基于小波包和GA-BP网络的柴油发电机故障诊断

别锋锋 范文华 裴峻峰 刘 杨

(常州大学机械工程学院，江苏 常州 213164)

基于小波包和GA-BP网络的柴油发电机故障诊断

别锋锋 范文华 裴峻峰 刘 杨

(常州大学机械工程学院，江苏 常州 213164)

针对柴油发电机的非平稳和非线性振动信号诊断难的问题，利用小波包和遗传算法优化的BP(GA-BP)网络两大工具对其进行故障诊断。首先利用小波包对柴油机发电机的振动信号进行分解，单支重构，构造特征向量，再将特征向量输入到遗传算法优化的BP网络里，从而实现柴油发电机的故障类别诊断。实验仿真和工程应用结果表明：所采用的方法可有效并精确地实现柴油发电机故障类别的诊断。

柴油发电机 故障诊断 小波包 遗传算法 BP网络

柴油发电机是机械系统的动力之源，其工况正常与否意义重大。由于柴油发电机结构复杂且工作环境恶劣，所以存在着潜在的故障。从信号中提取特征参数是机械故障诊断的关键所在[1,2]。柴油发电机的振动信号是非平稳非线性的,传统的振动分析方法，例如快速傅里叶变换，不能准确地诊断。处理这种信号就是将其分解成能够获得平稳和线性特征的子频带，这样设备的故障类型就能够很容易提取出来。小波包和经验模态分解是处理该类振动信号的常用方法，但经验模态分解时，由于端点效应会使筛选结果严重失真[3]。常见的神经网络有BP网络及小波神经网络等，虽然小波神经网络的预测结果优于BP网络,但收敛性差，且更容易出现不收敛的情况[4]，所以BP网络更适合用来分类。小波神经网络与BP神经网络在参数优化的过程中采用的是梯度下降法，易陷入局部极小或引起振荡效应。而遗传算法具有很强的宏观搜索能力，能以较大的概率找到全局最优解，能较好地克服梯度法的缺点，达到更高的预测精度要求[5]。

笔者拟对柴油发电机的非平稳非线性振动信号进行分析，利用小波包分解重构信号，获得各个子频带的能量值，构建特征向量，再通过遗传算法优化的BP神经网络进行分类,从而实现对柴油发电机的故障识别。

1.1 小波包原理

小波包是在小波变换的基础上进一步提出来的，并且从数学上作了比较严密的推导。小波包分析是把信号s分解成低频a1和高频d1两部分，在下一层的分解中，又将a1和d1分别分解成低频和高频两部分，依此类推[6]。

1.2能量特征的提取

首先进行小波包分解，再对小波包分解得到的系数重构，提取各频带范围的信号。求出各段频带信号的总能量。以各段频带的总能量作为元素，构造一个特征向量[7]。小波包的分解树如图1所示。

2 遗传算法优化的BP神经网络

2.1BP神经网络

BP神经网络是一种按误差逆向传播算法训练的多层前馈网络，它利用梯度下降法，通过反向传播来不断调整网络的权值和阈值，通过不断训练使网络的误差平方和最小，是目前使用最为广泛的网络。一般的BP网络模型如图2所示。

图2 BP网络模型

2.2基于遗传算法(GA)的BP神经网络参数优化

遗传算法是一种基于自然选择和基因遗传学原理的优化搜索方法。它将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数和一系列遗传操作对各个体进行筛选，从而使适应值高的个体被保留下来，组成新的群体。新群体中个体的适应度不断提高，直至满足一定的极限条件。此时，群体中适应度值最高的个体即待优化参数的最优解[5]。

由于BP网络训练的初始权值和阈值是随机给定的，因此很难选取到具有全局性的初始点，这就造成网络有时候会陷入局部最小或者根本不能收敛。因为遗传算法的全局搜索性较强，所以利用它对BP神经网络的初始权值和阈值进行优化。

3 实验仿真

振动信号的获取是故障诊断的第一步，为了确保利用该方法得到的诊断结果的可靠性，实验使用的数据来自往复式压缩机[8](图3)，获取不同工作状态下的振动信号(一个是正常信号，一个是故障信号)。

将压缩机正常与故障时的振动信号经过3层小波包分解重构，重构后的信号选用时序模型(AR谱)进行分析，最后画出其AR谱图，如图4所示。

图3 往复式压缩机的结构简图

a. 正常工作信号

b. 故障工作信号

由图4可以清楚地看到：当压缩机正常工作时，信号AR谱的主频主要集中在2 916Hz左右的频段,而当其工作异常时，信号的主频向左漂移至2 455Hz左右，且出现多个谱峰，分散在各个频段中。由此可以看出当压缩机出现异常时，能量由最初的集中在某几个频段变为分散到各个频段。

通过小波包分解重构，得到8个均匀划分的子频带，然后求出各个频带信号的总能量，构造出特征向量，经过归一化处理,压缩机正常工作时特征向量的各数值相差比较大，而出现故障时能量相对比较平均。因此采用小波包分解重构，将利用各个子频带的能量构造的特征向量作为故障诊断的判断依据。

把采集到的72个信号数据(36个正常，36个故障)经过小波包三层分解，信号重构，构造特征向量，将归一化后的50组特征向量(正常与故障信号各25组)分别输入到BP网络、小波神经网络、GA-BP网络和遗传算法优化的小波神经网络进行训练，再将归一化后的剩余特征向量分别输入到4个已训练的神经网络里进行仿真分类。

经过多次代入训练，发现BP神经网络不稳定，分类效果时好时坏。小波神经网络同样不稳定，且对故障的准确识别率不如BP网络。而经过遗传算法优化的BP和小波神经网络改善了分类结果，使其比较稳定。所以从网络的稳定与分类准确识别率两方面考虑，选择遗传算法优化的BP神经网络作为分类工具。

