亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷方法

        2017-09-28 10:32:18蘭天雯徐志京
        現(xiàn)代計算機 2017年23期
        關(guān)鍵詞:時頻特征參數(shù)故障診斷

        蘭天雯,徐志京

        (上海海事大學信息工程學院,上海 201306)

        一種基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷方法

        蘭天雯,徐志京

        (上海海事大學信息工程學院,上海 201306)

        針對車輛發(fā)動機故障診斷的問題,首先通過希爾伯特-黃變換(HHT)分析處理發(fā)動機振動信號的時頻特征,提取出基于邊際譜能量變化的故障特征參數(shù)來準確的表征發(fā)動機故障現(xiàn)象。然后利用BP神經(jīng)網(wǎng)絡(luò)對發(fā)動機故障數(shù)據(jù)特征進行訓練,并對多種實測的故障數(shù)據(jù)進行測試和識別,驗證所提出的算法的準確性。

        故障診斷;發(fā)動機;HHT;BP神經(jīng)網(wǎng)絡(luò)

        0 引言

        車輛發(fā)動機一般具有非常復雜的內(nèi)部結(jié)構(gòu),而且工況較差,極易產(chǎn)生各類故障現(xiàn)象,因此發(fā)動機的正常工作對運輸安全與經(jīng)濟效益有著重要意義。車輛發(fā)動機工作的時候,會產(chǎn)生一系列的振動現(xiàn)象,故而產(chǎn)生了振動信號。這些振動信號中包含了很多的故障信息參數(shù),而這些參數(shù)直接表征了發(fā)動機的工作狀況和部件的性能狀況。所以我們可以通過對發(fā)動機振動信號進行采集和處理,提取相關(guān)的特征參數(shù)來作為故障診斷的依據(jù)。

        目前,發(fā)動機振動信號的分析與處理一般是利用傅利葉變換的方法進行的。但是由于傅利葉變換算法的固有的性能缺陷,無法同時在時間與頻率上取得較高的分析分辨率。此外,發(fā)動機振動信號表現(xiàn)出了強烈的非平穩(wěn)性,而傅利葉變換方法僅能用于分析與處理平穩(wěn)性質(zhì)的信號。而其他的方法,例如短時傅利葉變換、時頻分析、小波變換等,其理論基礎(chǔ)的實質(zhì)仍然是傅利葉變換,因此也無法突破該方法理論上的先天性缺陷。因此基于傅利葉變換的算法僅能對振動信號作近似處理,限制了故障特征分析的精度與準確性。從而導致故障特征參數(shù)的精確性與穩(wěn)定性大大降低,無法準確及時的識別發(fā)動機故障信號。

        HHT(希爾伯特-黃變換,Hilbert-Huang Transform)信號處理理論是由Norden E.Huang于1998年創(chuàng)立的,它突破了傅立葉變換處理所存在的缺陷。其核心處理方法是通過模態(tài)分解(Epirical Mode Decomposition,EMD)來獲取本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),進而實現(xiàn)信號的自適應(yīng)分解處理,這種方法可以精確地分析信號在時頻域的變化特征,在非平穩(wěn)信號處理方面取得了良好的應(yīng)用效果。所以本文嘗試通過HHT方法來分析處理發(fā)動機振動信號的時頻特征,提取出了基于時頻譜能量變化的故障特征參數(shù)來準確的表征發(fā)動機故障現(xiàn)象。然后利用BP神經(jīng)網(wǎng)絡(luò)來對發(fā)動機的故障數(shù)據(jù)特征進行訓練,得到了穩(wěn)定的訓練收斂結(jié)果。最后通過多種實測故障數(shù)據(jù)的測試識別,驗證了本文所提出的故障診斷算法的正確性。

