基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷法

1、徐州凱爾農(nóng)業(yè)裝備股份有限公司 高曉磊 王敏 2、山東科技大學(xué) 王偉

基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷法

1、徐州凱爾農(nóng)業(yè)裝備股份有限公司 高曉磊 王敏 2、山東科技大學(xué) 王偉

機(jī)械振動(dòng)故障診斷技術(shù)引入人工神經(jīng)網(wǎng)絡(luò)，通過一個(gè)具有大量專門知識(shí)和經(jīng)驗(yàn)的智能網(wǎng)絡(luò)，對(duì)數(shù)據(jù)進(jìn)行分析，模擬人類專家進(jìn)行推理、判斷和決策，從而獲得分析結(jié)論。網(wǎng)絡(luò)以振動(dòng)信號(hào)的頻域特征為輸入，以故障模式編碼為輸出，通過MATLAB7.0人工神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建網(wǎng)絡(luò)。仿真結(jié)果表明：對(duì)訓(xùn)練的特征樣本進(jìn)行模式識(shí)別具備了很高的準(zhǔn)確率，實(shí)現(xiàn)了診斷分析的智能化。

人工神經(jīng)網(wǎng)絡(luò)；機(jī)械故障；機(jī)械振動(dòng)；人工智能

1 前言

隨著機(jī)械設(shè)備自動(dòng)化水平和復(fù)雜程度的提高，機(jī)械設(shè)備故障診斷變得越來越重要，因此診斷方法的選擇會(huì)對(duì)診斷結(jié)果的精確與否產(chǎn)生重要影響。故障的智能診斷也因此隨著計(jì)算機(jī)的迅猛發(fā)展展示出極大的優(yōu)勢(shì)。

傳統(tǒng)的診斷分析方法是通過檢測(cè)所獲得的數(shù)據(jù)進(jìn)行人工分析從而獲得結(jié)論，這就要求技術(shù)人員要有很豐富的診斷經(jīng)驗(yàn)以及很深厚的理論基礎(chǔ)。本文所述的就是一種新的分析實(shí)現(xiàn)方法。我們將機(jī)械振動(dòng)故障診斷技術(shù)引入人工神經(jīng)網(wǎng)絡(luò)，通過一個(gè)具有大量專門知識(shí)和經(jīng)驗(yàn)的智能網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分析，模擬人類專家運(yùn)用知識(shí)和經(jīng)驗(yàn)進(jìn)行推理、判斷和決策的思維，從而獲得診斷結(jié)論的一種方法。

2 旋轉(zhuǎn)機(jī)械振動(dòng)分析法

旋轉(zhuǎn)機(jī)械的功能主要是由旋轉(zhuǎn)動(dòng)作來實(shí)現(xiàn)的，它的重要部件之一就是轉(zhuǎn)子。當(dāng)發(fā)生故障時(shí)常會(huì)伴隨著噪音和震動(dòng)異常的現(xiàn)象因此我們將轉(zhuǎn)子的振動(dòng)信號(hào)作為對(duì)象進(jìn)行研究分析。常見的故障及其振動(dòng)特征如下：

1.由于旋轉(zhuǎn)體軸心本身的質(zhì)量分布不均勻?qū)е碌牟黄胶?，致使在旋轉(zhuǎn)時(shí)會(huì)產(chǎn)生很大的離心力而出現(xiàn)振動(dòng)的現(xiàn)象。主要表現(xiàn)在：頻譜圖中，諧波能量集中于基頻左右，幅值相對(duì)穩(wěn)定，轉(zhuǎn)子的軸心軌跡大致為橢圓，振動(dòng)的時(shí)域波形為正弦波。

2.當(dāng)用聯(lián)軸節(jié)連接兩根軸的中心線時(shí)往往不重合。主要表現(xiàn)在：振動(dòng)特性相對(duì)穩(wěn)定，振動(dòng)二倍頻極大，振動(dòng)方向一般為徑向、軸向，相位特征穩(wěn)定性好，軸心軌跡與雙環(huán)橢圓擬合，振幅隨負(fù)荷變化、轉(zhuǎn)速都較為顯著。

