小波神经网络在航空发动机故障诊断中的应用

小波神经网络在航空发动机故障诊断中的应用（精选14篇）

小波神经网络在航空发动机故障诊断中的应用篇1

针对某型航空发动机构建了转子-滚动轴承动力学仿真模型,并利用该模型构造了三种发动机故障样本.研究中采用松散型的.小波神经网络,先对构造的三种故障信号进行小波包特征分析,提取其能量特征向量作为神经网络的输入,再采用改进的BP神经网络分类器进行发动机故障模式识别.仿真结果表明,基于小波神经网络的信息融合技术用于发动机的故障诊断是可行的和有效的.

作者：欧阳运芳沈勇马婧作者单位：上海航空测控技术研究所刊名：航空科学技术英文刊名：AERONAUTICAL SCIENCE AND TECHNOLOGY年，卷(期)：2009“”(6)分类号：V2关键词：航空发动机故障诊断小波包分析神经网络

小波神经网络在航空发动机故障诊断中的应用篇2

小波变换 (Wavelets Analysis) 是20世纪80年代中期发展起来的一门新技术, 它是数学理论中调和分析技术发展的最新成果, 被公认为是工具和方法上的重大突破, 已成为当前国际上广泛应用的一种新的数学理论及方法。它克服了传统的傅氏变换无法反映信号局部信息的缺点, 获取模式对象的局部信息, 在时域和频域同时具有良好的局部化性能, 有一个灵活可变的时间-频率窗, 而这些在理论和实践中都有重要的意义。

人工神经网络是在现代神经学研究成果的基础上发展起来的, 它是一种模仿人脑信息处理机制的网络系统, 可以完成学习、记忆、识别和推理等功能。

小波变换通过其特有的平移系数和伸缩系数保证模式样本的平移及比例变化的相对不变性, 获得多种尺度信息, 从本质上改善神经网络的学习能力。小波神经网络是小波函数在神经网络中的应用。

1 网络学习算法

小波变换具有时频局部特性和变焦特性, 而神经网络具有自学习性、自适应性、鲁棒性强、容错性强以及便于推广的能力, 如何把二者的优势结合起来一直是人们关心的问题。一种方法是用小波对信号进行预处理, 即以小波空间作为模式识别的特征空间。通过小波基于信号的内积进行加权和来实现信号的特征提取, 然后将提取的特征向量送入神经网络进行处理;另一种方法即所谓的小波神经网络 (WNN) 或小波网络, 把小波变换与神经网络有机地结合起来, 充分继承了两者的优点。后者是本文讨论的对象。小波神经网络通常主要有两种形式的网络结构, 分别如图1和图2所示。其中, 一种是用于信号表示或者函数逼近的小波网络;另一种是多用于信号分类的小波网络。

1.1 第一种结构的小波神经网络[1]

网络的结构示意图如图1所示。

小波网络为三层网络, 包括输入层、输出层和中间层。

由小波网络的模型可以得到:

隐含层第h个节点总的输入:

$X_{h} = \sum_{i = 1}^{Ι} W_{h i} x_{i} (t) + b_{1 h} (1)$

式中, xi为输入层的输入。

隐层第h个节点总的输出:

$x_{h} = Ψ (\frac{X_{h} - b_{h}}{a_{h}}) (2)$

输出层第j个节点总的输入:

输出层第j个节点总的输出:

则:

按照梯度下降法的思想, 定义误差函数:

$E = \frac{1}{2} \sum_{j = 1}^{J} (y_{j} - \bar{y}_{j})^{2} (6)$

计算如下:

$Δ W_{j h} = - η \frac{\partial E}{\partial W_{j h}} = - η \frac{\partial E}{\partial X_{j}} \frac{\partial X_{j}}{\partial W_{j h}} = - η \frac{\partial E}{\partial X_{j}} x_{h}$

令 $δ_{j} = - \frac{\partial E}{\partial X_{j}}$ , 则有:

$\begin{array}{l} Δ W_{j h} = η δ_{j} x_{h} \\ Δ b_{2 j} = - η \frac{\partial E}{\partial b_{2 j}} = - η \frac{\partial E}{\partial X_{j}} \frac{\partial X_{j}}{\partial b_{2 j}} = η δ_{j} \end{array}$

同理得:

$Δ W_{h i} = - η \frac{\partial E}{\partial W_{h i}} = - η \frac{\partial E}{\partial x_{h}} \frac{\partial x_{h}}{\partial W_{j h}} = - η \frac{\partial E}{\partial x_{h}} x_{i}$

令 $δ_{h} = - \frac{\partial E}{\partial x_{h}}$ , 则有:

$\begin{array}{l} Δ W_{h i} = η δ_{h} x_{i} \\ Δ b_{1 h} = - η \frac{\partial E}{\partial b_{1 h}} = - η \frac{\partial E}{\partial x_{h}} \frac{\partial x_{h}}{\partial b_{1 h}} = η δ_{h} \end{array}$

同理得:

$\begin{array}{l} Δ b_{h} = - η \frac{\partial E}{\partial b_{h}} = - η \frac{\partial E}{\partial x_{h}} \frac{\partial x_{h}}{\partial b_{h}} = \\ - η \frac{\partial E}{\partial x_{h}} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) (- \frac{1}{a_{h}}) = \\ - η \sum_{j} \frac{\partial E}{\partial X_{j}} \frac{\partial X_{j}}{\partial x_{h}} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) (- \frac{1}{a_{h}}) = \\ - η \sum_{j} δ_{j} W_{j h} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) (- \frac{1}{a_{h}}) (7) \end{array}$

由于:

$\begin{array}{l} δ_{h} = - \frac{\partial E}{\partial X_{h}} = - \frac{\partial E}{\partial x_{h}} \frac{\partial x_{h}}{\partial X_{h}} = \\ - \sum_{j} \frac{\partial E}{\partial X_{j}} \frac{\partial X_{j}}{\partial x_{h}} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) \frac{1}{a_{h}} = \\ - \sum_{j} δ_{j} W_{j h} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) (\frac{1}{a_{h}}) \end{array}$

则式 (7) 为Δbh=-ηδh。

同理得:

$\begin{array}{l} Δ a_{h} = - η \frac{\partial E}{\partial a_{h}} = - η \frac{\partial E}{\partial x_{h}} \frac{\partial x_{h}}{\partial a_{h}} = \\ - η \sum_{j} \frac{\partial E}{\partial X_{j}} \frac{\partial X_{j}}{\partial x_{h}} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) (- \frac{1}{a_{h}}) (\frac{X_{h} - b_{h}}{a_{h}}) = \\ - η \sum_{j} δ_{j} W_{j h} Ψ^{'} (\frac{X_{h} - b_{h}}{a_{h}}) (- \frac{1}{a_{h}}) (\frac{X_{h} - b_{h}}{a_{h}}) = \\ - η δ_{h} (\frac{X_{h} - b_{h}}{a_{h}}) \end{array}$

1.2 第二种结构的小波神经网络[1]

网络的结构示意图如图2所示, 则:

$\begin{array}{l} \hat{f}_{h} = σ (u_{n}) = \\ σ [\sum_{k = 1}^{Κ} W_{n k} (\sum_{m = 1}^{Μ} S (t_{m}) h (\frac{t_{m} - b_{k}}{a_{k}}) + b_{1 k}) + b_{2 n}] (8) \\ E = \frac{1}{2} \sum_{n = 1}^{Ν} (f_{n} - \hat{f}_{n})^{2} (9) \\ Δ W_{n k} = \frac{\partial E}{\partial W_{n k}} = \\ - (f_{n} - \hat{f}_{n}) σ^{'} (u_{n}) [\sum_{m = 1}^{Μ} S (t_{m}) h (\frac{t_{m} - b_{k}}{a_{k}}) + b_{1 k}] \\ Δ b_{k} = \frac{\partial E}{\partial b_{k}} = \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} (f_{n} - \hat{f}_{n}) σ^{'} (u_{n}) W_{n k} S (t_{m}) \cdot \\ h^{'} (\frac{t_{m} - b_{k}}{a_{k}}) (\frac{1}{a_{k}}) \\ Δ a_{k} = \frac{\partial E}{\partial a_{k}} = \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} (f_{n} - \hat{f}_{n}) σ^{'} (u_{n}) W_{n k} S (t_{m}) \cdot \\ h^{'} (\frac{t_{m} - b_{k}}{a_{k}}) (\frac{1}{a_{k}^{2}}) \end{array}$

1.3 引入动量项

在可调节参数的调整公式中加入动量项, 则调整公式变为[2]:

$Δ X_{i} (n) = - η_{i} (n) \frac{\partial E}{\partial X_{i}} (n) + α Δ X_{i} (n - 1) (10)$

式中:α为动量系数;η (n) 为步长函数。

在调整公式中引入动量项的效果是使得参数的调整向着误差函数曲面底部的平均方向变化, 不致产生大的摆动, 从而起到缓冲平滑的作用。若函数进入曲面的平坦区, 那么函数的变化将会很小, 此时ΔXi (n) ⧋ΔXi (n-1) , ΔXi (n) 将变为:

