一种基于BP神经网络的发动机故障诊断方法

兰天雯，徐志京

（上海海事大学信息工程学院，上海 201306）

一种基于BP神经网络的发动机故障诊断方法

兰天雯，徐志京

（上海海事大学信息工程学院，上海 201306）

针对车辆发动机故障诊断的问题，首先通过希尔伯特-黄变换（HHT）分析处理发动机振动信号的时频特征，提取出基于边际谱能量变化的故障特征参数来准确的表征发动机故障现象。然后利用BP神经网络对发动机故障数据特征进行训练，并对多种实测的故障数据进行测试和识别，验证所提出的算法的准确性。

故障诊断；发动机；HHT；BP神经网络

0 引言

车辆发动机一般具有非常复杂的内部结构，而且工况较差，极易产生各类故障现象，因此发动机的正常工作对运输安全与经济效益有着重要意义。车辆发动机工作的时候，会产生一系列的振动现象，故而产生了振动信号。这些振动信号中包含了很多的故障信息参数，而这些参数直接表征了发动机的工作状况和部件的性能状况。所以我们可以通过对发动机振动信号进行采集和处理，提取相关的特征参数来作为故障诊断的依据。

目前，发动机振动信号的分析与处理一般是利用傅利叶变换的方法进行的。但是由于傅利叶变换算法的固有的性能缺陷，无法同时在时间与频率上取得较高的分析分辨率。此外，发动机振动信号表现出了强烈的非平稳性，而傅利叶变换方法仅能用于分析与处理平稳性质的信号。而其他的方法，例如短时傅利叶变换、时频分析、小波变换等，其理论基础的实质仍然是傅利叶变换，因此也无法突破该方法理论上的先天性缺陷。因此基于傅利叶变换的算法仅能对振动信号作近似处理，限制了故障特征分析的精度与准确性。从而导致故障特征参数的精确性与稳定性大大降低，无法准确及时的识别发动机故障信号。

HHT（希尔伯特-黄变换，Hilbert-Huang Transform）信号处理理论是由Norden E.Huang于1998年创立的，它突破了傅立叶变换处理所存在的缺陷。其核心处理方法是通过模态分解（Epirical Mode Decomposition，EMD）来获取本征模态函数（Intrinsic Mode Function，IMF），进而实现信号的自适应分解处理，这种方法可以精确地分析信号在时频域的变化特征，在非平稳信号处理方面取得了良好的应用效果。所以本文尝试通过HHT方法来分析处理发动机振动信号的时频特征，提取出了基于时频谱能量变化的故障特征参数来准确的表征发动机故障现象。然后利用BP神经网络来对发动机的故障数据特征进行训练，得到了稳定的训练收敛结果。最后通过多种实测故障数据的测试识别，验证了本文所提出的故障诊断算法的正确性。

1 HHT故障信号分析的基本原理

发动机振动信号要进行HHT时频分析处理，首先必须通过EMD算法处理得到一系列本征模态分量即IMF。IMF具有瞬时频率随着时间变化的单值性性质，所以对IMF进行Hilbert变换可以得到振动信号的时频谱分析结果[1]。其中，IMF满足如下两个条件：即IMF的所有极值点和过零点的数量相同，或最多仅可相差一个采样点；且IMF的上包络与下包络必须对于时间轴有对称性。

EMD算法过程为：

（1）首先计算输入信号x（k）的各个极值，通过样条插值得到上包络线和下包络线；

（2）计算上下包络线幅度的均值m1，可以得到一个序列h1=x(k)-m1；

（3）利用上述两个IMF条件校验h1参数，若满足条件，则将h1抽取为第一个IMF记为c1；否则令其作为新序列并重复上述（1）（2）步骤，直至满足条件；

（4）计算获取IMF后的残余量：r1=x(k)-c1，并作为新信号重复（1）至（4）各步骤得到下一个IMF即c2。

（5）按上述进行循环计算，直到残余量rn无法满足IMF条件，至此完成了发动机振动信号的EMD算法的分解计算。

由计算过程可知，相比于傅立叶变换，EMD无固定基函数，因此可对信号进行自适应分解。原发动机振动信号可由下式表示：

即EMD过程是以时间特征尺度逐步将振动信号的局部模态分离，将复杂的非平稳的振动信号分解成一系列单分量信号的和。此外，每个IMF表征了不同的振动因素，可有效表达出信号的内在模态特征。因此通过对IMF的分析能够明确振动频率成分来源，可对故障原因进行准确的分析。图1即为车辆发动机内环故障信号EMD得到的IMF图。

图1 车辆发动机内环故障信号EMD得到的IMF图

2 特征参数提取

若对EMD得到的IMF信号实施Hilbert变换，即可获得具有现实含义的瞬时频率、幅度函数与Hilbert谱数据[2]。然后将所有IMF信号Hilbert变换数据相加，即为原始振动信号的HHT时频谱H（w,t）。HHT时频谱中表达了丰富的振动源信息，有信号的瞬时频率，也有振动信号在时间和能量上的变化情况。图2即为车辆发动机内环故障振动信号的HHT时频谱图，包含了故障信号的频率变化的清晰轨迹。故障振动信号的瞬时频率实质上是由故障振源频率决定，因此通过HHT时频谱特征的分析来确定故障源，并据此实现有效的故障诊断。

