基于小波包和BP神经网络的刚性罐道故障诊断.pdf

第 44卷 第 8 期 2018年 8 月 工矿自动化 Industry and Mine Automation Vol. 44 No. 8 Aug. 2018 文章编号671-251X201808-0076-05 DOI 10. 13272/j. issn. 1671-251x. 2018010051 基 于 小 波 包 和BP神 经 网 络 的 刚 性 罐 道 故 障 诊 断 马天兵， 王孝东， 杜菲， 陈南南 安黴理工大学机械工程学院， 安 黴 淮 南 232001 摘要针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题，以提高罐 道故障种类识别精度为目标， 提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提 升系统实验台， 模拟台阶突起故障和罐道接头故障这2 种典型的罐道故障， 采集提升容器振动加速度信号； 运用小波包分解对采集的信号进行能量分析并提取故障特征参数， 将故障特征参数作为BP神经网络的输 入 ， 并选取新的测试样本检测神经网络的诊断效果。测试结果表明， 基于小波包分析和BP神经网络的刚性 罐道故障诊断方法具有较高的故障识别精度， 置信度达到了 0. 91。 关键词 立井提升；刚性罐道；故障诊断； 故障种类识别；小波包； BP神经网络 中图分类号TD53 文献标志码A 网络出版地址 Gttp //kns. cnki. net/kcms/detail/32. 1627. TP. 20180724. 0936. 001. html Fault diagnosis of rigid cage guide based on wavelet packet and BP neural network MA Tianbing, WANG Xiaodong, DU Fei，CHEN Nannan School of Mechanical Engineering, Anhui University of Science and Technology， Huainan 232001， China Abstract In view of problems that existing fault diagnosis s of rigid cage guide could not eliminate influences of environmental factors and low rccognition rate of joint faults， a of fault diagnosis of rigid cage guide based on wavelet packet and BP neural network was proposed in order to improve accuracy of identification of fault types of rigid cage guide. Experimental plat of lifting system of vertical shaft was set up to simulate two typical fault types of rigid cage guide including step protrusion and joint failure， and vibration acceleration signal of lifting vessel was collected. Wavelet packet dccomposition was applied to carry out energy analysis and extract fault characteristic parameters. The fault characteristic parameters were taken as of BP neural network， and a new test sample was selected to detect diagnostic effect of the neural network. The experimental results show that the has high accuracy of fault identification， and the confidence level reaches to 0.91. Key words vertical shaft lifting； rigid cageguide; fault diagnosis; fault type identification; wavelet packet; BP neural network 收稿日期 2018-01-18;修回日期 2018-06-10;责任编辑 胡娴。 基金项目 国家自然科学基金项目（ 51305003;安徽省博士后基金项目（ 2017B172;安徽省高校自然科学研究重大项目（ K；2015ZD19;安徽理 工大学国家自然基金预研项目（ 2016yz004。 作者筒介马天兵（ 1981 ），男，安徽合肥人，教授， 博士， 主要研究方向为智能控制， E-mailfmtb 163. com。 引用格式马天兵，王孝东， 杜菲， 等. 