$Δ X_{i} (n) ⧋ \frac{- η_{i} (n)}{1 - α} \frac{\partial E}{\partial X_{i}} (n)$

由于0<α<1, 所以[ηi (n) / (1-α) ]>ηi (n) , 即Xi的整理量加大了, 从而可以使得函数尽快离开平坦区。

式 (10) 中直接分析动量项的加速收敛和减小震荡的作用。式中第一项 $- η_{i} (n) \frac{\partial E}{\partial X_{i}} (n)$ 代表当前参数Xi的调整方向, 如果它与ΔXi (n-1) 同号, 表示在Xi轴上沿当前的调整方向在一定的范围内误差有减小的趋势, 因而可以增大ΔXi, 从而增加Xi的调整幅度;如果它与ΔXi (n-1) 异号, 这表明在Xi轴上函数已经越过一个局部极小点。为了避免振荡, 应该减小Xi的调整度。综合上述两点, 动量项的引入, 可在一定程度上解决局部极小问题。

2 存在的不足和有待解决的问题

小波神经网络虽然具有很多的优点, 但在实际应用中还存在着以下不足[1]:

(1) 在多维输入情况下, 随着网络的输入维数增加, 网络训练的样本呈指数增长, 网络结构也将随之变得庞大, 使得网络收敛速度大大下降;

(2) 隐层节点数难以确定;

(3) 小波网络中初始化参数问题的急待解决, 即若尺度参数与位移参数初始化不适合将导致整个网络学习过程的不收敛;

(4) 未能根据实际情况来适应选取适合的小波基函数;

(5) 常用的BP训练算法, 由于其自身的缺陷, 易使整个网络陷入局部最小。

基于上述存在的不足, 使得小波神经网络理论和技术在故障诊断中的应用还处于正在研究当中, 迄今还存在着许多需要解决的问题。对今后研究的主要方向和内容概述如下[1]:

小波网络的新模型及其学习算法:关于小波网络的结构, 近年来有人提出多层结构的小波网络、局域连接型的小波网络。小波网络的研究应考虑吸收模糊、分形、混沌、进化计算等交叉学科的研究成果。

小波网络中的小波基函数的选择问题:实际应用中, 对于不同的对象特性及应用目的, 应该如何选择合适的小波函数, 选择多少个小波基函数才合适, 选择的标准是什么, 这一系列问题尚未解决, 还有待进一步的研究。

小波网络的收敛性、鲁棒性、计算复杂度以及小波网络在故障诊断系统中的硬件和软件的实现等问题还有待进一步的研究。

参考文献

[1]仲京臣, 赵犁丰.基于小波神经网络的故障诊断研究[D].青岛:中国海洋大学, 2004.

[2]张国彬, 刘秉瀚.小波神经网络算法的改进与应用[D].福州:福州大学, 2005.

[3]阉平凡, 张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社, 2002.

[4]秦前清, 杨宗凯.实用小波分析[M].西安:西安电子科技大学出版社, 1994.

[5]朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社, 2004.

[6]Albert Boggess, Francis J Narcowich.小波与傅里叶分析基础[M].芮国胜, 康健, 译.北京:电子工业出版社, 2004.

[7]蔡念, 胡匡祜.小波神经网络及其应用[J].中国体视学与图像分析, 2001, 6 (4) :239-243.

[8]向小东.小波神经网络的预测方法及其应用[J].统计与决策, 2003 (7) :14-15.

[9]张增芳, 陈瑞中, 齐保谦, 等.基于小波神经网络的心电数据压缩研究[J].广西工学院学报, 2002, 13 (1) :12-15.

[10]曾华.小波神经网络及其研究[D].天津:天津大学, 2001.

小波神经网络在航空发动机故障诊断中的应用篇3

关键词：尾气；分析；故障；诊断

中图分类号：G71

一、尾气分析概述

（一）尾气分析的基本概念

尾气分析是在发动机不同工作状况下，通过检测废气中不同成分气体的含量来判断发动机各系统故障的方法。其目的是对发动机的燃烧状况进行综合评价。

（二）尾气分析在汽车发动机故障诊断中应用的背景

随着现代科学技术的进步，特别是随着计算机技术的进步，汽车检测技术也飞速发展。汽车故障诊断仪、示波器、红外线测温仪等设备对汽车进行不解体检测已越来越多使用，但是将汽车尾气分析应用于汽车发动机故障诊断中上还是很少，尾气分析大都还是环保部门做检查环保，对修理厂修车用的不是很多。尾气分析不仅是检查排放污染物治理效果的唯一途径，而且还是对发动机工作状况及性能判定的重要手段。

二、尾气的主要成分、生成机理及影响因素

（一）尾气的主要成分

尾气主要是CO、HC、NOx、CO2、H2O和O2，其中CO、HC、NOx、这些物质对人类和整个环境危害极大，为排气污染物。

（二）尾气污染物的生成机理

CO是燃烧不完全的产物，HC主要是未燃烧和未完全燃烧而产生，NOX是在发动机大负荷工作时在高温富氧中产生。

（三）尾气排放物的影响因素

1、空燃比对尾气成分的影响

随着空燃比的增加，CO值逐渐下降，HC值两头高、中间低，CO2值中间高、两头低。当空燃比小于14.7：1时，由于空气量不足引起不完全燃烧，CO、HC值增大。空燃比越接近14.7：1，燃烧越完全，HC、CO的值越低，O2越接近于零，而CO2的值越高。而当空燃比超过16.2：1时，由于燃料成分过少，用通常的燃烧方式已不能正常着火，产生失火，使未燃HC大量排出。在理论空燃比附近，CO曲线有一个拐点，当A/F减少时，可燃混合气过浓，燃油无法充分燃烧，CO生成物便急剧增加；当A/F增大时，氧含量充足，燃油可以充分燃烧，使CO生成量减少，而且比较稳定。

2、点火正时对尾气成分的影响

点火提前角对CO值没有太大影响，但对HC和NOx的影响较大，过分推迟点火会使CO没有时间完全氧化而引起CO排放量增加，但适度推迟点火可减小CO排放。实际上当点火时间推迟时，为了维持输出功率不变需要开大节气门，这时CO排放明显增加。随着点火提前角的推迟，HC的含量降低，主要是因为增高了排气温度，促进了CO和HC的氧化，也由于减小了燃烧室内的激冷面积。火提前角对CO的生成量影响不大，但对HC和NOx的影响较大。

随着点火提前角的增大，HC和NOx生成物都会急剧增加，其原因与燃烧时的速度、压力、温度等有关，当点火提前角增大到一定值后，由于燃烧时间过短，HC和NOx生成量便有所下降。当然，正确的调整点火正时是非常必要的，过迟的点火提前角会使发动机动力下降，油耗增大，工作不稳。

三、尾气排放不合格的故障诊断

（一）尾气排放不合格原因与故障诊断* C8 B0 _： _5 B$ p5 w* R9 k* r& {9 o$ L1 T/ [$ D！ [0 ＼" }，～

1、HC值过大，说明燃油没有充分燃烧。应检查点火系统是否缺火、点火能量不足或点火时间不准、检查气缸密封情况、检查配气相位、检查三元催化器、检查电控系统传感器或电脑是否有故障。

2、CO值过高说明混合气过浓，应检查喷油嘴是否漏油、燃油压力是否过高、空气滤清是否堵塞或活塞环胶阻、曲轴箱通风受阻、点火提前交过大、水温传感器和空气流量计故障。CO值过低，说明混合气过稀，应检查燃油压力是否过低、喷油嘴堵塞、真空泄露等。

3、NOx值过大，应检查点火提前角及点火控制系统、传感器是否有故障、气缸压力是否过高、发动机工作温度是否过高、进气温度是否过高、配气相位是否正确和进气增压是否过大。

4、O2值低，而CO值低，说明混合气过浓，应检查喷油器是否泄露、燃油压力是否过高、曲轴箱是否窜气、燃油蒸发系统是否有故障、传感器和电脑是否有故障。

5、O2值高，而CO值低，说明混合气过稀，应主要检查真空是否泄露、燃油压力是否过低、喷油器是否堵塞、控制系统是否有故障和排气系统是否有故障。

（二）尾气排放超标的一般检查步骤

1、用五气体废气分析仪检测发动机尾气排放。初步分析排放超标的大的方面的故障原因，如混合气浓、混合气稀、气缸缺火等。

进行故障码读取，检查ECU是否存储有与排放超标相关的故障码。如有，按故障提示进行检查。

3、用专用诊断仪读取动态数据流，进一步分析故障原因。

4、评定氧传感器好坏，结合观察氧传感器信号波形，与尾气排放分析结果对比，分析故障原因。

5、对各执行器进行动作试验，并对其性能进行进一步检查。如检查喷油器的喷油量密封性等。

6、检查发动机机械部分的可能原因。如积炭、气缸密封性能等。

四、尾气分析注意事项

对于装有催化转化器的汽车，如果催化剂工作正常，会使CO和HC减少。因此，将取样探头插到催化转化器之前测量未經转换的排气或在EGR阀的排气口检测。必要时，使空气泵和二次空气喷射系统停止工作。读取测量数据前，不要让发动机怠速运转时间过长。在发动机暖机后，才能使用尾气分析仪进行尾气检测。在进行变工况测试中，要让加速踏板稳住后再读取测量数据。

参考文献：

[1]曹红兵：《尾气分析在汽车发动机诊断中的应用》，汽车维修和保养，2006年10月.

