杜 菲，馬天兵,2

基于小波包和RBF神經(jīng)網(wǎng)絡(luò)的壓電加速度傳感器故障診斷

*杜 菲1，馬天兵1,2

（1. 安徽理工大學(xué)機(jī)械工程學(xué)院，安徽，淮南 232001；2.南京航空航天大學(xué)機(jī)械結(jié)構(gòu)力學(xué)及控制國家重點(diǎn)實(shí)驗(yàn)室，江蘇，南京 210016）

根據(jù)壓電加速度傳感器故障的特點(diǎn)，提出運(yùn)用小波包變換和RBF神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先運(yùn)用小波包分解和重構(gòu)原理將傳感器輸出信號(hào)分解到不同頻段中，提取每個(gè)頻段的能量作為狀態(tài)監(jiān)測的特征向量，作為RBF網(wǎng)絡(luò)的輸入，然后利用最佳的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行壓電傳感器故障分類。實(shí)驗(yàn)結(jié)果表明該方法具有良好的非線性跟蹤能力，較高的診斷準(zhǔn)確率。

壓電加速度傳感器;小波包變換;神經(jīng)網(wǎng)絡(luò);故障診斷

0 引言

壓電加速度傳感器是振動(dòng)測試系統(tǒng)的關(guān)鍵部件，一旦發(fā)生故障，將會(huì)直接影響到結(jié)構(gòu)振動(dòng)的監(jiān)測和控制效果。當(dāng)傳感器發(fā)生故障時(shí)，即使很小的故障也會(huì)引起輸出信號(hào)發(fā)生突變，這種突變往往是動(dòng)態(tài)和多樣的，用傳統(tǒng)的傅立葉變換方法是無法診斷的。小波技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展為傳感器故障的精確診斷開辟了新的途徑。小波包變換不僅保持了小波正交基優(yōu)良的特性，還改善了小波變換中“高頻低分辨”的問題，相對于小波變換具有更精細(xì)的分解功能[1]，RBF網(wǎng)絡(luò)比BP網(wǎng)絡(luò)具有更高的辨識(shí)精度和更快的訓(xùn)練速度[2]，為此本文提出基于小波包分解和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行傳感器故障精確診斷，提取故障信號(hào)在每個(gè)頻帶能量作為特征向量輸入，建立RBF網(wǎng)絡(luò)模型，實(shí)驗(yàn)驗(yàn)證效果良好，準(zhǔn)確率較高。

1 壓電加速度傳感器故障特征提取

1.1 傳感器故障類型

壓電加速度傳感器[3]故障通常有：芯體突然損壞會(huì)引發(fā)周期性故障，芯體發(fā)生腐蝕或線路短接時(shí)引發(fā)短路故障，元件發(fā)生信號(hào)線斷引發(fā)開路故障，元件參數(shù)值隨著時(shí)間的推移和環(huán)境的變化而發(fā)生緩慢的變化引發(fā)漂移故障，電源和地線中的隨機(jī)干擾或電火花放電引起的沖擊干擾故障等，假設(shè)傳感器在60 s發(fā)生故障，滿量程為5V輸出，其五種故障圖形分別為：

圖1 傳感器各種輸出

1.2 小波包分解原理

對信號(hào)x(t)小波包算法描述如下[4]：

令

則小波包分解的遞推公式為

1.3 小波包提取故障特征

采用NI公司USB 9229采集卡進(jìn)行傳感器輸出信號(hào)采集，采樣頻率為2 kHZ，每種狀態(tài)采集5000點(diǎn)數(shù)據(jù)送到PC機(jī)進(jìn)行分析。對采集到的傳感器故障信號(hào)采用db1小波3層分解，具體特征提取步驟如下[5]：

(1)進(jìn)行3層分解，分別提取第3層的8個(gè)頻率成分的信號(hào)特征。

(4)構(gòu)造特征向量；傳感器故障會(huì)引起輸出信號(hào)的幅值和頻率變化，與正常的輸出信號(hào)相比，在小波包分解的相同頻帶內(nèi)能量會(huì)有較大的差別，也就是說各頻率成分信號(hào)里包含了豐富的故障信息。因此可構(gòu)造以各頻帶能量作為特征向量。特征向量T如下：

(5)特征向量單位化；當(dāng)能量較大時(shí)，為了數(shù)據(jù)分析方便，可對特征向量進(jìn)行單位化，可得新的特征向量。

2 RBF網(wǎng)絡(luò)故障辨識(shí)

RBF網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)來設(shè)計(jì)的一種前向網(wǎng)絡(luò)，在逼近能力、模式識(shí)別和收斂速度方面都比傳統(tǒng)的BP網(wǎng)絡(luò)優(yōu)秀。

2.1 RBF網(wǎng)絡(luò)建立

RBF網(wǎng)絡(luò)是由輸人層、隱含層和輸出層構(gòu)成的三層前向網(wǎng)絡(luò)[2]。輸入層神經(jīng)元個(gè)數(shù)取決于特征向量因子，其數(shù)目為8；輸出層為傳感器故障狀態(tài)類別向量，其數(shù)目為5；借助于MATLAB 軟件中newrbe函數(shù)來創(chuàng)建一個(gè)精確的RBF網(wǎng)絡(luò)，隱含層的數(shù)目會(huì)被自動(dòng)選擇，逼近誤差趨于0。