基于小波包和BP神经网络的刚性罐道故障诊断工矿自动化， 2018,4486-80. MA TianbingWANG XiaodongDU Feiet al. Fautt diagnosis of rigid cage guide based on wavelet packet and BP neural network[J]. Industry and Mine Automation,2018，48 76-80. 2 0 1 8 年 第 8 期马 天 兵 等 基 于 小 波 包 和BP神 经 网 络 的 刚 性 罐 道 故 障 诊 断.77 〇 引言 矿井刚性罐道作为提升容器的导向及限位装 置 ， 是立井 系统的重 成部分。 障改 变了其与 器 常配合， 影响 性 器 济性， 严重故障 容器 或 ， 甚至引起钢丝 重大安 事故。 障诊断方法有几何测距法、 专业仪器法 和振动加速度测 。 方法属于 测 试 ， 精 济性较差。振动加速度测 属于 动态测试方法。目 于 障诊断方法的研究 有 KaczmarczykS等[1]建立了二自由度的提升容 器振动 计 算 和 仿 真 BP 网络 泛应用于模式 、 近、 分类 压缩等， 通过对不 信 而获得 映射关系[89]。 器故 障 振动信号 非平稳信号， 因此， 本文提 出 于小波包和BP 网 络 的 刚 性 [ 故 障诊 方 。 通过小波包分 得到不 式下 障特征参数， 将其作为 网络输入层， 选取不同实 验 网络 测试， 结果表 i 方 有较 障 精 。 1刚性罐道故障实验系统搭建 为模拟不同罐道故障下提升容器振动响应， 搭 建 如 图 1 所示 井 系统， 模拟了 如 图 2 所示 突起故障和图3 所示 障 2 种故 障形式， 障 采 集 30 。 速度为 0.18 m/ * 模拟不 障， 采集 器的 振动加速度信号。信号米集系统包括 INV3062T0 通 集仪、INV98362型三方向传感器 和 DASP软件。 击性台阶缺陷引起 f频 振动导致的冲击力频率在400 H z左右， 根据采样定 理 率 为 1 024 Hz。根据文献[3]， 将传 感器贴在提升容器顶部中心。 图1立井提升系统 Fig. 1 Shaft hoist system 图2台阶突起故障 Fig. 2 Step protrusion failure 图3罐道接头故障 Fig. 3 Joint failure of rigid cage guide 不 障激励下， 器振动响应时 域波形会发生变化， 障激励下 器振 动响应的波形也会发生 变化， 故不 响应 波形 障类型。考虑到 器振动信号为典 非平稳信号， 可借助具有 分 力的小 波包 障特征 。 0刚性罐道故障诊断 2.1 小波包分解与重构 对无故障、 台阶突起故障和罐道接头故障3 种 . 78 .工 矿 自 动 化2 0 1 8 年 第 4 4 卷 原始信号（ 无故障） b 降噪后的信号（ 无故障） 0 200 400 600 800 1 000 采样点数 d 降噪后的信号（ 台阶凸起故障） 0 200 400 600 800 1 000 采样点数 “ 原始信号（ 台阶凸起故障） “ 原始信号（ 罐道接头故障） 图4不同模式下的原始信号与经小波包降噪后的信号 Fig. 4 Original signal and noise-reduced signal by wavelet packet in different modes 振动信号进行小波包降噪。不同模式下原始信号与 降噪后的信号如图4 所 示 ， 不同状态下的信号频谱 如 图 5 所示。采 用 db2 小 波 与 Shannon熵对降噪 后 的 各 种 提 升 容 器 振 动 信 号 进 行 3 层分解与重 构[10]。当 采 样 频 率 为 1 024 H z时 ， 分析频率为 512 Hz， 在 第 3 层分解为8 个频带， 各系数对应的频 带为 0 〜64,64 〜128,128 〜192,192 〜256,256 〜 320,320〜384,384〜448,448〜512 Hz。对节点系 数进行重构， 观察各种罐道故障状态下提升容器的 响应。经 过 小 波 包 分 解 和 重 构 后 ， 信号被分解到 8 个频段， 但各频段总体特征不是十分明显， 直接判 断故障类型有一定困难， 因此， 需要借助 B P 神经网 络对各频带的特征进行识别并判断故障类型。 0 100 200 300 400 500 频 率/H z a 障 信号 100 200 300 400 500 频 率/H z b 台阶突起故障时的信号频谱 100 200 300 400 500 频 率/H z c 障 信号 2. 2 BP神经网络 图5不 下 信号 Fig. 5 Signal spectrums under different conditions 转入反向传播， 根据预测误差调整网络权值和阈值， BP神经网络是一种多层前馈神经网络， 一般由 从 而 使 B P 神 经 网 络 预 测 输 出 不 断 逼 近 期 望 输入层、 隐含层和输出层组成， 其特点是信号前向传 输出[11]。 递 ， 误差反向传播。如果输出层得不到期望输出， 则 对采集的信号进行3 层小波包分解， 得到无故 7S UI/趔铟异7S 日/姻铟兵 7S . m/趔铟异 2 0 1 8 年 第 8 期马 天 兵 等 基 于 小 波 包 和B P神 经 网 络 的 刚 性 罐 道 故 障 诊 断 79 障、 台阶凸起故障和罐道接头故障3 种 模 式 下 8 个 频带的能量分布， 作 为 BP神经网络的输人， 输人节 点数为8,输出节点数为3。