[2]唐青云、李金嗣：《汽车尾气分析仪原理及发展现状》，汽车维修与保养，2002年08期.

[3]杨丰力，郑殿旺：《汽车故障诊断设备在维修中的应用研究》，工业技术经济，1997年02期.

小波神经网络在航空发动机故障诊断中的应用篇4

基于RBF神经网络的航空发动机故障诊断

航空发动机的`故障诊断研究在民航安全发面有着重要的意义,而故障诊断模型的建立尤其(RBF)神经网络建立发动机的故障诊断模型,论述了径向基函数神经网络的结构、学习和运行,并通过该模型对发动机参数进行辨识,结果表明RBF神经网络具有较高的故障诊断正确率.

作者：丁平白杰作者单位：中国民航大学,航空工程学院,天津,300300刊名：中国民航大学学报 ISTIC英文刊名：JOURNAL OF CIVIL AVIATION UNIVERSITY OF CHINA年，卷(期)：25(z1)分类号：V263.6关键词：航空发动机故障诊断径向基函数神经网络

示波法在汽车故障诊断中的应用篇5

以SANTANA汽车使用的2VQS AJR发动机为研究对象,对示波器在汽车的故障诊断原理进行研究,在实验的.基础上对实验测得的波形信号进行了深入的分析,进而为汽车故障的诊断与研究提供依据.

作者：李广洲吉平LI Guang-zhou JI Ping 作者单位：李广洲,LI Guang-zhou(神华准格尔能源有限责任公司,内蒙古,鄂尔多斯,010300)

吉平,JI Ping(内蒙古工业大学能源与动力工程学院)

小波神经网络在航空发动机故障诊断中的应用篇6

参数估计法在运载火箭动力系统故障诊断中的应用

文中研究了参数估计的.方法在运载火箭动力系统突发故障诊断中的应用.通过建立运载火箭的数学模型,成功应用基于强跟踪滤波器的状态和参数联合估计方法,实现了对运载火箭推力参数的正确估计.

作者：符文星朱苏朋阎杰陈士橹 FU Wen-xing ZHU Su-peng YAN Jie CHEN Shi-lu 作者单位：西北工业大学航天工程学院,西安,710072刊名：弹箭与制导学报 PKU英文刊名：JOURNAL OF PROJECTILES, ROCKETS, MISSILES AND GUIDANCE年，卷(期)：27(1)分类号：V475.1关键词：故障诊断参数估计强跟踪滤波器运载火箭

小波神经网络在航空发动机故障诊断中的应用篇7

转子系统是发动机的核心部件。由于在大功率、高负荷环境下运转,转子系统是最容易发生故障的部件之一[1]。传统的故障诊断手段主要是主观经验判断法和接触式传感器检测分析法,通过检测如噪声、振动、排气等物理量并依靠经验进行判断。但是,由于转子系统是一种非常复杂的动力机构,它的故障模式和特征向量之间是一种非常复杂的非线性关系,再加上转子系统在不同工况下的随机因素,所以专家的经验不能解决所有的诊断问题[2,3]。近年来随着人工智能技术的发展,神经网络、粗糙集、小波分析、模糊理论及支持向量机[4,5,6]等愈来愈多用于故障诊断。

本文以发动机转子系统为例,对转子系统的原始振动信号利用小波提取能量特征,选用B&B搜索算法对能量特征向量进行选择,最后采用BP神经网络对故障模式进行分类。其具体过程如图1所示。

1小波特征提取

假设φ(t)是L2(R)中某一多分辨分析的尺度函数,ψ(t)为相应的正交小波,则对任何f(t)∈L2(R),信号f(t)的二进小波分解可表示为

其中,AJ是f(t)的近似信号,称为第J级近似信号,Dj是信号f(t)的1～J级细节信号,小波变换d $_{k}^{j}$ =〈f,ψj,k〉为细节信号系数。

在进行小波变换前,将f(t)离散化后得到采样序列fn,n=1,2,3,…,将fn记为A0,则信号的多尺度分解表示为

AJ分解为AJ+1和DJ+1,实质是AJ分别通过低通滤波器与高通滤波器后得到近似信号AJ+1和细节信号DJ+1。其中,AJ+1为低频部分,DJ+1为高频部分。信号具体分解过程如图2所示。

Mallat算法给出了信号小波分解和重构的快速算法。Mallat算法可以快速计算得到f(t)的第j级小波分解细节信号,即

$D^{j} = g_{j} (t) = \sum_{k \in Ζ} d_{k}^{j} ψ_{k j}$ (3)

从式(3)可以看出,不同的Dj能提供信号f(t)不同频带的构成信息,所以可以考虑用此特征来提取转子系统振动信号f(t)的故障特征,即研究故障信息在不同频带内的分布情况。

对实际信号进行研究时,需取有限时间区间,即0≤t≤T,离散后得到信号的观测序列,通过Mallat算法获得一系列细节信号和近似信号所对应的小波系数。为了能计算这些细节信号和近似信号的能量,对这些小波系数进行重构,得到一系列细节连续信号和近似连续信号。为此,定义细节信号和细节信号的能量分别为

于是选择第J层近似信号和各层的细节信号的能量作为特征,构成特征向量[7],即

F=[ED1,ED2,…,EDJ,EAJ] (6)

本文选取J=9,即每组特征向量维数为10。转子系统的故障特征主要体现在旋转频率的分、倍频上,将采样后的信号进行尺度为9的小波多分辨率分解,再重构各个分、倍频的时域信号,计算其能量作为特征向量,所得到的能量特征能充分表现出转子故障的本质。本文对转子系统原始振动信号进行尺度为9的Mexican Hat小波变换,并重构1～9层细节信号和第9层近似信号,然后计算1～9层细节信号能量及第9层近似信号能量,即形成ED1,ED2,…,ED9,EA1共10个频带能量特征。

2 B&B特征选择算法

2.1 B&B搜索算法

B&B算法是目前唯一能保证全局最优同时又能避免穷尽搜索的算法。该算法针对特征选择定义如下:在原来的D个特征集合中选择包含d个特征子集且d<D,使得选择的特征子集在给定评价准则下是最优的[8]。算法要求所采取的评价准则函数满足单调性,即

J(Xs)≥J(Xt),若Xs⊇Xt (7)

其中,X为一个特征子集,J(X) 为给定的评价函数。单调性保证全局最优的前提下大大减少搜索的复杂度。本文选用特征向量间的欧氏距离作为评价标准并使之最小,即

$X_{a} = \min_{X \subset X_{b}} J (X) a ＜ b$ (8)

其中,Xa为从原始特征集Xb中按欧氏距离最小优先选择的子特征集,X表示原始特征集的任一子集,a和b分别为特征集Xa和Xb的维数且满足a<b。

2.2 欧氏距离

故障诊断的实质就是对不同的状态点模式的识别过程,不同状态点有不同的聚类中心和聚类域。同类模式点具有聚类性,由n个特征参数组成的n维特征向量相当于空间上的一个点,每一个点从属于一种特定的状态。状态点之间距离较近,表明它们的相似性较大。诊断对象和不同故障模式之间的特征距离是对各种故障进行分类的基础[9]。

采用欧氏距离度量不同参考总体之间或待检点与参考总体之间的几何距离。在欧氏空间中,设有矢量X=(x1,x2,…,xn)T,Z=(z1,z2,…,zn)T ,若两点距离接近,则可认为它们属于同一个群聚域,或属于同一类别。这种距离称为欧氏距离 ,其定义式为

$D_{E}^{2} = \sum_{i = 1}^{n} (x_{i} - z_{i})^{2} = (X - Ζ)^{Τ} (X - Ζ)$ (9)

其中,Z为参考模式矢量;X为待检模式矢量。

3 BP神经网络

BP网络在结构上类似多层感知器,是一种多层前馈神经网络。由于其结构简单,可调参数多,训练算法多,可操控性好,BP神经网络获得了广泛的实际应用[10]。

BP网络是一种具有3层或3层以上神经元的神经网络,包含输入层、隐含层和输出层。假设BP网络输入向量和目标向量为Pk=(α1,α2…,αn)和Tk=(y1,y2,…,ym);隐含层神经元输入向量和输出向量分别为Sk=(s1,s2,…,sp)和Bk=(b1,b2,…,bp);输出层单元输入向量和输出向量分别为Lk=(l1,l2,…,lm)和Ck=(c1,c2,…,cm)。输入层至隐含层的权值为ωij,隐含层至输出层权值为vjt,隐含层各单元的输出阈值为θj,输出层各单元输出阈值为γt。其中,i=1,2,…,n;j=1,2,…,m;k=1,2,…,r;t=1,2,…,p。

