基于小波神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷研究

劉隆波，黃金娥，沈君賢

1.92942部隊(duì)， 北京100161 2.哈爾濱工程大學(xué) 航天與建筑工程學(xué)院 黑龍江 哈爾濱 150001

隨著現(xiàn)代制造技術(shù)的提升，對燃?xì)廨啓C(jī)的性能和工作條件要求越來越高，同時(shí)也出現(xiàn)了更多的機(jī)組故障，因此對汽輪機(jī)運(yùn)的故障診斷提出了更高的要求。燃?xì)廨啓C(jī)故障診斷可以根據(jù)機(jī)組發(fā)生故障時(shí)的振動(dòng)信號找出故障的特征信息，并利用它進(jìn)行故障預(yù)警和排除，從而指導(dǎo)維修任務(wù)[1]。關(guān)于故障診斷，很多專家學(xué)者對此做了大量的研究。西工大宋曉萍和廖明夫[2]使用快速傅里葉變換分離法和盲源分離法分離雙轉(zhuǎn)子飛機(jī)發(fā)動(dòng)機(jī)的振動(dòng)信號，并利用FastICA算法對不同頻率的振動(dòng)信號進(jìn)行分離。海軍航空工程學(xué)院王曉鋼[3]提出了貝葉斯數(shù)值理論應(yīng)用于航空發(fā)動(dòng)機(jī)汽輪機(jī)故障診斷,通過建立燃?xì)廨啓C(jī)數(shù)值診斷貝葉斯理論模型,計(jì)算出系統(tǒng)的故障狀態(tài)的根源失效概率,通過使用極限狀態(tài)識(shí)別規(guī)則,確定工作狀態(tài)。本文以艦船汽輪機(jī)為研究對象，通過功率譜密度故障篩選出疑似故障，用小波分析提取故障特征向量，最后輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，實(shí)現(xiàn)了汽輪機(jī)故障的綜合故障診斷，具有一定的工程意義和應(yīng)用價(jià)值。

1 信號篩選

由于大多數(shù)旋轉(zhuǎn)機(jī)械在故障時(shí)刻，對于不同頻率能量的變化比較敏感。因此，本文選擇功率譜密度進(jìn)行信號篩選。首先，功率譜密度是將時(shí)間域的振動(dòng)描述轉(zhuǎn)化為頻率域的振動(dòng)描述，即信號在時(shí)間域的總功率等于在頻率域的總功率，可以得到隨機(jī)過程的功率譜密度[4～5]。其次，通過加窗來減少非整數(shù)周期給傅里葉變換帶來的誤差，Hanning窗具有較好的頻率分辨率，還可減少頻譜泄露。經(jīng)過處理的信號得到加速度功率譜密度，它反映信號不同的頻率段的能量分布[6]。

在工程試驗(yàn)中數(shù)據(jù)采集是連續(xù)長時(shí)間的，對每個(gè)時(shí)間段的信號都進(jìn)行細(xì)化的分析將會(huì)大大增加工作量。由于特定故障發(fā)生存在固定頻率，大多數(shù)是在基頻的倍數(shù)出現(xiàn)峰值。因此，可以對功率譜密度圖進(jìn)行典型頻率段劃分。只需監(jiān)測典型頻率段內(nèi)振幅有效值的變化就能在大量數(shù)據(jù)中篩選故障段。在試驗(yàn)現(xiàn)場，對固定測點(diǎn)監(jiān)測易發(fā)故障的典型頻率段，就能快速發(fā)現(xiàn)疑似故障，細(xì)化分析后進(jìn)行及時(shí)檢修。對于旋轉(zhuǎn)機(jī)械，根據(jù)基頻選擇劃分區(qū)間如下：

ω=[kX-5,kX+5]

k=1,2,3,4

(1)

式中：X為汽輪機(jī)的基頻。

選擇轉(zhuǎn)子不平衡、齒輪缺陷、緊固件松動(dòng)3種汽輪機(jī)常見的故障作為診斷研究的基礎(chǔ)，通過將正常狀態(tài)信號與轉(zhuǎn)子不平衡、齒輪缺陷、緊固件松動(dòng)故障時(shí)功率譜密度圖進(jìn)行比較。

1)轉(zhuǎn)子不平衡

傳感器布置在轉(zhuǎn)子支承座處，通過功率譜密度(power spectral density,PSD)故障篩選出一個(gè)基頻的突變信號。轉(zhuǎn)子的不平衡故障往往對應(yīng)著基頻峰值的出現(xiàn)。由圖1可以清楚地看到基頻峰值信號從0.39突變到3.08，突變將近10倍。此時(shí)，發(fā)生了轉(zhuǎn)子不平衡的故障。

(a)正常狀態(tài)

(b)故障狀態(tài)圖1 轉(zhuǎn)子不平衡頻譜圖

2)齒輪缺陷及傳力不均勻

傳感器布置在齒輪箱處，通PSD故障篩選出一個(gè)基頻的突變信號。齒輪缺陷及傳力不均勻故障往往對應(yīng)著基頻與齒數(shù)乘積頻率峰值的出現(xiàn)。由圖2可以清楚地看到在齒輪箱處傳感器測量信號的基頻峰值信號從2.13突變到12.40，突變將近6倍，此時(shí)，發(fā)生了齒輪缺陷及傳力不均勻的故障。

