基于BP神經網絡的圓錐滾子軸承故障診斷

許 立，張 宇，湯武初，施志輝，張火車

(1.大連交通大學 機械工程學院，遼寧 大連 116028；2.大連理工大學 機械工程學院，遼寧 大連 116023)

?

基于BP神經網絡的圓錐滾子軸承故障診斷

許 立，張 宇，湯武初，施志輝，張火車

(1.大連交通大學 機械工程學院，遼寧 大連 116028；2.大連理工大學 機械工程學院，遼寧 大連 116023)

圓錐滾子軸承在旋轉機械中應用較為廣泛，其故障對整機的運行狀態將造成極大的影響，因此對其進行故障診斷十分必要。文中提出了基于神經網絡的圓錐滾子軸承故障診斷方法。利用小波包分解對軸承的振動信號進行分析，將分解后得到的小波包能量矩歸一化處理后作為特征向量，用標準數據的特征向量構成的訓練樣本對BP神經網絡進行訓練和測試，達到誤差要求后，用該網絡對圓錐滾子軸承的故障仿真實驗數據進行故障診斷，診斷結果在誤差范圍內，達到故障診斷目的,驗證了該方法在圓錐滾子軸承故障診斷中的有效性。

圓錐滾子軸承；小波包分解；BP神經網絡

0 引言

圓錐滾子軸承屬于分離型軸承，軸承內、外圈均具有錐形滾道。該類軸承按所裝滾子列數分為單列、雙列和四列等不同的結構形式。它在機械、鐵路、航空航天以及一些軍事工業部門中的應用都非常廣泛，也是比較容易損壞的零件之一，它在機械設備中起著傳遞和承受載荷的關鍵作用，是旋轉類機械中必不可少的一部分[1]。若軸承出現故障，輕則降低機械設備的使用性能，重則不光會造成極大的財產損失，甚至還危及人們生命的安全。因此，對圓錐滾子軸承的故障進行研究，一直是故障診斷中重點發展的技術之一。

近幾年來，越來越多的故障診斷方法被應用于滾動軸承的故障診斷中，其中利用振動信號的診斷是最為有效的方法之一[2]。隨著小波理論的迅速發展，特別是人工神經網絡技術在故障診斷領域的大量應用，也將故障診斷技術推向了一個新的高度。由于基于神經網絡的故障診斷方法在系統參數未知的情況下能夠自動建立動態模型，對于線性系統和非線性系統有很好的跟蹤能力，因此可以準確的識別出系統存在的故障，并且網絡內部的傳遞函數，對數據有較強的分類能力，非常適合用于設備的故障診斷。

雖然關于滾動軸承故障診斷的研究已經有了很大的進展，但是針對某些應用特殊軸承的故障診斷研究并不完善，比如高速列車上的圓錐滾子軸承。鑒于此，本文設計圓錐滾子軸承的故障模擬試驗，繼而進行故障診斷，為高速列車軸承的故障診斷提供參考。

1 提取故障特征

特征提取是基于神經網絡進行故障診斷的關鍵，提取出的故障特征應該具有較好的典型性和代表性，使其能夠具有表征系統故障狀態的能力。此外，該特征的形式還應該便于后續的診斷處理，以作為網絡的訓練樣本及測試樣本[3]。

傳統的小波分析只對信號的低頻成分進行了較好的分解，而造成高頻成分的時間分辨率高，頻率分辨率低的后果[4]。但是小波包分析對這一缺點進行了改進，它能夠清晰細致的刻畫信號的高頻成分，并且能夠根據被分析信號的特征自適應的選擇相應頻帶，從而提高了時頻分辨率[5]。由于圓錐滾子軸承的故障特征多存在于高頻信號中，因而所做的特征提取需要對信號的高頻成分進行較為細致的刻畫，為了能夠得到準確完整的故障特征，就需要選用小波包分析對故障信號進行分析。

