2011年第2期（总226期）
文章编号：1006-2971(2011)02-0031-04
压缩机技术 Compressoct
· 31 ·
EMD和SOM神经网络在燃气发动机故障诊断中的应用
李
则，禁德字，王
帅，拜乘
（中国石油管道公司压缩机组维检修中心，河北廊坊065000）
摘要：提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解，提取前个IMF分量的能量构成故障诊断的特征向量，输入SOM网络进行聚类，再将测试样本输入训练好的网络模型进行故障识别，网络输出结果采用U矩阵图法进行是示。对燃气发动机正常、气门间隙大、排气阅漏气3种状态的信号分析结果表明，该方法可以有效地提取非平稳信号的故障特征，网络模型结构篇单，对大数据量样本的聚类与识别准确率高，输出结果清晰、直观、可视性强，该方法为燃气发动机故障诊断提供了新的途径。
关键调：燃气发动机；经验模式分解；SOM神经网络；U矩阵；故障诊断
中图分类号：TK438
文献标志码：A
Application of EMD and SOM Neural Network in Gas EngineFault Diagnosis
LI Gang, CAI De-yu, WANG Shuai,BAI He
( Compressor-Set Orerhal Center, PetroChina Pipeline Company,Langfang 065000, China)
Abstract: A new method for fault diagnosis of gas engine using the EMD method and SOM neural network was put forward in this paper. Firstly, the vibration signal was decomposed into several intrinsic mode functions(IMF) by empirical mode decomposition (EMD). Secondly, the energy of the important IMF components was extracted to obtain eigenvectors of fault diagnosis. Finally, with the help of the SOM neural network,the eigen-vectors were classified. Then the testing samples were input into the trained network model to distinguish faults. The U matrix was used to visualize the SOM, The analysis results of the vibration signals acquired from the gas engine with nornal,large valve gap and exhaust valve leak show that this method can effectively extract the fault attributes of non-stationary signal. This method has the features of simple network model,high aceuracy of classi-fying and identifying a great deal samples. The output results are clear,intuitive and high visibility showed by U matrix, This offers an effective method for fault diagnosis of gas engine.
Key words:gas engine;EMD;SOM neural network; U matrix;fault diagnosis
引言 1
燃气发动机在天然气与管道行业应用广泛，其振动信号特别是故障信号通常具有非平稳性。传统的时域、频域分析方法是建立在信号平稳性基础上的，利用其从燃气发动机信号中提取故障特征，效果并不理想。经验模式分解(EMD)是由HuangNE"）提出的一种新的非平稳信号分析方法。该方法基于信号的局部特征时间尺度，将信号分解为一组基本模式分量（IMF），分解出的IMF分量所包含的频率成分不仅与采样频率有关，而且随信号本身的变化而变化，是对信号频带的一种自动划分，因此EMD 方法是自适应的信号处理方法，目前已被广泛应用于各种非平稳信号特征提取中，并取得了较好的效
收稿日期：20101025
果[2]。当设备发生故障时，其振动信号各个额带内的能量会发生变化，因此，考察燃气发动机信号 EMD分解后各个IMF分量的能量变化，可以有效地获得故障诊断的特征信息。
自组织映射（Self-OrganizingMap，SOM）神经网络是Kohonen提出的一种无监督的竞争学习型神经网络(3)，可以实现从高维输入空间到低维输出平面的降维映射，并且映射具有拓扑特性，因此，SOM网络很适合多维数据的聚类，并且聚类结果易于可视化，近些年在数据分析、故障诊断等领域得到了广泛的应用(4-5)
本文将EMD方法与SOM神经网络结合起来应用于燃气发动机故障诊断中。利用EMD方法对燃气发动机信号进行自适应分解，EMD方法与信号特征向量构成具体步骤请参考文献[6]以IMF能量组成故障特征向量，输人SOM网络进行故障类型识