基于小波_神经网络的矿用通风机故障诊断研究(3)

主讲神经网络的诊断方法

738

煤 炭 学 报

wlk=- , wlk=

lk

2004年第29卷

P

p=1

pwlk=

2

M

K

P

lkOpl.

p=1

将上式代入式(1)中,并取 E=0-E=-E,则

=

E

式中,P为故障样本总数.

这样学习率 完全由网络的系统总误差E、学习误差 ml, lk及各单元的输出值Opm,Opl决定.在实际训练中,网络将根据当时的运行参数自动改变学习率 ,无需人为调整,从而实现学习率的真正自适应,而且可以使网络的训练速度大为提高

[4]

m=1l=1

MLP

p=1

mlOpm

+

m=1k=1

P

p=1

lkOpl

,

.

3 诊断实例

图2为一轴流式通风机的5种典型故障的振动时域加速度信号(信号经

过小波除噪与零均值化处理).风机转轴旋转频率fr=12 5Hz,采样频率fs=1kHz,分析频率500Hz,采样长度为4096点.由旋转机械典型故障频率特征分析[5],可按频域空间的最优小波包分解[6]图2信号,表示为

d(0,0)=d(6,0)!d(6,1)!d(6,2)!d(6,3)!d(4,1)!d(3,1)!d(2,1)!d(1,1),

式中,d(0,0)为原始信号的频域空间,d(j,k)为第j层的第k个子频带. 按式(1)即可求得5组8维的能量特征向量,并以此作为图1所示的BP网络的输入样本.因此输入层的单元数M=8;输出层单元数K=8;隐层单元数L确定为5~14;初始权值与阈值的取值范围一般为0~1 0.而故障特征向量所对应的理想输出见表1.

表2为通风机BP网络训练过程中取样本总误差E=0 001,学习率 采用自适应学习算法时BP网络隐层单元数L随训练迭代次数的关系:节点数为5~14,对应的迭代次数分别为1244,920,736,571,459,362,457,782,984,1213.可以看出,隐层单元数L=10时效果最好,此时网络实际输出见表2.

表1 BP网络的理想输出Table1 IdealoutputofBPnetwork

风机的典型故障

不平衡 不对中 基础松动碰磨故障叶片故障

1 00000

典型故障对应的理想输出01 0000

001 000

0001 00

00001 0

图2 风机的5种典型

故障时域波形Fig 2 Timewaveoffivetypicalfaultsofventilator

(a)不平衡;(b)不对中;(c)基础松动;(d)碰磨故障;(e)叶片故障

表2 BP网络训练后的实际输出

Table2 TheactualoutputoftrainedBPnetwork

风机的典型故障

不平衡 不对中 基础松动碰磨故障叶片故障

0 9870 0050 0030 0070 002

典型故障对应的实际输出0 0040 9810 0080 0040 007

0 0020 0030 9890 0010 006

0 0060 0070 0050 9830 003

0 0080 0020 0090 0060 986

用图3所示的振动加速度信号进行验证所建立的风机3层BP故障诊断与识别网络的准确性和可靠性.

经小波包频道能量特征提取及BP网络训练后得到的识别结果y=[0 016,0 912,0 120,0 047,0 015]T.由BP网络对待识别样本进行识别的结果表明该振动信号为不对中故障.为验证该网络的识别结果,现对待检信号进行频谱分析.

3,