基于小波變換的電子設(shè)備故障診斷技術(shù)研究

趙玉剛，鞠建波，楊兵兵

(1.第二炮兵工程大學(xué)士官學(xué)院，山東 青州　262500;2.海軍航空工程學(xué)院，山東 煙臺　264001)

?

基于小波變換的電子設(shè)備故障診斷技術(shù)研究

趙玉剛1，鞠建波2，楊兵兵2

(1.第二炮兵工程大學(xué)士官學(xué)院，山東 青州262500;2.海軍航空工程學(xué)院，山東 煙臺264001)

摘要：基于BP神經(jīng)網(wǎng)絡(luò)的電子設(shè)備故障診斷，以其不需要建立故障診斷模型，易于智能化實(shí)現(xiàn)等優(yōu)勢，發(fā)展較為迅速，而采用此方法的故障診斷大部分以故障樹獲得的特征參數(shù)為依據(jù)；由于電子設(shè)備往往由大量的工作模塊組成，各組成模塊之間相互耦合、聯(lián)系緊密，僅僅依靠故障樹獲得的特征參數(shù)難以較好地反映設(shè)備狀態(tài)；所以基于這些特征參數(shù)的BP神經(jīng)網(wǎng)絡(luò)故障診斷往往診斷率較低；將小波分析的方法運(yùn)用于特征參數(shù)的提取中，利用BP神經(jīng)網(wǎng)絡(luò)模式識別完成電臺故障診斷；最后通過獲得的實(shí)測數(shù)據(jù)進(jìn)行了實(shí)例分析，驗(yàn)證了該方法對于提高電子設(shè)備故障診斷率，是可行有效的。

關(guān)鍵詞：小波變換；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

隨著人工智能研究的不斷深入和發(fā)展，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛運(yùn)用于設(shè)備故障診斷中。由于電子設(shè)備結(jié)構(gòu)較為復(fù)雜，往往由大量的工作模塊組成，各組成模塊之間互相耦合、聯(lián)系緊密，在運(yùn)行中形成一個有機(jī)整體，僅僅依靠故障樹獲得的特征參數(shù)難以較好地反映設(shè)備狀態(tài)，所以基于這些特征參數(shù)的BP神經(jīng)網(wǎng)絡(luò)故障診斷往往存在診斷率較低。為了提高電子設(shè)備的故障診斷率，在許多文獻(xiàn)中采用了其他技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的聯(lián)合故障診斷方法[1-2]。利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電子設(shè)備的故障診斷，關(guān)鍵是找到表征設(shè)備故障狀態(tài)的關(guān)鍵參數(shù)。當(dāng)設(shè)備由正常狀態(tài)向故障狀態(tài)轉(zhuǎn)化時(shí)，其輸出波形信號的幅頻特性和相頻特性一般會出現(xiàn)明顯變化。所以在故障診斷時(shí)，可以將體現(xiàn)這些特性的參數(shù)作為故障狀態(tài)的關(guān)鍵參數(shù)用于BP神經(jīng)網(wǎng)絡(luò)的故障診斷中。本文將小波分析方法運(yùn)用于電子設(shè)備故障診斷中，通過小波變換獲得激勵信號響應(yīng)輸出的小波能量，結(jié)合故障模型獲得的特征參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)的模式識別完成故障診斷。最后，以某型通信電臺發(fā)生“抗干擾收正常，發(fā)不正?！惫收犀F(xiàn)象為例進(jìn)行實(shí)例驗(yàn)證。通過對故障診斷結(jié)果分析發(fā)現(xiàn)，該方法提高了故障診斷率，對于小波理論在復(fù)雜電子設(shè)備故障診斷中的應(yīng)用具有重要意義。

1小波變換的基本理論[3-5]

小波變換是一種變分辨率的時(shí)頻分析方法，具有多分辨分析(Multiresolution Analysis)的特點(diǎn)。它是使用一個時(shí)頻窗面積不變，但形狀可以改變的窗函數(shù)(即小波函數(shù))，對其他函數(shù)在空間和時(shí)間上進(jìn)行局部化的一種數(shù)學(xué)變換。一是通過平移母小波(Mother Wavelet)獲得信號時(shí)間信息，二是通過縮放母小波寬度(或稱尺度)獲得信號頻率特性。

