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(jī)械中普及的農(nóng)業(yè)裝備，一般以柴油機(jī)為動力，具有質(zhì)量輕、體積小及結(jié)構(gòu)簡單等特點(diǎn)，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?yàn)楦黝悪C(jī)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(jī)械中的故障，對提高作業(yè)效率具有一定的現(xiàn)實(shí)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(jì)了一套旋耕裝置機(jī)械故障診斷系統(tǒng)。

1 小波變換在故障分析中的實(shí)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(qiáng)。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(shí)數(shù)；|a|-1/2則實(shí)現(xiàn)伸縮與平移中能量的規(guī)一化。

在實(shí)際應(yīng)用中，信號f的某一時間內(nèi)連續(xù)小波變換的計(jì)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(shí)際應(yīng)用

本文在MatLab中構(gòu)建一段旋耕裝置機(jī)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(jī)械中的故障檢測。旋耕裝置機(jī)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(jī)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(jī)械故障信號，結(jié)果如圖2所示。旋耕裝置機(jī)械故障信號經(jīng)過小波變換處理后，在第4層時，已實(shí)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(jī)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(jī)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(diǎn)數(shù)；網(wǎng)絡(luò)隱含層采用Morlet函數(shù)，共包含15個節(jié)點(diǎn)數(shù)；輸出層的神經(jīng)元數(shù)目共包含15個節(jié)點(diǎn)數(shù)。最后，構(gòu)造旋耕裝置機(jī)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(jī)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(yàn)，建立了旋耕裝置機(jī)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(jī)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(jī)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(jī)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(shí)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(diǎn)，頻率為12.8f，其中f為工頻；

2)計(jì)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(jī)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(jī)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(jì)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(jī)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(shí)際計(jì)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(yàn)證與分析

為了驗(yàn)證旋耕裝置機(jī)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(yàn)中，從旋耕裝置機(jī)械平臺中采集到了其在共生松動故障時的機(jī)械振動信號樣本(見圖6中的原始信號)，試驗(yàn)驗(yàn)證結(jié)果如表4和表5所示。

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

圖6中：上圖為機(jī)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(yàn)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(jī)械故障數(shù)據(jù)進(jìn)行“誤差逼近”檢驗(yàn)，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(diǎn)輸出值為1.063，其他節(jié)點(diǎn)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(shí)際故障吻合。試驗(yàn)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(jī)械故障，可以為設(shè)備維護(hù)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(jī)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(shí)現(xiàn)了對旋耕裝置機(jī)械故障的實(shí)時診斷。通過對旋耕裝置機(jī)械故障診斷模型的驗(yàn)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(jī)械故障，可以為設(shè)備維護(hù)人員提供重要的參考。