        1 HHT故障信號分析的基本原理

        發(fā)動機振動信號要進行HHT時頻分析處理,首先必須通過EMD算法處理得到一系列本征模態(tài)分量即IMF。IMF具有瞬時頻率隨著時間變化的單值性性質(zhì),所以對IMF進行Hilbert變換可以得到振動信號的時頻譜分析結(jié)果[1]。其中,IMF滿足如下兩個條件:即IMF的所有極值點和過零點的數(shù)量相同,或最多僅可相差一個采樣點;且IMF的上包絡(luò)與下包絡(luò)必須對于時間軸有對稱性。

        EMD算法過程為:

        (1)首先計算輸入信號x(k)的各個極值,通過樣條插值得到上包絡(luò)線和下包絡(luò)線;

        (2)計算上下包絡(luò)線幅度的均值m1,可以得到一個序列h1=x(k)-m1;

        (3)利用上述兩個IMF條件校驗h1參數(shù),若滿足條件,則將h1抽取為第一個IMF記為c1;否則令其作為新序列并重復上述(1)(2)步驟,直至滿足條件;

        (4)計算獲取IMF后的殘余量:r1=x(k)-c1,并作為新信號重復(1)至(4)各步驟得到下一個IMF即c2。

        (5)按上述進行循環(huán)計算,直到殘余量rn無法滿足IMF條件,至此完成了發(fā)動機振動信號的EMD算法的分解計算。

        由計算過程可知,相比于傅立葉變換,EMD無固定基函數(shù),因此可對信號進行自適應(yīng)分解。原發(fā)動機振動信號可由下式表示:

        即EMD過程是以時間特征尺度逐步將振動信號的局部模態(tài)分離,將復雜的非平穩(wěn)的振動信號分解成一系列單分量信號的和。此外,每個IMF表征了不同的振動因素,可有效表達出信號的內(nèi)在模態(tài)特征。因此通過對IMF的分析能夠明確振動頻率成分來源,可對故障原因進行準確的分析。圖1即為車輛發(fā)動機內(nèi)環(huán)故障信號EMD得到的IMF圖。

        圖1 車輛發(fā)動機內(nèi)環(huán)故障信號EMD得到的IMF圖

        2 特征參數(shù)提取

        若對EMD得到的IMF信號實施Hilbert變換,即可獲得具有現(xiàn)實含義的瞬時頻率、幅度函數(shù)與Hilbert譜數(shù)據(jù)[2]。然后將所有IMF信號Hilbert變換數(shù)據(jù)相加,即為原始振動信號的HHT時頻譜H(w,t)。HHT時頻譜中表達了豐富的振動源信息,有信號的瞬時頻率,也有振動信號在時間和能量上的變化情況。圖2即為車輛發(fā)動機內(nèi)環(huán)故障振動信號的HHT時頻譜圖,包含了故障信號的頻率變化的清晰軌跡。故障振動信號的瞬時頻率實質(zhì)上是由故障振源頻率決定,因此通過HHT時頻譜特征的分析來確定故障源,并據(jù)此實現(xiàn)有效的故障診斷。

        再對HHT時頻譜數(shù)據(jù)在時間上進行積分求和,可得到信號邊際譜h(w):

        特別地,由圖2邊際譜圖容易看出,絕大部分的譜能量分布在為0至500Hz,其他頻率處能量很小,可以等同為無效信號舍棄處理。因此可對0至500Hz的能量劇烈變化區(qū)間進行量化。令每20Hz為基本的時頻特征提取單元,可得到25個特征提取單元,這些單元按照瞬時頻率的高低依次排列。之后可對第i個特征提取單元的時頻能量求和計算特征量hi,然后以總的時頻能量和h0為基準對各個特征量進行能量歸一化計算。最終計算的故障特征參數(shù)Hi為:

