摘要:进行采煤机截割部齿轮传动系统的振动测试,采用小波变换对振动信号进行去噪处理,经过小波去噪后的振动信号作为BP网络的输入,采用三层BP神经网络结构对采煤机截割部齿轮传动系统的故障进行了趋势预测,取得了满意的诊断效果。
关键词:小波变换;神经网络;采煤机;故障;趋势预测
中图分类号:TD67;TDl83 文献标志码:B 文章编号:0253-2336(2006)09-0023-03
Application of wavelet and neural network in fault
diagnosis of coal winning machine YANG Shu-lian1,2, LI Wen-hai1, WANG Can-lin1, KANG Zhen-hua2, GE Shi-yu2( 1. Department of Electronic Engineering , Naval Aeronautical Engineering lnstitute, Yantai 264001, China;2. Computer Department of Shandong Business and Technical College, Yantai 264005, China)
1概 述
常见的采煤机传动系统非常复杂,对其进行故障诊断和定位有着很大的难度。它应具备旋转截割、截割高度调整、输煤和自动行走等多种功能,采用振动测试、小波分析和神经网络模式识别方法对某液压牵引采煤机的截割部减速箱进行故障诊断。
2振动测试系统组成
首先进行了减速箱故障诊断振动测试,图1是被测减速箱振动测试系统。通过安装在箱体9个振动敏感点的压电加速度传感器拾取各测点振动信号,经放大、滤波和A/D转换(由数据采集系统
完成)后,送入计算机数据处理系统。由于传感器所测信号中不仅包括了齿轮和轴承的振动信号,还包含很多来自其他零件及周围环境的电磁干扰信号,所以采用小波变换对传感器输出信号进行去噪处理。经小波处理去除干扰后的信号能真实反映齿轮、轴承的包含故障信息的振动情况,最后以齿轮、轴承的振幅大小作为减速箱故障与否的判据,采用BP神经网络对减速箱故障进行了状态识别。
3减速箱振动信号的小波降噪处理
小波分析是一种全新的信号的时间-尺度(时间-频率)分析方法,它具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力,能有效地从信号中提取瞬态突变信息,通过伸缩和平移等运算功能对信号进行多尺度细化分析,解决了许多傅里叶变换不能解决的问题,被誉为分析信号的显微镜。
变速箱齿轮传动系统故障诊断的关键技术之一在于从强噪声中提取故障特征信息,做到信噪分离,也就是对混有噪声的信号进行“提纯(refining)”,小波去噪是常用方法之一。
为了从含噪信号中还原出真实信号,可以利用信号和噪声在小波变换下的不同特性,通过对小波分解系数进行处理来达到信号和噪声分离的目的。工程中的有用信号通常表现为低频信号或是一些比较平稳的信号,而噪声信号通常表现为高频信号。首先对实际信号进行小波分解,如图2所示(这里只分解到3层,依此类推可分解至若干层),选择小波并确定分解层次如N,则噪声部分通常包含在高频细貌部分中。然后对小波分解的高频细貌系数进行门限阈值量化处理。最后根据小波分解的第 N层低频系数和经过量化后的1-N层高频系数进行小波重构,达到消除噪声的目的,即抑制信号的噪声,在实际信号中恢复真实信号。
本文对原始信号进行了小波5层分解,然后对小波分解的高频细貌系数采用默认阈值消噪处理,在MATLAB中利用ddencmp函数产生信号默认阈值,然后利用wdencmp函数进行消噪处理,最后根据小波分解的第5层低频系数和经过量化后的1~5层高频系数进行小波重构,达到消除噪声的目的。
4 BP神经网络在采煤机故障诊断中的应用
4.1 BP神经网络
BP网络神经元的变换函数目前多采用sigmoid型函数,即f(s)=1/(1+e-s),如图3所示。可以实现从输入到输出的任意非线性映射。
BP网络第1层为输入层,第Q层为输出层,设第q层(q=1,2,…,Q)的神经元个数为nq,从第q-l层的第j个神经元输人到第g层的第i个
利用该样本集首先对BP网络进行训练,亦即对网络的连接权系数进行学习和调整,学习的目的是求各层的权系数wij(q),使以下拟合误差的代价函数E达到最小值。设输出结点j的误差为ej(k)= dj(k)-yj(k)。如果用k个输入的所有输出结点的误差平方总和作为指标,则有
为了使E按网络权系数的梯度逐渐下降至最小值,网络的训练采用基于梯度下降原理的BP算法(误差反向传播算法)[1,2]。
4.2 BP神经网络结构确定
以齿轮、轴承振幅大小作为截割部齿轮传动系统故障与否的判据,共选取9个传感器的振动测试信号作为网络的9个输入节点。网络隐含层一般为1层,这种具有3层的BP神经网络模型可以以任意精度逼近任何连续函数。隐含层节点数一般通过经验和训练学习来分析确定,增加节点数能提高识别率,但训练时间随之增加,不利于网络训练的快速收敛。输出层为故障类别层,每一输出节点对应着齿轮箱某一故障类别。该诊断系统的BP网络由3层组成,如图4所示,输入节点9个,输出节点4个,隐层数为1层,隐层节点数为10点。经验证,这种模型能较好地反映采煤机截割头部传动系统的故障程度。
4.3采煤机截割部减速箱故障诊断趋势预测
表1为对特征数据进行归一化处理后的8组样本,用训练好的神经网络对采煤机状况进行预报,结果与实际情况相吻合。
5结 语
本文将小波分析和人工神经网络应用于采煤机的截割部传动减速箱故障诊断,采用BP网络对采煤机截割部齿轮传动系统的故障进行了实际判别,经过地面模拟加载实验,证明用人工神经网络可较好地预报机器故障,变被动维修为预知维修,为合理安排生产计划及设备检修提供了可靠的依据。该诊断技术比传统的频谱分析诊断技术试验工作量少,而且在准确率和效率上都有很大提高。
参考文献:[1] Martin T.Hagan,Howard B.Demuth,Mark H.Beale.神经网络设计[M].戴葵,译.北京:机械工业出版社,2002.
[2] 杨行峻,郑君里.人工神经网络[M].北京:高等教育出版社,1991.
[3] Abu-Mahfouz l A.A comparative study of three artificial neural networks for the detection and classification of gear faults[J].International Joumal of General Systems,2005(7).
[4] Al-Balushi K R,Samanta B.Gear fault diagnostics using wave-lets and artificial neural network[A].13th International Congress on Condition Monitoring and Diagnostic Engineering Management[C].USA:Houston TX,2000.
[5] 李国臣,陈丽君,张锐.人工神经网络技术在机械故障诊断中的应用探讨[J].沈阳农业大学学报,2002(1).
[6] 张绪锦,谭剑波,韩江洪.基于BP神经网络的故障诊断方法[J].系统工程理论与实践,2002(6).
|