基于粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的風(fēng)洞風(fēng)機(jī)振動(dòng)故障的診斷

王旭 姚國友 袁文輝 張昊喆

摘要：針對(duì)省級(jí)氣象計(jì)量部門建設(shè)的低速回路風(fēng)洞長期使用過程中存在風(fēng)機(jī)非線性振動(dòng)故障問題，提出一種基于粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的風(fēng)洞風(fēng)機(jī)振動(dòng)故障診斷識(shí)別方法。通過構(gòu)建3層小波神經(jīng)網(wǎng)絡(luò)，并采用粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的參數(shù)，提高其對(duì)振動(dòng)故障診斷的速度和精度。實(shí)驗(yàn)表明：樣本數(shù)據(jù)的實(shí)際輸出結(jié)果與期望輸出結(jié)果較為接近，該算法能夠有效地實(shí)現(xiàn)對(duì)風(fēng)洞風(fēng)機(jī)故障類型的診斷識(shí)別，具有一定的實(shí)際應(yīng)用價(jià)值，也為科學(xué)管理維護(hù)風(fēng)洞的健康狀況起到積極作用。

關(guān)鍵詞：氣象;風(fēng)洞風(fēng)機(jī);故障診斷;小波神經(jīng)網(wǎng)絡(luò);粒子群算法

中圖分類號(hào)： TH132.41;TP18 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： ?A ? ? ? ? ? ? DOI編號(hào)： ? 10.14025/j.cnki.jlny.2019.16.074

風(fēng)資料是重要的氣象資料之一，是氣象部門天氣監(jiān)測與預(yù)報(bào)分析過程中不可缺少的。目前，吉林省檢測風(fēng)速傳感器好壞所使用的檢測設(shè)備為低速回路風(fēng)洞，其工況直接影響風(fēng)速傳感器氣動(dòng)性能的檢測數(shù)據(jù)質(zhì)量[1]。作為風(fēng)洞運(yùn)行中動(dòng)力來源的風(fēng)機(jī)，在運(yùn)行過程中產(chǎn)生的機(jī)械振動(dòng)故障情況復(fù)雜多變，對(duì)風(fēng)速傳感器檢測的準(zhǔn)確性造成一定的影響，同時(shí)對(duì)風(fēng)洞的健康狀況也造成一定影響。因此，對(duì)風(fēng)洞風(fēng)機(jī)產(chǎn)生的振動(dòng)故障進(jìn)行診斷研究十分必要。風(fēng)洞風(fēng)機(jī)振動(dòng)故障屬于非線性問題，振動(dòng)故障類型與其所表現(xiàn)出的現(xiàn)象難以建立準(zhǔn)確的數(shù)學(xué)關(guān)系[2，3，4]。因此，提出基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)洞風(fēng)機(jī)振動(dòng)故障診斷研究。利用粒子群算法的全局搜索能力優(yōu)化小波神經(jīng)網(wǎng)絡(luò)參數(shù)，提高故障診斷的速度和精度，以更好地實(shí)現(xiàn)風(fēng)洞風(fēng)機(jī)振動(dòng)故障信號(hào)問題的診斷識(shí)別。

1 小波神經(jīng)網(wǎng)絡(luò)構(gòu)建

采用的小波神經(jīng)網(wǎng)絡(luò)是將小波變換嵌入到神經(jīng)網(wǎng)絡(luò)的一種前饋神經(jīng)網(wǎng)絡(luò)[5]。對(duì)于小波分析，其利用小波函數(shù)的逼近，能夠觀看到振動(dòng)信號(hào)的概貌和細(xì)節(jié)。小波函數(shù)選取Morlet小波函數(shù)■。該小波是時(shí)域頻域分辨率高、余弦調(diào)制的高斯波，在故障診斷識(shí)別中比較適用[6]。

在一維信號(hào)f（t）情況下，小波基ψ（a，b，t）可按照下述方式產(chǎn)生：

（1）

其中，■為基本小波或母小波，■為歸一化系數(shù);a，b分別為ψ（a，b，t）的伸縮因子和平移因子[7]。

信號(hào)s（t）可用小波基ψ（a，b，t）進(jìn)行如下擬合：

（2）

其中，■為擬合信號(hào)，n為小波基的個(gè)數(shù)。

能量函數(shù)為：

（3）

一次調(diào)整后，判斷是否滿足結(jié)束條件，如滿足，則輸出權(quán)值及平移因子和伸縮因子的值;否則，繼續(xù)新一輪的循環(huán)，執(zhí)行信號(hào)的正向傳播階段。

2 粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)算法

算法初始化為一群隨機(jī)粒子（隨機(jī)解），然后，通過迭代找到最優(yōu)解。在每一次的迭代中，粒子通過跟蹤兩個(gè)“最優(yōu)值”（局部最優(yōu)值和全局最優(yōu)值）來更新自己，第i個(gè)粒子的最優(yōu)值■，整個(gè)粒子群的最優(yōu)值■。在找到這兩個(gè)最優(yōu)值后，粒子通過公式（4、5）來更新其速度和位置。