        圖2 車輛發(fā)動機內(nèi)環(huán)故障振動信號的HHT時頻譜圖

        3 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷

        人工神經(jīng)網(wǎng)絡(luò)的計算原理類似于人類大腦神經(jīng)的信息處理原理。學術(shù)界里,我們經(jīng)常稱之為類神經(jīng)網(wǎng)絡(luò)或者神經(jīng)網(wǎng)絡(luò)。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是于1986年由Rumelhart和McCelland兩位學者提出的神經(jīng)網(wǎng)絡(luò)計算模型,其主要原理是通過誤差逆?zhèn)鞑ニ惴▉碛柧殰蚀_的多層前饋網(wǎng)絡(luò)[3]。BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括了輸入層(input)、隱含層(hide layer)和輸出層(output layer)。BP神經(jīng)網(wǎng)絡(luò)可以通過一定的訓練的過程,學習到大量的輸入輸出的模式映射數(shù)據(jù)。其學習規(guī)則一般采用的是最速下降法,然后經(jīng)由反向傳播算法迭代來調(diào)整網(wǎng)絡(luò)權(quán)值以及閾值,令整個神經(jīng)網(wǎng)絡(luò)的誤差平方和收斂到最小值。

        BP網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù),具有良好的泛化能力和快速的訓練收斂速度,已成功用于非時間序列分析、數(shù)據(jù)分類、模式識別和故障診斷等領(lǐng)域[4]。故本文選用BP網(wǎng)絡(luò)來分析上述提取特征的正確性。首先將車輛發(fā)動機的故障信號經(jīng)特征提取算法處理,得到各個故障樣本的特征參量作為BP神經(jīng)網(wǎng)絡(luò)的訓練輸入。然后執(zhí)行網(wǎng)絡(luò)訓練獲取訓練收斂后的BP神經(jīng)網(wǎng)絡(luò)參數(shù)并存儲,即可對故障測試信號進行特征提取并輸入保存好的神經(jīng)網(wǎng)絡(luò)來進行故障的診斷分析。

        4 仿真分析

        為驗證上述特征提取算法的正確性,使用BP神經(jīng)網(wǎng)絡(luò)訓練故障信號特征數(shù)據(jù),并對故障信號進行識別率計算。選用的故障信號數(shù)據(jù)集是某種汽車發(fā)動機的4種故障振動信號,即外圈故障、滾動體故障、內(nèi)環(huán)故障及正常運行下的振動信號。每種故障的樣本數(shù)據(jù)數(shù)量是100組,每個樣本信號的采樣率是4kHz,采集時間長度是0.5s。實驗利用每種故障的前50組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓練樣本,每種故障的剩下的50組為識別樣本進行故障診斷。

        本實驗中,將BP神經(jīng)網(wǎng)絡(luò)設(shè)定隱含層的神經(jīng)元個數(shù)是25,隱含層的神經(jīng)元傳遞函數(shù)使用S型正切函數(shù)tansig,輸出層的神經(jīng)元傳遞函數(shù)使用S型對數(shù)函數(shù)logsig,訓練函數(shù)采用Levenberg-Marquardt的改進算法,訓練目標誤差設(shè)定為0.001。圖3為BP神經(jīng)網(wǎng)絡(luò)在訓練過程中的誤差收斂曲線,經(jīng)過多次迭代計算,成功收斂到預定目標,完成了訓練學習過程。

        表1為基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷的樣本識別結(jié)果。由結(jié)果容易看出,識別測試的故障信號數(shù)量為200,正確識別的故障信號個數(shù)為193,所以故障診斷的正確率達到了96.5%,因此上述特征提取算法可以準確的識別車輛發(fā)動機故障類型,而且診斷結(jié)果具有比較高的正確率。

        圖3 BP神經(jīng)網(wǎng)絡(luò)在訓練過程中的誤差收斂曲線

        表1 BP神經(jīng)網(wǎng)絡(luò)故障診斷的樣本識別結(jié)果

        5 結(jié)語

        本文針對基于汽車發(fā)動機的振動信號處理的故障診斷問題,利用HHT時頻分析法,提取了車輛發(fā)動機振動信號的時頻能量變化特征,并以此作為BP神經(jīng)網(wǎng)絡(luò)的訓練輸入。最后使用大量的實測故障信號來進行診斷測試。診斷實驗的結(jié)果表明,時頻能量變化特征參數(shù)可以有效描述車輛發(fā)動機的不同故障類型的信號本質(zhì),因此可以較準確地實現(xiàn)車輛發(fā)動機的故障診斷。

        [1]徐可君,秦海勤,江龍平.基于EMD和HHT的航空發(fā)動機轉(zhuǎn)子-機匣振動信號分析[J].振動與沖擊,2011,30(07):237-240.

