帶偏差單元遞歸神經網絡齒輪箱故障診斷

摘 要： 為了實現某型號坦克傳動系統齒輪箱的智能化故障診斷，采用帶偏差單元的遞歸神經網絡理論，建立了基于帶有偏單元的遞歸神經網絡的齒輪箱故障診斷模型。針對某型號坦克傳動系統齒輪箱的主要故障，將數據采集器現場采集到的齒輪箱數據作預處理后的數據和人為設置了一些故障的數據分別用帶偏差單元的遞歸神經網絡模型進行了分析和判斷。結果表明，帶偏差單元的遞歸神經網絡在本型號坦克齒輪箱的故障診斷中能取得滿意的效果，算法精度高，收斂性好。

關鍵詞： 坦克傳動系統； 齒輪箱； 故障診斷； 遞歸神經網絡

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2013）20?0033?05

0 引 言

作為機械設備重要結構部件之一的齒輪箱，維修保養工作量大；由于容易受安裝位置、運行工況等復雜因素的影響，故障與征兆間的關系不很明確，是非線性映射關系；且不解體診斷技術的實現也相當復雜。因此，齒輪箱的故障診斷是一個非常復雜的問題，對此技術的深入研究，具有重要的理論意義、學術價值和廣闊的應用前景[1?2]。

作為一種有效的模式識別技術，BP神經網絡模型具有其特定的優勢：較強的自學習、自適應、聯想記憶和非線性模式識別能力，在多故障、多征兆復雜模式識別方面顯示出極大應用潛力，因而被廣泛應用到齒輪箱故障診斷方面。標準BP神經網絡具有一定的局限性：收斂速度太慢；不能保證收斂到最小點；學習記憶不穩定。

本文主要實現了某新型號坦克傳動系統的齒輪箱的故障診斷。為實現齒輪箱的智能化故障診斷建立基礎，首先從坦克齒輪箱的故障特點分析入手，然后研究了帶有偏單元的遞歸神經網絡理論，建立了基于帶有偏單元的遞歸神經網絡的齒輪箱故障診斷模型，最后，將數據采集器現場采集到的齒輪箱數據作預處理后的數據和人為設置了一些故障的數據分別用此模型進行分析判斷，研究結果表明，帶有偏單元的遞歸神經網絡方法能夠實現本型號坦克齒輪箱的滿意的診斷結果。

1 齒輪箱的故障分析[3]

齒輪箱是各類機械的變速傳動部件，其運行狀況將直接影響整個機器或機組的工作。齒輪箱主要由軸承、齒輪和軸組成，因此齒輪箱的失效原因主要包括軸承失效、齒輪失效、軸失效、箱體失效等。且齒輪箱各部件失效的比例大致如下：齒輪60%，軸承19%，軸10%，箱體等其他11%。因此，本文主要分析齒輪箱中齒輪、軸承和軸的故障診斷。

1.1 滾動軸承的主要故障

滾動軸承經過一段時間的運轉通常會出現疲勞剝落和磨損等現象影響機器的正常工作。滾動軸承常見的主要故障有：

（1）疲勞剝落：滾動軸承工作時，滾動和滾動體表面既承受載荷有相對滾動，又由于交變載荷的作用，首先在表面下一定深度（除最大剪應力處）形成裂紋，繼而擴展到接觸表層發生剝落坑，最后發展到大片剝落。在正常工作條件下，疲勞剝落往往是滾動軸承故障的主要原因；

（2）磨損：滾道和滾動體的相對運動（包括滾動和滑動）和塵埃異物的侵入等都會引起表面磨損，而當潤滑不良時更會加劇表面磨損；

（3）塑性變形：在工作負荷過重的情況下，軸承受到過大的沖擊載荷或靜載荷，或者因為熱變形引起額外的載荷，或者當有高硬度的異物侵入時，都會在滾道表面上形成凹痕或劃痕；

（4）腐蝕：當水分直接侵入軸承時就會引起軸承腐蝕，另一方面，當軸承停止工作時，軸承溫度下降達到零點，空氣中的水分凝結成水滴吸附在軸承的表面上會引起腐蝕，此外，當軸承內部有電流通過時，在滾道和滾動體之間的接觸點處，電流通過很薄的油膜引起火化，使表面局部熔融，在表面上形成波紋狀的凹凸不平；

