機(jī)車牽引電機(jī)聲音檢測與故障診斷系統(tǒng)應(yīng)用研究

王新杰　董志學(xué)　潘穎輝

(內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院　內(nèi)蒙古 呼和浩特 010080)

?

機(jī)車牽引電機(jī)聲音檢測與故障診斷系統(tǒng)應(yīng)用研究

王新杰董志學(xué)潘穎輝

(內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院內(nèi)蒙古 呼和浩特 010080)

由于目前機(jī)務(wù)段檢修車間牽引電機(jī)故障檢測存在不足，提出基于小波包分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法。以HXD3型電力機(jī)車YJ85A型牽引電機(jī)為例，利用Android為嵌入式開發(fā)平臺，設(shè)計(jì)完成一款具有一定便攜性、可行性和工程實(shí)用價(jià)值機(jī)車牽引電機(jī)聲音檢測與故障診斷系統(tǒng)。為機(jī)務(wù)段檢測人員判斷牽引電機(jī)故障與否提供相關(guān)參考，在一定程度上起到輔助診斷的作用。

故障檢測小波包分解特征提取神經(jīng)網(wǎng)絡(luò)機(jī)車牽引電機(jī)

0　引　言

隨著我國鐵路日趨高速化、重載化的發(fā)展，機(jī)車的設(shè)備運(yùn)行安全一直備受關(guān)注[1]。同時(shí)，在諸多鐵路局尚未經(jīng)過系統(tǒng)的牽引運(yùn)行實(shí)驗(yàn)和運(yùn)行考核[6]。特別是機(jī)車上的最重要組成部分牽引電機(jī)，其質(zhì)量的好壞對于整個(gè)機(jī)車的安全行走起著至關(guān)重要的作用。因此，對牽引電機(jī)進(jìn)行故障診斷具有十分重要的現(xiàn)實(shí)意義[4]。

由于機(jī)車牽引電機(jī)在運(yùn)行過程中會產(chǎn)生各種故障信息，通過對故障信息安全、快速采集，可以較早采取措施，這對保障鐵路運(yùn)輸安全有著十分重要的意義。目前的故障診斷技術(shù)有小波分析法、分析理論、混沌理論等，其中，小波分析法對信號的時(shí)頻分析特性較好，但對信號的高頻部分分辨率較差，小波包分解法彌補(bǔ)了小波分析方法的高頻部分分辨率的不足，能夠有效地檢測出機(jī)車牽引電機(jī)故障與否。

此外，由于目前機(jī)務(wù)段采用的頂輪檢測技術(shù)也存在諸多局限性[5]。首先是在故障診斷時(shí)需多人同步操作，且檢測設(shè)備復(fù)雜、僅僅機(jī)車頂輪電源就相當(dāng)笨重。通常檢測一臺機(jī)車的六組牽引電機(jī)，少則幾小時(shí)，多則一天。而且機(jī)務(wù)人員需經(jīng)過專門的培訓(xùn)，相應(yīng)的檢測成本也非常高[7]。

為了克服當(dāng)前應(yīng)用中存在的這些問題，同時(shí)使故障檢測能夠更加精確的識別并分類，本文提出了基于Android為平臺下的機(jī)車牽引電機(jī)聲音檢測與故障診斷系統(tǒng)。利用Android平臺突出優(yōu)勢以及聲音在故障診斷中的某些優(yōu)點(diǎn)[1]，并將小波包分解與重構(gòu)算法、BP算法等與傳統(tǒng)故障聲音診斷技術(shù)相結(jié)合，這樣既可實(shí)現(xiàn)對機(jī)車牽引電機(jī)故障診斷的功能，又可滿足便攜式故障檢測應(yīng)用的需求。

1　系統(tǒng)總體方案設(shè)計(jì)

系統(tǒng)的總體設(shè)計(jì)方案主要包括機(jī)車牽引電機(jī)聲音信號的采集、處理以及故障識別三大模塊。

在聲音采集的過程中具體通過MIC傳感器采集機(jī)車牽引電機(jī)在故障和正常狀態(tài)下產(chǎn)生的聲音信息。在聲音處理方面主要包括聲音信號的預(yù)處理操作以及特征值提取計(jì)算，在此過程分析了小波閾值去噪算法在去噪過程中以及三層小波包分解與重構(gòu)算法在特征值提取中的突出優(yōu)勢。最后對提取到的能量特征值通過歸一化轉(zhuǎn)化為能量特征向量輸入到系統(tǒng)下故障識別模塊中的BP神經(jīng)網(wǎng)絡(luò)檢測模型中，通過與保存訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比分析，最終實(shí)現(xiàn)故障類型判斷。并利用MATLAB工具對上述算法的選用的可行性和有效性進(jìn)行了仿真分析。系統(tǒng)流程設(shè)計(jì)如圖1所示。

圖1　系統(tǒng)流程設(shè)計(jì)

2　系統(tǒng)方案實(shí)現(xiàn)

2.1聲音采集

聲音采集在聲音的故障檢測過程中是需要首先解決的問題。本文在聲音傳感器的選擇上采用的是MIC傳感器，傳感器結(jié)構(gòu)內(nèi)部存在一個(gè)由振膜、墊片和極板組成的電容器。在其工作時(shí)MIC膜片上充有電荷，因此當(dāng)膜片受到聲壓強(qiáng)的作用，膜片要產(chǎn)生振動，從而改變了膜片與極板之間的距離，最終完成對聲信號到電信號的轉(zhuǎn)換。本課題采集的聲音數(shù)據(jù)為集寧機(jī)務(wù)段呼和車間HXD3型電力機(jī)車YJ85A型牽引電機(jī)工作時(shí)聲音信號[3]。

在聲音信號采集參數(shù)的設(shè)定上：采樣頻率采用標(biāo)準(zhǔn)的44.1KHz的采樣率、單聲道以及16位量化精度。通過前期實(shí)地采集，共整理369組聲音信號，其中86組故障、283組正常。隨機(jī)選取66組故障263組正常的聲音信號用于BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)與訓(xùn)練，另外20組用于系統(tǒng)的測試工作。

2.2聲音處理

聲音處理主要包括聲音去噪和特征提取兩大模塊。由于機(jī)車牽引電機(jī)在聲音信號傳輸過程中，總不可避免地含有噪聲，對聲音信號處理和分析的準(zhǔn)確度有很大影響。因此前期有必要先進(jìn)行去噪處理。

隨著小波理論的發(fā)展與實(shí)際應(yīng)用中的不斷檢驗(yàn)，小波去噪的方法受到了廣泛的關(guān)注。

目前，小波去噪方法主要有小波模極大值去噪、小波空域相關(guān)去噪和小波閾值去噪。

三種方法都各有優(yōu)缺點(diǎn)，事實(shí)上小波閾值去噪是目前應(yīng)用最廣泛的一種方法，它具有方法簡單、計(jì)算量小、去噪效果好的特點(diǎn)。此外，對于前期消噪來說，要求計(jì)算量越小越好，因此，本文采用小波閾值去噪的方法。

在信號特征提取算法選擇上本文應(yīng)用的是小波包分解與重構(gòu)算法。小波包分析是小波分析的改進(jìn)，將小波分析中沒有細(xì)分的高頻部分進(jìn)一步分解[2]。

小波包分解實(shí)質(zhì)上是對信號的多帶通濾波，一般來說，正常狀態(tài)與故障狀態(tài)下機(jī)車牽引電機(jī)輸出信號的各頻帶成分是不同的。在這種情況下，通過分析系統(tǒng)結(jié)構(gòu)和故障機(jī)理找出系統(tǒng)故障與否的特征頻率，從而依據(jù)這些頻率分量的變化確定故障存在與否[6]。

在小波母函數(shù)的選擇上[17]，考慮到特征提取需要在任意尺度上進(jìn)行，因此母函數(shù)的時(shí)頻域緊支撐性尤為關(guān)鍵。其次，重構(gòu)的精確性也十分重要，因此母函數(shù)的正交性也應(yīng)著重考慮?；谏鲜鰞牲c(diǎn)本文選取了db6小波進(jìn)行信號分析。

小波包分解與重構(gòu)算法[17]如下：

(1)

由上式可知，小波包分解過程實(shí)質(zhì)上是通過一組高、低通組合的共軛正交濾波器h、g，將信號分解到不同的頻帶上。表1為db6小波濾波器系數(shù)hk。

表1　db6小波濾波器系數(shù)hk

(2)

對小波包分解系數(shù)重構(gòu)，提取各頻帶上的信號，求各個(gè)頻帶信號的總能量，以三層小波包分解為例第3層從低頻到高頻8頻段的能量為：

(3)

其中，Ej(j=0,1,…,7)為S3j對應(yīng)的能量特征值；xjk(j=0,1,…，7;k=1,2,…，n)表示重構(gòu)信號離散點(diǎn)的幅值，n為采樣點(diǎn)數(shù)。

通常情況下，系統(tǒng)出現(xiàn)故障時(shí)，各頻帶內(nèi)信號特征會有較大變化，以頻帶能量譜構(gòu)造一個(gè)特征向量：

T=[E1,E2,E3,E4,E5,E6,E7,E8]

(4)

2.3故障識別

機(jī)車牽引電機(jī)故障狀態(tài)識別的現(xiàn)代分析方法主要有四種[9，10]，對比如表2所示。

表2　故障識別方法對比

通過綜合考慮，本課題診斷方法選用BP神經(jīng)網(wǎng)絡(luò)法。

2.3.1BP神經(jīng)網(wǎng)絡(luò)模型建立

BP神經(jīng)網(wǎng)絡(luò)是在對人腦組織結(jié)構(gòu)和運(yùn)行機(jī)智的認(rèn)識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。本文以雙隱含層為例對神經(jīng)網(wǎng)絡(luò)模型加以介紹。圖2為雙隱含層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖2　雙隱含層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

定義各神經(jīng)元的輸入為u，輸出為v ，上標(biāo)表示神經(jīng)元所處層，下標(biāo)表示層中的序號。其中任意一個(gè)訓(xùn)練樣本Xk都是一個(gè)M維矢量，即：

訓(xùn)練樣本為：Xk=[Xk1,Xk2,…,XkM] k=1,2,…,N

期望輸出為：dk=[dk1,dk2,…,dkp]T

實(shí)際輸出為：Yk=[Yk1,Yk2,…,YkP]T

當(dāng)網(wǎng)絡(luò)輸入訓(xùn)練樣本為：Xk=[Xk1,Xk2,…,XkM]

各層輸入輸出表達(dá)式如下：

第一隱含層神經(jīng)元的輸入記為：

(5)

第一隱含層神經(jīng)元的輸出記為：

(6)

同理，以此類推第二隱含層神經(jīng)元的輸出如式(7)所示、輸出層神經(jīng)元的輸入、輸出如式(8)、式(9)。

(7)

(8)

(9)

2.3.2BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)1) 網(wǎng)絡(luò)層數(shù)的選擇

BP神經(jīng)網(wǎng)絡(luò)層數(shù)是對隱含層而言[13]，通常情況下增加隱含層數(shù)可以降低誤差、提高網(wǎng)絡(luò)精度，與之同時(shí)也使網(wǎng)絡(luò)復(fù)雜化，增加了網(wǎng)絡(luò)的訓(xùn)練時(shí)間和過度擬合的傾向[14]。對于實(shí)際問題中相對復(fù)雜的對應(yīng)關(guān)系時(shí)，通常會考慮使用雙層或多隱含層網(wǎng)絡(luò)。本課題實(shí)驗(yàn)結(jié)果表明采用單隱含層訓(xùn)練結(jié)束參數(shù)為0.00276，采用雙隱含層時(shí)訓(xùn)練結(jié)束參數(shù)為0.000998，明顯優(yōu)于單層訓(xùn)練效果。因此，本文選擇雙隱含層。

2) 輸入層、輸出層和隱含層的設(shè)計(jì)

輸入和輸出層在神經(jīng)元個(gè)數(shù)的選取上與實(shí)際問題的輸入、輸出變量有關(guān)。對于輸入層神經(jīng)元個(gè)數(shù)取決于數(shù)據(jù)的向量維數(shù)，輸出層神經(jīng)元個(gè)數(shù)則取決于輸出的狀態(tài)類型數(shù)[15]。

本文機(jī)車牽引電機(jī)聲音信號，依次經(jīng)過小波去噪和三層小波包變換后，歸一化得到的8個(gè)不同頻帶內(nèi)的特征向量信號，因此，輸入層神經(jīng)元個(gè)數(shù)為M=8。對于輸出的狀態(tài)類型選取上，本課題基于客觀的實(shí)際情況，僅選取了2種工作狀態(tài)，即將牽引電機(jī)工作狀態(tài)統(tǒng)歸為故障和正常兩種，因此輸出層神經(jīng)元個(gè)數(shù)為P=2[12]。

隱含層神經(jīng)元個(gè)數(shù)的選取是一個(gè)非常困難的問題，但通常情況下與輸入和輸出神經(jīng)元的個(gè)數(shù)有著間接的關(guān)系。隱含層單元數(shù)目選擇不恰當(dāng)將會導(dǎo)致學(xué)習(xí)時(shí)間過長、容錯性差、誤差不一定最佳等問題，從而也會影響故障診斷的效果[16]。然而目前還沒有一個(gè)理想的表達(dá)式來確定隱含層單元數(shù)目，往往需要根據(jù)經(jīng)驗(yàn)或多次實(shí)驗(yàn)驗(yàn)證來確定[9]。

本課題通過對比實(shí)驗(yàn)驗(yàn)證，并且參考公式s=2m+1，其中，m為輸入層神經(jīng)元個(gè)數(shù)，p為輸出層神經(jīng)元個(gè)數(shù)，s為隱含層神經(jīng)元個(gè)數(shù)。最終確定了隱含層神經(jīng)元個(gè)數(shù)為14個(gè)。

3) 傳遞函數(shù)的選擇

傳遞函數(shù)也稱為激活函數(shù)，作用于各連接層之間用以實(shí)現(xiàn)神經(jīng)元輸入到輸出的轉(zhuǎn)換[8]，是神經(jīng)網(wǎng)絡(luò)又一重要的組成部分。在傳遞函數(shù)的選擇上本課題選用了目前應(yīng)用最為廣泛的sigmod傳遞函數(shù)。

f(x)=[1+exp(-ax)]-1a>0

(10)

從公式可以看出，f(x)為定義域內(nèi)連續(xù)可微函數(shù)。其中，a為傾斜變量，a的取值不同對應(yīng)函數(shù)的形狀也將有相應(yīng)的差異[10]，圖3為a取1、2、3時(shí)對應(yīng)的函數(shù)曲線圖。其中，函數(shù)的斜率隨著a的增大而降低。

圖3　a取1、2、3時(shí)對應(yīng)的函數(shù)曲線圖

Sigmod函數(shù)相較于其他連續(xù)函數(shù)，有其眾多優(yōu)點(diǎn)[10]：

① 首先，Sigmod函數(shù)本身兼顧了敏感性和穩(wěn)定性，即在在中間細(xì)微部分變化敏感，而兩端部分逐漸趨于穩(wěn)定，這一點(diǎn)使得網(wǎng)絡(luò)對于特征識別尤為關(guān)鍵。

② 其次，在誤差反向傳播時(shí)，傳遞函數(shù)必須連續(xù)可導(dǎo)，若是一般的連續(xù)函數(shù)，對于計(jì)算機(jī)的存儲以及神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度都有影響。因此基于這一點(diǎn)傾斜變量a取1。

故障判斷過程如圖4所示。當(dāng)采集到新的牽引電機(jī)聲音數(shù)據(jù)時(shí)，經(jīng)過聲音信號預(yù)處理數(shù)據(jù)輸入到系統(tǒng)故障識別模塊下，通過與已經(jīng)建立好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比對，從而獲得相應(yīng)的牽引電機(jī)工作正?；蚬收蠣顟B(tài)。

圖4　故障識別過程

3　實(shí)驗(yàn)結(jié)果分析

本課題實(shí)際采集的原始數(shù)據(jù)為集寧機(jī)務(wù)段呼和車間HXD3型電力機(jī)車YJ85A型牽引電機(jī)的聲音信號。由于數(shù)據(jù)量巨大，本文選取了牽引電機(jī)正常與故障狀態(tài)下的一組數(shù)據(jù)中的320個(gè)采樣點(diǎn)的數(shù)據(jù)進(jìn)行測試與分析。

應(yīng)用程序的安裝文件導(dǎo)入并安裝到安卓移動端后，系統(tǒng)登錄界面、運(yùn)行主界面如圖5、圖6所示。

圖5　系統(tǒng)登錄界面

圖6　系統(tǒng)運(yùn)行主界面

為更加直觀地表征信號特征，本系統(tǒng)依次進(jìn)行了正常與故障狀態(tài)下去噪前后波形的顯示。圖7-圖10分別為兩種狀態(tài)下的原始波形與去噪之后波形，其中，橫坐標(biāo)代表信號的采樣點(diǎn)數(shù)，縱坐標(biāo)代表每個(gè)信號采樣點(diǎn)所對應(yīng)的幅值大小。

圖7　正常狀態(tài)下原始波形

圖8　故障狀態(tài)下原始波形

通過圖7、圖8對兩種狀態(tài)下的原始波形對比可以看出：正常狀態(tài)下的原始波形各采樣點(diǎn)相對緊湊，波形表征平。但故障狀態(tài)下的原始波形中在采樣點(diǎn)在180至210波形出現(xiàn)很大的稀疏、波形跳躍性降低。

圖9　正常狀態(tài)下去噪波形

圖10　故障狀態(tài)下去噪波形

通過圖9、圖10對兩種狀態(tài)下的去噪波形對比可以看出：正常狀態(tài)下的去噪波形各采樣點(diǎn)相對稀疏，但采樣點(diǎn)在240至270之間時(shí)，波形幅度值跳躍性明顯比其他采樣點(diǎn)較低；故障狀態(tài)下的去噪波形中各采樣點(diǎn)幅度值相對平緩，少量波形幅度值出現(xiàn)明顯抖動，采樣點(diǎn)幅度值無明顯差異。

通過兩種狀態(tài)下去噪前后波形對比可以直觀看出：正常狀態(tài)下聲音信號波形相比于故障狀態(tài)下的聲音信號波形較穩(wěn)定。此外，也驗(yàn)證了選用小波包閾值去噪算法的良好去噪性。因此，在一定程度上可以根據(jù)牽引電機(jī)兩種狀態(tài)下的時(shí)域信息對電機(jī)狀態(tài)做前期初步判斷。

在機(jī)車牽引電機(jī)聲音的故障檢測中，時(shí)域波形分析只能對電機(jī)狀況進(jìn)行直觀的定性分析，且準(zhǔn)確性不高，僅僅可以作為一個(gè)參考[18]。因此，有必要對電機(jī)狀況進(jìn)行定量分析。因此本文主要采用的特征值提取算法，即通過小波包分解后得到的能量系數(shù)進(jìn)行重構(gòu)。圖11為特征值顯示界面。

