基于小波包和RBF神经网络的压电加速度传感器故障诊断

杜 菲，马天兵,2

基于小波包和RBF神经网络的压电加速度传感器故障诊断

*杜 菲1，马天兵1,2

（1. 安徽理工大学机械工程学院，安徽，淮南 232001；2.南京航空航天大学机械结构力学及控制国家重点实验室，江苏，南京 210016）

根据压电加速度传感器故障的特点，提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中，提取每个频段的能量作为状态监测的特征向量，作为RBF网络的输入，然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力，较高的诊断准确率。

压电加速度传感器;小波包变换;神经网络;故障诊断

0 引言

压电加速度传感器是振动测试系统的关键部件，一旦发生故障，将会直接影响到结构振动的监测和控制效果。当传感器发生故障时，即使很小的故障也会引起输出信号发生突变，这种突变往往是动态和多样的，用传统的傅立叶变换方法是无法诊断的。小波技术和神经网络技术的发展为传感器故障的精确诊断开辟了新的途径。小波包变换不仅保持了小波正交基优良的特性，还改善了小波变换中“高频低分辨”的问题，相对于小波变换具有更精细的分解功能[1]，RBF网络比BP网络具有更高的辨识精度和更快的训练速度[2]，为此本文提出基于小波包分解和RBF神经网络相结合的方法进行传感器故障精确诊断，提取故障信号在每个频带能量作为特征向量输入，建立RBF网络模型，实验验证效果良好，准确率较高。

1 压电加速度传感器故障特征提取

1.1 传感器故障类型

压电加速度传感器[3]故障通常有：芯体突然损坏会引发周期性故障，芯体发生腐蚀或线路短接时引发短路故障，元件发生信号线断引发开路故障，元件参数值随着时间的推移和环境的变化而发生缓慢的变化引发漂移故障，电源和地线中的随机干扰或电火花放电引起的冲击干扰故障等，假设传感器在60 s发生故障，满量程为5V输出，其五种故障图形分别为：

图1 传感器各种输出

1.2 小波包分解原理

对信号x(t)小波包算法描述如下[4]：

令

则小波包分解的递推公式为

1.3 小波包提取故障特征

采用NI公司USB 9229采集卡进行传感器输出信号采集，采样频率为2 kHZ，每种状态采集5000点数据送到PC机进行分析。对采集到的传感器故障信号采用db1小波3层分解，具体特征提取步骤如下[5]：

(1)进行3层分解，分别提取第3层的8个频率成分的信号特征。

(4)构造特征向量；传感器故障会引起输出信号的幅值和频率变化，与正常的输出信号相比，在小波包分解的相同频带内能量会有较大的差别，也就是说各频率成分信号里包含了丰富的故障信息。因此可构造以各频带能量作为特征向量。特征向量T如下：

(5)特征向量单位化；当能量较大时，为了数据分析方便，可对特征向量进行单位化，可得新的特征向量。

2 RBF网络故障辨识

RBF网络是以函数逼近理论为基础来设计的一种前向网络，在逼近能力、模式识别和收敛速度方面都比传统的BP网络优秀。

2.1 RBF网络建立

RBF网络是由输人层、隐含层和输出层构成的三层前向网络[2]。输入层神经元个数取决于特征向量因子，其数目为8；输出层为传感器故障状态类别向量，其数目为5；借助于MATLAB 软件中newrbe函数来创建一个精确的RBF网络，隐含层的数目会被自动选择，逼近误差趋于0。

2.2 RBF网络训练

图1为五种传感器故障状态去噪后的时域图，实际采集的信号夹杂了很多噪声信号，只从时域图很难辨别出哪种故障，如高频周期干扰和脉冲干扰。因此将实验中所得数据首先进行去噪处理，将各种状态下信号数据分别进行小波包分解及特征量构造，其中一部分用于训练网络，另一部分用于训练后网络的验证。为了简化网络结构，输入向量都采用归一化处理过的特征向量，状态类别向量（0 0 0 0 0）表示正常状态，用（1 0 0 0 0）表示高频周期干扰故障，用（0 1 0 0 0）表示短路故障，用（0 0 1 0 0）表示开路故障，用（0 0 0 1 0）表示漂移故障，用（0 0 0 0 1）表示脉冲干扰故障。其中表1前24组样本数据是RBF网络训练的数据，表1后6组数据是测试网络的数据，表2是用MATLAB的sim函数对测试数据仿真的网络输出，通过该输出数据判断故障类型。