1)初始化,给每个权值ωij,vjt,θj,γj赋予(-1,1)内的随机值。

2)随机选择一组输入和目标样本Pk=(α $_{1}^{k}$ ,α $_{2}^{k}$ ,…,α $_{n}^{k}$ ),Tk=(s $_{1}^{k}$ ,s $_{2}^{k}$ ,…,s $_{n}^{k}$ )提供给网络。

3)用输入样本Pk=(α $_{1}^{k}$ ,α $_{2}^{k}$ ,…,α $_{n}^{k}$ )、权值ωij和阈值θj计算隐含层各单元的输入sj,然后用si通过传递函数计算隐含层各单元的输出bj,则

4)利用隐含层的输出bj、权值vjt和阈值γt计算输出层各单元的输出Lt,然后通过传递函数计算机输出层各单元的响应Ct,则

5)利用网络目标向量Tk=(y $_{1}^{k}$ ,y $_{2}^{k}$ ,…,y $_{n}^{k}$ ,网络的实际输出Ct,计算输出层的各单元一般化误差d $_{j}^{k}$ ,则

d $_{t}^{k}$ =(y $_{t}^{k}$ -Ct)Ct(1-Ct) t=1,2,…,m (14)

6)利用权值vjt,输出层各单元的一般化误差d $_{1}^{k}$ 和隐含层各单元的输出bj来计算隐含层各单元的一般性误差e $_{j}^{k}$ ,则

$e_{j}^{k} = [\sum_{t = 1}^{m} d_{t} v_{j t}] b_{j} (1 - b_{j})$ (15)

7)利用输出层各单元一般化误差d $_{t}^{k}$ 与隐含层各单元输出bj修正权值vjt和阈值γt,则

8)利用隐含层各单元一般性误差e $_{j}^{k}$ ,输入层各单元的输入Pk=(α1,α2,…,αn)来修正权值ωij和阈值θj,则

9) 随机选取下一个学习样本提供给网络,返回到步骤3),直到r组训练样本训练完毕。

10)重新从r个学习样本中随机选取一组输入和目标样本,返回3),直到网络全局误差E小于预先设定的一个极小值,即网络收敛。如果学习次数大于预先设定的值,网络就无法收敛。

11) 学习结束。可以看出,7)～8)为网络误差的“逆向传播过程”,9)～10)为完成训练和熟练过程。

通常经过训练的网络还应进行性能测试。测试的方法就是选择测试样本向量,将其提供给训练好的BP网络,检验网络对其分类的正确性。

4 转子故障诊断实例

利用多功能转子故障模拟实验台和DH5922动态信号测试分析系统获取了不同转速下的不平衡故障样本26个、碰磨故障样本29个、油膜渦动故障样本40个,将它们作为诊断实验的使用数据。

4.1 BP网络设计

BP神经网络的设计包含输入向量、输出模式及隐含层层数的设计以及各种参数的确定。由于转子系统包含不平衡、碰磨、转子油膜渦动3类故障,因此可以采用表1来表示故障模式与目标向量的关系。

BP网络对于在任何闭区间内的一个连续函数都可以用单隐层的BP网络逼近,因而一个3层的BP网络就可以完成任意的n维到m的映射。隐含层神经元个数是一个十分复杂的问题,往往需要设计者的经验和多次实验来确定,因而不存在一个理想的解析式来表示。隐含层神经元传递函数采用S型对数函数logsig,这是由于输入模式为0～1,正好满足网络的输出要求。网络的训练次数选为1 000,训练目标选为0.001,学习速率为0.05。由于学习速率固定,为加快网络的收敛速度,本文设置动量因子为0.9。对于转子系统不平衡、碰磨、转子油膜渦动3类故障各选取13组故障样本作为训练样本,其余作为测试样本。由于BP神经网络每次训练时初始权值都不一样,因此每次测试的识别率会有差异,本文采用10次诊断的平均值作为故障识别率。为了确定隐含层神经元个数,本文首先通过诊断实验给出隐含层神经元个数与故障识别率的关系。实验同时分两种方式进行:一是特征向量直接采用BP网络训练和诊断;二是特征向量经过B&B特征选择算法进行特征选择,为方便比较,暂定特征选择的维数设置为5,即从10维原始特征向量选择最优的5维特征进行训练和测试。表2给出了隐含层神经元个数与故障识别率的关系。

由表2可见,隐含层神经元个数选取14时,BP网络的故障识别率最高。

同样,训练样本数也会影响BP网络的故障识别率,本文通过实验确定样本数与故障识别率的关系。

训练样本数与故障识别率的关系如表3所示。

从表3可以看出,训练样本数为12时,获得的故障识别率最高。

4.2 故障选择、特征维数与识别性能的关系

本文通过实验,确定了隐含层神经元个数为14,训练样本为12时,获得的故障识别率最高。但是,每组故障样本中,可能含有一些冗余信息,本文通过B&B算法,以欧氏距离作为评价指标,对每组故障特征向量进行特征选择。由于特征向量为10维,特征选择的维数低于4,特征向量包含的特征信息太少,不足以区分3种故障模式;维数高于9,则相当于没对特征向量进行特征选取。故本文选取4～9维进行比较实验。

特征向量维数与故障识别率如表4所示。从表4可以看出,特征向量经过B&B特征选取算法处理后,维数选取7时,故障识别率最高。

在确定BP网络的各参数和特征向量的维数后,再次通过实验,比较BP网络和B&B特征选取+BP网络的识别性能。

B&B特征选择+BP网络与BP网络识别性能比较如表5所示。

从表5可以看出,转子系统不平衡、碰磨、油膜渦动故障3类故障的识别率以及平均值,B&B特征选择+BP神经网络的诊断方法都比单独采用BP神经网络要高。由此可见,融入了B&B特征选择算法后,有效地去除了小波特征向量中的冗余信息,使该方法较可靠地实现了发动机转子系统故障的诊断和分类,该方法具有一定的工程应用价值。

5 结论

本文对发动机转子系统的振动信号进行小波能量特征提取,分别得到反应转子系统不平衡、碰磨、油膜渦动3类故障样本的能量特征向量,这些特征向量在不同频带范围内反应了转子系统故障的本质。经过B&B搜索算法进行特征选择,这样可以消除特征向量中的冗余信息。实验发现,经过特征选择的BP网络比没有经过特征选择的BP网络的故障识别率高,该方法对于旋转机械的故障诊断有一定的借鉴和参考价值。

摘要：针对发动机转子系统不平衡、碰磨、油膜渦动3类故障,提出了一种融合小波与神经网络的故障诊断诊断算法。首先利用小波提取转子系统振动信号在各个频带上的能量特征信息,对能量特征采用B&B搜索算法进行特征选择之后,再利用BP神经网络识别转子系统的故障模式。实验结果表明,该方法对转子系统故障具有较高的识别率。

关键词：故障诊断,小波分析,神经网络,转子系统,特征选择

参考文献

[1]孙志勇,王仲生.Wigner-Ville分布在发动机转子故障诊断中的应用[J].科学技术与工程,2008,8(16):4 560-4 563.

[2]陈长征,胡立新,周勃,等.设备振动分析与故障诊断技术[M].北京:科学出版社,2007.

[3]钟秉林,黄仁.机械故障诊断学[M].北京:高等教育出版社,2002.

[4]王祝平,王为,李小昱,等.基于EMD与神经网络的内燃机气门间隙故障诊断[J].农业机械学报,2009,38(12):133-136.

[5]文振华,左洪福.基于粗糙集-集成神经网络的航空发动机磨损故障诊断方法[J].中国机械工程,2007,18(21):2580-2 584.

[6]陈果.神经网络规则提取及其在转子故障诊断中的应用研究[J].振动与冲击,2009,28(3):59-63.

[7]王学军,马辉,孙伟,等.基于小波分析的转子碰磨故障特征提取[J].农业机械学报,2008,39(4):147-151.

[8]王振晓,杨杰.特征选择中B&B算法的改进及比较[J].红外与激光工程,2003,32(1):17-22.

[9]王海蓉,马晓茜.容器内液化天然气分层涡旋事故的诊断与识别[J].华南理工大学学报(自然科学版),2008,36(2):107-110.