2.2 RBF網(wǎng)絡(luò)訓(xùn)練

圖1為五種傳感器故障狀態(tài)去噪后的時(shí)域圖，實(shí)際采集的信號(hào)夾雜了很多噪聲信號(hào)，只從時(shí)域圖很難辨別出哪種故障，如高頻周期干擾和脈沖干擾。因此將實(shí)驗(yàn)中所得數(shù)據(jù)首先進(jìn)行去噪處理，將各種狀態(tài)下信號(hào)數(shù)據(jù)分別進(jìn)行小波包分解及特征量構(gòu)造，其中一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于訓(xùn)練后網(wǎng)絡(luò)的驗(yàn)證。為了簡化網(wǎng)絡(luò)結(jié)構(gòu)，輸入向量都采用歸一化處理過的特征向量，狀態(tài)類別向量（0 0 0 0 0）表示正常狀態(tài)，用（1 0 0 0 0）表示高頻周期干擾故障，用（0 1 0 0 0）表示短路故障，用（0 0 1 0 0）表示開路故障，用（0 0 0 1 0）表示漂移故障，用（0 0 0 0 1）表示脈沖干擾故障。其中表1前24組樣本數(shù)據(jù)是RBF網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)，表1后6組數(shù)據(jù)是測試網(wǎng)絡(luò)的數(shù)據(jù)，表2是用MATLAB的sim函數(shù)對測試數(shù)據(jù)仿真的網(wǎng)絡(luò)輸出，通過該輸出數(shù)據(jù)判斷故障類型。

表1 RBF網(wǎng)絡(luò)訓(xùn)練與測試數(shù)據(jù)

在RBF網(wǎng)絡(luò)訓(xùn)練中，最重要的參數(shù)指標(biāo)就是徑向基函數(shù)的分布函數(shù)spread，它的大小決定了函數(shù)的平滑程度和網(wǎng)絡(luò)預(yù)測精度。經(jīng)過多次訓(xùn)練比較輸出結(jié)果，最后以高頻周期干擾故障測試數(shù)據(jù)（測試樣本2）的診斷為例，在 spread=2,3,4,5的情況下計(jì)算比較網(wǎng)絡(luò)的預(yù)報(bào)精度。

圖2 不同spread取值時(shí)的網(wǎng)絡(luò)預(yù)測誤差

由圖2看出，當(dāng)spread=4或5時(shí)網(wǎng)絡(luò)的預(yù)測誤差最小，考慮到spread越大，徑向基函數(shù)的平滑性越好，本文選擇spread= 5來訓(xùn)練和預(yù)測網(wǎng)絡(luò)。

表2 測試樣本的輸出值與期望值

由此可見，RBF網(wǎng)絡(luò)基本上很準(zhǔn)確地預(yù)測出各種故障，隨著訓(xùn)練樣本數(shù)據(jù)的增多，系統(tǒng)識(shí)別的精度會(huì)更高。因此基于小波包分解和RBF網(wǎng)絡(luò)的智能診斷與識(shí)別方法對于壓電加速度傳感器故障診斷具有良好的效果。

3 總結(jié)

根據(jù)壓電加速度傳感器故障信號(hào)的頻域特點(diǎn)，運(yùn)用小波包分析的方法提取信號(hào)頻帶的特征量，并且采用RBF神經(jīng)網(wǎng)絡(luò)建立故障和征兆之間的非線性關(guān)系。實(shí)驗(yàn)數(shù)據(jù)和分析結(jié)果表明，二者的結(jié)合可以很方便地實(shí)現(xiàn)壓電加速度傳感器故障的精確診斷，準(zhǔn)確率較高。

[1] 陳偉根,范海爐,王友元,等.基于小波能量和神經(jīng)網(wǎng)絡(luò)的斷路器振動(dòng)信號(hào)的識(shí)別方法[J].電力自動(dòng)化設(shè)備, 2008,28(2):29-32.

[2] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)路理論及MATLAB7的實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2006.

[3] 孫明陽, 游亞飛.壓電式加速度傳感器故障查找[J].計(jì)測技術(shù),2010,30(3):56-58.

[4] 王國鋒,王子良,秦旭達(dá),等.基于小波包和徑向基神經(jīng)網(wǎng)絡(luò)軸承故障診斷[J].北京科技大學(xué)學(xué)報(bào), 2004,26(2):184-186.

[5] 趙金憲, 金鴻章.基于小波包和神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷[J].傳感器與微系統(tǒng),2010,29(5):80-82.

DIAGNOSIS OF PIEZOELECTRIC ACCELERATION SENSOR FAULT BASED ON WAVELET PACKET AND RBF NEURAL NETWORK

*DU Fei1, MA Tian-bing1,2

(1. College of Mechanical Engineering, Anhui University of Science and Technology, Huainan, Anhui 232001, China;2.State Key Laboratory of Mechanics and Control of Mechanical Structures，Nanjing University of Aeronautics & Astronautics, Nanjing, Jiangsu 210016, China)

According to the character of piezoelectric acceleration sensor fault, a new diagnosis method based on wavelet packet transform and RBF neural network is proposed to detect and identifysensor fault. The sensor fault signals are decomposed in different frequency bands by wavelet packet decomposition and reconstruction, and the energy of every band is used as the eigenvector of condition monitoring as well as input of RBF (Radial Basis Function) neural network. The classification of sensor fault is conducted by using the best RBF neural network. Experiment results prove that the method has good tracking ability of nonlinear system and higher diagnosis accuracy.

piezoelectric acceleration sensor; wavelet packet transform; neural network; fault

TP206

A

10.3969/j.issn.1674-8085.2013.03.013

1674-8085(2013)03-0054-04

2012-12-18；

2013-01-08

安徽省高校優(yōu)秀青年人才基金重點(diǎn)項(xiàng)目(2012SQRL045ZD)

*杜 菲(1981-），女，安徽舒城人，講師，碩士，主要從事機(jī)電一體化研究(Email:dfmtb@163.com);

馬天兵(1981-），男，安徽廬江人，副教授，博士生，主要從事壓電結(jié)構(gòu)振動(dòng)主動(dòng)控制研究(Email: tbma@aust.edu.cn).