        [2]王醇濤,陸金銘.運用HHT邊際譜的柴油機故障診斷[J].振動、測試與診斷,2010.8:465-468.

        [3]MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].電子工業(yè)出版社,2009.

        [4]人工神經(jīng)網(wǎng)絡(luò)教程[M].北京郵電大學出版社,2006.

        A Method of Vehicle Engine Fault Diagnosis Based on BP Neural Network

        LAN Tian-wen,XU Zhi-jing
        (College of Information Engineering,Shanghai Maritime University,Shanghai 201306)

        Aiming at the vehicle engine fault diagnosis issue,applies Hilbert Huang transform(HHT)on engine vibration signal for time-frequency characteristics,and extracts parameters based on change of marginal spectrum energy to accurately characterize the engine fault phenome?non.Then,the BP neural network is used to train the engine fault data,and the accuracy of the proposed algorithm is verified by test data.

        1007-1423(2017)23-0007-04

        10.3969/j.issn.1007-1423.2017.23.002

        蘭天雯(1991-),女,江蘇南京人,碩士研究生,研究方向為港口通信與計算機測控

        徐志京(1972-),男,上海人,工學博士,副教授,研究方向為無線通信和導航技術(shù)、人工智能、深度學習

        2017-05-23

        2017-08-10

        Fault Diagnosis;Engine;Hilbert-Huang Transform;BP Neural Network

        猜你喜歡
        時頻特征參數(shù)故障診斷
        故障診斷中信號特征參數(shù)擇取方法
        基于特征參數(shù)化的木工CAD/CAM系統(tǒng)
        基于PSO-VMD的齒輪特征參數(shù)提取方法研究
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        統(tǒng)計特征參數(shù)及多分類SVM的局部放電類型識別
        電測與儀表(2015年7期)2015-04-09 11:40:04
        基于時頻分析的逆合成孔徑雷達成像技術(shù)
        對采樣數(shù)據(jù)序列進行時頻分解法的改進
        雙線性時頻分布交叉項提取及損傷識別應(yīng)用
        基于LCD和排列熵的滾動軸承故障診斷
        基于WPD-HHT的滾動軸承故障診斷
        機械與電子(2014年1期)2014-02-28 02:07:31
        国产精品无码Av在线播放小说| 亚洲无码在线播放| 插b内射18免费视频| 久久中文字幕av一区二区不卡| 特一级熟女毛片免费观看| 成人性生交大片免费看l| 帅小伙自慰videogay男男| 亚洲欧洲无码一区二区三区| 国产在线精品福利大全| 亚洲精品中文字幕乱码3| 色噜噜亚洲男人的天堂| 中国凸偷窥xxxx自由视频妇科 | 熟妇人妻丰满少妇一区| 国产精品女主播福利在线| 黑人巨大跨种族video| 久久99精品久久久久久齐齐百度| 91国语对白在线观看| 99视频在线精品免费观看6| 亚洲国产精品日韩av专区| 青青草视频网站免费观看| 成人自拍三级在线观看| 亚洲av无码乱码在线观看牲色| 丰满人妻熟妇乱又伦精品视| 国产成人av综合色| 91三级在线观看免费| 亚洲精品www久久久| 亚洲国产精品久久久久秋霞1| 亚洲熟女一区二区三区不卡| 亚洲精品无码不卡| 黑人玩弄人妻中文在线| 久国产精品久久精品国产四虎| 一本色道久久亚洲av红楼| 亚欧色一区w666天堂| 日韩AV无码一区二区三区不卡毛片| 亚洲一区久久久狠婷婷| 亚洲成av人综合在线观看| 精品久久亚洲中文无码| 久久99国产亚洲高清观看首页| 第一九区另类中文字幕| 久久综合给合综合久久| 精品综合久久久久久8888|