小波神经网络在航空发动机故障诊断中的应用篇8

关键词：故障诊断技术　维修类型　诊断方法

中图分类号：TD4　　　　　文献标识码：A　　　　　文章编号：1007-3973（2012）003-057-0

设备故障诊断技术

在工业部门对机械设备不断的技术化水平的强烈需求下，信息技术也在不断的投入到生产力的建设中，越来越多大型的机械设备的问世来解决流水线作业，缩短必要的劳动时间，提高个别生产率，扩大与社会个别劳动生产率之间的差距，来获取更多的超额利润。在能够为工业部门带来经济效益的同时，新的问题又出现了，如果机械的某个部分一旦出现故障，将导致部分功能无法正常使用，严重的甚至会停产，带来更巨大的经济损失，为了解决这一难题，将损失率降到最小，最好是能在故障之前进行检测并且能够及时的发现机械的问题，确保在不耽误生产的情况下，对机械设备进行短暂的处理，防患于未然。这项技术最早源于航天航空事业的高尖端技术，由于其效果十分令人满意，所以便逐渐普及到各个领域，特别是工业部门的大型机械设备。目前在国内外发展迅速、备受欢迎的重要技术之一就是机电设备故障诊断技术。

1.1 设备故障诊断技术概念

从根本上说，设备故障诊断技术是一种防护措施，既在不耽生产流程的情况下误设备的各个部分的参数是否在该设备最佳使用状态的范围内。经过精密的仪器和仪表的数据来了解被检测的设备是否适宜运行，是否发挥正常的功能作用，是否有破损或一定程度的参数值变化，如果发生异常，是什么原因造成的问题出现，破损程度是多大，是否可以继续使用，并且要根据部件的受损程度测出能够继续使用的时间长度，并且看是否可以用替代性的部件来延长使用时间，降低成本。而这一切都是在设备正常运行状态下进行的。

1.2 设备故障诊断技术基本原理

换言之，设备故障诊断技术是通过了解和掌握设备在使用过程中的状态来检测设备是否存在故障的潜在隐患，最终确定其整体和局部是否能够正常运作，尽早发现设备的故障找到产生故障的原因，并及早对故障部位、性质作出估计和预测。

设备故障，顾名思义，通过外在整体机械表现出来的不协调，也就是通过检查查出故障问题，这种问题的产生是因为部件受损或在使用过程中由于某种因素可能是长时间不间歇的使用，或者电流通过量过大，再或者是不正当的操作，而产生的参数值异于出场设置过大，更通俗的说就是运转不正确。一旦发生故障，这种参数的变化会外显在部件的某种物理变化上，而这种变化就叫做特征因子，亦可称为特征参数。这些特征参数中能够灵敏地反映机械系统故障状态的称为故障诊断的敏感因子，设备不能运行时敏感因子的值称为阀值。我们不能仅仅只观察表面的变化而忽视了本质性问题，有可能从外看来并没有什么异常或功能不完整，但由于检查出特征参数不正常过大，这也算是一种设备故障，只有在这个参数值在所设计的范围内波动，才算是设备的正常运行。特征参数是随着故障严重程度的变大而变大，也就是说故障问题越大，特征参数值就会越大。

总而言之，我们可以根据检测出来的特征参数来判断故障问题。其原理就是根据故障程度与特征参数是成正相关的。这种特征参数要比外在的现象的故障更为精准。也就是说我们可以通过不同的部件的特征参数来判读哪个部件存在着故障问题，这种问题是否会影响整台机械设备的运行，是否能够不被替换继续使用，这也就是设备故障技术的原理。

2 设备故障诊断维修依据及类型

2.1 诊断依据

由于机械设备在使用过程会因为长时间的使用，机械得不到充分的休息，再不断的通电产生的电能对电线盒设备不断地加温，同时运转中各个部件的因摩擦造成的磨损，其他部件不正常的运转给部件本身和其他的部件是否带来不利的影响，设备故障诊断技术就是通过对这些参数变化的监测，来进行检测设备是否处于正常作业状态。

我们要通过对检测出来的数据进行分析，及时掌握各组成零件的使用情况，根据对数据的有效分析和专业的评估查出故障可能的发生点，具体到设备的某个位置某个流程，这样不仅可以对症下药，同时又防止现象不明显的部件问题遗漏，或是对反应出不同问题的相同部件进行二次修复，带来不必要的重复性加工维修，增加额外成本，降低收益率。由此，我们可以充分看出故障诊断技术的重要性，不仅能够保证机器的正常运行，而且能够实时的监督设备的运转，在短时间内发现问题解决问题，并且能够以最快速度进行修复，并恢复使用。既保证了设备的完整有效运行，有保证了效率化的要求。

2.2 诊断类型

故障诊断在矿山机电设备维修中的关键目的：对机电设备实施计划性的状况维护检修，以确保机电生产设备的能够连续运转。通常矿山机电设备故障诊断维护检修，按照其类型大概能够划分为以下三种类型。

2.1.1 事后维护检修

事后维修主要是针对在矿山机电设备出现故障后所实施的一种治理措施，它并不是采取主动性对策，这是因为大部分机电设备是在没有准备的情况下实行的，所以对矿山机电设备的事后故障诊断的这种措施，维护检修维修质量不高、效果并不理想。

.1.2 按照一定的运行周期进行检修

这种维修方式比较固定，相对具有强制的意味，但这是对机械设备一种比较负责的体现。这种方式的检修比较易行，多数情况下是根据所给出的既存的使用周期或者维修周期进行具体操作。这种从外看来貌似是增加徒劳的成本和人工付出，但是这却是磨刀不误砍柴工，这样从某种程度上来书是对成本的一种节约，对设备的积极防护，可以增加设备的使用寿命，延长使用年限，及时发现问题及时修复，避免因大问题带来的长时间停产，得不偿失，所以，固定性的维修还是必要的不管是否出现异常状况。将问题防患于未然。避免突发事件带来的经济损失。

2.1.3 计划性状态检修

在科学技术不断发展的今天，学会如何利用科学数据分析是每个技术人员的责任，通过对详细数据的分析我们还可以根据不同部件发生问题的周期来推断下一次发生故障的时间大致是多数。这样的预测虽然不能够特别准确的估计出具体的日期，并且这种估计会有误差，但是可以再此区间内给企业敲响警钟，极大可能下设备某个部件会发生故障性问题，不会造成措手不及。力求能在设备发生前将其制止于萌芽状态。这将有利于延长矿山机电设备的使用寿命，并且消除设备的安全隐患，以达到保证生产顺利进行的最终目的。

3 诊断方法

设备故障诊断在矿山机电设备维修中的方式是多种多样的，特别是对井下采掘的矿机设备的检测工作，特别要注意的就是工作环境和可能发生的危险，这给维修和诊断工作带来一定的难度，但只要把突出性的问题比如矿物粉尘、冲击、酸碱腐蚀、振动等问题在施工之前考虑到，做好应有的防范意识，就应该不会出现不可控制的问题。

然而这些因素常常会阻碍正常好用的检测路径。以振动检测方法为例，当设备故障诊断技术应用于对铲运机的检测时，经常会因为由各种不利于检测的干扰因素，严重影响了设备故障诊断技术判断的准确程度。因此，对于故障诊断技术再矿山机电设备维修中的应用，一定要经周围的实际情况首先纳入考虑的范畴之内，针对不同的外界情况来制定不同的策略将检测顺利进行。

4 结语

众所周知，在技术不断发展的今天，和在智能化充斥世界的每个角落的明天，设备故障诊断技术在矿山机械设备维修中所起的作用将会起越来越重要的作用。先进的故障诊断技术，将有利于降低故障的发生几率，提高了产品的质量及数量，有助于实现了更大的经济效益和社会效益。因此无论是从经济现点出发，还是从整个作业来考虑，准确及时、有效地实现矿山机械远程故障诊断的方法都值得关注和研究。

参考文献：

[1]　陈韦兵.浅谈电厂机电设备的管理、操作与维护[J].黑龙江科技信息,2008,(28).

[2]　赵应华.煤矿机电设备的安全管理与维护研究[J].科技传播,2010,(20).

小波神经网络在航空发动机故障诊断中的应用篇9

航空发动机气路故障诊断技术研究现状

根据当前气路故障诊断技术发展状况,重点分析气路故障诊断中应用的各种方法和特点,如线性模型法、非线性模型法、神经网络法、贝叶斯网络法、信息融合法等,对这些方法做了较为详细的比较,并根据当前气路故障诊断技术研究现状分析未来发展趋势.

作者：李一波张光明蒋丽英 LI Yi-bo ZHANG Guang-ming JIANG Li-ying 作者单位：沈阳航空工业学院自动化学院,沈阳,110136 刊名：燃气轮机技术英文刊名：GAS TURBINE TECHNOLOGY 年，卷(期)： 22(3) 分类号：V241.01 关键词：气路故障非线性模型贝叶斯网络信息融合

小波神经网络在航空发动机故障诊断中的应用篇10

基于模式识别的航空发动机燃油控制系统传感器故障诊断

航空发动机燃油控制系统执行机构故障有可能导致参数测量传感器出现较大偏差,而采用传统的传感器故障诊断方法易误诊为传感器故障.为此,引入修正因子作为传感器故障模式样本,通过聚类分析获得样本的.特征向量;按照卡洛南一路伊变换(K-L变换)原理,对传感测量信息进行变换,构成了新的正交变换矩阵,减弱了各特征向量的相关性,突出了差异性,加强了对故障传感器和发动机燃油控制系统执行机构故障的特征识别能力;利用多组学习训练样本,设计了发动机不同参数测量传感器故障模式的判别函数.经仿真试验验证,该方法可以有效识别、诊断传感器故障.