由于連續(xù)小波變換需要進(jìn)行連續(xù)變量積分，對于數(shù)字信號處理很不方便，所以在實(shí)際問題處理中常采用離散形式，即離散小波變換(Discrete Wavelet Transform，DWT)。離散小波變換是指尺度伸縮參數(shù)A和時(shí)間平移參數(shù)B進(jìn)行離散化，而不是時(shí)間的離散化。為了降低計(jì)算量和數(shù)據(jù)量，通常將A和B都取作冪級數(shù)的形式。假設(shè)：

(1)

則離散小波序列為

(2)

對 f (t)進(jìn)行離散小波變換，其離散小波變換系數(shù)為

(3)

其相應(yīng)的離散小波變換的重構(gòu)(即逆變換)公式為

(4)

特別地，取a0=2,b0=1，對尺度伸縮參數(shù)a和時(shí)間平移參數(shù)b進(jìn)行二進(jìn)離散，即：

a=2m,b=n2m

(5)

可得二進(jìn)小波(Dyadic Wavelet)序列和二進(jìn)小波變換系數(shù)分別為

和

(6)

可以證明{ψm,n}m,n∈z構(gòu)成空間L2(R)的一組標(biāo)準(zhǔn)正交基，即

(7)

由以上分析可知，二進(jìn)小波變換的實(shí)質(zhì)是將屬于L2(R)的任一函數(shù) f(t)用離散小波序列的形式進(jìn)行展開，而小波序列則是在小波基函數(shù)的基礎(chǔ)上伸縮得到的。隨著伸縮因子(尺度因子)m的變化，得到函數(shù)在不同尺度空間的投影，伸縮因子越小則分辨率越高。

2故障特征提取方法

一般來說，對電子設(shè)備故障特征提取，需要找到不同狀態(tài)下信號的區(qū)別之處。設(shè)備由正常狀態(tài)向故障狀態(tài)轉(zhuǎn)化時(shí)，關(guān)鍵波形信號的幅頻特性和相頻特性一般會出現(xiàn)明顯變化，而且信號特性不同對應(yīng)的小波能量的值也不相同，所以只要利用小波的方法獲得對應(yīng)的小波能量，即可獲得該信號的特征[6]。

首先給系統(tǒng)以某一激勵信號，在不同的故障模式下，對采樣點(diǎn)的響應(yīng)輸出信號進(jìn)行采樣。將采樣獲得的信號進(jìn)行小波分解，獲得相對能量。具體步驟[7]如下：

1)在不同的故障模式下，給系統(tǒng)以某一確定信號，對采樣點(diǎn)進(jìn)行信號采樣，將測得的連續(xù)信號離散化；

2)利用一維小波分解函數(shù)將輸入的離散化波形數(shù)據(jù)進(jìn)行小波分解，得到小波近似系數(shù)和細(xì)節(jié)系數(shù)；

3)利用小波能量獲取函數(shù)，獲得波形數(shù)據(jù)對應(yīng)的近似系數(shù)和細(xì)節(jié)系數(shù)的相對能量；

4)將最后一層的近似系數(shù)的相對能量和各層細(xì)節(jié)系數(shù)的相對能量組成特征向量。

對信號進(jìn)行特征提取的小波分解過程如圖1所示。該圖是對原始信號S進(jìn)行一維小波四層分解的示意圖。其中cA1、cA2、cA3、cA4為小波分解中提取的原始信號低頻逼近系數(shù)；cD1、cD2、cD3、cD4是各層高頻逼近系數(shù)。原始信號由低頻信號近似，原始信號的細(xì)節(jié)特征由高頻信號表示[8]。對原始信號的每一次分解，低頻信號和高頻信號長度均為原始信號長度的一半，兩者之和即為原始信號的長度，由此可知，分解過程中進(jìn)行了隔點(diǎn)采樣，這樣不會造成信息的損失。

3基于小波變換的故障診斷過程

為了實(shí)現(xiàn)電子設(shè)備的故障診斷，給予系統(tǒng)某一激勵信號(信號形式的選取取決于設(shè)備的性能及技術(shù)指標(biāo))。在采樣點(diǎn)對響應(yīng)輸出信號進(jìn)行采樣，將獲得的小波能量序列與其他特征參數(shù)一起，形成故障診斷的特征向量，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后，將測試數(shù)據(jù)輸入到已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行模式識別，從而完成對系統(tǒng)的故障診斷。電子設(shè)備具體故障診斷過程如圖2所示。

