改进LMD-分解和RBF神经网络的柴油机故障诊断研究

中国测试CHINAMEASUREMENT&TESTVol.42No.3March，2016第42卷第3期2016年3月改进LMD分解和RBF神经网络的柴油机故障诊断研究李会龙袁崔宝珍袁马恺袁王珊袁滕绯虎（中北大学机械与动力工程学院，山西太原030051）摘要院柴油机作为大型机械的核心动力部件袁其运行状态的监测和诊断尤为重要袁但由于其工作环境复杂袁振动信号包含大量噪声袁所以特征向量难以有效提取袁严重制约柴油机的故障诊断技术遥该文将传统局域均值分解进行改进并将其与小波降噪相结合对原始振动信号进行降噪处理袁并且利用改进局域均值分解法提取特征向量袁最后应用径向基渊RBF冤神经网络进行故障识别遥在实验中袁采集4种故障工况和1种正常工况下的振动信号袁利用上述方法完成对5种工况下的诊断袁正确率达到95%遥实验结果表明院该方法较改进前有明显进步袁能有效诊断发动机故障袁并且具有较高的正确率和较强的实用价值遥关键词院柴油机故障诊断；局域均值分解；小波分解；RBF神经网络文献标志码院A文章编号院1674-5124渊2016冤03-0103-06DieselenginefaultdiagnosisbasedonimprovedLMDandRBFneuralnetworkLIHuilong，CUIBaozhen，MAKai，WANGShan，TENGFeihu（SchoolofMachanicalandPowerEngineering，NorthUniversityofChina，Taiyuan030051，China）Abstract:Dieselenginesarecorepowerunitsoflargemachineryandsomonitoringanddiagnosingtheiroperationconditionsbecomeparticularlyimportant.Thisisbecausetheworkingenvironmentiscomplicatedandvibrationsignalsoftencontainmuchnoise，whichmakefeaturevectorsdifficulttoextract，thusseriouslyrestrictingtheapplicationoffaultdiagnosistechnology.Therefore，traditionallocalmeandecompositionisimprovedandcombineswithwaveletde-noisingtechnologytoreducethenoiseoforiginalvibrationsignals.TheimprovedmethodisusedtoextractfeaturevectorsatthesametimeandaRBFneuralnetworkisemployedtoidentifydieselenginefaults.Inexperiments，thevibrationsignalsunder4faultcasesand1normalcasearecollectedanddiagnosedwiththisnewmethod，andthediagnosticaccuracyisupto95%.Experimentalresultsshowthattheproposedmethodismorepracticalandaccuratethantraditionalmethods.Keywords:dieselenginefaultdiagnosis；LMD；waveletdecomposition；RBFneuralnetwork收稿日期院2015-07-20曰收到修改稿日期院2015-09-10作者简介院李会龙（1989-），男，河北邯郸市人，硕士研究生，专业方向为故障诊断方法研究、机械结构优化。