BP神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用研究

摘要：滾動(dòng)軸承表面振動(dòng)信號(hào)中包含著豐富的工作狀態(tài)信息和故障特征信息，從其表面振動(dòng)信號(hào)中提取時(shí)域特征參數(shù)，可以有效地識(shí)別軸承工作狀態(tài)。通過試驗(yàn)采集振動(dòng)信號(hào)作為識(shí)別故障的原始數(shù)據(jù)，建立基于振動(dòng)信號(hào)的軸承故障診斷神經(jīng)網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得出標(biāo)準(zhǔn)故障模式，從而最終實(shí)現(xiàn)軸承的故障診斷。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；故障診斷；滾動(dòng)軸承

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)04-0866-02

Research on the Application Technology in Diagnosing Fault of Antifriction Bearing with BP Neural Network

WANG Hai-wen， YANG Kun-yi

(Southwest Jiaotong University，Chengdu 610031)

Abstract: The vibration signal of Antifriction Bearing contains abundant message of working condition and Fault Feature， characteristic parameter drawn from vibration signal could distinguish Beering working condition effectively. Through collecting vibration signal and building Neural Network Based on vibration signal in Beering fault diagnosis，the initial data trained by Neural Network enforce Beering fault diagnose finally.

Key words: BP Neural Network；Fault Diagnose；Antifriction Bearing

在各種故障診斷算法中，神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)非常明顯。基于神經(jīng)網(wǎng)絡(luò)的診斷方法就是利用神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械故障進(jìn)行模式分類。神經(jīng)網(wǎng)絡(luò)直接用于故障診斷時(shí)，要先確定特征參數(shù)組成輸入向量，以故障原因作為輸出向量，利用典型樣本學(xué)習(xí)所得權(quán)值進(jìn)行模式識(shí)別。

滾動(dòng)軸承故障診斷的目的是保證軸承在一定的工作環(huán)境中承受一定載荷以一定的轉(zhuǎn)速運(yùn)轉(zhuǎn)、在一定的工作期間內(nèi)可靠有效地運(yùn)行，以保證整個(gè)機(jī)器的工作精度。與此目的相對(duì)應(yīng)，軸承故障診斷就是要通過對(duì)能夠反映軸承工作狀態(tài)的信號(hào)進(jìn)行觀察、分析和處理來識(shí)別軸承的狀態(tài)。準(zhǔn)備講就是能夠診斷出軸承的故障類型、故障嚴(yán)重程度及故障的具體位置。

1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP網(wǎng)絡(luò)學(xué)習(xí)算法又稱誤差反向傳播多層前饋神經(jīng)網(wǎng)絡(luò)，用于故障診斷的步驟如下：

1) 通過信號(hào)監(jiān)測(cè)和分析。抽取反映被檢測(cè)對(duì)象的特征參數(shù)，如(x1，x2，…，xn)作為網(wǎng)絡(luò)的輸入模式。

2) 對(duì)被檢測(cè)對(duì)象的狀態(tài)類別進(jìn)行編碼。例如，對(duì)于正常、故障1、故障2三種狀態(tài)，可將期望輸出編碼為：正常(0，0)、故障1(0，1)、故障2(1，0)。

3) 進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)，確定網(wǎng)絡(luò)層數(shù)和各層神經(jīng)元數(shù)。輸入層單元數(shù)由特征參數(shù)個(gè)數(shù)決定；輸出層單元數(shù)由狀態(tài)數(shù)和狀態(tài)編碼方式確定；隱層一般為1層，問題復(fù)雜時(shí)可取2層，隱層單元數(shù)的選擇原則目前尚無理論依據(jù)，可根據(jù)問題規(guī)模大小憑經(jīng)驗(yàn)確定。

4) 用各種狀態(tài)樣本組成訓(xùn)練樣本，輸入網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定各單元的連接權(quán)值。

5) 用訓(xùn)練好的網(wǎng)絡(luò)對(duì)待檢對(duì)象進(jìn)行狀態(tài)識(shí)別，即把待檢對(duì)象的特征參數(shù)作為網(wǎng)絡(luò)輸入，根據(jù)網(wǎng)絡(luò)輸出確定待檢對(duì)象的狀態(tài)識(shí)別。

為提高網(wǎng)絡(luò)的故障診斷性，可把使用中發(fā)現(xiàn)的錯(cuò)誤判斷作為訓(xùn)練樣本加入訓(xùn)練樣本集，對(duì)網(wǎng)絡(luò)進(jìn)行進(jìn)一步訓(xùn)練，從而使網(wǎng)絡(luò)的性能得到改善。

2 基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷

2.1 滾動(dòng)軸承常見故障特征參數(shù)選取

描述滾動(dòng)軸承振動(dòng)時(shí)域波形的常用參數(shù)指標(biāo)有均方根值、峰值因子、諧波指標(biāo)、脈沖因子、峭度和SQ指標(biāo)。不同故障對(duì)應(yīng)的特征不同，不同的特征參數(shù)對(duì)故障敏感度不同。這里選擇均方根值、峭度、諧波指標(biāo)和SQ指標(biāo)4個(gè)參數(shù)組成表征滾動(dòng)軸承運(yùn)行狀態(tài)的特征向量，并作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