圖11　特征值顯示界面

本文由于篇幅的原因?qū)恳姍C(jī)兩種狀態(tài)各選取了十組特征值用于本文數(shù)據(jù)分析。表3、表4分別為牽引電機(jī)在兩種狀態(tài)下10組特征值。

表3　牽引電機(jī)正常狀態(tài)下的10組特征值

表4　牽引電機(jī)故障狀態(tài)下的10組特征值

表3、表4是從369組聲音樣本中隨機(jī)選取的牽引電機(jī)在兩種狀態(tài)下10組特征值。是牽引電機(jī)聲音信號經(jīng)三層小波包分解與重構(gòu)后所得到的8個(gè)頻帶內(nèi)包含的能量特征值。通過統(tǒng)計(jì)可以發(fā)現(xiàn)，兩種狀態(tài)下的特征值具有顯著的差異性，即使同一狀態(tài)下的各頻段內(nèi)信號包含的能量特征值也有差異。統(tǒng)計(jì)結(jié)果顯示牽引電機(jī)故障狀態(tài)下第七帶內(nèi)特征值普遍在170到200之間。而牽引電機(jī)正常工作狀態(tài)下第七帶內(nèi)的特征值普遍在105到180之間。此外，統(tǒng)計(jì)結(jié)果顯示信號在第一個(gè)頻帶內(nèi)的能量值相對于其他七個(gè)頻帶內(nèi)的特征值明顯偏低。由于兩種狀態(tài)下特征值存在的顯著差異，一定程度上驗(yàn)證了能量作為特征值對牽引電機(jī)進(jìn)行故障檢測是可行的。也為后續(xù)的神經(jīng)網(wǎng)絡(luò)的判斷分析奠定了基礎(chǔ)。

將所得的特征值作歸一化處理。得到相應(yīng)的特征向量。將特征向量輸入到BP神經(jīng)網(wǎng)絡(luò)模型中，利用系統(tǒng)中保存好的故障數(shù)據(jù)庫進(jìn)行牽引電機(jī)故障狀態(tài)的判斷測試。判斷測試結(jié)果如圖12、圖13所示。

圖12　正常信號判斷結(jié)果

圖13　故障信號判斷結(jié)果

其中，后綴-*.wav中用0、1分別表示為采集到的牽引電機(jī)狀態(tài)類型為正常、故障，前綴*-.wav表示測試數(shù)據(jù)序號。此外，輸出結(jié)果類型表示BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，所設(shè)定的期望輸出，其中0、1分別表示正常、故障，牽引電機(jī)狀態(tài)表示計(jì)算測試結(jié)果。

4　結(jié)　語

通過20組樣本的系統(tǒng)性能測試，結(jié)果顯示17組分析結(jié)果正確。即10組正常狀態(tài)下聲音樣本和7組故障狀態(tài)聲音樣本，即正確率為85%。此外，前期在集寧機(jī)務(wù)段呼和車間調(diào)研了解到，目前該車間采用的定輪檢測技術(shù)的檢測率也只是80%。

因此本系統(tǒng)完全可以用于實(shí)際的機(jī)車牽引電機(jī)的檢測中。在一定程度上能夠滿足機(jī)車檢修的實(shí)際需要，為機(jī)務(wù)段檢測人員判斷牽引電機(jī)故障與否提供相關(guān)參考，能夠起到一定輔助診斷的作用。但也有些模塊功能需要進(jìn)一步完善，比如要提高故障檢測系統(tǒng)的精度還需在以后進(jìn)一步建立一個(gè)完善的、大型的、全面的機(jī)車牽引電機(jī)聲音故障特征庫[11]。

[1] 李甜甜.電力機(jī)車交流牽引電機(jī)故障診斷研究[D].成都：西南交通大學(xué),2014:1-2.

