家除湿机行业标准生产,不断改进和提 升各类机器性能。 东井品牌的国际化是公司全体员工的追求, 完善的质量保证体系和专业的精工制 作是本公司的经营目标。我们以过硬的技术,完美的售后服务,让东井品牌在国 内外市场得到更广泛的认可,让客户满意,是东井品牌的经典之所在! www.chushijichina.com


相关文章:
基于小波分析的机械故障诊断
基于小波分析的旋转机械故... 4页 5财富值 基于小波分析和神经网络的... 73...研究之一,如何快速、准确地提取故障信号,如何准确定位故障的发生 点及进行故障的...
机械故障诊断
基于相空间重构的 GMDH数据处理方法也刚刚开始研究,此方法对处理一些复杂机械的非...信息融合技术、 模糊诊断、 神经网络小波变换、专家系统等在设备故障诊断中的...
基于小波神经网络的故障预报技术研究
最终通过实例证明, 本文所研究的基于小波神经网络的故障诊断方法在旋转 机械故障诊断中能够很好的进行故障诊断并且具有较快的收敛速度。 关键词:故障诊断,小波变换;...
基于小波分析神经网络的模拟电路 故障诊断方法
基于小波分析神经网络的模拟电路故障诊断方法 基于小波分析神经网络的模拟电路故障诊断方法 小波分析神经网络 1 2 王恒华 彭良玉 (1,2.湖南师范大学物理信息科学学...
基于小波分析与神经网络的模拟电路故障诊断技术研究
基于小波分析与神经网络的模拟电路故障诊断技术研究林美琴 : 【摘要】 尽管数字电路已经发展得比较完美,但是它不可能完全取代模拟电路,在一个完整 摘要】 的系统中,...
基于神经网络和小波变换的轴承故障诊断
October 16-18, 2006 基于神经网络分类和小波变换的轴承故障诊断 基于神经网络分类和小波变换的轴承故障诊断 摘要:几十年来,自动故障分类一直是一个重要的模式识别问...
基于小波神经网络的故障诊断方法研究
基于小波神经网络的故障诊断方法研究 Research of fault diagnosis method based on wavelet neural network 摘要: 研究基于小波分析和神经网络松散型结合的故障诊断...
基于小波变换和神经网络的短期风电功率预测方法
基于小波变换和神经网络的短期风电功率预测方法 该文提出一种小波变换和神经网络理论相结合的综合预测方法, 将历 史风电功率序列和历史风速序列分别进行小波单尺度...
魏县代理发表职称论文发表-小波分析电缆故障测距论文选...
基于小波包与神经网络的海底电缆故障诊断 4……新旧混合电力电缆故障定位研究与...基于小波分析与 SVD 的机械故障诊断 14……基于概率与小波分析的故障检测方法...
基于小波变换神经网络入侵检测系统的研究_毕业论文_图文
基于小波变换神经网络入侵检测系统的研究_毕业论文_工学_高等教育_教育专区 暂无评价|0人阅读|0次下载基于小波变换神经网络入侵检测系统的研究_毕业论文_工学_高等...
更多相关标签: