基于小波神經(jīng)網(wǎng)絡(luò)的旋耕裝置機械故障診斷研究

郭慶軍

(重慶建筑工程職業(yè)學(xué)院，重慶 400072)

0 引言

旋耕裝置是現(xiàn)代農(nóng)業(yè)機械中普及的農(nóng)業(yè)裝備，一般以柴油機為動力，具有質(zhì)量輕、體積小及結(jié)構(gòu)簡單等特點，深受現(xiàn)代農(nóng)業(yè)朋友們的青睞。但是，在生產(chǎn)中，常常會因為各類機械故障發(fā)現(xiàn)不及時，影響正常的農(nóng)業(yè)種植任務(wù)。因此，及時準(zhǔn)確地發(fā)現(xiàn)機械中的故障，對提高作業(yè)效率具有一定的現(xiàn)實意義。為了解決上述問題，利用小波神經(jīng)網(wǎng)絡(luò)技術(shù)，設(shè)計了一套旋耕裝置機械故障診斷系統(tǒng)。

1 小波變換在故障分析中的實際應(yīng)用

1.1 小波變換原理

小波變換是一種具有震蕩周期性、可以立刻衰減至零的函數(shù)，可以精準(zhǔn)地判斷波形中哪一個長周期的振動最強。由基本小波φ(t)分別通過伸縮因子a與平移因子b得到的函數(shù)族{φa,b}稱之為小波分析，即

(1)

其中，a、b為實數(shù)；|a|-1/2則實現(xiàn)伸縮與平移中能量的規(guī)一化。

在實際應(yīng)用中，信號f的某一時間內(nèi)連續(xù)小波變換的計算式為

(2)

若φ為符合要求的小波時，根據(jù)式(2)的小波變

換在f(t)的逆變換為

(3)

(4)

任意函數(shù)f(t)的離散小波定義為

(5)

1.2 小波變換在故障分析中的實際應(yīng)用

本文在MatLab中構(gòu)建一段旋耕裝置機械故障信號，信號主要包含正常的200Hz信號和突變的300Hz的信號。通過采用小波變換方法闡述其在旋耕裝置機械中的故障檢測。旋耕裝置機械故障信號如圖1所示，從中很難發(fā)現(xiàn)故障發(fā)生時間和細(xì)節(jié)。

圖1 旋耕裝置機械故障信號Fig.1 The mechanical fault signal of rotary tillage unit

采用傳統(tǒng)的FFT只能看出信號在3 200ms左右發(fā)生了突變，卻不能發(fā)現(xiàn)時域信號在發(fā)生故障時變化趨勢，達(dá)不到分析要求。

采用層次尺度為4的小波變換分析旋耕裝置機械故障信號，結(jié)果如圖2所示。旋耕裝置機械故障信號經(jīng)過小波變換處理后，在第4層時，已實現(xiàn)了突變信號的分離，低頻部分(a4)突變信號消失，而高頻部分(d4)對應(yīng)的正是突變信號，可以準(zhǔn)確地推斷出故障發(fā)生時間和細(xì)節(jié)。仿真結(jié)果證明：在旋耕裝置機械故障信號診斷中，采用小波變換的頻帶濾波方法，能夠從復(fù)雜噪聲信號中分離出故障信號，為故障診斷提供了有力依據(jù)。

圖2 小波變換分析Fig.2 The wavelet transform analysis

2 構(gòu)造旋耕裝置機械故障診斷的小波神經(jīng)網(wǎng)絡(luò)

本文采用3層小波神經(jīng)網(wǎng)絡(luò)模型。其中，輸入層包含10個節(jié)點數(shù)；網(wǎng)絡(luò)隱含層采用Morlet函數(shù)，共包含15個節(jié)點數(shù)；輸出層的神經(jīng)元數(shù)目共包含15個節(jié)點數(shù)。最后，構(gòu)造旋耕裝置機械故障診斷的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 The structure schematic diagram of wavelet neural network

小波神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，是進(jìn)行信息處理分析最關(guān)鍵的基本單元，其神經(jīng)元結(jié)構(gòu)如圖4所示。

圖4中，Pn為小波神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；wn為小波神經(jīng)網(wǎng)絡(luò)輸入層與隱含層的權(quán)值；H(x)為小波激發(fā)函數(shù)；v為神經(jīng)元的閾值；y為神經(jīng)元的輸出結(jié)果。神經(jīng)元的網(wǎng)絡(luò)輸出為

y=∑wnPn+v

(6)

圖4 小波神經(jīng)網(wǎng)絡(luò)神經(jīng)元結(jié)構(gòu)圖Fig.4 The neuron structure diagram of wavelet neural network

3 旋耕裝置機械故障診斷模型建立

3.1 建立旋耕裝置故障特征

經(jīng)過大量的試驗，建立了旋耕裝置機械故障與征兆對應(yīng)的表，如表1所示。研究中主要對不平衡、負(fù)荷過大、異常響動、犁刀軸不轉(zhuǎn)動、脫檔、萬向節(jié)軸承脫落及刀片彎曲等7種故障做出小波神經(jīng)網(wǎng)絡(luò)的輸出；利用振動信號的8個不同頻率的譜峰能量值作為旋耕裝置機械特定的故障特征，并制定出如表2所示的訓(xùn)練樣本。

表1 旋耕裝置機械故障與征兆對應(yīng)表Table 1 The correspondingTable of mechanical failure and symptom of rotary tillage unit

表2 訓(xùn)練樣本的目標(biāo)輸出Table 2 The target output of training samples

3.2 提取特征向量

為了比較方便地提取旋耕裝置機械故障的特征向量，本文將多分辨率分析應(yīng)用到功率譜的特征提取上。具體的實現(xiàn)方法如下：

1)設(shè)定旋耕裝置的振動信號采樣為1 024點，頻率為12.8f，其中f為工頻；

2)計算旋耕裝置的振動信號功率譜(頻率分布在0～6.4f之間)；

3)采用4層小波分解振動信號功率譜，最終提取第4層分解的逼近部分(頻率間隔為0.1f)；

4)參照表1，在8個功率譜段中提取特征向量x(n)，n=0，1，…，7，最后進(jìn)行歸一化處理分析。

3.3 建立小波神經(jīng)網(wǎng)絡(luò)模型

根據(jù)前文的研究與分析，本文選用3層的小波神經(jīng)網(wǎng)絡(luò)，輸入層單元數(shù)為8，對應(yīng)旋耕裝置機械故障的8個頻率特征量，輸出層單元數(shù)為8，對應(yīng)9種旋耕裝置機械故障，隱層單元數(shù)為8。小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 The structure diagram of wavelet neural network

假設(shè)不包含輸入層，其有N0個元，設(shè)某網(wǎng)絡(luò)有L層，輸出為第L層，第L層有NK個元；uk(i)為第K層第i神經(jīng)元采集到的信息；wk(i,j)為從第k-1層第j個元到第k層第i個元的權(quán)；ak(i)為第k層第i個元的輸出，各層之間的神經(jīng)元都有信息交換。則其輸入輸出關(guān)系可以表示為

(7)

神經(jīng)網(wǎng)絡(luò)算法的步驟為：

Step1：設(shè)定學(xué)習(xí)的輸入數(shù)據(jù)，p=1,…,p，確定初始權(quán)矩陣W(0)；

Step2：用學(xué)習(xí)數(shù)據(jù)計算網(wǎng)絡(luò)輸出；

Step3：用式(2)反向修正，直到用完所有學(xué)習(xí)數(shù)據(jù)。

3.4 小波神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

采用梯度下降法對應(yīng)用于旋耕裝置機械故障的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過3 000次訓(xùn)練后得到了訓(xùn)練目標(biāo)，實際計算出的網(wǎng)絡(luò)誤差為3.905 8×10-5。樣本訓(xùn)練的輸出結(jié)果如表3所示。

表3 樣本訓(xùn)練的輸出結(jié)果Table 3 The output results of sample training

4 故障診斷模型的驗證與分析

為了驗證旋耕裝置機械故障診斷模型可行性和準(zhǔn)確性，采用MatLab仿真軟件訓(xùn)練和測試小波神經(jīng)網(wǎng)絡(luò)模型。試驗中，從旋耕裝置機械平臺中采集到了其在共生松動故障時的機械振動信號樣本(見圖6中的原始信號)，試驗驗證結(jié)果如表4和表5所示。

圖6 旋耕裝置機械故障診斷模型的驗證結(jié)果Fig.6 The verification result of mechanical fault diagnosis model for rotary tiller

圖6中：上圖為機械振動信號的原始樣本，中圖為原始樣本的功率譜，下圖為小波神經(jīng)網(wǎng)絡(luò)的4層分解逼近部分。

表4 樣本的網(wǎng)絡(luò)輸入Table 4 The sample network input

表5 樣本的網(wǎng)絡(luò)輸出Table 5 The sample network output

續(xù)表5

從驗證結(jié)果可以看出：小波神經(jīng)網(wǎng)絡(luò)通過樣本學(xué)習(xí)，可以對旋耕裝置機械故障數(shù)據(jù)進(jìn)行“誤差逼近”檢驗，能夠確定故障數(shù)據(jù)最為“逼近”的樣本故障信息。其中，待檢故障信號第0個節(jié)點輸出值為1.063，其他節(jié)點值的絕對值均未超過0.030，診斷結(jié)果表明旋耕裝置為共生松動故障，與實際故障吻合。試驗表明：小波神經(jīng)網(wǎng)絡(luò)具有“泛化”能力，能夠準(zhǔn)確檢測旋耕裝置的機械故障，可以為設(shè)備維護人員提供重要的參考。

5 結(jié)論

將小波變化和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，利用小波神經(jīng)網(wǎng)絡(luò)和Morlet函數(shù)算法，作為旋耕裝置機械故障特征信號的采集方法，通過建立旋耕裝置故障特征和提取其特征向量，實現(xiàn)了對旋耕裝置機械故障的實時診斷。通過對旋耕裝置機械故障診斷模型的驗證與分析，可以得出：該診斷方法具有“泛化”能力，能夠準(zhǔn)確檢測旋耕裝置的機械故障，可以為設(shè)備維護人員提供重要的參考。