基于EMD和神经网络的柴油机故障特征提取及诊断

基于EMD和神经网络的柴油机故障特征提取及诊断第1页/共34页1选题背景

随着我国现代化进程的不断加快，各种大型车辆设备及工程农用机械设备得到广泛应用，尤其是柴油机（它具有功率大、热效率高、经济性能好等优点）的广泛应用在农业领域有着无法替代的作用。

目前，柴油机正在变的更加综合化、自动化、设备构造更加复杂化，零部件之间的联系更加紧密，与其他设备构成一个有机系统。

复杂的结构，恶劣的工作条件，使得柴油机很容易发生各种未知故障，如果不能及时发现和排除，往往会造成整个机械系统的瘫痪甚至是巨大的经济损失和人员伤亡。所以，对柴油机进行实时的状态监测和故障诊断是十分必要的。第2页/共34页1.1主要工作

(1)针对柴油机缸盖振动信号的非平稳特性，将EMD方法引入到最能反映柴油机工况信息的缸盖振动信号的特征提取中。(2)首先构建了IMF时域特征向量，然后构建了基于EMD和边际谱的特征向量，最后构建了基于EMD和AR模型的特征向量。(3)采用PCA和遗传算法优化理论，对前面得到的特征向量进行优化处理；(4)采用BP神经网络和概率神经网络（PNN）两种分类器进行故障识别，每种情况均进行三次测试，并对结果进行分析。第3页/共34页1.2设计思路AR谱特征边际谱特征时域特征遗传算法优化PCA优化原始数据数据分段EMD分解特征量提取诊断BP数据优化处理IMF结果比较PNN第4页/共34页1.3数据说明标签柴油机工作状态1正常情况2进气门间隙异常3喷油压力异常4供油提前角异常5排气门间隙异常这5种情况下，均有30组数据，每组16384个数据。变换为（240*2048）的矩阵处理。第5页/共34页2.经验模式分解（EMD）EMD方法依据数据自身的时间尺度特征进行信号分解，无需事先设定任何基函数。在处理非平稳、非线性的数据上，有非常明显的优势。

针对柴油机缸盖振动信号的非平稳特性，将EMD方法引入到最能反映柴油机工况信息的缸盖振动信号的特征提取中。EMD方法能把一个复杂信号分解成为若干个有限阶内禀模态函数（IMF）之和，它反映信号本身内在的结构。然后进行希尔伯特变换，得到有物理意义的频率。

第6页/共34页2.1特征量的提取（1）时域特征量的提取得到时域特征向量为带标签的（240*17）的矩阵。第7页/共34页2.1特征量的提取（2）边际谱的特征向量的构建得到边际谱的特征向量为带标签的（240*25）的矩阵。第8页/共34页2.1特征量的提取

（3）AR模型的特征向量的构建得到AR模型的特征向量为带标签的（240*40）的矩阵。第9页/共34页3数据优化3.1PCA（主成分分析）处理

计算主成分的目的是将高维空间压缩到低维空间。它把“信息”理解为各样本相对于“均值状态”的“差异”。于是用方差来刻画指标或变量中“信息”的多少。主成分分析的设计步骤：（1）计算相关系数阵（2）计算特征值与特征向量（3）计算主成分贡献率及累计贡献率（4）计算主成分负荷特征量PCA优化前(含标签)PCA优化后（含标签）时域特征量（240*17）（240*11）边际谱特征量（240*25）（240*13）AR谱特征量（240*40）（240*18）第10页/共34页第11页/共34页3.2遗传算法优化

遗传算法

(GA)也称为进化算法，是受到达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。

简单说来就是繁殖过程，会发生基因交叉、基因突变，适应度低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那些个个体。（1）选择

本文中采用的选择策略是“比例选择”即是“轮盘赌算法”即每个个体被选中的概率与其适应度函数值大小成正比。第12页/共34页（2）交叉

本文遗传算法优化方法中采用单点交叉算子。（3）变异

本文采用基本位变异算子。交叉前：交叉后：00000|01110000000000000|00000111111011100|00000111111011100|011100000000变异前：变异后：00000111000000000000011100001000第13页/共34页

第14页/共34页4神经网络诊断4.1BP神经网络（1）前向过程：在训练开始前，随机赋予各权值一定的初值。在训练过程中，轮流地对神经网络施加各个训练样本。当某个训练样本作用于神经网络输入端后，利用当前权值计算神经网络的输出。（2）误差反向传播：观察所得到的输出与训练样本的已知正确输出之间的误差，根据误差对输出层权值的偏导数修正输出层的权值；把误差反向传递到倒数第二层的各节点上，根据误差对节点权值的偏导数修正这些权值，以此类推，直到把各层的权值都修正一次。

在这个学习过程中，误差反向传播到各隐层节点是能够对中间各层的权值进行优化学习的关键。第15页/共34页（1）IMF时域特征量

（a）pca优化后的BP诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本463846244692.0正确识别4335382246识别率%93.4892.1182.6191.76100.0第二次检测样本334345364391.0正确识别3040412843识别率%90.9193.0291.1177.78100.0第三次监测样本374136444287.5正确识别3239283541识别率%86.4995.1277.7879.5597.62平均识别率%90.2993.4283.8383.0399.2190.2第16页/共34页（1）IMF时域特征量

