基于小波和神经网络的柴油机失火故障检测:神经网络算法python

　　摘要：采用ＬａｂＶＩＥＷ虚拟仪器搭建柴油机故障测试平台，采集了柴油机在正常、进气管阻塞、排气管阻塞、供油不足４种状态下的振动信号。利用小波分析对信号使用改进阈值消噪方法进行消噪，得出缸盖振动信号的频谱图，将柴油机振动信号的频率与能量的特征作为振动信号的特征值，设计了基于ＢＰ神经网络的柴油机故障诊断识别系统，识别准确率均达到８０％以上。
　　关键词：柴油机；故障诊断；振动信号；改进阈值消噪；ＢＰ神经网络
　　中图分类号：ＴＫ４２８文献标识码：Ａ文章编号：0439－８114（２０11）15－3181-03
　　
　　Diesel Misfire Fault Diagnosis based on Wavelet and Neural Network
　　
　　ＷＡＮＧ Ｄｏｎｇ－ｓｈｅｎｇ，ＬＩ Ｘｉａｏ－ｙｕ，ＬＩ Ｐｅｎｇ，ＧＵＯ Ｚｈｅｎ－ｋｕｎ
　　（Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕhａｎ ４３００７０， Ｃｈｉｎａ）
　　
　　Ａｂｓｔｒａｃｔ： Ｕｓｉｎｇ ｔｈｅ ＬａｂＶＩＥＷ ｖｉｒｔｕａｌ ｉｎｓｔｒｕｍｅｎｔ ｔｏ ｂｕｉｌｄ ｅｎｇｉｎｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ， ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ ｕｎｄｅｒ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｅｎｇｉｎｅｓ ｉｎ ｎｏｒｍａｌ， ｉｎｔａｋｅ ｐｉｐｅ ｊａｍｓ， ｔａｉｌｐｉｐｅｓ ｊａｍｓ， ｐｒｏｐｕｌｓｉｏｎ ｓｈｏｒｔａｇｅ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ． Uｓｉｎｇ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ ａｎｄ ｉｍｐｒｏｖｅｄ threshold ｄｅ－ｎｏｉｓｉｎｇ ｍｅｔｈｏｄ ｔｏ ｄｅ－ｎｏｉｓing， ｔｈｅ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌ ｓｐｅｃｔｒｕｍ ｇｒａｐｈ ｗａｓ ｏｂｔａｉｎｅｄ． Ｕｓｅｄ ｄｉｅｓｅｌ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌ ａｎｄ ｅｎｅｒｇｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｓ ｔｈｅ ｅｉｇｅｎｖａｌｕｅ ｏｆ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ， ｔｈｅ ｄｉｅｓｅｌ ｅｎｇｉｎｅ ｍｉｓｆｉｒｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ｗａｓ ｄｅｓｉｇｎｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ｍｏｒｅ ｔｈａｎ ８０％ ｏｆ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ｄｉａｇｎｏｓｉｓ ｗａｓ ａｃｈｉｅｖｅｄ．
　　Ｋｅｙ ｗｏｒｄｓ： dｉｅｓｅｌ ｅｎｇｉｎｅ； fａｕｌｔ ｄｉａｇｎｏｓｉｓ； vｉｂｒａｔｉｏｎ ｓｉｇｎａｌ； iｍｐｒｏｖｅｄ threshold ｄｅ－ｎｏｉｓｉｎｇ； ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
