基于小波概率神经网络的旋转机械振动故障诊断技术

《基于小波概率神经网络的旋转机械振动故障诊断技术》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第33卷第6期核动力工程V_01．33．NO．620l2年12月NuclearPowerEngineeringDec．20l2文章编号：0258．0926(2012)06．0105．05基于小波概率神经网络的旋转机械振动故障诊断技术吴文杰，黄大贵电子科技大学机械电子工程学院，成都，611731摘要：利用小波分解提取故障特征，应用概率神经网络(PNN)诊断故障，提出一种基于小波PNN的信息融合故障诊断技术，并用MATLAB进行仿真验证。仿真验证表明：应用小波分解提取故障能量向量特征，具有很强的泛化能力和抗噪声干扰能力，适应转速频率结构的

2、动态变化范围宽，所需样本容量小；构建的PNN具有适应性好、抗噪声干扰能力强、分类诊断准确率高的特点。将两者融合构成小波PNN应用，可获得更佳的分类诊断效果，大大提高其故障诊断的泛化性、可靠性和准确率。关键词：概率神经网络；旋转机械；振动；故障诊断中图分类号：V263．6文献标志码：A1引言的变换用时-频窗口(高频用短窗，低频用长窗)，蒸汽轮机、燃气轮机等动力装置都具有旋转从不同尺度，以不同分辨率来观察和分析数据¨。机械的共同特征，而旋转机械的振动故障特征通小波变换是一个平方可积函数，)与一个在常是应用其转速频率谱的结构特征，即应用转速

3、时频域上特l生良好的小波函数(f)的内积：频率的基波、谐波、次谐波以及固有频率、宽带、边带和差频率等参数来描述。由于通过陕速傅里)=+QO’()出(1)叶变换(FFT)来提取功率谱特征的方法会受其式中，a为尺度因子，痧0；b为位移因子；表示平稳信号和时域局部性质的限制，而小波变换则共轭复数。具有实现多尺度分析的能力，因此更适合用于旋．6(f)为小波函数：转机械振动故障特征的提取。鉴于振动传感器测点位置和安装方式的不‰击a一t-ab]／，(2)同，测得的振动量大小往往也不相同，因此，用改变口值，对函数于提取的故障特征，宜采用相对于正常状

4、态下各．6)具有伸展(a>1)或收缩(a<1)的作用；改变b值，则会影响函数频率分量的振动能量比值相对变化来表示。本文g(围绕b的分析结果。(，)称为“母小波”，必针对此问题开展对该方法的泛化能力、抗强噪声须满足的条件为：动态干扰能力等方面的研究，通过优化选择与比较，提出一种基于小波分解提取故障能量向量特+co+j『c㈩征与概率神经网络(PNN)进行诊断的信息融合故障诊断方法。式中，)是)的傅里叶变换；C

5、叶分析中通常存j【m(4)在的时间分辨率和频率分辨率的矛盾，能以可调b=nboa~'收稿日期：2011-06．16；修回日期：2011-11-15核动力1：程V．0l-33．N0．6．2Ol2信弓输人小波分解故障向蟊故障诊断式中，m、为整数；a、b。分别为大于1和0的常数，其值的选取与(f)的具体形式有关。离散小波函数为：l(，)=一~o(aof—nb0)(5)．√口相应的离散小波变换表达式为：+∞．(，)=Ig(f)，(t)dt(6)式中，当a。=2、bo=l时的离散小波变换为二进图2一种故障诊断用小波PNN结构离散小波变换。Fig

6、．2FaultDiagnosisUsingWaveletPNN在妒(f—)内标准正交基条件下，经过推导可对原始信号逐层进行小波系数的分解。一维离散征、频域特征和时．频域特征3类。具有如转子不平衡、不对中、轴承座连接松动、转动件与静子时间序列(的小波5层分解特性如图1所示。件的碰撞摩擦、滚动主轴承故障、传动齿轮故障、图l中，为低频粗糙部分，D为高频细节部分，油膜振荡、工作叶片裂纹、结构共振等主要故障下标的序号为小波分解的层数，经5层小波分解后，可得到l0个小波分解系数和D的序列。类型。文献I3】列出了旋转机械的各种振动故障类型与相应频谱

7、分量特征，经综合后的部分举例见表l。由表l可见，一种故障类型可能对应有多种频率分量特征，同样一种频率分量特征可反映出多种不同故障类型，充分说明了旋转机械振动故障诊断与特征提取的复杂性。图l小波对时序列信号x(f)的5层分解Fig．15-LayerWaveletDecompositionofSerialSignalx(04故障特征提取与仿真验证2．2PNN4．1时序模拟故障样本PNN是一种利用径向基神经元和竞争神经设转子的转速为，．，则转速频率．=r／60。元共同组建的2层网。网络输出为表示概率若谐波阶次为m，白噪声为(f)，与转速无关

8、谐的向量，与前馈网络(BP)相比，具有训练速度波分量为(D，采样频率为，样本时间长度为快、抗噪声干扰能力强、分类诊断准确率高等特t。则模拟的相应时序波形为：点，很适合模式分类问题的研究与诊断应用。)：'jsin(2删t+