（b）遗传算法优化后的BP诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本463846244695.50正确识别4438402346识别率%95.65100.086.9695.83100.0第二次检测样本324346374292.50正确识别3241452542识别率%90.9193.0291.1177.78100.0第三次监测样本423733434591.50正确识别4229303745识别率%86.4995.1277.7879.5597.62平均识别率%91.0296.0584.3983.0399.2192.73第17页/共34页(2)边际谱的特征向量

（a）pca优化后的BP诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本463846244694.0正确识别4337421746识别率%100.097.3791.3070.83100.0第二次检测样本374342374184.5正确识别2740342741识别率%72.9793.0280.9572.97100.0第三次监测样本413739374689.5正确识别3537283346识别率%85.37100.071.7989.19100.0平均识别率%86.1196.8081.3577.67100.089.3第18页/共34页(2)边际谱的特征向量

（b）遗传算法优化后BP诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本484045343375.50正确识别3328283329识别率%68.7570.062.2297.0687.88第二次检测样本374341423778.50正确识别3030293434识别率%81.0869.7770.7380.9591.89第三次监测样本355933363777.50正确识别3432252836识别率%97.1454.2475.7677.7897.30平均识别率%82.3064.6769.5785.2692.3677.17第19页/共34页(3)AR谱的特征向量

（a）PCA优化后BP诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本395337343794.5正确识别3853313037识别率%97.44100.083.7888.24100.0第二次检测样本404038384492.0正确识别3838313344识别率%95.0095.0081.5886.84100.0第三次监测样本503531384689.5正确识别5033283246识别率%100.094.2990.3284.21100.0平均识别率%97.4896.4385.2386.43100.092.0第20页/共34页(3)AR谱的特征向量

（b）遗传算法优化后BP诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本415036324190.50正确识别3948302737识别率%95.1296.083.3384.3890.24第二次检测样本324437454292.00正确识别3040304242识别率%93.7590.9181.0893.33100.0第三次监测样本423042434391.00正确识别3829343942识别率%90.4896.6780.9590.7097.67平均识别率%93.1294.5381.7989.4795.9791.00第21页/共34页（4）结果比较（1）经过PCA和遗传算法优化后的BP诊断结果相差不大。（2）其中时域特征量和AR谱特征量的诊断正确率都能达到90%以上；（3）对于边际谱特征量的诊断效果，PCA优化效果（89.3%）明显优于遗传算法优化的效果（77%）。第22页/共34页4.2概率神经网络（PNN）由于BP神将网络是基于梯度下降规则的学习算法存在收敛速度慢、容易陷入局部极小值以及网络结构难以确定的缺点，这些都影响了它的学习效率和分类精度，难以满足实时诊断的要求（诊断时间大约10分钟）。PNN神经网络收敛速度快，训练函数简单（几乎不用训练），而且无论分类问题有多么的复杂，只要有足够多的训练样本，PNN就可以保证在贝利叶斯的准则下获取最优解，样本追加能力强，而且实时性强（诊断时间大约2秒）。第23页/共34页（1）IMF时域特征量

（a）pca优化后的PNN诊断

工况

测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本463846244685.10正确识别3638431345识别率%78.26100.093.4854.17100.0第二次检测样本423544433685.00正确识别3831372935识别率%90.4888.5784.0967.4497.22第三次监测样本424041383986.50正确识别3640352438识别率%85.71100.085.3763.1697.44平均识别率%84.8296.1987.6561.5998.2285.53第24页/共34页（1）IMF时域特征量

（b）遗传算法优化后PNN诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本374052422991.50正确识别3540463329识别率%94.59100.088.4678.57100.0第二次检测样本463346433291.00正确识别4230423632识别率%91.3090.9191.3083.72100.0第三次监测样本453933384593.50正确识别4238332945识别率%93.3397.44100.076.32100.0平均识别率%93.0796.1293.2579.54100.092.00第25页/共34页(2)边际谱的特征向量

（a）pca优化后的PNN诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本424338364180.50正确识别3737252339识别率%88.1086.0565.7963.8995.12第二次检测样本424236423876.00正确识别3433173335识别率%80.9578.5747.2278.5792.11第三次监测样本424038334781.00正确识别3534262146识别率%83.3385.0068.4263,6497.87平均识别率%84.1383.2158.8168.7095.0379.12第26页/共34页(2)边际谱的特征向量

（b）遗传算法优化后PNN诊断

工况测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本373546453770.50正确识别2722362927识别率%72.9762.8678.2664.4472.97第二次检测样本493849343070.50正确识别3923382021识别率%79.5960.5377.5558.8270.00第三次监测样本413846393675.50正确识别3225343228识别率%78.0565.7973.9182.0577.78平均识别率%76.8763.0676.5768.4473.5872.17第27页/共34页(3)AR谱的特征向量

（a）PCA优化后的PNN诊断

工况

测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本355535354083.00正确识别2950272436识别率%82.8690.9177.1468.5790.00第二次检测样本463836453579.00正确识别4626233429识别率%100.068.4263.8975.5682.86第三次监测样本493137453883.00正确识别4819263736识别率%97.9661.2970.2982.2294.74平均识别率%93.6173.5470.4475.4589.2081.67第28页/共34页(3)AR谱的特征向量

（b）遗传算法优化后PNN诊断

工况

测试正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率%第一次监测样本404134434282.00正确识别3736203635识别率%92.5087.8058.8283.7283.33第二次检测样本414042413685.50正确识别4133342835识别率%100.082.5080