孟雅琦，古 遠，莊新穎，魏廣遠，夏付芝

(青島恒星科技學(xué)院，山東 青島 266000)

1 基于BP模型的神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法，并通過網(wǎng)絡(luò)誤差反向傳播不斷調(diào)整連接權(quán)值，以達到對神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化?，F(xiàn)在BP神經(jīng)網(wǎng)絡(luò)已成為神經(jīng)網(wǎng)絡(luò)中廣泛使用的模型之一，其優(yōu)勢是無需進行數(shù)學(xué)方程描述就可同時訓(xùn)練大量的輸入輸出映射關(guān)系。

2 小波分析原理

小波分析是對小波函數(shù)的一個疊加，小波函數(shù)是通過信號分解得到的。小波分析中還有一個多分辨率分析的概念，多分辨率分析可以對時頻信號分解，既把一個信號分成多個簡單信號之和，然后進行分析。多分辨率分析分解的最終目的是力求構(gòu)造一個在頻率上高度逼近L(R)空間的正交小波基，在構(gòu)造正交小波的方法中，其中Mallat算法對信號分解重構(gòu)是小波分析理論發(fā)展中的突破性成果。

3 實驗裝置及實驗過程

振動測試儀是振動信號采集裝置，把它固定于發(fā)動機的缸蓋上，在發(fā)動機正常工作狀態(tài)下、進氣管堵塞的情況下，收集并利用其振動信號，采取小波包能量譜分析法提取振動信號的特征，分析頻帶，把所得信息向量輸入給BP神經(jīng)網(wǎng)絡(luò)。本次試驗的采樣頻率為2048 Hz，分析頻率為1024 Hz。

3.1 發(fā)動機振動信號的小波包降噪分析

常用的振動信號時域參數(shù)包括均方值、方差、有效值、峰值、標準差、最大值和最小值等，這些參數(shù)一般可以表達出信號振動大小、幅值變化和振動能量的分布情況。

通過對發(fā)動機在正常工作狀態(tài)下小波包分解降噪前、降噪后時域曲線信號圖和發(fā)動機在進氣管堵塞情況下小波包分解降噪前、降噪后時域曲線信號圖對比分析，可發(fā)現(xiàn)其振動信號相差不大，相對較平穩(wěn)。而發(fā)動機表面為非平穩(wěn)信號，因此要判斷出發(fā)動機的故障狀態(tài)，不能只看波形圖，還需要做頻域上的分析。

3.2 發(fā)動機振動信號的小波包能量譜分析

發(fā)動機振動信號頻域分析，可以具體定位到故障發(fā)生的位置，當系統(tǒng)部件故障時，正常系統(tǒng)振動也會出現(xiàn)新的變化，這就使得它的頻譜也相應(yīng)改變，所以采用振動信號的頻域分析對于發(fā)動機復(fù)雜機構(gòu)維修是很高效的故障診斷方法。通過給出發(fā)動機分別在正常工作狀態(tài)下、進氣管堵塞的缸蓋振動信號的頻譜圖分析可知，發(fā)動機正常工作狀態(tài)下振動相對劇烈的位置主要集中在800 Hz處，400 Hz處有輕微的波動，再比較其他情況下的振動信號的頻譜，我們分析觀察發(fā)動機，就能夠看出其規(guī)律性變化。但為更好地識別故障特征頻帶，還是利用小波包能量譜提取振動信號的特征值。

3.3 提取發(fā)動機振動信號的特征值

先對正常工作狀態(tài)下、進氣管堵塞兩種情況下的發(fā)動機振動信號使用小波包能量譜的方法，進行三層小波包分解，將整個頻帶分成了8份，每個頻帶的寬度為128 Hz，這次的故障識別率相比之前提高了很多。分析對比，就能夠檢測出發(fā)動機是否存在故障，以及發(fā)生故障的部位、嚴重程度等。由于數(shù)據(jù)龐大，分析處理不太方便，應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)中會導(dǎo)致收斂速度緩慢，所以本文對得到的特征向量采用了極值歸一化的數(shù)據(jù)處理方法，使得數(shù)據(jù)存在于[0,1]區(qū)間，公式如下

(1)

式中x—原始數(shù)據(jù)；

xmax—原始數(shù)據(jù)的最大值；

xmin—原始數(shù)據(jù)的最小值；

x′—歸一化后的數(shù)據(jù)，越接近1時，則故障識別率越高。

3.4 建立BP神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)

在用神經(jīng)網(wǎng)絡(luò)進行故障診斷時包括兩個階段，即系統(tǒng)識別階段；故障檢測階段。而先進的發(fā)動機故障診斷系統(tǒng)先是故障產(chǎn)生，處理采集的信號，再反饋回來進行判別，其結(jié)構(gòu)框圖如圖1所示。

圖1 故障診斷系統(tǒng)結(jié)構(gòu)框圖

圖2 訓(xùn)練誤差曲線圖

對于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)中，我們需要考慮到網(wǎng)絡(luò)的層數(shù)，設(shè)置每層神經(jīng)元數(shù)目，初始值設(shè)定以及網(wǎng)絡(luò)學(xué)習(xí)速度的程度等。由上文可知，特征向量為8個，則輸入的神經(jīng)元個數(shù)就為8，本次采集了發(fā)動機兩種工況下的信號，則輸出神經(jīng)元個數(shù)為2，隱含層的個數(shù)經(jīng)過計算試驗分析，最終選擇10。設(shè)定最大訓(xùn)練次數(shù)M為2000，最終目標誤差為0.001，學(xué)習(xí)的速率為0.001。選擇改進后的BP神經(jīng)網(wǎng)絡(luò)算法進行訓(xùn)練，結(jié)果更精確。

3.5 發(fā)動機振動信號的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測試

在不斷修改調(diào)整權(quán)值跟閾值的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，不斷縮小輸出值與輸入值的差距，達到最小值，以滿足實際要求。

本文對兩類工作狀態(tài)特征向量分別進行識別，每種工作狀態(tài)提取60組數(shù)據(jù)，共180組，其中120組用來訓(xùn)練，60組用來測試，最終驗證改進BP神經(jīng)網(wǎng)絡(luò)識別檢測故障狀態(tài)的準確性。訓(xùn)練的結(jié)果和過程如圖2所示，可見BP神經(jīng)網(wǎng)絡(luò)經(jīng)過79步訓(xùn)練，達到預(yù)定的網(wǎng)絡(luò)性能參數(shù)目標。

通過選擇60組數(shù)據(jù)進行測試在訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，通過測試樣本來驗證BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能。通過實驗很好地完成了BP神經(jīng)網(wǎng)絡(luò)對發(fā)動機故障狀態(tài)的識別，通過BP神經(jīng)網(wǎng)絡(luò)進行故障診斷可以判別出發(fā)動機不同的工作狀態(tài)，并且準確率高達95%以上，驗證了本方法的可行性。

4 結(jié)論

本文僅對神經(jīng)網(wǎng)絡(luò)與小波分析結(jié)合進行了研究，未來還會有更多不同的技術(shù)結(jié)合應(yīng)用，相信汽車發(fā)動機故障診斷技術(shù)會越來越好。