基于人工神經網絡技術的礦用皮帶機滾動軸承故障診斷

張應紅，李聰，景暉，閆建軍

(1.桂林電子科技大學機電工程學院，廣西桂林541004;2.桂林航天工業學院機械工程系，廣西桂林541004;3.中國煤炭科工集團太原研究院，山西太原030006)

礦用皮帶機是目前煤礦中應用較為廣泛的一種運輸工具，承擔著井下煤炭的運輸任務。滾動軸承大量地用于皮帶機，其故障嚴重影響著井下煤炭運輸的正常運行。現有皮帶機的故障診斷經常是定期檢查或事后診斷。當皮帶機停機進行定期檢查時，對于煤礦企業而言，嚴重影響其正常的煤炭生產，并且有一些故障的發生和發展是比較快的，一般難以通過定期檢查及時發現。一旦皮帶機軸承出現故障，則會直接導致皮帶機停運，甚至危及安全生產，造成安全事故，使煤炭生產無法正常進行，給企業帶來嚴重的損失。因此，對皮帶機滾動軸承快速準確地進行故障診斷具有重要的理論及現實意義。

近年來，在滾動軸承的故障診斷領域，許多專家學者進行了深入的研究，取得了一系列成果。一般而言，滾動軸承的故障診斷方法有很多，如振動診斷方法、油液診斷方法、聲發射診斷方法、光纖診斷方法、熱診斷方法和人工智能診斷等方法。其中，基于振動信號的滾動軸承故障診斷方法主要通過對設備運行過程中軸承振動信號的采集和處理來對滾動軸承運行過程中出現的疲勞剝落、變形、壓痕、裂紋和局部腐蝕等故障進行診斷，該方法由于相關理論和實際相對成熟，因此，應用比較廣泛［1－5］。

作者首先對人工神經網絡模型的原理、結構、學習算法進行了分析，并研究了基于人工神經網絡的故障診斷技術。最后以礦用皮帶機滾動軸承故障診斷為實例，進行故障診斷。

1 人工神經網絡技術

人工神經網絡技術是現代人工智能技術的一個重要分支。人工神經網絡的結構形式由基本處理單元及其互聯方法決定，其中，連接結構的基本處理單元稱為神經元，神經元是神經網絡的基本處理單元。圖1為一種簡化的神經元結構，該結構是一個多輸入、單輸出的非線性元件。BP 神經網絡模型是一種較為成熟且應用廣泛的神經網絡模型，該網絡把一組訓練樣本的輸入輸出問題變為一個非線性優化問題。相對其他傳統模型而言，該網絡具有較好的持久性、適時預報性和分類能力。BP 神經網絡主要由輸入層、隱層和輸出層組成。BP 神經網絡的學習主要由前向計算過程和誤差反向傳播過程組成。在正向傳播時，信息從輸入層輸入，經過隱單元處理后傳向輸出層，每一層神經元的狀態只對下一層的神經元的狀態有影響。如果在輸出層得不到預期的輸出，則轉入反向傳播，將誤差信號沿原來的神經元連接通路返回。在返回過程中，網絡逐一修改各層神經元連接的權值和閾值。重復迭代以上過程，使得信號誤差能夠達到允許的誤差范圍［6－10］。

圖1 神經元結構模型

2 礦用皮帶機滾動軸承故障特征分析

滾動軸承主要由內圈、外圈、滾動體和保持架4種元件組成，如圖2所示。軸承內圈與傳動軸的軸頸通常采用過盈配合聯接，工作時隨軸一起轉動。而軸承外圈通常安裝在軸承座上，工作時固定或相對固定。滾動體是滾動軸承的核心元件，它使相對運動的元件表面間的滑動摩擦變為滾動摩擦。滾動體的形式有球形、圓柱形、鼓形、圓錐形等。通常，在滾動軸承內、外圈上都有凹槽滾道。滾道的主要作用是降低接觸應力和限制滾動軸承軸向移動等。保持架的作用在于使滾動體等距離分布并減少滾動體間的摩擦和磨損。滾動軸承故障特征頻率計算如下［4］:

z 個滾動體與外圈上某一固定點接觸的頻率為:

z 個滾動體與內圈上某一固定點接觸的頻率為:

滾動體某一固定點與外圈或內圈接觸的頻率為:

其中，假設軸承外圈固定，內圈旋轉頻率為fs，滾動體直徑為d，軸承節徑為D，接觸角為α，滾動體個數為z，這里假定滾動體與內外圈之間為純滾動接觸。fo、fi和fr分別稱為外圈、內圈和滾動體的故障特征頻率。