(a)正常狀態(tài)

(b)故障狀態(tài)圖2 齒輪缺陷及傳力不均勻頻譜

3)緊固件松動(dòng)

傳感器布置在軸承處，通過PSD故障篩選出3倍基頻的一個(gè)峰值信號。根據(jù)經(jīng)驗(yàn)，可以認(rèn)為：如果3X峰值最大，是軸與軸承間的松動(dòng)；如果是4X有峰值，是由于軸承本身是松動(dòng)的。此時(shí)3X頻率(333.75 Hz)處峰值的出現(xiàn)，由圖3可以清楚地看到在軸承處傳感器測量的信號由基頻峰值信號向3倍基頻峰值的變化，此時(shí)對應(yīng)發(fā)生了軸與軸承間松動(dòng)的故障。

(a)正常狀態(tài)

(b)故障狀態(tài)圖3 緊固件松動(dòng)

2 基于小波變換的故障特征提取

2.1 小波變換

在信號處理中使用最廣泛的是傅里葉變換，但是它存在一種缺乏時(shí)域信息的缺陷。小波變換的概念最早是由法國工程師j.m.orlet于1974年提出的，它是時(shí)間和頻域的局部轉(zhuǎn)換[7]，由于結(jié)合了時(shí)域和頻域的優(yōu)勢，它可以對故障信號進(jìn)行細(xì)化、放大。小波變換的這些特點(diǎn)能夠從故障信號中提取有效信息，通過同時(shí)具有時(shí)域頻域雙表達(dá)特性，解決了大量傅里葉變換難以處理的問題。這對于提取瞬時(shí)變化的振動(dòng)信號特征是十分必要的。

小波基庫由許多小波基組成。不同的小波基能夠反映信號不同的特征。因此，根據(jù)信號特征的不同，最好能夠選擇一個(gè)最優(yōu)的小波基來表達(dá)信號特征。另外，小波基函數(shù)的選取直接決定了信號特征提取的效果[8]，進(jìn)而影響故障診斷。然而，在小波分析中，并沒有一套選擇小波基的準(zhǔn)則。通常情況，根據(jù)信號的特征不同來進(jìn)行小波基的選取。根據(jù)文獻(xiàn)，陳澤鑫[9]提出了對于沖擊信號，選擇最優(yōu)小波基來提取故障特征信息的方法。本文通過對比相似性系數(shù)，選取Sym8作為最優(yōu)小波基函數(shù)。Sym8函數(shù)形狀與信號波形相近，這樣能夠抑制不同形狀信號，放大相近部分信號特征，從而達(dá)到提取信號故障特征目的。

2.2 故障特征提取

振動(dòng)信號經(jīng)過小波變換后能夠分解到不同頻段上并且保留時(shí)域信號特征。不同頻段對應(yīng)著不同故障的特征頻率，如果能夠準(zhǔn)確提取各個(gè)頻帶分量的信號特征作為信號特征向量就能有效地對燃?xì)廨啓C(jī)故障進(jìn)行診斷。在此基礎(chǔ)上，選擇5種統(tǒng)計(jì)特征參數(shù)就可以更精確地描述裝備不同角度的狀態(tài)特征。這些統(tǒng)計(jì)參數(shù)分別為方根幅值、有效值、峰值指標(biāo)、峭度、裕度指標(biāo)。在經(jīng)過小波分解后的振動(dòng)信號，各個(gè)頻帶的信號相當(dāng)獨(dú)立。故障信號集中在固定的頻率段，也就是固定的層數(shù)。通常的分析方法是提取每個(gè)頻帶的能量(信號的均方根值)作為故障特征向量，但是這種方法對于多故障有一定局限。有時(shí)候不同故障的能量信息是相同的，光從能量角度判斷過于單一，缺乏穩(wěn)定性。本文選擇了5種有量綱與無量綱的參數(shù)進(jìn)行多角度提取故障信號特征。表1給出信號篩選出的轉(zhuǎn)子不平衡故障的特征提取數(shù)據(jù)。

表1 故障統(tǒng)計(jì)參數(shù)提取表

3 基于BP神經(jīng)網(wǎng)絡(luò)的故障識(shí)別

采用傳統(tǒng)的故障分類識(shí)別方法，故障診斷的穩(wěn)定性與可靠性得不到保證。本文提出人工神經(jīng)網(wǎng)絡(luò)故障識(shí)別分類方法，選擇具備誤差反向傳播的學(xué)習(xí)模式BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)通常包含多個(gè)隱含層，其學(xué)習(xí)訓(xùn)練分為前向計(jì)算和誤差的反向傳播計(jì)算。在正向傳播過程中，輸入信號方差歸一化后從輸入層經(jīng)隱層逐層處理傳向輸出層，每一層神經(jīng)元的狀態(tài)僅影響下一層的神經(jīng)元狀態(tài)。如果輸出值與期望不符，神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)誤差從后向前逐層進(jìn)行修正各層神經(jīng)元狀態(tài)權(quán)值，使誤差信號達(dá)到最小[10～12]。具體過程如下：

