应用研究
基于小波包和Elman神经
网络的电动轮自卸车车轮故障诊断系统
罗周晨周少武刘浦
(湖南科技大学信息与电气工程学院湖南湘潭411201)
数字投本与质用
摘要：针对电动轮自即车可靠、高效运行的要求，采用小波包变换将车轮数据采集系统来集到的数据滤波、去噪后选行特征值提取,然后构建一个Elman神经网络来进行改障识别,相比原有的数据分析系统,性能有了大幅提高,故障诊斯以及故障处理更加准确。
关键词小波包Elman电动轮自卸车智能化故障诊断
中图分类号：TH137.5]
文献标识码:A
目前的电动轮自卸车只是采用硬件滤波方式，在恶劣工作环境下容易数据误差过大"。而其故障诊断系统通过构建对象系统模型、知识库以及神经网络，获取故障特征的分析方法，这种方法的学习过程比较复杂，对于新的故障类型学习能力不强，不适宜多组数据的分析(2)
本系统采用高性能DSP构建电动轮自卸车综合性、智能化故障诊断系统，通过小波包变换来滤波消噪，构建Elman神经网络综合分
析多类数据，减小了故障数据的误差，故障诊断更为准确。 1故障诊断系统构成
电动轮自卸车故障诊断系统由DSP数据采集分析板、人机界面、 J1939网络总线及电动轮自卸车信息单元组成，电动轮自卸车信息单元由各类传感器构成，J1939网络总线负责传输数据，DSP数据采集分
析板进行数据采集、信号调理、A/D转换、综合分析、故障诊断。 2小波包变换
小波包变换具有信号时频局部化的良好特性，能同时提供非平稳信号时域和频域中的局部化信息，已成为故障或异常状态特征信号提取的有力工具。小波包分析对上一层的低频部分和高频部分同
时进行细分，具有更为精确的局部分析能力。 3Elman人工神经网络
Elman网络主要由输入层，隐层、输出层和承接层四个不同层组成.隐含层、输出层，连接权通过学习进行修正，反债连接由一组结构单元构成，用来记忆前一时刻的输出值。网络中还有一个关联层，通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输人一起作为隐层的输人，相当于状态反馈，网络的状态空间表达式如下：
3()= g( w3s(e))
()=[wxe()+ w2(r(k1) c(t)= x(t 1)
(1)(2)(3)
上述三个式子中，Y用来表示m维输出神经元失量，x用来表示 n维承接层神经元输入失量，u用来表示r维输人向量。w3为隐含层神经元到输出层神经元的连接权值，W2为输人层神经元到隐含层神经元连接权值，W1表示承接层神经元到隐含层神经元连接权值，8(-)
是输出神经元的传递函数，是隐含层输出的线性组合。 4电动轮自卸车车轮故障诊断仿真与研究
左、右轮电机是电动轮自卸车的重要部件，其主要故障有转子不平衡、转轴弯曲、转子不对中、转子与静止件摩擦、转子支承系统联接松动。电机转子不平衡包括转子系统的质量偏心及转子部件出现缺损。首先通过传感器采集到电动轮自卸车车轮在运转过程中的振动信号，再按照频率顺序小波包分解对数据进行处理，接下来通
86
文章编号:1007-9416(2013)12-0098-01
过时频方法矩阵对处理后的数据提取特征量，并使用提取出的特征量对Elman人工神经网络进行训练。最后得出计算结果，诊断出电机在运行过程中发生的故障，并与实际状况做出对比，
经过上面数据采集单元中报动传感器采集进人电脑的数据分为 5组，分别对应着电动轮自卸车车轮运转在五种不同工作状况之下。
对应于故障状态，确定网络故障模式，表示网络的输出：转子不平衡
:(0,0,1)
转轴弯曲转子不对中
:(0.1,0):(0,1,1)
:(1,0,0)
油膜振薄
转子支承系统联接松动：(1,0,1)
为了对E1man人工神经网络进行有效的训练，我们将使用 Matlab中的人工神经网络工具箱和Simulink仿真平台。在实验中，综合考虑网络的训练速度和精度的要求，输人神经元为5个，输出神经元为3个，隐含层神经元为12个。
为了能够验证对Elman人工神经网络对故障判断效果，实验中提供了5组故障信号数据并用训练好的Elman人工神经网络进行故障诊断。诊断结果如下面所示：
0.0044 0.0008 0.0008 0.0010 0.0013 0.0006 0.9984 0.9981 0.9988 0.9980
0.0002 0.0001 0.9987 0.9991 0.9983 0.9997 0.0010 0.0013 0.0020 0.0003
0.9994 0.9999 0.0014 0.0008 0.9995 0.9995 0.0005 0.0007 0.9994 0.9981
可见系统能够正确识别故障的类型，即1,2为转子不对中，3.4 为；5.6为转子不平衡，7.8为转子油膜振荡故障，9、10为转子支承系
统联接松动， 5结语
从上面测试结果可以看出，将采集的振动信号进行小波包变换处理可以有效的提取特征向量，并能够利用这些特征向量对Elman 人工神经网络进行有效的训练，从而使神经网络系统对电动轮自卸
车车轮的故障做出准确的判断。参考文献
[1]伍丰,谭文,郭小定.基于J1939协议的电动轮自卸车数据采集与处理系统设计[J].矿业工程研究,2010(12):55-58
[2]谭建豪,章筑.154T电动轮自卸车状态监测与故障诊断系统的面向对象建模研究[J].计算技术与自动化,2006(9):17-20