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(cè)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(cè)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(tái)，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(cè)與故障診斷系統(tǒng)。為機(jī)務(wù)段檢測(cè)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(cè)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(guó)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(guò)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(duì)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(duì)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(guò)程中會(huì)產(chǎn)生各種故障信息，通過(guò)對(duì)故障信息安全、快速采集，可以較早采取措施，這對(duì)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(duì)信號(hào)的時(shí)頻分析特性較好，但對(duì)信號(hào)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(cè)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(cè)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(cè)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(cè)一臺(tái)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(guò)專門的培訓(xùn)，相應(yīng)的檢測(cè)成本也非常高[7]。

為了克服當(dāng)前應(yīng)用中存在的這些問(wèn)題，同時(shí)使故障檢測(cè)能夠更加精確的識(shí)別并分類，本文提出了基于Android為平臺(tái)下的機(jī)車牽引電機(jī)聲音檢測(cè)與故障診斷系統(tǒng)。利用Android平臺(tái)突出優(yōu)勢(shì)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(duì)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(cè)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(hào)的采集、處理以及故障識(shí)別三大模塊。

在聲音采集的過(guò)程中具體通過(guò)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(hào)的預(yù)處理操作以及特征值提取計(jì)算，在此過(guò)程分析了小波閾值去噪算法在去噪過(guò)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(shì)。最后對(duì)提取到的能量特征值通過(guò)歸一化轉(zhuǎn)化為能量特征向量輸入到系統(tǒng)下故障識(shí)別模塊中的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型中，通過(guò)與保存訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析，最終實(shí)現(xiàn)故障類型判斷。并利用MATLAB工具對(duì)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(cè)過(guò)程中是需要首先解決的問(wèn)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(dòng)，從而改變了膜片與極板之間的距離，最終完成對(duì)聲信號(hào)到電信號(hào)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(hào)[3]。

在聲音信號(hào)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(guò)前期實(shí)地采集，共整理369組聲音信號(hào)，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(hào)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(cè)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(hào)傳輸過(guò)程中，總不可避免地含有噪聲，對(duì)聲音信號(hào)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(jiǎn)單、計(jì)算量小、去噪效果好的特點(diǎn)。此外，對(duì)于前期消噪來(lái)說(shuō)，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(hào)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(méi)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(duì)信號(hào)的多帶通濾波，一般來(lái)說(shuō)，正常狀態(tài)與故障狀態(tài)下機(jī)車牽引電機(jī)輸出信號(hào)的各頻帶成分是不同的。在這種情況下，通過(guò)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(hào)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(guò)程實(shí)質(zhì)上是通過(guò)一組高、低通組合的共軛正交濾波器h、g，將信號(hào)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(duì)小波包分解系數(shù)重構(gòu)，提取各頻帶上的信號(hào)，求各個(gè)頻帶信號(hào)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(duì)應(yīng)的能量特征值；xjk(j=0,1,…，7;k=1,2,…，n)表示重構(gòu)信號(hào)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(hào)特征會(huì)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(shí)別

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

表2　故障識(shí)別方法對(duì)比

通過(guò)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(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)智的認(rèn)識(shí)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(duì)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(hào)。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(duì)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(guò)度擬合的傾向[14]。對(duì)于實(shí)際問(wèn)題中相對(duì)復(fù)雜的對(duì)應(yīng)關(guān)系時(shí)，通常會(huì)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(wèn)題的輸入、輸出變量有關(guān)。對(duì)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(hào)，依次經(jīng)過(guò)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(hào)，因此，輸入層神經(jīng)元個(gè)數(shù)為M=8。對(duì)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(wèn)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(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)、容錯(cuò)性差、誤差不一定最佳等問(wèn)題，從而也會(huì)影響故障診斷的效果[16]。然而目前還沒(méi)有一個(gè)理想的表達(dá)式來(lái)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(lái)確定[9]。

本課題通過(guò)對(duì)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(duì)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(duì)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(duì)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(duì)于特征識(shí)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(duì)于計(jì)算機(jī)的存儲(chǔ)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(guò)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(guò)聲音信號(hào)預(yù)處理數(shù)據(jù)輸入到系統(tǒng)故障識(shí)別模塊下，通過(guò)與已經(jīng)建立好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比對(duì)，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(shí)別過(guò)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(hào)。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(cè)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(dòng)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(hào)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(hào)的采樣點(diǎn)數(shù)，縱坐標(biāo)代表每個(gè)信號(hào)采樣點(diǎn)所對(duì)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(guò)圖7、圖8對(duì)兩種狀態(tài)下的原始波形對(duì)比可以看出：正常狀態(tài)下的原始波形各采樣點(diǎn)相對(duì)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(guò)圖9、圖10對(duì)兩種狀態(tài)下的去噪波形對(duì)比可以看出：正常狀態(tài)下的去噪波形各采樣點(diǎn)相對(duì)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(duì)平緩，少量波形幅度值出現(xiàn)明顯抖動(dòng)，采樣點(diǎn)幅度值無(wú)明顯差異。

通過(guò)兩種狀態(tài)下去噪前后波形對(duì)比可以直觀看出：正常狀態(tài)下聲音信號(hào)波形相比于故障狀態(tài)下的聲音信號(hào)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(duì)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(cè)中，時(shí)域波形分析只能對(duì)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(duì)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(guò)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(hào)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(guò)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(hào)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(hào)在第一個(gè)頻帶內(nèi)的能量值相對(duì)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(duì)牽引電機(jī)進(jìn)行故障檢測(cè)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(kù)進(jìn)行牽引電機(jī)故障狀態(tài)的判斷測(cè)試。判斷測(cè)試結(jié)果如圖12、圖13所示。

圖12　正常信號(hào)判斷結(jié)果

圖13　故障信號(hào)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(cè)試數(shù)據(jù)序號(hào)。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(cè)試結(jié)果。

4　結(jié)　語(yǔ)

通過(guò)20組樣本的系統(tǒng)性能測(cè)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(cè)技術(shù)的檢測(cè)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(cè)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(cè)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(cè)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(kù)[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(hào)去噪研究[D].長(zhǎng)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(guó)鐵道出版社，2010:1-2.

[4] 唐軍軍，王艷菲.簡(jiǎn)論我國(guó)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(cè)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(guó)電力機(jī)車的現(xiàn)狀及發(fā)展趨勢(shì)[J].中國(guó)校外教育,2012(33):178-179.

[7] 徐宗祥.我國(guó)電力機(jī)車的發(fā)展回顧[J].中國(guó)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(lì)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(guó)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(dòng)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(guó)華，袁中凡，李彬彬.心音信號(hào)特征提取小波包算法的研究[J].振動(dòng)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(cè)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