doi院10.11857/j.issn.1674-5124.2016.03.0240引言随着现代化工业的不断发展袁柴油机作为动力设备已广泛用于汽车尧船舶尧工程机械尧农业机械和矿山机械等领域袁在社会生产和生活中发挥着重要作用[1-2]遥由于柴油机结构复杂袁零部件繁多袁工作环境恶劣袁所以柴油机相对其他机械部件而言发生故障的可能性更大遥当柴油机发生故障时袁不仅会影响到生产中整套设备的运行袁而且严重时会引发重大事故袁造成经济损失尧危害到员工生命安全遥因此袁对柴中国测试2016年3月油机工作状态进行监测和诊断以便及时采取有效应对措施十分必要遥针对柴油机的故障诊断袁杨月[3]将粒子滤波与支持向量机相结合对柴油机故障进行了诊断曰柴艳有[4]从核学习的角度对船舶柴油机故障进行了研究曰别锋锋等[5]利用EEMD近似熵对柴油机的传动机构故障进行了诊断曰李敏通[6]在柴油机振动信号特征提取方面做了大量研究曰郭刚祥[7]初步利用局域值分解对柴油机的故障进行可研究诊断等等遥国内虽然做了大量研究袁但仍然存在诊断方法不可靠袁正确率较低等弊端袁鉴于此袁在国内外大量研究的基础上袁本文利用改进局域均值分解和RBF神经网络相结合的方法对实验获得的柴油机振动信号进行特征提取与故障识别袁并最终得到了很好的诊断结果袁不仅具有理论意义袁更具有一定的实用价值遥1LMD分解和RBF神经网络理论1.1局域均值分解1.1.1基本原理局域均值分解渊localmeandecomposition袁LMD冤是一种新的自适应非平稳信号的时频分析方法[8]遥它通过对原始信号进行分解袁可以得到一系列包络信号和纯调频信号袁而每个包络信号与每个调频信号乘积得到一个PF分量遥对于任意给定信号x渊t冤袁LMD分解步骤如下[9-10]院1冤利用信号x渊t冤的所有局部极值点组成局部均值函数m11渊t冤和包络函数a11渊t冤袁并分离出局部均值函数m11渊t冤袁得到院h11渊t冤=x渊t冤-m11渊t冤渊1冤式中的下标表示包络信号顺序和迭代顺序遥2冤解调h11渊t冤得到院s11渊t冤=h11渊t冤/a11渊t冤渊2冤理想状况下袁s11渊t冤应该为纯调频信号袁即局域包络函数a12渊t冤满足a12渊t冤=1遥如果a12渊t冤屹1袁即s11渊t冤没有达到要求袁则将s11渊t冤作为原始数据再次进行上述步骤操作袁以最终使s11渊t冤成为纯调频信号袁而此时局域包络函数a1渊n+1冤渊t冤满足等式a1渊n+1冤渊t冤=1遥3冤PF分量的包络信号是由迭代过程中得到的所有局域包络函数相乘得到袁即院a1渊t冤=a11渊t冤a12渊t冤噎a1n渊t冤=nq=1仪a1q渊t冤渊3冤4冤第1个PF分量是由包络信号a1渊t冤与纯调频信号s1n渊t冤乘积运算得到的袁即院PF1=a1渊t冤窑s1n渊t冤渊4冤PF1的幅值为a1渊t冤袁瞬时频率f1渊t冤可直接由s1n渊t冤求得袁即院f1渊t冤=12仔d[arccos渊s1n渊t冤冤]dt渊5冤5冤从x渊t冤中将PF1分量分离以获取新的信号u1渊t冤袁接着将其作为原始信号进行k次上述步骤循环袁最后形成1个单调信号uk渊t冤袁即院u1渊t冤=x渊t冤-PF1渊t冤u2渊t冤=u1渊t冤-PF2渊t冤噎uk渊t冤=uk-1渊t冤-PFk渊t冤渊6冤6冤经上述步骤袁信号x渊t冤最终被分解为k个PF分量和1个单调信号uk渊t冤袁即院x渊t冤=kp=1移PFp渊t冤+uk渊t冤渊7冤1.1.2改进局域均值分解在柴油机的这类非平稳振动信号处理过程中袁局域均值包络函数在信号的端点处均存在一段未知的虚假信号袁假如对此置之不理或者处理方法不恰当袁那结果会在程序运行时自动给这部分端点信号添加一些虚假信息袁这不仅增加计算量袁而且会产生许多不必要甚至很严重的误差袁从而对LMD分解产生影响遥针对此项缺陷袁文章提出一种将衰减极值点延拓法应用到LMD分解的算法袁以满足对端点效应的处理要求遥衰减延拓法作用在端点信号时袁对端点做极值的延拓袁当端点信号有明显衰减趋势时袁该方法遵循其信号端点附近衰减或反向衰减趋势