作者：张洪生 ZHANG Hong-sheng 作者单位：海军驻沈阳地区航空军事代表室,沈阳,110034刊名：航空发动机英文刊名：AEROENGINE年，卷(期)：34(2)分类号：V2关键词：模式识别故障诊断传感器航空发动机燃油控制系统

小波神经网络在航空发动机故障诊断中的应用篇11

关键词：故障诊断；机电维修；智能诊断

在现代矿山生产过程中，高技术含量的机电设备在煤矿生产一线获得了广泛的应用，但是因为受到工作环境等方面因素的影响，机电设备在运行过程中会出现故障，给煤矿安全、稳定生产带来了隐患。利用故障诊断技术能够深入地了解机电设备运行过程的典型状态，还能够检测出设备运行过程中存在的潜在隐患，及时发现设备存在的主要问题，为故障预测和处理提供可靠依据。因此，找到矿山机电设备故障产生的主要原因，并利用故障诊断技术对原因进行及时准确的诊断分析，对保证机电设备的正常稳定运行以及矿山的生产安全都是非常重要的。

一、矿山机电设备产生故障的原因

（一）机械零部件配合关系变化。导致矿山机电设备出现故障的原因主要是设备的机械零部件关系变化或者零部件自身损伤而造成的。其中，零部件损伤有设备运行过程中相关零件之间的相互影响的因素，这种影响使零部件自身在形态、尺寸、功能等方面发生了变化，不能够充分发挥其应有的性能。

（二）设备长期超负荷运行。在实际的使用过程中，若一台设备的实际运行情况超出了其极限应用范围，则该设备会在很大程度上因为超负荷而出现故障。

（三）设备自身性能损耗。机电设备在运行过程中会因为内部和外部因素的影响而使其运行能力持续消耗，包括设备机械零部件的磨损、电子设备的老化等，这些因素使得设备的综合能力开始下降，最终出现各种类型的生产故障。

二、矿山机电设备的故障诊断

（一）设备故障诊断的方法。在通常情况下，设备故障诊断属于一种防护措施，是在不影响基本生产流程的情况下判断该设备各个部分的参数是否处于最佳的应用状态中。在诊断中，通过使用精密设备获得被检测机电设备的运行数据，确定其是否适合运行，是否发挥其正常的功能，是否存在出现损坏的因素等。若发现异常，则分析导致该异常的主要原因、损坏程度有多大、是否能够继续使用，并根据其实际受损程度判断其继续使用的时间。

（二）设备故障诊断的原理。所谓设备故障主要是指设备因为零部件受损或者在使用过程中因为不同因素的影响。这时，一旦出现故障，这些参数的变化将直接作用于设备的零部件，使得其发生物理变化，导致零部件的性能也随之出现变化，这种变化就是所谓的特征因子。这些特征因子可以精确的反映机械系统的实际故障状态，因此也被称作为故障敏感因子，只有这些故障敏感因子处于正常的阈值范围内时，设备才不会出现故障。故障诊断技术就是监测这些敏感因子，一旦矿山设备的故障敏感因子超出了阈值范围，就要发出告警。

三、故障诊断技术在矿山机电设备维修中的具体应用

（一）故障历史记录诊断方法的应用。当机电设备出现故障时，应该及时的分析导致该设备出现故障的相关原因，分析哪些是造成故障的主要因素。这是基于矿山机电设备组成原理而采取的一种典型故障诊断方法。当设备出现故障时，必须分析造成故障的因素，检查设备运行过程，获得最终的分析结果，并将这些结果进行归纳总结，形成一个该类型设备的故障诊断手册。在设备的后续运行过程中，当设备再次出现故障使，就可以根据典型的故障类型判断导致故障的原因，对故障进行针对性的处理、维修。

（二）温度、压力监测诊断方法的应用。矿山机电设备中大量使用摩擦副、轴承和齿轮传动箱等机械设备，在这些部位设置温度、压力传感器可以实现对这些关键零部件运行状态的在线监测。通过连续对这些部位进行监测、记录相关数据的历史变化情况，可以快速、直观、准确的反应出机电设备的实际运行状态，还能够预测其运行状态变化趋势，从而为设备的维修提供可靠依据。温度、压力是矿山机电设备需要检测的典型参数，能够正确、精确的反映设备的真实工作状态。

（三）智能诊断方法的应用。智能诊断方法就是通过系统控制的方式，模拟人脑特征，能够快速的获得机电设备的故障信息，并及时的进行传递、处理、再生及应用，通过与系统配合还能够实现设备运行状态的实时监测和预测，为机电设备及系统的运行、维修提供可靠的数据参考。

智能诊断方法包括模糊诊断法、灰色系统诊断法、专家系统、神经网络诊断方法等。当前，智能故障诊断领域中最为活跃的方法是专家系统和神经网络方法，这两种方法在矿山机电设备故障诊断中具有较大的应用潜力。这主要是因为矿山机电设备的故障一般具有较强的复杂性和隐蔽性，使用传统的故障诊断方法难以精确、快速的对故障进行定位和分析，而通过应用专家系统或者神经网络，能够模拟人脑思维方式，根据反馈的故障信息快速的进行分析和求解，获得可靠的分析结果。

参考文献：

小波神经网络在航空发动机故障诊断中的应用篇12

随着现代工业生产的规模化和自动化, 设备监测与故障诊断技术越来越受到重视。实际生产中由于产生故障不能及时发现和处理, 其结果不仅导致机器设备损伤, 甚至可能由于人工在线出现人身安全的危害。在企业的连续生产系统中, 如果关键设备出现故障而中止运行时, 往往会涉及整条连续生产设备的的正常生产, 造成巨大的经济损失[1]。

故障诊断的主要3个环节是信号监测与采集、信号分析与处理、状态识别与诊断。而故障诊断的关键问题是对监测信号的特征提取, 即对监测信号进行信号处理, 获取反映状态特征的信息。针对多数工业设备的多工况、瞬态性、冲击性等工作过程而产生了非平稳信号特性, 小波分析 (Wavelet Analysis) 在故障诊断中的应用越来越多[2]。

1小波分析的产生及其发展历程

小波变换的发展过程大致分3个阶段[3]。1910年Alfred Haar利用伸缩平移思想构造了第一个规范正交小波基[4], 即Haar系。1984年法国地球物理学家J.Morlet在分析地震数据时提出, 将地震波按一个确定函数的伸缩、平移系展开, 与.Grossman共同研究, 发展了连续小波变换的几何体系[5]。

1986年著名数学家Y.Meyer偶然构造出一个真正的小波基, 并与S.Mallat合作建立了构造小波基的同样的方法及其多尺度分析之后, 小波分析才开始蓬勃发展起来[6]。其中比利时女数学家I.Daubechies撰写的《小波十讲 (Ten Lectures on Wavelets) 》对小波的普及起了重要的推动作用[7]。它与Fourier变换、窗口Fourier变换 (Gabor变换) 相比, 这是一个时间和频率的局域变换, 因而能有效的从信号中提取信息, 通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析 (Multiscale Analysis) , 解决了Fourier变换不能解决的许多困难问题, 从而小波变化被誉为"数学显微镜"。之后, P.Lemarie和G.Battle也分别独立地构造具有指衰减的光滑小波, 其伸缩平移产生的函数系构成L2 (R) 的标准正交基。1989年S.Mallat将计算机视觉领域内的多尺度分析思想引入到小波分析中, 提出多分辩分析的概念[8], 用多分辨分析来定义小波, 从尺度函数出发构造出了小波正交基, 为此他荣获了1990年度IEEE的论文奖。同时, S.Mallat还在多分辨分析的基础上, 给出了离散小波的数值算法, 即Mallat塔式算法[9]。Daubechies从离散滤波器迭代方法出发构造出具有有限支撑的正交小波基和对称的双正交小波, 为以后正交小波的构造设定了框架[10]。随后他又撰写了长篇综述[11]。对小波理论的发展起到了进一步的促进作用。

1992年, Coifman推广了Mallat的塔形算法, 提出一种具有信号自适应特性的小波包概念算法构成一种更精细的分解方法[12]。1993年, Newland D E.提出了谐波小波的概念, 谐波小波不但实现算法简单而且具有良好的相位定位能力[13]。二进小波与谐波小波的结合, 将给机械振动信号的分析提供极大的方便。Sweldens W.在1994年首次提出第二代小波变换的概念[14]。这是一种不依赖傅里叶变换, 借助提升算法可以改善小波性能, 获得期望的小波函数这种小波变换可以完全重构[14]。Donoho等人在1999年也提出了脊波 (ridgelet) 与曲波 (curvelet) 理论[15]。文[16]提出了消除频带错位的移频算法, 分析效果优于经典的排序法, 基于振动信号的小波移频算法也被应用于机械故障诊断中[17,18]。