圖1　信號的小波分解示意圖

圖2　電子設(shè)備故障診斷過程

根據(jù)對電子設(shè)備工作原理的分析及專家經(jīng)驗(yàn)，確定輸入激勵信號的形式及響應(yīng)輸出信號的采樣點(diǎn)。將某特定波形的連續(xù)激勵信號送入設(shè)備，并在滿足采樣定理的條件下，對采樣點(diǎn)的響應(yīng)輸出信號進(jìn)行采樣。利用前面的故障特征提取方法，獲得采樣信號的小波能量，與故障診斷樹獲得的特征參數(shù)一起形成特征向量，進(jìn)行歸一化并完成BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。將測試信號送入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，根據(jù)輸出結(jié)果進(jìn)行模式識別，完成電子設(shè)備的故障診斷。

4實(shí)例驗(yàn)證

本文以某型通信電臺發(fā)生“抗干擾收正常，發(fā)不正常”的故障現(xiàn)象為例進(jìn)行分析。

根據(jù)對該通信電臺的工作原理、故障樹模型分析及專家經(jīng)驗(yàn)，在此故障現(xiàn)象下可能故障模塊有：前面板模塊、同步模塊、激勵模塊、功放模塊。通過故障樹確定的特征參數(shù)：UUT發(fā)信端電流(i)、側(cè)音電平(V)、側(cè)音響應(yīng)(y)、頻率誤差(E)、發(fā)射功率(P)、側(cè)音失真(T)。

將該電臺預(yù)置在選定的工作頻率、抗干擾明話工作方式下，分別設(shè)置4種不同的故障模式及正常工作狀態(tài)，并在輸入端口給以頻率為1 000 Hz、幅度為250 mV的正弦波激勵信號。對故障模型確定的特征參數(shù)及響應(yīng)輸出信號進(jìn)行采樣，并利用文中介紹的故障特征提取方法獲得小波能量序列E1～E4。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的相關(guān)理論和Kolmogorov定理[9]，可建立3層神經(jīng)網(wǎng)絡(luò)。輸入層為故障特征參數(shù)值；輸出層為4種不同的故障模式，分別對應(yīng)不同的故障模塊。按照特征參數(shù)的不同進(jìn)行數(shù)據(jù)采集，每個參數(shù)采集歷史數(shù)據(jù)為215個，將采集的歷史數(shù)據(jù)進(jìn)行分類整理并歸一化形成樣本集。前200組樣本數(shù)據(jù)作為訓(xùn)練樣本集，后15組樣本數(shù)據(jù)作為測試樣本集。利用歸一化后的訓(xùn)練樣本數(shù)據(jù)對建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[10]。網(wǎng)絡(luò)訓(xùn)練誤差如圖3(a)所示。

將測試樣本數(shù)據(jù)作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行模式識別完成故障診斷。歸一化測試樣本數(shù)據(jù)及故障診斷結(jié)果如表1所示。

為了能夠更好地將兩種方法完成故障診斷的結(jié)果進(jìn)行對比，從200組數(shù)據(jù)中取出故障樹確定的特征參數(shù)值，對新的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練誤差如圖3(b)所示。

圖3　網(wǎng)絡(luò)訓(xùn)練誤差曲線

樣本編號輸入向量IVYEPTE1E2E3E4輸出向量O1O2O3O410.12850.06840.96290.01820.00060.84880.84940.67400.68430.24390.00710.99830.00190.000320.39430.69500.08420.76570.95650.03860.86440.24700.67710.81100.00570.00550.99760.000830.45180.71880.08140.00120.00470.02590.05520.13810.09480.00120.03150.00160.00760.013840.45360.76410.03290.73400.93770.02680.82260.24090.75090.85370.00560.99540.00780.0006

續(xù)表(表1)

按照相同方法取同樣15組測試數(shù)據(jù),作為新的BP神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)輸出結(jié)果進(jìn)行模式識別完成故障診斷。兩種故障診斷的結(jié)果對比如表2所示。

表2　兩種方法診斷結(jié)果對比

由表1的診斷結(jié)果可以看出，以故障樹獲得特征參數(shù)為基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)故障診斷，其故障診斷正確率為70%，而增加了通信電臺響應(yīng)輸出信號小波能量的BP神經(jīng)網(wǎng)絡(luò)故障診斷，其故障診斷正確率為90%以上。由此可見，該方法提高了通信電臺的故障診斷率。

5結(jié)束語

本文通過對設(shè)備激勵信號的響應(yīng)輸出進(jìn)行采樣，并利用小波分析的方法獲得小波能量，以此作為部分特征參數(shù)。結(jié)合故障樹獲得的特征參數(shù)一起，用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及故障診斷中。通過實(shí)驗(yàn)數(shù)據(jù)可知，將小波能量作為電子設(shè)備故障特征值，并利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的方法是可行的，診斷結(jié)果較為準(zhǔn)確。