再对HHT时频谱数据在时间上进行积分求和，可得到信号边际谱h（w）：

特别地，由图2边际谱图容易看出，绝大部分的谱能量分布在为0至500Hz，其他频率处能量很小，可以等同为无效信号舍弃处理。因此可对0至500Hz的能量剧烈变化区间进行量化。令每20Hz为基本的时频特征提取单元，可得到25个特征提取单元，这些单元按照瞬时频率的高低依次排列。之后可对第i个特征提取单元的时频能量求和计算特征量hi，然后以总的时频能量和h0为基准对各个特征量进行能量归一化计算。最终计算的故障特征参数Hi为：

图2 车辆发动机内环故障振动信号的HHT时频谱图

3 基于BP神经网络的故障诊断

人工神经网络的计算原理类似于人类大脑神经的信息处理原理。学术界里，我们经常称之为类神经网络或者神经网络。BP（Back Propagation）神经网络是于1986年由Rumelhart和McCelland两位学者提出的神经网络计算模型，其主要原理是通过误差逆传播算法来训练准确的多层前馈网络[3]。BP神经网络模型的结构包括了输入层（input）、隐含层（hide layer）和输出层（output layer）。BP神经网络可以通过一定的训练的过程，学习到大量的输入输出的模式映射数据。其学习规则一般采用的是最速下降法，然后经由反向传播算法迭代来调整网络权值以及阈值，令整个神经网络的误差平方和收敛到最小值。

BP网络能够逼近任意的非线性函数，具有良好的泛化能力和快速的训练收敛速度，已成功用于非时间序列分析、数据分类、模式识别和故障诊断等领域[4]。故本文选用BP网络来分析上述提取特征的正确性。首先将车辆发动机的故障信号经特征提取算法处理，得到各个故障样本的特征参量作为BP神经网络的训练输入。然后执行网络训练获取训练收敛后的BP神经网络参数并存储，即可对故障测试信号进行特征提取并输入保存好的神经网络来进行故障的诊断分析。

4 仿真分析

为验证上述特征提取算法的正确性，使用BP神经网络训练故障信号特征数据，并对故障信号进行识别率计算。选用的故障信号数据集是某种汽车发动机的4种故障振动信号，即外圈故障、滚动体故障、内环故障及正常运行下的振动信号。每种故障的样本数据数量是100组，每个样本信号的采样率是4kHz，采集时间长度是0.5s。实验利用每种故障的前50组数据作为BP神经网络的训练样本，每种故障的剩下的50组为识别样本进行故障诊断。

本实验中，将BP神经网络设定隐含层的神经元个数是25，隐含层的神经元传递函数使用S型正切函数tansig，输出层的神经元传递函数使用S型对数函数logsig，训练函数采用Levenberg-Marquardt的改进算法，训练目标误差设定为0.001。图3为BP神经网络在训练过程中的误差收敛曲线，经过多次迭代计算，成功收敛到预定目标，完成了训练学习过程。

表1为基于BP神经网络的故障诊断的样本识别结果。由结果容易看出，识别测试的故障信号数量为200，正确识别的故障信号个数为193，所以故障诊断的正确率达到了96.5%，因此上述特征提取算法可以准确的识别车辆发动机故障类型，而且诊断结果具有比较高的正确率。

图3 BP神经网络在训练过程中的误差收敛曲线

表1 BP神经网络故障诊断的样本识别结果

5 结语

本文针对基于汽车发动机的振动信号处理的故障诊断问题，利用HHT时频分析法，提取了车辆发动机振动信号的时频能量变化特征，并以此作为BP神经网络的训练输入。最后使用大量的实测故障信号来进行诊断测试。诊断实验的结果表明，时频能量变化特征参数可以有效描述车辆发动机的不同故障类型的信号本质，因此可以较准确地实现车辆发动机的故障诊断。

[1]徐可君,秦海勤,江龙平.基于EMD和HHT的航空发动机转子-机匣振动信号分析[J].振动与冲击,2011,30（07）：237-240.

[2]王醇涛，陆金铭.运用HHT边际谱的柴油机故障诊断[J].振动、测试与诊断，2010.8：465-468.

[3]MATLAB神经网络仿真与应用[M].电子工业出版社，2009.

[4]人工神经网络教程[M].北京邮电大学出版社，2006.

A Method of Vehicle Engine Fault Diagnosis Based on BP Neural Network

LAN Tian-wen，XU Zhi-jing
（College of Information Engineering,Shanghai Maritime University，Shanghai 201306）

Aiming at the vehicle engine fault diagnosis issue,applies Hilbert Huang transform(HHT)on engine vibration signal for time-frequency characteristics,and extracts parameters based on change of marginal spectrum energy to accurately characterize the engine fault phenome⁃non.Then,the BP neural network is used to train the engine fault data,and the accuracy of the proposed algorithm is verified by test data.

1007-1423（2017）23-0007-04

10.3969/j.issn.1007-1423.2017.23.002

兰天雯（1991-），女，江苏南京人，硕士研究生，研究方向为港口通信与计算机测控

徐志京（1972-），男，上海人，工学博士，副教授，研究方向为无线通信和导航技术、人工智能、深度学习

2017-05-23

2017-08-10

Fault Diagnosis;Engine;Hilbert-Huang Transform;BP Neural Network