■ ? ? ? ? ? ? ? ? ?（4）

■ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

c1和c2為學(xué)習(xí)因子，具有控制粒子認(rèn)知及粒子之間信息共享的作用，一般取值在[0，2]之間;■為（0，1）中的隨機(jī)數(shù)， ■和■是粒子i在第t次迭代中第d維的速度和位置;pid為粒子i在第t次迭代中第d維的最優(yōu)位置;pgd為在第t次迭代中種群第d維的最優(yōu)位置;ω為慣性因子，具有改善粒子群收斂性能的作用，如公式（6）所示。

■ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

式中，■為最終權(quán)重;■為初始權(quán)重;t為當(dāng)前迭代次數(shù);■為最大迭代次數(shù)。

粒子的搜索空間維數(shù)D為：

■ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （7）

其中，ni為輸入層神經(jīng)元數(shù)，nh為隱含層神經(jīng)元數(shù)，no為輸出層神經(jīng)元數(shù)。

3 風(fēng)洞風(fēng)機(jī)振動(dòng)故障診斷實(shí)驗(yàn)

風(fēng)洞風(fēng)機(jī)產(chǎn)生振動(dòng)故障的原因主要有轉(zhuǎn)子不平衡、基座松動(dòng)、軸承損傷及喘振等幾方面。通過多點(diǎn)采集系統(tǒng)多次測量風(fēng)洞風(fēng)機(jī)振動(dòng)信號(hào)，統(tǒng)計(jì)分析整理得到4種原因造成的故障樣本數(shù)據(jù)各10組，將該4種振動(dòng)故障數(shù)據(jù)各抽取9組分成訓(xùn)練樣本集，利用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)振動(dòng)故障診斷的訓(xùn)練。部分故障樣本數(shù)據(jù)，如表1所示。

設(shè)計(jì)的3層小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4，用粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練。設(shè)定最大迭代次數(shù)為200，■， ■，■。訓(xùn)練后的診斷結(jié)果如表2所示。通過比對(duì)表2中的診斷輸出結(jié)果和理想輸出結(jié)果，表明該算法優(yōu)化訓(xùn)練的有效性。

為檢驗(yàn)該算法對(duì)風(fēng)洞風(fēng)機(jī)振動(dòng)故障診斷的準(zhǔn)確性，將該4種振動(dòng)故障數(shù)據(jù)各剩余1組為測試樣本集，利用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)振動(dòng)故障診斷的檢驗(yàn)。檢驗(yàn)結(jié)果如表3所示。表3數(shù)據(jù)表明粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)算法能夠較好的對(duì)風(fēng)洞風(fēng)機(jī)振動(dòng)故障類型診斷識(shí)別，證明了算法的可行性。

4 結(jié)語

針對(duì)風(fēng)洞風(fēng)機(jī)故障類型與故障變現(xiàn)現(xiàn)象的非線性關(guān)系，提出了基于粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的故障診斷方法。通過粒子群對(duì)小波神經(jīng)網(wǎng)的參數(shù)優(yōu)化仿真，證明該算法的有效性。最后實(shí)驗(yàn)檢驗(yàn)結(jié)果表明：該算法能夠較好的對(duì)非線性的風(fēng)洞風(fēng)機(jī)振動(dòng)故障進(jìn)行診斷識(shí)別，具有一定的實(shí)際應(yīng)用價(jià)值，也為風(fēng)洞健康狀況的科學(xué)維護(hù)管理起到積極作用。

參考文獻(xiàn)

[1]高冬暉.CMOS集成二維風(fēng)速傳感器的研究[D].東南大學(xué)，2005.

[2]呂振江，湯家升.基于遺傳算法的風(fēng)機(jī)故障診斷研究[J].煤炭工程，2015，47（01）：101-103.

[3]賈嶸，薛建輝，張文宇，洪剛.基于鄰域粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的異步電動(dòng)機(jī)振動(dòng)故障診斷[J].西安石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，25（02）：73-75+113.

[4]白政民，王武，董永強(qiáng).基于遺傳優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的微動(dòng)齒輪故障診斷[J].機(jī)械設(shè)計(jì)與制造，2012（06）：176-178.

[5]金麗婷. 小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化及其應(yīng)用研究[D].江南大學(xué)，2008.

[6]潘宏俠，黃晉英，毛鴻偉，劉振旺.基于粒子群優(yōu)化的故障特征提取技術(shù)研究[J].振動(dòng)與沖擊，2008（10）：144-147+198.

[7]李益華.MATLAB輔助現(xiàn)代工程數(shù)字信號(hào)處理[M].西安電子科技大學(xué)出版社.2010.

[8]劉天慶，趙玉剛.小波能量熵與BP神經(jīng)網(wǎng)絡(luò)算法在數(shù)傳設(shè)備故障診斷的應(yīng)用研究[J].山西電子技術(shù)，2016（03）：90-92.

作者簡介：王旭，碩士，中級(jí)工程師，研究方向：計(jì)量檢定及設(shè)備維護(hù)。