王旭 姚国友 袁文辉 张昊喆

摘要：针对省级气象计量部门建设的低速回路风洞长期使用过程中存在风机非线性振动故障问题，提出一种基于粒子群优化小波神经网络的风洞风机振动故障诊断识别方法。通过构建3层小波神经网络，并采用粒子群算法优化小波神经网络的参数，提高其对振动故障诊断的速度和精度。实验表明：样本数据的实际输出结果与期望输出结果较为接近，该算法能够有效地实现对风洞风机故障类型的诊断识别，具有一定的实际应用价值，也为科学管理维护风洞的健康状况起到积极作用。

关键词：气象;风洞风机;故障诊断;小波神经网络;粒子群算法

中图分类号： TH132.41;TP18                                文献标识码：  A             DOI编号：   10.14025/j.cnki.jlny.2019.16.074

风资料是重要的氣象资料之一，是气象部门天气监测与预报分析过程中不可缺少的。目前，吉林省检测风速传感器好坏所使用的检测设备为低速回路风洞，其工况直接影响风速传感器气动性能的检测数据质量[1]。作为风洞运行中动力来源的风机，在运行过程中产生的机械振动故障情况复杂多变，对风速传感器检测的准确性造成一定的影响，同时对风洞的健康状况也造成一定影响。因此，对风洞风机产生的振动故障进行诊断研究十分必要。风洞风机振动故障属于非线性问题，振动故障类型与其所表现出的现象难以建立准确的数学关系[2，3，4]。因此，提出基于粒子群优化神经网络的风洞风机振动故障诊断研究。利用粒子群算法的全局搜索能力优化小波神经网络参数，提高故障诊断的速度和精度，以更好地实现风洞风机振动故障信号问题的诊断识别。

1 小波神经网络构建

采用的小波神经网络是将小波变换嵌入到神经网络的一种前馈神经网络[5]。对于小波分析，其利用小波函数的逼近，能够观看到振动信号的概貌和细节。小波函数选取Morlet小波函数■。该小波是时域频域分辨率高、余弦调制的高斯波，在故障诊断识别中比较适用[6]。

在一维信号f（t）情况下，小波基ψ（a，b，t）可按照下述方式产生：

（1）

其中，■为基本小波或母小波，■为归一化系数;a，b分别为ψ（a，b，t）的伸缩因子和平移因子[7]。

信号s（t）可用小波基ψ（a，b，t）进行如下拟合：

（2）

其中，■为拟合信号，n为小波基的个数。

能量函数为：

（3）

一次调整后，判断是否满足结束条件，如满足，则输出权值及平移因子和伸缩因子的值;否则，继续新一轮的循环，执行信号的正向传播阶段。

2 粒子群优化小波神经网络算法

算法初始化为一群随机粒子（随机解），然后，通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“最优值”（局部最优值和全局最优值）来更新自己，第i个粒子的最优值■，整个粒子群的最优值■。在找到这两个最优值后，粒子通过公式（4、5）来更新其速度和位置。

■                  （4）

■                                                   （5）

c1和c2为学习因子，具有控制粒子认知及粒子之间信息共享的作用，一般取值在[0，2]之间;■为（0，1）中的随机数， ■和■是粒子i在第t次迭代中第d维的速度和位置;pid为粒子i在第t次迭代中第d维的最优位置;pgd为在第t次迭代中种群第d维的最优位置;ω为惯性因子，具有改善粒子群收敛性能的作用，如公式（6）所示。

■                                   （6）

式中，■为最终权重;■为初始权重;t为当前迭代次数;■为最大迭代次数。

粒子的搜索空间维数D为：

■                                       （7）

其中，ni为输入层神经元数，nh为隐含层神经元数，no为输出层神经元数。

3 风洞风机振动故障诊断实验

风洞风机产生振动故障的原因主要有转子不平衡、基座松动、轴承损伤及喘振等几方面。通过多点采集系统多次测量风洞风机振动信号，统计分析整理得到4种原因造成的故障样本数据各10组，将该4种振动故障数据各抽取9组分成训练样本集，利用粒子群优化小波神经网络算法实现振动故障诊断的训练。部分故障样本数据，如表1所示。

设计的3层小波神经网络的网络结构为8-10-4，用粒子群优化神经网络结构，对网络权值进行训练。设定最大迭代次数为200，■， ■，■。训练后的诊断结果如表2所示。通过比对表2中的诊断输出结果和理想输出结果，表明该算法优化训练的有效性。

为检验该算法对风洞风机振动故障诊断的准确性，将该4种振动故障数据各剩余1组为测试样本集，利用粒子群优化小波神经网络算法实现振动故障诊断的检验。检验结果如表3所示。表3数据表明粒子群优化小波神经网络算法能够较好的对风洞风机振动故障类型诊断识别，证明了算法的可行性。

4 结语

针对风洞风机故障类型与故障变现现象的非线性关系，提出了基于粒子群优化小波神经网络的故障诊断方法。通过粒子群对小波神经网的参数优化仿真，证明该算法的有效性。最后实验检验结果表明：該算法能够较好的对非线性的风洞风机振动故障进行诊断识别，具有一定的实际应用价值，也为风洞健康状况的科学维护管理起到积极作用。

参考文献

[1]高冬晖.CMOS集成二维风速传感器的研究[D].东南大学，2005.

[2]吕振江，汤家升.基于遗传算法的风机故障诊断研究[J].煤炭工程，2015，47（01）：101-103.

[3]贾嵘，薛建辉，张文宇，洪刚.基于邻域粒子群优化神经网络的异步电动机振动故障诊断[J].西安石油大学学报（自然科学版），2010，25（02）：73-75+113.

[4]白政民，王武，董永强.基于遗传优化小波神经网络的微动齿轮故障诊断[J].机械设计与制造，2012（06）：176-178.

[5]金丽婷. 小波神经网络的优化及其应用研究[D].江南大学，2008.

[6]潘宏侠，黄晋英，毛鸿伟，刘振旺.基于粒子群优化的故障特征提取技术研究[J].振动与冲击，2008（10）：144-147+198.

[7]李益华.MATLAB辅助现代工程数字信号处理[M].西安电子科技大学出版社.2010.

[8]刘天庆，赵玉刚.小波能量熵与BP神经网络算法在数传设备故障诊断的应用研究[J].山西电子技术，2016（03）：90-92.

作者简介：王旭，硕士，中级工程师，研究方向：计量检定及设备维护。