现在, 小波分析技术在信号处理、图像处理、语音分析、模式识别、量子物理、生物医学工程、计算机视觉、故障诊断及众多非线性科学领域都有广泛的应用[2]。

2小波分析理论

函数空间L (2R) 中, 小波母函数ψ (x) 满足式 (1) 。

小波母函数ψ (x) 生成的依赖于伸缩因子a和平移因子b的连续小波函数为式 (2) 。

其中非零实参数a将小波母函数作伸缩变换, 称为伸缩因子;实参数b反映小波母函数在变换中的位移, 称为平移因子。

对信号 (fx) 的连续小波变换则定义为式 (3) ~ (6) 。

逆变换 (恢复信号或重构信号) 为式 (4) 。

信号 (fx) 的离散小波变换为式 (5) 。

逆变换 (恢复信号或重构信号) 为式 (6) , 式中C是一个与信号无关的常数。

3小波分析在故障诊断中的应用进展

3.1基于小波信号分析的故障诊断[19]

小波分析直接进行故障诊断是属于故障诊断方法中的信号处理法。这一方法的优点是可以回避被诊断对象的数学模型, 这对于那些难以建立解析数学模型的诊断对象是非常有用的。具体可分为4种方法。

(1) 利用观测信号的奇异性进行故障诊断。动态系统的故障通常会导致系统的观测信号发生奇异变化, 可以直接利用小波变换检测观测信号的奇异点, 从而实现对系统的检测。比如根据输油管泄漏造成的压力信号突变的特点, 用小波变换检测这些突变点, 实现输油管道的泄漏点诊断[20]。

(2) 利用观测信号频率结构变化进行故障诊断。系统故障由于产生的原因不同, 通常具有不同的频率特征。利用小波变换尺度与频率的对应关系, 分析观测信号的频率结构特点, 可以有效地检测系统的故障。利用该方法实现对某一电网上不同故障的区分[21]。

(3) 利用脉冲响应函数的小波变换的进行故障诊断。系统故障导致的系统脉冲响应函数的变化也必然反映在这少数几个小波变换系数的变化中。以系统的状态为参照, 根据系统待检状态下辨识得到的这几个元素或者其平均值随时间的变化情况就可以判断有无故障。

(4) 利用小波变换去噪提取系统波形特征进行故障诊断。小波变换可以看作一个带通滤波器, 从而可以对信号进行滤波。利用去噪后的信号可以直接对系统进行故障诊断, 也可利用此信号进行残差分析。通过去噪获得系统输出信号来进行故障诊断, 方法比较简单, 但对故障的判断受限于观测人员自身的经验。

3.2基于小波和神经网络的故障诊断

小波分析与神经网络的结合有2种途径, 一是用小波分析对故障信号进行预处理, 即以小波空间作为模式识别的特征空间, 通过将小波基与信号的内积进行加权来实现信号的特征提取, 然后再利用常规神经网络作为分类器, 对故障进行模式分类, 这是松散型小波神经网络[22,23]。二是把小波变换与神经网络直接融合, 即用小波函数或尺度函数直接作为神经元的激励函数, 充分继承两者的优点, 这就是紧致型小波神经网络, 通常简称为小波网络。

3.3小波分析与混沌理论相结合的故障诊断[24]

先将待测信号进行小波滤波的预处理, 从采集得到的信号中提取感兴趣的那部分信号成分、削弱干扰信号的影响, 其主要目的就是有选择地滤除采集信号中的噪声或者其他成分、抑制干扰噪声、分离频率分量, 保留需要检测的特征信号的频率成分。再将处理后的信号引入到混沌振子系统中, 使其作为混沌系统周期策动力的一部分, 由于混沌振子系统对噪声具有一定的免疫能力, 且只对与本身策动力频率相同的周期信号极为敏感, 即使微弱特征信号的幅值很小, 也会促使混动系统发生本质的改变, 最后根据输出的波形图进行故障识别[25]。

3.4基于小波分析和分形理论相结合的故障诊断

运用小波分析对初始特征振动信号进行降噪处理和小波多分辨率分解, 小波包分解处理分析故障状态的不同特征, 进行定性的故障诊断, 计算所得信号的分形维数量化故障特征, 进行定量的故障诊断, 实现故障类型的判别及确定故障的敏感频带[26]。

3.5小波分析在故障诊断应用中的其他方法

除上面方法外, 小波分析在故障诊断中的应用还有其他一些方法。如小波分析与数据挖掘相结合的故障诊断方法、小波分析与模糊逻辑理论相结合的故障诊断[27]、小波分析与模式识别相结合的故障诊断, 甚至还有上述多种方法的组合, 如小波分析、神经网络和专家系统的组合, 小波分析、神经网络和粗糙集的组合等, 小波分析、模糊系统和神经网络相结合[28], 文献[29]提出了利用小波分析与粗糙集理论、神经网络相结合的信号处理方法, 实现对癫痫病的诊断分析。

4展望与结论

小波分析在故障诊断中的应用还处于正在研究中, 迄今还存在许多有待解决的问题[30,31,32]。

(1) 在理论基础研究方面。函数空间的刻画, 基数插值小波, 高维小波, 向量小波, 框架的研究还需进一步的深入。最优小波基的选取原则, 缺乏系统规范的方法。

(2) 在应用研究方面。仿真和实验对小波分析是重要的, 且取得了丰硕的成果。如何让仿真和实验结果走出实验室, 向人们提供具有实用价值的小波分析技术, 开发以小波作为工具的高水平分析软件将吸引更多学者来进行研究。

(3) 与其他理论的结合。小波分析与神经网络、模糊数学等方法相结合后, 形成小波神经网络、小波模糊神经网络方法, 是分析非平稳、非线性问题的理想手段, 并已取得了一些可喜的成果。小波分析本身是一门交叉学科, 将小波分析与其他理论的结合运用是今后小波分析技术发展的必然趋势。

摘要：小波分析发展过程和小波分析理论的基本内容, 在故障诊断中的研究进展以及应用方法。提出小波理论有待解决的一些问题, 展望小波分析理论的发展趋势。

小波神经网络在航空发动机故障诊断中的应用篇13

提升小波变换继承了经典小波多分辨率特性,变换在时域进行,可以实现原地运算,占用空间小,易于逆变换[10,11]。同样数据长度下,提升小波的变换速度至少比经典小波快一倍[12]。因此更适合复杂信号的在线处理,尤其适用于资源有限的嵌入式系统。文献[13]将提升小波包变换引入旋转机械故障诊断,并成功地应用于滚动轴承试验台故障诊断。目前,在发动振动信号分析方面还没有相关报道。

首先建立内燃机在线故障诊断模型,通过选择合适的小波进行提升小波包变换,使故障状态特征表现更加明显和稳定,最后采用支持向量机进行分类,形成了一套简单实用的内燃机故障诊断方案。

1内燃机故障诊断模型

某特种内燃机,工作环境复杂,对其保障维修要求高,为提高维修反应时间,建立在线故障诊断模型,其工作流程如图1所示。

数据采集前端与现场诊断中心均由嵌入式系统实现,数据采集前端采集数据后,通过提升小波变换,进行就地特征提取,以减轻数据通信量,并减轻现场诊断中心的数据处理负担,然后将特征向量发送给现场诊断中心,进行状态分类,并输出诊断结果。这种分级诊断策略,可以完成现场多设备的在线故障诊断。

2 提升小波包变换

小波包变换是在多分辨分析的基础上构成的一种更精细的正交分解方法,在全频带对信号进行多层次的频带划分,继续对小波变换没有分解的高频频带进一步分解,提高了频率分辨率,特别适用于处理中高频信息丰富的信号。

2.1 经典小波包变换的定义

设{hn},{gn},n∈Z,且gn =(-1)nh1-n,hn是正交尺度函数φ(t)对应的正交低通实系数滤波器,gn是正交小波函数ψ(t)对应的高通滤波器,则它们满足

式(1)和式(2)称为双尺度方程。

记u0=φ(t),u1=ψ(t),则小波包递归定义为

由式(3)得到的函数集{un}称为由正交函数u0=φ确定的小波包。

2.2 提升小波包变换与移频算法

任意一个基于有限长度滤波器的经典小波变换,可以由奇偶分裂,经过若干次交替的预测和更新,再经过奇偶续列的修正,可得到与基于Mallat算法的经典小波一级变换相同的分解结果[12]。

基于插补细分的提升小波(N,undefined)[11],提升小波包的分解算法

将第j层第n个结点系数奇偶分裂为doundefined,deundefined

经典小波的提升实现,是经过若干个如式(4)中更新与提升过程,最后将奇偶列修正得到。

小波包的分解过程是逐层隔点采样进行的,即每层分解,采样率会降低1/2,这种重采样会造成高频成分频率混叠,文献[14]讨论了经典小波包变换的频率混叠问题,并给出了移频算法,现将该算法引入提升小波包变换,则式(4)变为

例如,db1小波包的一种提升实现,整理后的各层系数

设信号{x[i]},i=0,1,2,…,2N-1-1,N∈Z,经小波包分解后,将第(j,n)结点的系数记为{dundefined[l]},l=0,1,2,…,2N-j-1-1,定义[13]