1)初始化：確定網(wǎng)絡(luò)的輸入層、隱含層和輸出層的節(jié)點(diǎn)個(gè)數(shù)。隨機(jī)初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和神經(jīng)元閾值。

2)前向傳播：把輸入值作方差歸一化處理，按照公式計(jì)算隱含層神經(jīng)元和輸出層的輸入與輸出。

3)后前傳播：比較輸出值與期望值。若存在誤差，由誤差反向傳播更新權(quán)值和閾值，直至滿足最終條件。

4)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對疑似故障樣本進(jìn)行識(shí)別。

4 綜合故障診斷實(shí)例

本文提出基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，其算法流程如圖4所示。

圖4 算法流程

圖4中的具體步驟為：

1)信號篩選：先挑選同一工況內(nèi)的振動(dòng)信號，對信號進(jìn)行FFT變換，加Hanning窗得到信號的功率譜密度。根據(jù)式(1)劃分功率譜密度的典型頻率段，計(jì)算這些頻率段中幅值的有效值，觀察有效值的突變判斷該信號中是否有疑似故障段。

2)小波變換：使用小波對疑似故障段信號進(jìn)行分解，獲取疑似故障頻率段的信號分量。計(jì)算信號分量的方根幅值、有效值、峰值、峭度、裕度指標(biāo)，并構(gòu)成最終的特征向量。

3)BP神經(jīng)網(wǎng)絡(luò)的故障診斷：先將同一工況已知的正常與故障信號特征向量組成矩陣，方差歸一化后作為標(biāo)準(zhǔn)特征的訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)。經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，輸入試驗(yàn)中出現(xiàn)的疑似故障段的特征向量，即能進(jìn)行故障識(shí)別。

對4種已知狀態(tài)正常、轉(zhuǎn)子不平衡、齒輪缺陷、緊固件松動(dòng)的數(shù)據(jù)用小波分析提取特征向量，分別選取5組特征向量訓(xùn)練神經(jīng)網(wǎng)絡(luò)。最大訓(xùn)練次數(shù)為500次。設(shè)學(xué)習(xí)率與動(dòng)量因子分別為0.1和0.3。目標(biāo)誤差設(shè)置為0.01。由于輸入的特征參數(shù)依然選取5個(gè)，確定了神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為5，輸出值為1個(gè)三維向量。表3給出了神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)的不同狀態(tài)。

表2 不同狀態(tài)對應(yīng)的輸出表

經(jīng)過300次迭代訓(xùn)練，神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢。為了證明方法的有效性，對上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試。測試數(shù)據(jù)運(yùn)行相同的特征提取方法，經(jīng)方差歸一化后輸入神經(jīng)網(wǎng)絡(luò)識(shí)別。歸一化后得到的測試樣本數(shù)據(jù)如表3所示。

表3 歸一化后得到的測試樣本數(shù)據(jù)表

表4為經(jīng)過測試后的輸出值。表中第1組數(shù)據(jù)為[-0.212，0.192，-0.181]，這3個(gè)數(shù)據(jù)對于0和1，更加接近0。因此故障輸出值為[0,0,0]。由故障輸出代碼表可以判斷此時(shí)發(fā)動(dòng)機(jī)為正常運(yùn)行狀態(tài)。一般也可以根據(jù)小于0.5或大于0.5判斷輸出值是接近0還是1。如第11組數(shù)據(jù)[0.191,0.927,0.305]，根據(jù)0.5這一閾值判斷得到的故障輸出值為[0,1,0]。由故障輸出代碼表可以判定此時(shí)發(fā)動(dòng)機(jī)存在齒輪缺陷故障。

表4 BP神經(jīng)網(wǎng)絡(luò)輸出與狀態(tài)判斷表

后續(xù)通過1000組數(shù)據(jù)的測試，綜合故障診斷率能夠達(dá)到97.5%。說明小波與神經(jīng)網(wǎng)絡(luò)結(jié)合的故障診斷方法對故障診斷有著較高的識(shí)別準(zhǔn)確率。

5 結(jié)論

本文通過研究基于小波分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法，以艦船燃?xì)廨啓C(jī)試驗(yàn)數(shù)據(jù)為應(yīng)用對象，驗(yàn)證了該方法用于艦船燃?xì)廨啓C(jī)等旋轉(zhuǎn)機(jī)械故障診斷的可行性和工程適用性。根據(jù)結(jié)果分析，可得出以下結(jié)論：1)本文選取的試驗(yàn)振動(dòng)數(shù)據(jù)，通過PSD進(jìn)行故障篩選的方法能快速判別機(jī)組運(yùn)行是否出現(xiàn)故障狀態(tài)；2)以變換后信號的特征參量作為神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)了對3種典型故障狀態(tài)的識(shí)別，形成了具有較高準(zhǔn)確率的燃?xì)廨啓C(jī)故障診斷方法。