圖2 滾動軸承結構圖

3 基于BP 網絡的礦用皮帶機滾動軸承故障診斷技術

基于人工神經網絡的機械故障診斷技術，就是通過對機械故障信息和診斷經驗的訓練學習，然后利用分布在網絡內部的連接權值來表達所學習的故障診斷知識。因此，該方法具有對故障模式的聯想記憶、模式匹配和相似歸納能力，從而實現故障與征兆之間復雜的非線性映射關系。以下結合BP 神經網絡的特點及滾動軸承故障診斷的要求，設計了基于BP 神經網絡的滾動軸承故障診斷系統。該系統的主要診斷步驟如下:

(1)對故障信息進行采集并預處理，建立網絡訓練樣本集。

(2)BP 網絡模型的建立及訓練;

(3)測試樣本檢測。

4 故障診斷實例分析

下面以皮帶機滾動軸承故障診斷為例，進行故障模式識別。同時將最為常見的內圈故障、外圈故障、滾子故障等3 種故障征兆參數進行測量，作為故障診斷依據，如表1所示。具體診斷步驟如下:

(1)輸出、輸入向量的確定及征兆/故障樣本集的設計。根據皮帶機滾動軸承工作過程中的理論分析和實際經驗，可以確定滾動軸承各個部件可能出現故障的類型，作為故障輸出，即BP 神經網絡的輸出。分別見表1 和表2。

表1 測試樣本表

在表1 中，選擇滾動軸承常見的3 種典型故障進行研究:軸承內圈故障、軸承滾動體故障和軸承外圈故障。為提高訓練效果，每種故障模式采集3 列的向量數據。由于數據量比較大，故表1 只給出了部分數據。

(2)利用MATLAB 神經網絡工具箱構造神經網絡，即構造:BP 神經網絡，用學習樣本對其進行學習訓練，確定其結構參數。

(3)以待診斷故障數據樣本作為測試樣本，輸入到已訓練好的網絡進行測試，輸出的診斷結果如表3所示。輸出向量為3 類故障模式，當對應上述3 類故障時，矩陣表示為1，否則為0。數值越接近1，證明是這種故障的概率越大，反之亦然。

表3 樣本測試結果表

利用上述數據對應關系，對建立好的網絡對進行訓練。訓練結果如圖3 和表4所示。

圖3 中，橫軸代表迭代次數，縱軸代表收斂誤差;黑色粗實線代表實際計算的系統收斂誤差，虛線代表設定的目標;當系統收斂誤差到達設定的目標值時，表示系統訓練完成，達到預期效果。當網絡訓練完成后，將采集到的實際故障數據輸入網絡，網絡迅速輸出結果，如表4所示。

圖3 神經網絡訓練結果圖

表4 實際故障采樣表及診斷結果

表4 給出了3 種不同的故障模式輸入情況下的網絡輸出。從診斷結果可以看出，網絡判斷結果正確。

5 結束語

文中充分利用神經網絡優秀的聯想記憶、模式匹配和相似歸納能力等優點，將其應用在礦用皮帶機滾動軸承的故障診斷中。通過對滾動軸承的故障進行實例分析，表明了該診斷方法可以有效地查找到故障，縮短維修周期，對故障原因復雜的礦用皮帶機滾動軸承系統有一定的使用價值。

【1】陳進.機械設備振動監測與故障診斷［M］.上海:上海交通大學出版社，1999.

【2】屈梁生，何正嘉.機械故障診斷學［M］.上海:上海科學技術出版社，1986.

【3】李俊卿.滾動軸承故障診斷技術及其工業應用［D］.鄭州:鄭州大學碩士學位論文，2010.

【4】蘇文勝.滾動軸承信號處理及特征提取方法研究［D］.大連:大連理工大學博士學位論文，2010.

【5】TANDON N A，CHOUDHURY A B.A Review of Vibration and Acoustic Measurement Methods for Detection of Defects in Rolling Element Bearing ［J］.Tribology International，1999，32(8):469－480.

【6】宗群，王中海，羅欣宇.神經網絡技術在電梯故障診斷中的應用［J］.計算機應用，2003，23(8):78－80.

【7】順廷虎，鐘來林，黃仁.BP 神經網絡在旋轉機械故障診斷中的應用［J］.東南大學學報，1993，23(5):16－20.

【8】胡守仁，余少波，戴葵.神經網絡導論［J］.長沙:國防科技出版社，1992.

【9】梁武科，趙道利，馬薇等.基于粗糙－BRF 神經網絡的水電機組故障診斷［J］.儀器儀器學報，2007，28(10):1806－1810.

【10】呂俊峰，陳小安，趙孟娜.基于改進神經網絡的少齒差行星齒輪參數優化設計［J］.重慶理工大學學報:自然科學版，2012，26(2):55－59.