进行延拓曰按延拓方向可以分为左延拓和右延拓袁现在以左延拓来说明该方法袁需要延拓原始信号x渊t冤袁第1个极小值点记为x1袁第2个极小值点记为x2袁幅值分别为y渊x1冤尧y渊x2冤遥极大值点分别为x1忆尧x2忆袁幅值分别为y渊x1忆冤尧y渊x2忆冤遥利用中值定理袁延拓极小值横坐标院x軃=2x1-x2延拓极小值纵坐标院y渊x冤=2y渊x1冤-y渊x2冤延拓极大值横坐标院x軃忆=2x1忆-x2忆延拓极大值纵坐标院y渊x軃忆冤=2y渊x1忆冤-y渊x2忆冤根据实际信号的端点位置及其大小确定当前延拓点是极大值还是极小值袁当延拓未到信号原点时重复进行上述过程遥如图1所示为左延拓的示意图遥1.2RBF神经网络RBF神经网络结构包括3层院第1层称为输入层袁为各信号源的节点曰第2层称为隐含层袁隐含单104第42卷第3期元数目根据具体问题需要确定袁其变换函数为RBF函数[11-12]曰第3层为输出层袁根据输入的模式做出相应的响应遥由于输入到输出的映射是非线性的袁然而隐含层空间到输出空间的映射是线性的袁从而可以大幅度加快学习速度并避免局部极小问题[13]遥RBF神经网络结构图如图2所示遥第i个神经元的输入为kiq=j移渊w1ji-xjq冤2姨伊b1i渊8冤第i个神经元的输出为riq=exp渊-渊kiq冤2冤=exp渊-渊椰w1i-xq椰伊b1i冤2冤渊9冤将各隐含层神经元的输出值叠加之和作为最后输出层的输入遥因为激励函数为线性函数袁则最终的输出为yq=ni=1移ri伊w2i渊10冤与BP渊概率冤神经网络相比袁RBF神经网络优点有院1冤训练时间较短曰2冤非线性映射能力强和故障识别准确度高[14]曰3冤可以以任意准确度逼近任意连续函数[15]遥2柴油机故障诊断2.1实验设计实验对象为某V12柴油机袁故障设置为G1-左1缸喷油泵渗漏尧G2-右6缸断油尧G3-供油提前角增大2.5毅尧G4-空气滤清器堵塞曰信号采集装置有压电式加速度传感器尧电荷放大器尧DASP数据采集仪及笔记本电脑等遥实验中采集正常状态尧故障G1尧故障G2尧故障G3和故障G45种工况下柴油机转速1500r/min袁采样频率40kHz袁左1缸缸盖罩的振动信号数据遥柴油机故障诊断的流程图如图3所示遥2.2振动信号降噪处理采集到的柴油机振动信号中夹杂着大量的噪声袁这影响到后期特征值的有效提取袁进而会影响到故障识别的正确率袁甚至产生误诊遥因此袁需对信号进行降噪处理以获取如实反映柴油机工作状况的有用信息遥如图4和图5为柴油机在故障G1和故障左左移rqnw2qyqxqmw1mqw111xq1xq2rq2rq1w21图2RBF神经网络结构图RBF神经网络故障识别特征值提取改进LMD分解信号降噪振动信号获取图3柴油机故障诊断流程图图4柴油机故障G1-左1缸喷油泵渗漏时振动信号降噪前后对比图渊a冤降噪前信号4002000-200-40000.010.020.030.040.050.060.070.08时间/s渊b冤降噪后信号00.010.020.030.040.050.060.070.08时间/s4002000-20000.010.020.030.040.050.060.070.08时间/s2000-200-400渊a冤降噪前信号渊b冤降噪后信号00.010.020.030.040.050.060.070.08时间/s-200-1000100200图5柴油机故障G4-空气滤清器堵塞时振动信号降噪前后对比图05001000150020002500数据点-0.03-0.02-0.0100.010.02x忆x忆1x忆2xx1x2图1延拓示意图李会龙等院改进LMD分解和RBF神经网络的柴油机故障诊断研究105中国测试2016年3月G4工况时袁利用基于改进的局域均值分解和小波降噪的信号降噪方法对在左1缸缸盖罩采集到的振动信号进行降噪前后的对比图遥2.3改进局域均值分解对降噪后的信号再次进行改进局域均值分解处理袁以便对其进行下一步的特征向量的提取遥图6和图7为柴油机在故障G1和故障G4工