结合小波包与神经网络的压缩机故障诊断方法.pdfVIP

石 油 机 械 — 44 — CHINA PETROLEUM MACHINERY 2005 年 第33 卷 第4 期 ▲检测诊断▲ 结合小波包与神经网络的压缩机故障诊断方法 1 1 2 罗小荣 吴亚锋 魏文德 （1. 西北工业大学动力与能源学院 2. 西安市霸桥区环境监测站） 摘要 介绍了一种针对滚动转子式压缩机故障的小波包神经网络诊断方法。利用压缩机壳体 顶部或侧部获取的振动信号，通过小波包分解与单支重构，提取出该振动信号各频率段的能量作 为特征信息，利用BP 神经网络将正常和异常压缩机区别开来。此方法具有检测效率高、可靠性 高等优点，受生产现场环境的干扰小，可用于压缩机产品的在线诊断。小波包与神经网络诊断方 法对其他机械设备的故障实时在线诊断也具有一定的工程实用价值。 关键词 滚动转子式压缩机 小波包 BP 神经网络 故障诊断 滚动转子式压缩机是一种应用广泛的机械设 2 000 ～ 3 500 Hz 频率段。因此，在进行小波包分 备，对其进行故障诊断有非常重要的工程实用价 解时选取整个频率段的不同段作为特征向量。 值。传统的诊断方法都是利用其振动信号或声音信 号的时频特性大致判断出设备正常与否［1，2 ］，但由 于滚动转子式压缩机结构复杂，工作时激励源多， 振动信号中有周期信号、冲击信号及随机信号等， 常用诊断方法准确率较低，不适用于压缩机生产线 上的在线实时诊断。笔者在此提出利用小波包对振 动信号进行分解，然后对分解系数进行单支重构， 在此基础上，以各频率段的能量来构造设备故障的 特征向量，并利用BP 神经网络进行在线诊断。该 方法不需要系统的模型结构，而是直接利用各频率 段能量的变化来诊断压缩机的正常与否。这种诊断 方法简单、可靠性高，可用于压缩机生产线进行实 时在线诊断。 正常和异常压缩机的典型频谱图 笔者选用西安庆安制冷设备股份有限公司生产 图1 正常压缩机和异常压缩机的频谱图 的YZG—48RB （T1 ）型滚动转子式压缩机作为研 究对象，该压缩机具有高效率、低噪声、低振动、 利用小波包提取信号的特征 高可靠性等特点。图1 是在压缩机的顶部测量所得 的频谱图。 信息及神经网络进行故障诊断 图1 只是随机抽取了其中的3 台正常压缩机和 小波分析把信号分解成低频a1 和高频d1 两部 3 台异常压缩机的频谱。从图1 中可以看出，正常 分，在分解中，低频部分失去的信息由高频部分捕 压缩机和异常压缩机在不同的频率段存在区别，在 获。在下一层的分解中，又将a1 分解成低频a2 和 压缩机的侧面测量时其频谱图也具有类似的情况。 高频d2 两部分，低频a2 中失去的信息由高频 d2 由于压缩机的故障种类很多，其差别不仅仅存在于 2005 年 第33 卷 第4 期 罗小荣等：结合小波包与神经网络的压缩机故障诊断方法 — 45 — 捕获，如此类推下去，可以进行更深层次的分解。 机械故障的智能诊断提供了一种新的方法。 小波包分解则更进一步，它不仅对低频部分进行分 BP 神经网络，即误差反向传播的多层前馈式 解，而且对高频部分也进行分