在第j层可得特征向量

3 特征提取与分析

从在线诊断需求角度,希望选择支集小的小波,以减小运算量,提高运算速度。对同一信号选择不同小波包,可以得到不同的分解结果。研究发现,对发动机缸盖振动信号,小支集的差补细分小波分解会带来较严重能量偏移,使能量向高频聚集,给分析带来困难,并且这种差异对支集调节不敏感,要得到理想的分析结果,要选择较大的支集[13]。db小波包变换能客观反应原信号各频带的实际能量分布,db1小波提升方案运算量小,故选择式(6)进行提升小波包变换。

某特种发动机,对缸盖振动信号进行整工作循环(720o)等角度采样,采样频率为2048点/周,进行提升小波包三层分解,求取特征向量。以正常状态与单缸失火两种状态为例,原信号如图2(a)和图2(d)所示,对应特征向量如图2(b)和图2(e)所示,其能量在第三频带差异最大,对第三频带进行Hilbert包络谱分析(图2(c)和图2(f)),可以看出其能量差异集中体现在特定频率段。不同状态引起其对应特征频率能量的变化,进一步引起了各频带相对能量的变化,使其特征向量与其它状态的特征向量相区别,这是利用相对能量特征向量进行故障诊断的本质,实验证明,这种变化可以体现在几个频带,但不同状态特征向量的差异呈现出规律性。

4 应用实例

以某特种发动机为例,等角度采集如表2中7种状态的缸盖振动信号,采样频率为2048点/周。采用式(8)进行提升小波包三层分解,求得特征向量。为便于比较,采用文献[9]中的方法构造“one against one”支持向量机多故障分类器进行分类。

采用7种状态的各10个样本,共70个样本数进训练,然后用各状态的20个样本共140个样本进行测试(见表1),误分率为3.57%,用训练样本和测试样本一起进行测试,误分率为2.86%,取得了满意了分类效果。

用本文方法重复文献[9]中6种状态数据采集,特征提取与故障分类,用每类5个共30个样本进行训练,另用60个已知类的特征向量进行测试,误分率为3.33%,明显好于文献中9.09%的测试结果,分析原因,可能是降噪环节滤除了一定有用信息。

5 结论

(1)等角度完整周期采样实现了数据获取分析与内燃机运行状态同步,使特征频率在全频带内位置相对稳定。

(2) 小波包的选择,对数据分解结果影响较大,要得到理想的分解结果,首先要选择合适的小波包。

(3) 通过提升小波包分解对等角度采样内燃机缸盖信号进行分解,可以获得对应于发动机不同状态的稳定特征向量。

(4) 不同运行状态对应特征向量的差异可能分布在几个频带上,但呈现出规律性。

(5) 数据采集与特征提取环节是故障诊断的重要环节,可以直接影响分类结果。

小波神经网络在航空发动机故障诊断中的应用篇14

关键词：示波器；汽车电控制系统；故障诊断；电子设备；汽车维修文献标识码：A

中图分类号：U472 文章编号：1009-2374（2015）25-0051-02 DOI：10.13535/j.cnki.11-4406/n.2015.25.026

近几年来，随着我国经济飞速发展，汽车在我们的生活中扮演的角色日益重要，与此同时我国汽车这一行业快速发展，大大促进了我国电子类设备的数量逐渐增加。如今现代化汽车的维修相关工作，主要是机电一体化相关的维修，早已经不是很久以前的单纯进行机械类的修理。因此汽车的示波器这一设备的出现大大提高了我国现代汽车的相关修理技术，令维修人员可以快速找出汽车的故障。本文主要围绕在汽车的电控制系统进行故障的诊断时示波器相关的应用来展开探究。

1 示波器介绍

示波器可以测量电路中的电压或者电流相关波动的情况，可以实时反映器件相应工作的情况。我们在电路的分析中通常利用它来测出输入和输出相关波形，并且通过观察者的分析和研究，可以得出其电路的性能相关状况以及疑问位置。

1.1 示波器的种类

示波器的种类基本为模拟类示波器、手持式示波器、数字示波器、虚拟类示波器、混合类示波器。

1.2 示波器的基本结构框图

示波器的基本结构框图如图1所示：

图1 示波器的基本结构框图

1.3 汽车示波器的作用

汽车修理相关技术人员可以通过示波器来快速地判断其汽车的电子类设备的故障，示波器的功能是普通万用表所无法进行比拟的。和普通万用表相比，汽车示波器关于故障的相关描述更加精确，在一般情况下，普通万用表只能利用个别的电参数得出电信号存在的相关特性，通过对比得出，示波器能够利用其电压伴随时间产生的变化相应图形反映出电信号，所以利用示波器来显示相关电信号会比普通万用表更加形象和准确。而且对于相关汽车的电子类设备相应信号而言，它变化的相关速率是非常快速的，根据统计得出，它的变化周期只是千分之一秒，在一般的情况之下，测试类仪器相应扫描的速度为测试的信号速度的5～10倍，与此同时其大部分相关故障的信号不是连续的，会时而出现，时而消失，所以对仪器相关测试的速度提出的要求更加高了，要求它的速度必须要比故障的信号快。汽车的示波器就已经达到了这个特殊要求，其不仅可以迅速捕捉电路信号，还可以使速度放慢，详细地显示相关波形，令检测人员能够进行比较细致的观察和分析。与此同时，其还可以利用它的存储性功能来记录信号的波形，可以使检测的人员更方便地对记录来进行相应倒放，还可以对已经发生了的快速信号来进行相关观察和分析，因此示波器能够为检测人员在进行汽车故障的诊断的时候提供方便。无论是慢速的还是比较高速的信号，都可以利用示波器来进行相关观察和分析，并且都可以得到所需要波形的结果，我们可以将示波器比喻为尺子，其可以量度出计算机的系统相关工作的状态，与此同时还可以利用示波器观察研究汽车的电子化系统有无故障。

2 汽车示波器在故障诊断中的应用方式

在电子控制的故障相关诊断中，汽车的示波器主要有两种不同的应用方式，分别为：（1）对整个系统在运行时的状态进行分析，以此确定其整个系统在运行时的相关情况；（2）对某个特定电器以及电路相关故障进行分析，以此确定其整个系统在运行比较正常这一情况之下，其某个特定电器以及电路相关的故障。

2.1 系统运行情况分析（O2FB-氧反馈平衡方法）

诊断汽车修理的相关验证的过程即为氧传感器的平衡过程，在该过程中检测的技术人员能够把汽车示波器来连接到此传感器相关的电路之上，来对此传感器自身的相关工作的状态进行一些反映，再对波形来分析，然后进行下面两项工作：（1）要确定怎样进行相关电子与机械的针对性维修；（2）要在修复以后交车以前对燃料反馈控制相关系统来进行有关验证，以验证此汽车所出现相关故障已经完全排除。

在这个过程之中，我们可以利用此传感器相关反馈平衡的分析方法来对喷油不平衡、气缸压力、真空漏气和点火不良等问题来进行相关诊断，运用所掌握的氧反馈平衡技能，将有能力在实际中对汽车进行重新调整。在修复以后，利用检查波形来检测故障是否已经完全消除，因而氧传感器是汽车检验技术的变革。值得测试工作人员注意的是，掌握从氧传感器波形中分析故障的技能，需要通过不断的训练和丰富的实践经验。

2.2 电器电路故障分析

电器电路故障分析是比系统运行分析低一级的分析，进行电器电路故障分析有助于分析并验证某个特定电器电路是否出现故障问题。

在测量任一执行器或者传感器甚至电路的时候，都可以应用以下五种测量尺度进行判断，因而所有的汽车电子信号都必须具备下面五个可量度的参数指标，它们分别是：（1）幅值—信号的最高电压；（2）频率—信号循环的时间；（3）形状—信号外形的模样；（4）脉宽—信号占空比或者所占的时间；（5）阵列—信号重复的特性。

通過汽车的示波器，能够对上面五个判定的尺度来进行相关反映，其检测的人员通过观察分析此电子信号以上五个参数，即可以来对这个电子信号的相关波形的状态来进行分析，通过波形的分析，其检测人员可以进一步对电路之中的执行器和电路以及传感器等几部分的相关故障的状况来进行对应的检查，还可以被用作其修理之后的相关故障的结果来分析。

3 结语

伴随着我国汽车的高新类技术快速发展，其汽车的电子化控制的系统越来越复杂，这就要求相关汽车的维修的工作人员对汽车故障的诊断水平逐渐提高，而且熟练地掌握相关示波器对应故障的分析仪器详细使用的方法，这是汽车维修技术工作人员所必须掌握的一项专业技能。

参考文献

[1] 鲁植雄.汽车电喷发动机波形分析图解[M].南京：江苏科学技术出版社，2011.

[2] 朱军.电子控制发动机电路波形分析[M].北京：机械工业出版社，2013.

[3] 包尔慨.4G18（1.6L）汽油发动机电控系统波形分析和故障诊断研究[M].兰州：甘肃农业大学出版社，2007.

【小波神经网络在航空发动机故障诊断中的应用】推荐阅读：

颅脑术后并发应急性溃疡在神经外科的观察与护理论文07-17

bp神经网络05-30

神经教案09-07

神经网络期末课程论文07-21

神经外科医师语录05-29