BP神经网络隐含层的 节点数对预测值有较大影响， 若节点太少， 则训练精 度差； 若节点太多， 则训练时间增加， 网络容易出现 过拟合现象。经测试， 隐含层节点数为5 时效果最 好 ， 故设隐含层节点数为5。隐含层传递函数采用 S 型正切函数tansig,输出层传递函数采用purelin函 表 1 数 ， 训练函数采用Levenberg_Martquardt,设迭代次 数 为 100,学习率为0. 目标为0. 000 0。 将每种模式对应的3 0 组数据作为训练数据。 为了简化网络结构， 采用归一化处理的特征向量作 为输人向量， 输 出 向 量 “ ， 0,0表示罐道无故障， 0， 1， 0表示台阶凸起故障， （ 0,0， 1表示罐道接头 故障。部分训练样本见表1。 部分训练样本 Table 1 Partial training samples 数据序号 训练样本特征 故障类型 输出向量 0.299 520 0,0.391 068 2,0.039 199 7,0.203 746 8,0.005 161 1， 1 无故障 （ 1， 0,0 0. 035 488 8 0 006 565 8,0. 019 249 7 0.286 990 3,0.398 911 1,0.039 283 4,0.207 601 8,0.005 015 2， 2 障 “1， 0， 0 0. 036 567 5,0. 006 039 1,0. 019 591 5 0. 949 626 3,0. 037 487 9 0 008 681 6 0 001 834 7 0 001 139 1， 3 凸 起 障 01 ， 0 0. 000 021 7,0. 000 302 2,0. 000 906 5 0. 950 447 3,0. 036 924 1， 0. 008 589 6 0 001 705 7 0 001 189 5， 4 凸 起 障 01 ， 0 0. 000 020 2,0. 000 280 9,0. 000 842 7 0.866 193 3,0.099 713 1， 0.023 202 7,0.004 585 5,0.003 230 3， 5 接头故障 （ 0,0， 1 0. 000 054 2,0. 000 755 2,0. 002 265 6 0.864 237 0,0.101 118 2,0.023 486 9,0.004 766 9,0.003 194 3， 6 接头故障 （ 0,0， 1 0. 000 056 4,0. 000 785 1,0. 002 355 2 3测试结果分析 为了验证已建立好的BP神经网络的故障识别 效果， 选取新的数据作为网络输人。为了评估网络 的故障识别精度， 定义置信度[12]为 1 “ 1 0.91。 表2 BP神经网络测试样本 Table 2 Test samples of BP neural network 式中 为网络输出； Y网络标准输出“为故障种 类 ， 取值为3。 测试样本见表2,测试结果见表3。从 表 3 的测 试结果可看出， 基于小波包分析和BP神经网络的 诊断方法具有较高的故障识别能力， 置信度达到 号 测试样本特征 故障类型 输出向量 0. 297 392 5,0. 391 977 8 0 037 339 8 0 206 091 1， 0. 005 018 5， 1 无故障 （ 1， 0,0 0. 036 004 5 0 005 667 6,0. 020 508 1 0.951 308 1， 0.036 256 6,0.008 412 3,0.001 732 1， 0.001 129 4， 2 凸 起 障 1 ， 0.865 515 0,0.100 220 7,0.023 321 6,0.004 610 0,0.003 241 3， 3 障 ， 1 80 工矿自动化2018年 第 4 4 卷 表 3 BP神经网络测试结果 Table 3 Test results of BP neural network 数据序号测试输出理想输出 故障类型 置信度 10. 912 6 0 084 7 0 002 31 0 0 无故障0.9297 20. 028 7 0 854 5, 一0. 003 30 1 0 台阶凸起故障 0.9143 30. 033 6， 一0. 009 3 0 872 60 0 1 障0.9237 4结语 在刚性罐道不同故障模式下， 对提升容器振动 加速度时间序列在不同尺度上进行小波包分解与重 构 ， 得到不同频段上的能量分布信息。通过基于小 波包频带能量分布方法提取不同的故障特征参数， 应 用 B P 神经网络诊断方法， 对刚性罐道故障类型 进行进一步诊断。测试结果表明， 基于小波包和BP 神经网络的刚性罐道故障诊断方法具有较高的故障 识别精度。 参 考 文 献 （ References [1] KACZMARCZYK S,OSTACHOWICZ W. Transient vibration phenomena in deep mine hoisting cables. Part 1 Mathematical model ]. Journal of Sound and Vibration，2003,2622 219-244. [2 ] LI Zhanfang, XIAO Xingming， MA Chi. Study on vibration characteristic of hoist cage and fault diagnosis of steelwork [C]//The 2nd International Conference on Ination Science and Engineering， Hangzhou，2011. [3] 蒋玉 强 . 