3.在滑動(dòng)軸承里面，由于油膜動(dòng)力效應(yīng)中油膜阻尼力和渦動(dòng)力之間的相互作用而引起的一種自激振動(dòng)。主要表現(xiàn)在：油膜渦動(dòng)的高頻成分較少，主要集中在低頻、工頻附近的振幅所占比例相對(duì)較大，相位特征和振動(dòng)較為穩(wěn)定，軸心軌跡大致為雙環(huán)橢圓，振動(dòng)主要方向?yàn)閺较蚍较颉?/p>

4.軸承諧波成分豐富，存有缺陷頻率，由于存在隨機(jī)高頻振動(dòng)帶，邊帶成分也很突出，軸承溫度較高。

5.振動(dòng)在超低頻分量時(shí)經(jīng)常出現(xiàn)，振動(dòng)相對(duì)不穩(wěn)定，相位也不穩(wěn)定，軸心軌跡紊亂，出現(xiàn)喘振現(xiàn)象。

6.軸承座松動(dòng)的振動(dòng)往往以垂直振動(dòng)為主，由頻譜圖中看出，頻譜除基頻以外，仍然有很大一部分高頻成分及偶次分頻，軸心軌跡相當(dāng)混亂，重心偏移，但其能量主要集中在低于1/2倍頻的低頻區(qū)。

3 人工神經(jīng)網(wǎng)絡(luò)

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN）就是在人們還不能清楚認(rèn)識(shí)生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，假想出來的能夠反映生物神經(jīng)元基本功能的“人工神經(jīng)元”，通過某種方式連接起來，就形成了一個(gè)能模擬推理、判斷和決策能力的智能網(wǎng)絡(luò)。

3.2 BP神經(jīng)網(wǎng)絡(luò)模型及算法概述

本文研究分析所采用的網(wǎng)絡(luò)為有反饋的前向網(wǎng)絡(luò)（即BP神經(jīng)網(wǎng)絡(luò)）其結(jié)構(gòu)如圖3.1所示：

圖3 .1人工神經(jīng)網(wǎng)絡(luò)模型

網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，相鄰層之間的神經(jīng)元全互連，同一層內(nèi)的神經(jīng)元無連接。輸入層、中間層和輸出層的單元數(shù)分別是n，p和q，輸入為ah(h=1,2,…n)；中間層輸出為 bi(i=1,2,…p)；網(wǎng)絡(luò)實(shí)際輸出為cj(j=1,2,…q)。cjk(j=1,2…q)表示訓(xùn)練樣本期望輸出。輸入單元h到中間單元i的權(quán)值為Vhi，中間單元i到輸出單元j的權(quán)值為Wij，用θi和θj分別來表示輸出單元和中間單元的閾值。

學(xué)習(xí)樣本提供到相應(yīng)的網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層通過中間層的作用向輸出層傳播，輸出層的每個(gè)神經(jīng)元得到網(wǎng)絡(luò)的輸入響應(yīng)后，按照減小實(shí)際誤差與目標(biāo)輸出的方向，由輸出層通過中間層一層一層地修正各連接權(quán)值，進(jìn)而回到輸入層，BP網(wǎng)絡(luò)就是通過這種“誤差逆?zhèn)鞑ニ惴ā?。通過誤差逆?zhèn)鞑バ拚粩噙M(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式的響應(yīng)正確率也不斷提高。其學(xué)習(xí)過程就是通過求實(shí)際輸出與目標(biāo)輸出的誤差來調(diào)整權(quán)值，再得出新的輸出，再通過求輸出與目標(biāo)輸出的誤差來調(diào)整權(quán)值周而復(fù)始的過程，直到實(shí)際輸出與目標(biāo)輸出的誤差小于一定值。最后形成網(wǎng)絡(luò)及其能滿足要求的各網(wǎng)絡(luò)權(quán)值，以達(dá)到模式識(shí)別的目的，并通過網(wǎng)絡(luò)特性具備了一定的容錯(cuò)能力。