（5）斷裂：當載荷超過軸承滾道或滾動體的強度極限時會引起軸承零件的破裂；

（6）膠合：在潤滑不良，高速重載的情況下，由于摩擦發熱，軸承零件可能在極短的時間內達到很高的溫度，從而導致表面燒傷及損壞；

（7）保持架損壞：通常，由于裝配或使用不當而引起保持架發生變形，從而就可能增加保持架與滾動體之間的摩擦，甚至使某種滾動體卡死而不能滾動，或保持架與內外滾道發生摩擦等均可能引起保持架損壞，這也使振動、噪聲和發熱增加。

綜合滾動軸承的各種故障，其主要表現在內環、外環、滾珠或保持架等故障。

1.2 齒輪的常見故障[4]

齒輪是常見的傳動零件，齒輪的各種失效及比例大致如下：斷齒41%，點蝕31%，劃痕10%，磨損10%，其他8%。

（1）輪齒斷裂：有疲勞斷裂和過負荷斷裂兩種，疲勞斷裂，通常先從受力側齒根產生龜裂、逐漸向齒端發展而致折斷，而過負荷斷裂是由于機械系統弧度的劇烈變化、軸系共振、軸承破損、軸彎曲等原因，使齒輪產生不正常的一段接觸，載荷集中到齒面一端而引起；

（2）齒面磨損：金屬微粒、污物、塵埃和沙粒等進入齒輪而導致材料磨損、齒面局部熔焊隨之有撕裂的現象——擦傷等均屬磨損的情況；

（3）齒面疲勞：齒面接觸應力超過材料允許的疲勞極限，表面層先是產生細微裂紋，然后是小塊剝落，直至嚴重時整個齒斷裂；

（4）齒面塑性變形：如壓碎、趨皺。

1.3 軸的常見故障[4]

軸的失效形式主要表現為軸不平衡、不對中和彎曲。軸產生較嚴重的不平衡問題主要來自于：

（1）制造過程中的問題，新軸產生的嚴重的不平衡現象；

（2）使用過程中的問題主要分為兩方面，其一是軸在受到過大、瞬時沖擊載荷作用時產生彎曲或永久變形，其二是軸長期在較大的偏載工況下工作因而疲勞產生永久變形。

2 帶偏差單元的遞歸神經網絡原理及算法實現[5]

2.1 BP神經網絡結構

人工神經元模型如圖1所示，神經網絡就是由大量的神經元按一定的拓撲結構廣泛連接而成，節點與節點之間的傳輸通路，稱為“連接”。每一連接都具有一加權，或連接權，用于表示神經元的連接強度。

神經網絡的結構一般包括輸入層、輸出層和隱層。輸入層和輸出層分別是用于接收輸入信號，而隱層則用于對輸入信號進行內部學習和處理。1989年Rober Hecht Nielson證明，一個具有三層計算單元的BP神經網絡（其隱層采用Sigmoid型單元）可以以任意精度逼近任何連續函數，確定網絡輸入和輸出間的非線性映射關系。BP網絡結果如圖2所示。在實際應用中，一般取隱含層為一層構成一個三層的BP網絡，以減少計算量及避免網絡結構復雜化。

BP算法采用梯度下降的最小方差學習方式，按廣義規則改變權值，其基本原理是把相似模式的特征值提取出來，并映射到連接權值上，使學習后的網絡在遇到一個新模式時，通過將該模式與已存在的各類模式的特征值相比較，從而判斷出其類別。其缺點是：收斂數度太慢；不能保證收斂到最小點；學習記憶不穩定。