[2] 韋力強(qiáng).基于小波變換的信號去噪研究[D].長沙：湖南大學(xué),2008(4):34-35.

[3] 張曙光.HXD3 型電力機(jī)車[M].北京：中國鐵道出版社，2010:1-2.

[4] 唐軍軍，王艷菲.簡論我國鐵路發(fā)展歷史及現(xiàn)狀[J].才智,2010(14):207.

[5] 鄭珊，宋嚴(yán).頂輪檢測技術(shù)在我段機(jī)車檢修中的運(yùn)用分析[J].鐵道機(jī)車車輛,2002(S1):280-281,289.

[6] 許瑞利.我國電力機(jī)車的現(xiàn)狀及發(fā)展趨勢[J].中國校外教育,2012(33):178-179.

[7] 徐宗祥.我國電力機(jī)車的發(fā)展回顧[J].中國鐵路,2001(2):12-14.

[8] 周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社,2013:89-90.

[9] 沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào),2008,24(5):13-15.

[10] 張雨濃，曲璐，陳俊維，等.多輸入Sigmoid激勵函數(shù)神經(jīng)網(wǎng)絡(luò)權(quán)值與結(jié)構(gòu)確定法[J].計(jì)算機(jī)應(yīng)用研究,2012,29(11):113-116.

[11] 邵曉非，寧媛，劉耀文，等.電力系統(tǒng)故障診斷方法綜述與展望[J].工業(yè)控制計(jì)算,2012,25(12):4-7.

[12] 孫士慧. 基于小波神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷方法研究[D].青島：中國石油大學(xué)(華東),2008:34-35.[13] 葉斌，雷燕.關(guān)于BP網(wǎng)中隱含層層數(shù)及其節(jié)點(diǎn)數(shù)選取方法淺析[J]. 商丘職業(yè)技術(shù)學(xué)院學(xué)報(bào),2004,3(6):52-53.

[14] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)編程[M].北京：化學(xué)工業(yè)出版社,2011:136-137.

[15] 趙樹兵. HXD3型電力機(jī)車電傳動系統(tǒng)分析與檢修工藝設(shè)計(jì)[D].山東大學(xué),2011:6-7.

[16] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].機(jī)械工業(yè)出版社,2010:13-14.

[17] 張國華，袁中凡，李彬彬.心音信號特征提取小波包算法的研究[J].振動與沖擊,2008,27(7):47-50.

[18] 史月俊，柏俊峰.電力系統(tǒng)故障診斷方法的綜合分析[J].機(jī)電信息,2013(3):89-90.

RESEARCHONLOCOMOTIVETRACTIONMOTORSOUNDDETECTIONANDFAULTDIAGNOSISSYSTEM

WangXinjieDongZhixuePanYinghui

(CollegeofInformationEngineering,InnerMongoliaUniversityofTechnology,Hohhot010080,InnerMongolia,China)

Consideringthedefectoftractionmotorfailuredetectionindepotrepairshop,inthisarticlewepresentafaultdiagnosismethod,whichisbasedonthecombinationofwaveletpacketanalysisandBPneuralnetwork.TakingtypeYJ85AtractionmotoroftypeHXD3electriclocomotiveastheexample,weusedAndroidastheembeddeddevelopmentplatform,completedthedesignofalocomotivetractionmotorsounddetectionandfaultdiagnosissystemwithcertainportability,feasibilityandpracticalvalue.Itisavaluablesourceofreferenceindeterminingthetractionmotorfailurefortheinspectors,andplaysaroleofauxiliarydiagnosistosomeextent.

FaultdetectionWaveletpacketdecompositionFeatureextractionBPneuralnetworkLocomotivetractionmotor

2015-07-30。王新杰，碩士生，主研領(lǐng)域：嵌入式技術(shù)聲音故障檢測方向。董志學(xué)，副教授。潘穎輝，講師。

TP

ADOI:10.3969/j.issn.1000-386x.2016.10.023