表1 RBF网络训练与测试数据

在RBF网络训练中，最重要的参数指标就是径向基函数的分布函数spread，它的大小决定了函数的平滑程度和网络预测精度。经过多次训练比较输出结果，最后以高频周期干扰故障测试数据（测试样本2）的诊断为例，在 spread=2,3,4,5的情况下计算比较网络的预报精度。

图2 不同spread取值时的网络预测误差

由图2看出，当spread=4或5时网络的预测误差最小，考虑到spread越大，径向基函数的平滑性越好，本文选择spread= 5来训练和预测网络。

表2 测试样本的输出值与期望值

由此可见，RBF网络基本上很准确地预测出各种故障，随着训练样本数据的增多，系统识别的精度会更高。因此基于小波包分解和RBF网络的智能诊断与识别方法对于压电加速度传感器故障诊断具有良好的效果。

3 总结

根据压电加速度传感器故障信号的频域特点，运用小波包分析的方法提取信号频带的特征量，并且采用RBF神经网络建立故障和征兆之间的非线性关系。实验数据和分析结果表明，二者的结合可以很方便地实现压电加速度传感器故障的精确诊断，准确率较高。

[1] 陈伟根,范海炉,王友元,等.基于小波能量和神经网络的断路器振动信号的识别方法[J].电力自动化设备, 2008,28(2):29-32.

[2] 飞思科技产品研发中心.神经网路理论及MATLAB7的实现[M].北京:电子工业出版社,2006.

[3] 孙明阳, 游亚飞.压电式加速度传感器故障查找[J].计测技术,2010,30(3):56-58.

[4] 王国锋,王子良,秦旭达,等.基于小波包和径向基神经网络轴承故障诊断[J].北京科技大学学报, 2004,26(2):184-186.

[5] 赵金宪, 金鸿章.基于小波包和神经网络的瓦斯传感器故障诊断[J].传感器与微系统,2010,29(5):80-82.

DIAGNOSIS OF PIEZOELECTRIC ACCELERATION SENSOR FAULT BASED ON WAVELET PACKET AND RBF NEURAL NETWORK

*DU Fei1, MA Tian-bing1,2

(1. College of Mechanical Engineering, Anhui University of Science and Technology, Huainan, Anhui 232001, China;2.State Key Laboratory of Mechanics and Control of Mechanical Structures，Nanjing University of Aeronautics & Astronautics, Nanjing, Jiangsu 210016, China)

According to the character of piezoelectric acceleration sensor fault, a new diagnosis method based on wavelet packet transform and RBF neural network is proposed to detect and identifysensor fault. The sensor fault signals are decomposed in different frequency bands by wavelet packet decomposition and reconstruction, and the energy of every band is used as the eigenvector of condition monitoring as well as input of RBF (Radial Basis Function) neural network. The classification of sensor fault is conducted by using the best RBF neural network. Experiment results prove that the method has good tracking ability of nonlinear system and higher diagnosis accuracy.

piezoelectric acceleration sensor; wavelet packet transform; neural network; fault

TP206

A

10.3969/j.issn.1674-8085.2013.03.013

1674-8085(2013)03-0054-04

2012-12-18；

2013-01-08

安徽省高校优秀青年人才基金重点项目(2012SQRL045ZD)

*杜 菲(1981-），女，安徽舒城人，讲师，硕士，主要从事机电一体化研究(Email:dfmtb@163.com);

马天兵(1981-），男，安徽庐江人，副教授，博士生，主要从事压电结构振动主动控制研究(Email: tbma@aust.edu.cn).