2.2 帶偏差單元的遞歸神經網絡算法實現

帶偏差單元的遞歸神經網絡算法學習流程圖如圖3所示，其實現過程具體如下：

（1）初始化；

（2）選區輸入模式Ak，Yk提供給網絡；

（3）用輸入模式Ak，連接{Wij}計算中間層各單元的輸入Sj，然后通過S函數計算中間各層各單元的輸出{bj}

（4）用中間層的輸入{bj}、連接權{Vji}計算輸出各單元的輸入{Lt}，然后用{Lt}通過S函數計算輸出層的各單元的響應{C[kt]}；

（5）計算一般化訓練誤差；

（6）用中間層各單元的一般化誤差修正連接權{Wij}，判斷訓練誤差的精度要求；

（7）判斷訓練誤差的精度要求，執行步驟（3）；

（8）轉回到步驟（2）。因此，帶偏差單元的遞歸神經網絡正好彌補了BP神經網絡的缺點。

3 基于帶偏差單元的遞歸神經網絡齒輪箱故障

診斷

3.1 帶有偏單元的遞歸神經網絡診斷模型的建立

神經網絡用于故障分類診斷的流程圖如圖4表示。本研究中使用的輸入層是27個神經元，其對應的測試點是11個，隱層神經元16個。用基于帶有偏單元的遞歸神經網絡來實現故障分類：表1所示是標準樣本，當其中測試編碼為1時代表有故障，且故障的各種特征參數的數據值在故障的范圍內，當測試編碼為0時代表無故障，且其各種特征參數的數據值在無故障范圍內，如，表1中第二行的1代表存在第一種故障，其他的0代表無其他故障；網絡輸入及輸出分別使用測試編碼和故障編碼，第一層和第二層的學習速率均取1.5，輸入和輸出偏差學習速率分別取1.0和3 100；帶有偏單元的遞歸神經網絡誤差的收斂結果如圖5所示，可以看出：網絡學習到第八步時，其精度優于0.006，且隨著訓練步數的增加，誤差呈收斂狀態。

應用典型數據（包括有故障數據與無故障數據）分別對網絡進行訓練，并將訓練好的網絡凍結，然后將測試編碼作為輸入，使網絡處于回想狀態，結果見表2。

3.2 帶有偏單元的遞歸神經網絡診斷

本文使用我國某新型坦克，研究其齒輪箱的故障診斷。根據前面第3.1中對齒輪箱中常發生故障的部件的分析，選取軸承、齒輪和軸的典型故障，如外圈、內圈、滾珠、保持架故障、齒輪磨損、齒形誤差、斷齒、點蝕、軸彎曲、軸向竄動、軸不對中等11種故障為研究對象，并選取一種為正常情況。

診斷過程分兩類：其一是采用本實驗采集到的處理后的數據，使用帶有偏單元的遞歸神經網絡診斷模型判斷其是否有故障，表3為模型的實際輸出；其二是人為設置一些故障，通過帶有偏單元的遞歸神經網絡診斷模型判斷其是否有故障并確定其故障類型，表4為實際輸出與理論輸出的比較。

結果分析：由表3可以看出，經過程序模型判斷，現在坦克齒輪箱無故障，符合實際情況，本研究采集的是全新坦克數據。

從表4可以看出，實際判斷的故障與模擬故障相吻合，并可確定前三組為單一故障分別為斷齒、滾珠破損、外圈剝落。后三種分別為混合故障，且第四組為斷齒和外圈剝落，第五組為斷齒和滾珠破損，第六組為斷齒、外圈剝落和滾珠破損。

因此，帶偏差單元的遞歸神經網絡在本型號坦克齒輪箱的故障診斷中不僅能對齒輪箱的單一故障做出正確的診斷，而且對混合故障也具有良好的識別能力。算法精度高，收斂性好。

4 結 語

本文對某型號坦克傳動系統的齒輪箱的故障診斷是基于帶偏差單元的遞歸神經網絡模型的算法。以齒輪箱的常見故障為基礎，以帶偏差單元的遞歸神經網絡模型為模式識別技術，實現了齒輪箱故障的有效診斷。本文的研究對其他領域故障診斷的成功率的進一步提高起到了積極地推動作用。

參考文獻

[1] 馬銳.齒輪箱的非線性故障機理研究及實驗診斷[D].哈爾濱：哈爾濱工業大學，2012.

[2] 林近山，陳前.基于非平穩時間序列雙指標特征的齒輪箱故障診斷[J].機械工程學報，2012，48（13）：108?114.

[3] 管森森.基于振動信號分析的齒輪箱故障診斷系統開發[D].北京：華北電力大學，2011.

[4] 趙軍，張丹，王金光.齒輪箱的失效原因與振動診斷[J].中國修船，2008，21（5）：15?17.

[5] HAGAN M T， DEMUTH H B， BEALE M H.Neural network design [M].戴葵，譯.北京：機械工業出版社，2002.

[6] 魏江濤，陳方濤，姜美雷.BP神經網絡在設備故障診斷方面的應用[J].現代電子技術，2012，35（19）：131?134.