4 应用实例

以某公司4台柴油发电机组为例，其中1#(负荷29%)和4#(负荷58%)为正常机组，3#为故障机组(故障已知)，2#为故障机组(故障未知)。现利用已知工作状态的3台机组的振动信号对2#机组进行故障诊断。

基于小波包与人工神经网络的柴油发电机的故障诊断流程如图5所示。

图5 故障诊断流程

4.1特征向量的处理与样本数据的采集

对1#机组和4#机组发电机自由端的各两个振动信号进行小波包分解和重构，求出重构信号的特征向量。正常情况下，邻近测点同一故障类型的各频带能量值应该基本相近。但不能找到上面4组特征向量的相似之处，由于机组负荷等因素导致了能量值没有可参考性，于是进行归一化处理，如图6所示。

图6 归一化后的特征向量对比

从图6中可以看到几组数据的纵坐标基本持平，说明各频带能量在总能量中所占的百分比是需要提取的特征信息，以此来构造4个机组振动信号的特征向量。

通过对4台柴油机发电机组已知的振动信号进行小波包分解重构，提取归一化后的特征向量作为样本数据，共获得3个样本数据集(表1)。

表1 样本数据集统计

数据集A是来自柴油机机身的振动信号，包含了两种不同条件(正常状态，不平衡)下的各26组数据样本，其中20组样本用来作为网络训练的训练集，余下的6组样本作为网络仿真的测试集；数据集B是来自发电机自由端的振动信号，包含了两种不同条件(正常状态，不对中)下的各26组数据样本，同样20组样本用来作为训练集，余下的6组样本用作测试集；数据集C是来自故障未知的2#机组，发电机自由端的振动信号，是需要对其故障诊断的一组数据。每个测点和每个故障状态都代表着不同种类的数据样本，用不同的阿拉伯数字表示(表1)，所以这是一个four-class分类任务[8]。

4.2遗传算法优化的BP神经网络模型的训练与测试分析

已知输入节点数为8，输出节点数为1，隐层节点数为17。新建一个隐层，该层中的神经元均采用tansig型传递函数，输出层的神经元则采用线性传递函数purelin，网络训练函数选取trainbr。

首先利用遗传算法优化权值和阈值，用新的权值和阈值进行网络训练(图7)，再把所有训练样本放到优化过的BP神经网络里进行仿真测试。从图7中可以看出，最好的训练精度是在经过1 146次迭代后达到的，均方误差达到1.301 8×10-9。把训练样本输入到优化过的网络中进行仿真，把分类结果与期望值进行比较，得到分类误差(图8)，其中最大的误差只有1.3×10-4,表明已训练的遗传算法优化的BP网络对训练样本的识别率不仅达到100%，且分类效果非常好。

图7 均方误差收敛曲线

图8 分类结果误差

把测试样本输入到训练好的遗传算法优化的BP网络中进行仿真，得出了测试样本的分类结果(表2)。从表2中可以看出，经过训练的网络对测试样本的识别率不仅达到了100%，而且分类效果很好。

表2 测试样本的分类结果

4.3未知信号的故障诊断

把来自2#机组的数据集C输入到已经训练好的网络中，得到的分类结果为3，可以判断该处不存在故障。正好恰逢该公司检修，检修结果与故障诊断一致，该处不存在故障。

5 结束语

利用小波包与遗传算法优化的BP神经网络对柴油发电机进行故障诊断，对柴油发电机的原始振动信号进行了基于小波包分解的特征向量提取，再把归一化后的特征向量输入到已训练的遗传算法优化的BP神经网络里进行故障识别。从实验仿真和应用实例可知，基于小波包和遗传算法优化的BP神经网络的诊断结果具有良好的稳定性和精确度，因而更适用于非平稳信号的故障诊断。

[1] 武建军，邓松圣，周爱华，等.基于EMD-灰色关联降噪的泵机组故障诊断[J].化工机械，2010,37(5):563～566.

[2] 王迎，王新明，赵小强.基于小波去噪与KPCA的TE过程故障检测研究[J].化工机械，2011,38(1):49～53.

[3] 王学敏，黄方林.EMD端点效应抑制的一种实用方法[J].振动.测试与诊断，2012,32(3):493～497.

[4] 毕研秋,周文连，张大海，等.连续小波神经网络收敛性能的探讨[J].电力系统及其自动化学报,2005,17(6):50～54.

[5] 李婧瑜,李歧强,侯海燕，等.基于遗传算法的小波神经网络交通流预测[J].山东大学学报,2007,37(2):109～112.

[6] 杨国安,钟秉林，黄仁，等.机械故障信号小波包分解的时域特征提取方法研究[J].振动与冲击,2001,20(2):27～30.

[7] 胡昌华,李国华,周涛.基于MATLAB 7.X的系统分析与设计——小波分析[M].西安：西安电子科技大学出版社,2008.

[8] Jin M,Li R,Xu Z B.Reliable Fault Diagnosis Method Using Ensemble Fuzzy ARTMAP Based on Improved Bayesian Belief Method[J].Neurocomputing,2014,133:309～316.

(Continued on Page 83)

FaultDiagnosisofDieselGeneratorBasedonWaveletPacketandGA-BPNetwork

BIE Feng-feng, FAN Wen-hua, PEI Jun-feng, LIU Yang

(SchoolofMechanicalEngineering,ChangzhouUniversity,Changzhou213164,China)

TH17

A

1000-3932(2016)01-0046-05

2015-11-26(修改稿)基金项目：国家自然科学基金资助项目(51175051)；常州大学青年基金项目(zmf13020051)