　　柴油机是目前机械系统应用最广泛的动力源之一，其工作环境相对恶劣，容易出现故障。数据表明柴油机故障大多由燃气系统故障引起，譬如失火、漏气等。失火故障是其中常见的故障之一，柴油机失火是由贫油、压缩不良、进气不畅、排气不畅、喷油提前或滞后、气门间隙过大、混合气浓度过高或过低等原因引起的［１］。失火故障极大地降低了柴油机的动力输出性能，并且尾气污染更严重［２］。因此，及时有效地对柴油机的失火信息进行分析，实时监测柴油机的工作状态具有重要意义。
　　本研究提出通过柴油机缸盖振动加速度信号来诊断柴油机的失火故障。由于柴油机的振动激励源复杂，并且振动信号中以非稳定信号为主导，传统ＦＦＴ方法无法处理［３］。因此，采用小波分析法对信号进行分析处理，提取信号的特征值，最后建立基于ＢＰ神经网络的柴油机故障诊断识别系统。
　　１材料与方法
　　１．１材料及设备
　　试验以山东潍坊长松柴油机有限公司９５系列２９５Ｄ型柴油机为研究对象，传感器采用ＣＡ－ＹＤ－１０６Ｇ型压电式加速度传感器，该传感器检测信号频率为０．５～１２.0 ｋＨｚ，电荷灵敏度２．４９ ｐｃ／ｍｓ－２，输出电荷量信号。将传感器固定于专用磁座上，磁座吸附在柴油机缸盖上方螺纹柱上。使用江苏联能电子公司生产的ＹＥ５３５８Ａ型电荷放大器对传感器输出的电荷量信号进行放大和调理，并输出与传感器电荷量信号相对应的连续电压信号。
　　使用ＬａｂＶＩＥＷ虚拟仪器平台进行数据采集。将电荷放大器的输出连接至ＮＩ公司的ＳＣＢ－６８接线盒，接线盒采用差分方式连接至ＮＩ公司配套的ＰＣＩ－６０４０数据采集卡，采集卡直接和计算机进行通讯，通过编写ＬａｂＶＩＥＷ程序自动采集保存数据，实现数据采集。
　　１．２试验设计
　　分别在转速为６２０（怠速）、１ ０００、１ ３００ ｒ／ｍｉｎ时负载为空载、３０ Ｎ・ｍ参数下调整柴油机为正常工作、进气管阻塞、排气管阻塞、供油不足４种工况，采集每种工况下的柴油机缸盖振动加速度信号，采样频率设置为２０.0 ｋＨｚ，每种工况下采集１００组数据，每组采样时间４ ｓ。
　　２信号小波预处理
　　采用ｄｂ６小波基函数对信号进行６阶小波包分解，并运用改进阈值方法进行消噪，其中θ取值间隔为０．１，得到的ＳＮＲ、ＲＭＳＥ平均值如表１所示。
　　通过对比发现θ＝０．２时消噪效果最佳。同理，通过对比在所有小波函数下进行消噪之后的ＳＮＲ、ＲＭＳＥ平均值确定采用ｄｂ６小波对信号进行６阶分解效果最佳。
　　２．２信号特征分析
　　当工况改变时，柴油机振动信号的传递函数会发生改变，幅频特性和相频特性会发生相应的变化，其输出信号的能量也相应发生变化［７］，有的频域信号被抑制，有的频域信号被增强，导致频段内的能量减少或者增加。图１为缸盖振动信号的频谱图，从图１可以看出，信号在１ ２５０～２ ５００ Ｈｚ、３ ５００～４ ５００ Ｈｚ频带范围内幅值较大，随着故障的不同，较大幅值对应的频率带发生变化，导致同一频段内能量发生改变，因此可以提取信号在不同的频段内的能量信息构成信号的特征向量对柴油机故障进行诊断。
　　采用ｄｂ６小波对信号进行４阶小波包分解，提取分解后１６（２４）个频带的小波包分解系数，运用小波分解系数对各个子信号进行重构，得到１６个子频带信号，求各个子频带信号的能量，并将每组信号的１６个子频带能量作为该组信号的特征向量。
　　３柴油机失火故障诊断
　　３．１ＢＰ神经网络的设计
　　ＢＰ神经网络是一种前向型网络，是人工神经网络中的经典，被广泛应用［８］。ＢＰ网络主要包含输入层、隐含层、输出层，每一层包含若干神经元。
　　本试验中ＢＰ网络输入层神经元个数为１６（即输入特征向量的维数）、输出层神经元的个数为４（输出故障的种类）。确定了输入层和输入层神经元之后，在构造隐含层神经元个数时通常由如下经验公式确定：