立井刚性罐道系统的非线性耦合特性及状态 评 估 研 究[D] . 徐 州 中 国 矿 业 大 学 ，2011. [4] 张淼. 立 井 刚 性 罐 道 典 型 故 障 的 模 式 识 别 研 究[D]. 徐 州中 国 矿 业 大 学 ，2015. [5 ]王 浩 任 ， 黄 亦 翔 ， 赵 帅 ， 等. 基 于 小 波 包 和 拉 普 拉 斯 特 征 值 映 射 的 柱 塞 泵 健 康 评 估 方 法[J] . 振 动 与 冲 击 ， 2017,3622 45-50. WANG Haoren，HUANG Yixiang，ZHAO Shuai， et al. Health assessment for a piston pump based on WPD and LE [ J]. Journal of Vibration and Shock， 20173622 45-50 [6 ]吴 建 萍 ， 姜 斌 ， 刘剑 慰 . 基 于 小波包信息熵和小波神经 网 络 的 异 步 电 机 故 障 诊 断[J] . 山 东 大 学 学 报 （ 工学 版 ）， 2017,475223-228. WU Jianping， JIANG Bin， LIU Jianwei. Fault diagnosis of asynchronous motor based on wavelet packet entropy and wavelet neural network [J ] 7 Journal of Shandong University Engineering Science ,2017,475 223-228. [7] 罗 超 ， 耿 蒲 龙 ， 曲 兵 妮 ， 等. 基 于 小 波 包 的 矿 井 供 电 系 统 单 相 接 地 故 障 选 线 方 法 [J] . 工 矿 自 动 化 ，2018, 442 68-74. LUO Chao， GENG Pulong， QU Bingni， et al. One- phase grounding fault line selection based on wavelet packet in mine power supply system [J]. Industry and Mine Automation , 2018,442 68-74. [8] 谢 丽 蓉 ， 王 晋 瑞 ， 穆 塔 里 夫 阿 赫 迈 德 ， 等 .基 于 LVQ-GA-BP神 经 网 络 的 煤 矿 瓦 斯 涌 出 量 预 测[J]. 煤 矿 安 全 ，2017,4812 150-152. XIE Lirong， WANG Jinrui， Mutalif Ahmad， et al. Prediction of mine gas emission based on LVQ-GA- BP neural network[J]. Safety in Mines 2017,4812 150-152. [9 ]梁 平 ， 白 蕾 ， 龙 新 峰 ， 等 . 基 于 小 波 包 分 析 及 神 经 网 络 的 汽 轮 机 转 子 振 动 故 障 诊 断[J] . 控 制 理 论 与 应 用 ， 2007,246981-985. LIANG Ping , BAI Lei , LONG Xinfeng , et al. Turbine rotor vibration faults diagnosis based on wavelet packet analysis and neural network [ J ]. Control Theory h Applications , 2007,246 981-985. [0] 赵 金 宪 ， 金 鸿 章 . 基 于 小 波 包 和 神 经 网 络 的 瓦 斯 传 感 器 故 障 诊 断[J].传 感 器 与 微 系 统，2010, 29 5 80-82. ZHAO Jinxian，JIN Hongzhang. Gas sensor fault diagnosis based on wavelet packet and neural network [J]. Transducer and Microsystem Technologies， 2010,295 80-82. [1] 史 峰 ， 王 小 川 ， 郁 磊 ， 等. MATAB神 经 网 络30个案 例 分 析 [M] . 北 京 北 京 航 空 航 天 大 学 出 版 社 ，2010. [2] 陈 伟 根 ， 邓 帮 飞 .小 波 包 能 谱 熵 与 神 经 网 络 在 断 路 器 故 障 诊 断 中 的 应 用[J] . 重 庆 大 学 学 报，2008，317 744-7487 CHEN Weigen， DENG Bangfei. Application of wavelet packet energy spectrum entropy and neural network to circuit breaker fault diagnosis [J]. Journal of Chongqing University , 2008,317 744-748.