不足之處在于，采用該方法進(jìn)行故障診斷時(shí)，增加了BP神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)，訓(xùn)練時(shí)間稍長。如果保證故障診斷正確率的條件下，可以進(jìn)一步優(yōu)化故障特征參數(shù)，減少神經(jīng)網(wǎng)絡(luò)輸入維數(shù)，有效提高故障診斷效率。

參考文獻(xiàn)：

[1]潘強(qiáng)，熊波.基于靈敏度預(yù)分類的BP神經(jīng)網(wǎng)絡(luò)故障診斷方法[J].測試技術(shù)學(xué)報(bào)，2014，28(4)：72-75.

[2]郭陽明，冉從寶，姬昕禹，等.基于組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].西北工業(yè)大學(xué)學(xué)報(bào)，2013，31(1)：43-47.

[3]張德豐.MATLAB小波分析[M].北京：機(jī)械工業(yè)出版社，2009.

[4]侯遵澤，楊文采.小波多尺度分析應(yīng)用[M].北京：科學(xué)出版社，2012.

[5]趙海濱.MATLAB應(yīng)用大全[M].北京：清華大學(xué)出版社，2012.

[6]梁先芽，沙云東，欒孝馳，等.基于包絡(luò)譜分析的航空發(fā)動機(jī)主軸軸承故障診斷[J].沈陽航空航天大學(xué)學(xué)報(bào)，2013(4):102-105.

[7]白航，趙擁軍，趙國慶，等.一種改進(jìn)的雷達(dá)信號小波包特征提取方法[J].信息工程大學(xué)學(xué)報(bào)，2012，13(1):17-22.

[8]藺玉亭，王曉芳，白銳鋒.基于小波分析的衛(wèi)星鐘噪聲處理方法研究[J].測繪，2009(3):47-52.

[9]錢敏平，龔光魯.隨機(jī)過程論[M].北京：北京大學(xué)出版社，2000.

[10]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京：清華大學(xué)出版社，2014.

[11]孔慶宇,霍景河,王淵.基于知識的主流故障診斷技術(shù)研究[J].四川兵工學(xué)報(bào)，2015(9):60-64.

(責(zé)任編輯周江川)

本文引用格式：趙玉剛，鞠建波，楊兵兵.基于小波變換的電子設(shè)備故障診斷技術(shù)研究[J].兵器裝備工程學(xué)報(bào)，2016(5):49-52.

Citation format:ZHAO Yu-gang，JU Jian-bo，YANG Bing-bing.Research on Electronic Equipment Fault Diagnosis Technology Based on Wavelet Transform[J].Journal of Ordnance Equipment Engineering,2016(5):49-52.

Research on Electronic Equipment Fault Diagnosis Technology Based on Wavelet Transform

ZHAO Yu-gang1，JU Jian-bo2，YANG Bing-bing2

(1.Second Artillery Engineering University Cadet College,Qingzhou 262500,China; 2.Naval Aeronautical and Astronautical University,Yantai 264001,China)

Abstract:The electronic equipment fault diagnosis based on BP neural network,with dvantages that it does not need to establish a fault diagnosis model and is easier to implement intelligent,develops very quickly.However,electronic devices often consists of a lot of work module,the mutual coupling between the each composition module,closely linked,just rely on the fault tree to obtain the characteristic parameters and are hard to better reflect the state of equipment.So,based on the characteristic parameters of the BP neural network,the diagnosis rate of fault diagnosis is often low.The wavelet analysis method was applied to the extraction of characteristic parameters of complete station fault diagnosis using BP neural network pattern recognition.Finally through the test data for the instance analysis,we verified that the method can improve the diagnostic rate of electronic equipment and is feasible and effective.

Key words:wavelet transform; BP neural network; fault diagnosis

doi:【裝備理論與裝備技術(shù)】10.11809/scbgxb2016.05.012

收稿日期：2015-08-23；修回日期：2015-10-15

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(60874112)；軍隊(duì)科研專項(xiàng)資助項(xiàng)目(41512321)；軍隊(duì)科研專項(xiàng)資助項(xiàng)目(415C173)

作者簡介：趙玉剛(1980—)，男，碩士研究生，主要從事智能故障預(yù)測與診斷研究。

中圖分類號：TJ01

文獻(xiàn)標(biāo)識碼：A

文章編號：2096-2304(2016)05-0049-04