　　其中ｌ、ｍ、ｎ分别为隐含层、输入层、输出层神经元个数，ｍ＝１６，ｎ＝４，常数ａ通常取１～１５［９］。
　　隐含层神经元的个数太多会导致运算的时间过长，陷入局部最小化；太少又会使识别的准确率过低。权衡计算时间和识别准确率，本试验通过对数据处理得出：当隐含层神经元个数ｌ＝３０时，网络达到的效果比较好。
　　３．２ＢＰ神经网络的训练
　　网络的学习过程是不断修正权值和阈值的过程，通过对权值和阈值的不断调整，使误差达到最小，最终使实际输出等于期望输出［１０］。创建ＢＰ网络选用ｎｅｗｆｆ函数，输入层与中间层之间传递函数选用Ｓ型正切传递函数ｔａｎｓｉｇ，中间层与输出层之间传递函数选用线性传递函数ｐｕｒｅｌｉｎ函数，训练采用ｔｒａｉｎｌｍ函数，权值和阈值的ＢＰ学习算法采用默认的梯度下降动量学习函数ｌｅａｒｎｇｄｍ函数，网络的性能函数为默认的均方误差性能函数“ｍｓｅ”，选择网络的训练误差为０．００５。将每种工况下１００组特征向量的前６０组输入到网络中进行训练，训练集准确率均超过９５％。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　３．３ＢＰ神经网络的验证
　　将每种工况下的后４０组数据输入上述ＢＰ网络，对网络的识别效果进行验证。通过分析所有验证集的验证结果得出使用ＢＰ网络对柴油机故障振动信号诊断识别准确率如表２所示。从表２可知，各种工况下的识别准确率均超过８０％，识别效果较好。
　　４小结
　　试验采用ＬａｂＶＩＥＷ虚拟仪器搭建了柴油机振动信号采集系统，试验结果表明该方法方便快捷、稳定可靠。同时，运用基于小波分析方法，提出使用改进阈值消噪方法对信号进行消噪处理，该方法克服了硬阈值消噪后信号存在振荡问题，以及软阈值消噪后信号与真实信号存在恒定偏差的问题；通过试验研究发现，当改进阈值消噪方法中的参数因子θ＝０．２以及使用ｄｂ６小波6阶小波分解时进行消噪达到的消噪最佳效果。在对故障进行判断的时候可根据各子频段内的能量变化来对柴油机故障进行诊断。在对故障进行模式识别时，可采用ＢＰ神经网络对信号进行模式识别，当ＢＰ神经网络隐含层神经元个数为３０时，ＢＰ神经网络对柴油机故障的识别准确率均超过８０％，其识别效果较好。
　　参考文献：
　　［１］ 吴义虎，张志沛，张利军，等．汽油机失火故障的模糊模式识别［Ｊ］．湖南大学学报（自然科学版），２０００（５）：３９－４３．
　　［２］ 乔新勇，刘建敏，张小明．基于神经网络信息融合的发动机失火故障诊断［Ｊ］．内燃机工程，２００９，３０（１）：７４－７９．
　　［３］ 张培林，李国章． 利用缸盖振动信号诊断气门机构故障［Ｊ］． 测试技术学报，１９９8，12（１）：４１－４6．
　　［４］ 胡俊文，周国荣．小波分析在振动信号去噪中的应用［Ｊ］．机械工程与自动化，２０１０（１）：１２８－１３０．
　　［５］ 王秉仁，杨艳霞，蔡伟，等．小波阈值降噪技术在振动信号处理中的应用［Ｊ］．噪声与振动控制，２００８（６）：９－１２．
　　［６］ 于文新，张谦．基于改进阈值消噪算法的小波包降噪［Ｊ］．通信技术，２０１０（６）：７－９．
　　［７］ 高杨，史丽萍，吴旭东，等．基于最小二乘支持向量机的振动传感器故障诊断［Ｊ］．机械与电子，２００９（５）：３７－３９．
　　［８］ 张淑敏，毕丽红，李伟．人工神经网络及其在机械故障诊断中的应用［Ｊ］．甘肃冶金，２００８，30（４）：３－５．
　　［９］ 尹念东．ＢＰ神经网络的应用设计［Ｊ］．信息技术，２００３，27（６）：１6－２０．
　　［１０］ 黄勇，郭晓平． 基于改进ＢＰ神经网络的柴油机故障诊断研究［Ｊ］．汽车科技，２００９（２）：５５－５８．
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文