4 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)械振動(dòng)故障診斷的方法

由前文我們知道，振動(dòng)的特征對(duì)故障形式具有一定的表征作用，主要以振動(dòng)信號(hào)的頻域特征作為故障征兆，經(jīng)歸一化處理后作為故障征兆，以10種現(xiàn)場(chǎng)常發(fā)生的典型故障作為網(wǎng)絡(luò)輸出，構(gòu)成一個(gè)三層的BP網(wǎng)絡(luò)，實(shí)現(xiàn)故障分析。

4.1 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)

采用帶一層隱含層的BP網(wǎng)絡(luò)，特征樣本有9個(gè)參數(shù)輸入，得輸入層為9個(gè)神經(jīng)元。目標(biāo)輸出有6種代碼，得輸出層為6個(gè)神經(jīng)元。網(wǎng)絡(luò)建立后，其訓(xùn)練的精度取決于隱含層神經(jīng)元個(gè)數(shù)。由輸入層和輸出層神經(jīng)元的個(gè)數(shù)，初步判斷隱含層神經(jīng)元個(gè)數(shù)在3-13之間，經(jīng)過測(cè)試程序得到隱含層11個(gè)神經(jīng)元效果較好。

4.2 網(wǎng)絡(luò)的訓(xùn)練

在MATLAB7.0環(huán)境下運(yùn)用其人工神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練該網(wǎng)絡(luò)。得訓(xùn)練曲線如圖4.2所示：

圖4 .2MATLAB7.0環(huán)境下訓(xùn)練曲線

4.3 仿真網(wǎng)絡(luò)

在MATLAB7.0環(huán)境下運(yùn)用其人工神經(jīng)網(wǎng)絡(luò)工具箱仿真網(wǎng)絡(luò)。得仿真結(jié)果如下表所示：

0 1 2 3 4 5樣本一 1.00 0.00 0.00 0.00 0.00 0.00樣本二 0.00 1.00 0.00 0.00 0.00 0.00樣本三 0.00 0.00 1.00 0.00 0.00 0.00樣本四 0.00 0.00 0.00 1.00 0.02 0.00樣本五 0.00 0.00 0.02 0.00 0.99 0.00樣本六 1.00 0.00 0.00 0.00 0.00 0.00

5 結(jié)語(yǔ)

仿真結(jié)果表明對(duì)訓(xùn)練的特征樣本進(jìn)行模式識(shí)別具備了很高的準(zhǔn)確率。本網(wǎng)絡(luò)主要是以振動(dòng)信號(hào)的頻域特征為輸入，以故障模式編碼為輸出。在運(yùn)用過程中當(dāng)輸入樣本得到的輸出量與實(shí)際故障不相符時(shí)，我們就把該輸入加入訓(xùn)練樣本，把該故障加入目標(biāo)向量，將網(wǎng)絡(luò)重新訓(xùn)練。隨著訓(xùn)練樣本、識(shí)別模式的增加，網(wǎng)絡(luò)在容錯(cuò)能力以及識(shí)別范圍上將不斷完善。可見，將機(jī)械振動(dòng)故障診斷技術(shù)引入人工神經(jīng)網(wǎng)絡(luò)后，實(shí)現(xiàn)了分析的智能化。

[1]張玲.人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用，浙江科學(xué)技術(shù)出版社，1997年.

[2]周開利、康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計(jì)，清華大學(xué)出版社，2005年.

[3]李國(guó)華，張永忠.機(jī)械故障診斷，北京化學(xué)工業(yè)出版社，1999年.

[4]百木萬博等.故障診斷、異常診斷及其對(duì)策，振動(dòng)監(jiān)測(cè)、機(jī)械振動(dòng)講演文集，機(jī)械工業(yè)部鄭州機(jī)械研究所，1984年.

[5]薛小蘭，溫秀蘭，張鵬.基于遺傳神經(jīng)網(wǎng)絡(luò)的機(jī)械振動(dòng)信號(hào)預(yù)測(cè)，《彈箭與制導(dǎo)學(xué)報(bào)》，2007（3）.