2.2 建立BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本

通過試驗(yàn)測(cè)得滾動(dòng)軸承各種狀態(tài)下的上述4個(gè)參數(shù)作為振動(dòng)數(shù)據(jù)，經(jīng)數(shù)據(jù)采集系統(tǒng)后，數(shù)據(jù)如表1所示。

2.3 輸出狀態(tài)編碼

定義軸承各種故障類型的期望輸出為：正常(0 0 0 0)，外圈裂紋(1 0 0 0)，內(nèi)圈點(diǎn)蝕(0 1 0 0)，滾珠點(diǎn)蝕(0 0 1 0)，保持架損壞(0 0 0 1)

2.4 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

利用訓(xùn)練函數(shù)train，傳遞函數(shù)('logsig'，'purelin')對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)可以對(duì)輸人向量進(jìn)行正確分類。但是網(wǎng)絡(luò)的訓(xùn)練步數(shù)如果不合適，太少或太多都將會(huì)導(dǎo)致很不理想的結(jié)果，所以訓(xùn)練的步數(shù)的設(shè)定對(duì)于網(wǎng)絡(luò)的性能影響比較大，所以這里將步數(shù)設(shè)置為250。模型采用3層BP神經(jīng)網(wǎng)絡(luò)，輸入層為7個(gè)節(jié)點(diǎn)，對(duì)應(yīng)于前一節(jié)介紹的10個(gè)時(shí)域特征向量，隱層節(jié)點(diǎn)數(shù)的選取目前尚無理論依據(jù)，可根據(jù)經(jīng)驗(yàn)或通過訓(xùn)練學(xué)習(xí)后，考慮網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)和識(shí)別率綜合比較后選定，本文選用隱層節(jié)點(diǎn)數(shù)為8，輸出層節(jié)點(diǎn)數(shù)為4，對(duì)應(yīng)于軸承的5種故障類型，BP神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)為N(7，8，7)。

2.5 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與診斷

對(duì)輸入樣本（表l中的7組數(shù)據(jù)）和已知的輸出，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，取學(xué)習(xí)效率為0.1，期望誤差為0.001，最大訓(xùn)練次數(shù)為2000次，刷新頻率為100。訓(xùn)練過程中網(wǎng)絡(luò)誤差變化情形如圖1所示。

2.6 神經(jīng)網(wǎng)絡(luò)檢驗(yàn)

為了檢驗(yàn)神經(jīng)網(wǎng)絡(luò)的可靠性，利用表1種的10個(gè)樣本對(duì)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試檢驗(yàn)。利用sim函數(shù)觀察訓(xùn)練后的分類結(jié)果，如表2所示，可知第三個(gè)正常樣本、外圈嚴(yán)重裂紋樣本的診斷出現(xiàn)了錯(cuò)誤，均誤判為類別5。在訓(xùn)練樣本中加入這2個(gè)樣本，重新對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后再診斷，同時(shí)改變網(wǎng)絡(luò)參數(shù)，設(shè)置中間為10個(gè)神經(jīng)元，訓(xùn)練后的誤差曲線如圖2所示，對(duì)樣本重新診斷結(jié)果如表3。可以看出 ，經(jīng)重新訓(xùn)練改進(jìn)后，神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)樣本的診斷結(jié)果均正確。

3 結(jié)論

通過檢驗(yàn)樣本(表3)數(shù)據(jù)的網(wǎng)絡(luò)實(shí)際輸出與期望值的比較，可以發(fā)現(xiàn)它們十分接近，輸出結(jié)果比較理想。BP神經(jīng)網(wǎng)絡(luò)對(duì)被控對(duì)象的數(shù)學(xué)模型依賴程度較低，具有自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、較強(qiáng)的容錯(cuò)性和非線性模式識(shí)別的能力，同時(shí)應(yīng)用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真的結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的診斷模型是準(zhǔn)確和可靠的，適合于滾動(dòng)軸承多故障復(fù)雜模式的故障診斷。為滾動(dòng)軸承診斷問題提供了一個(gè)較好的解決方案。

參考文獻(xiàn)：

[1] 聞新，周露，李翔，等.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用仁[M].北京:科學(xué)出版社，2003:303-311.

[2] 朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006:144-163.

[3] 戴小軍.BP神經(jīng)網(wǎng)絡(luò)用于市場(chǎng)預(yù)測(cè)的研究[D].武漢:武漢理工大學(xué)，2006.

[4] 吳濤，遠(yuǎn)思聰.滾動(dòng)軸承診斷的SOM神經(jīng)網(wǎng)絡(luò)方法[J].機(jī)械設(shè)計(jì)與制造，2010(1):86-87.