1.1 利用小波包分解提取故障特征

軸承的振動一般是由外部的振源和軸承本身及存在的缺陷引起的，軸承在正常情況下運轉時，由于工作條件、安裝誤差、加工誤差等影響，軸承會出現比較平穩而有規律的振動。但是當軸承出現如剝落、點蝕和裂紋等故障時，軸承的信號中就會存在沖擊和有特殊規律的成分，這些特殊信號中就包含著軸承的故障特征。因而對這些信號的準確分析和識別，就成為故障診斷的前提和基礎。運用小波包分解的方法，可以得出軸承故障信號的特征，為后續故障診斷提供數據。

利用小波包分解多分辨率的特點，對軸承的信號進行三次小波包分解。當軸承出現故障時，各頻帶內的信號能量分布會發生變化，因而經過三層小波包分解后，提取第三層的八個分解系數，用于小波重構后提取各相應頻帶范圍內的信號，繼而求取相應頻帶內信號的總能量，構造特征向量。

首先引用來自美國Case Western Reserve大學軸承數據中心提供的數據[6],對數據進行三層小波包分解，提取出特征向量。直接求取的關于能量的向量值并不規范，需要進行歸一化處理，才能用于后續的神經網絡故障診斷中，歸一化處理后的特征向量如表1所示。

表1 歸一化處理后的特征向量

表1中列出了滾動軸承正常情況、外圈剝落故障、內圈剝落故障、滾子剝落故障四種情況下的故障特征向量。運用小波包分解的方法來提取軸承的故障特征，不需要進行復雜的信號分析過程即可得到比較整齊的向量數據，簡化了特征提取的步驟，提高了效率。

特征向量作為神經網絡輸入向量P，這就需要設計網絡的輸出向量T，根據上表可知，本文主要研究了軸承的四種情況，因此設計輸出形式如表2所示。

表2 輸出向量

2 BP神經網絡的圓錐滾子軸承故障診斷

2.1 故障診斷流程

隨著現代科學技術水平的不斷提高，系統的規模和復雜程度逐漸增加，這給故障診斷帶來了更多的困難。神經網絡技術的出現，為故障診斷提供了一個新的途徑。神經網絡是模擬人神經系統的一種數學模型[7]。它有從歷史數據中學習，并與當前數據比較以進行診斷的能力。與此同時它還能夠在存在噪聲的情況下得出正確結論，具有分辨故障原因及故障類型的能力[8]。

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳播，誤差反向傳播[9]。它一般由輸入層、隱含層和輸出層三部分組成。基于神經網絡的軸承故障診斷流程如圖1所示，過程主要分為兩個部分，一是先運用一定數量的樣本集對神經網絡進行訓練，得到所希望的故障診斷網絡；二是對診斷原始數據或是測試數據進行診斷。無論是訓練還是診斷的過程，都需要對原始的訓練樣本數據及測試數據進行恰當的處理，這部分主要是達到本文第2節提到的提取特征向量的目的。為了方便信號的特征提取，還可以進行適當的信號預處理，如信號放大、濾波、調制與解調等，預處理的情況主要依據數據的具體特點而定。

圖1 基于神經網絡的故障診斷流程圖

2.2 BP神經網絡的構建

創建BP神經網絡的重點在于確定網絡的層數及輸入層、隱含層和輸出層的節點數[10]。輸入層的節點數要根據實際問題的需要來設計，而輸出層則設計成我們所期望的數據形式即可。對于網絡層數和隱含層的節點數的設計，則根據指導原則進行設計，即一般的模式識別問題，運用三層網絡就可以很好的解決問題，而且在三層網絡中，隱含層神經元的個數n2和輸入層神經元個數n1之間有n2=2n1+1的近似關系。根據表2列出的特征向量可知，輸入的是一個8維的向量，因而設計網絡的輸入層神經元個數為8個。輸出的結果中應包含正常、外圈故障、內圈故障和滾子故障四類，因而確定輸出層神經元個數為4，根據設計原則可以得出，隱含層的神經元個數約為17個。但是隱含層的神經元個數并不是絕對固定的，需要經過實際的訓練和檢驗來不斷調整。

在創建網絡的過程中，需要定義輸入向量的最大值和最小值，由于數據歸一化處理后在區間[-1,1]之間，故設計的最大值為1，最小值為-1。另外還需要選擇輸出層和隱含層的傳遞函數以及訓練函數，本次設計的神經網絡的參數如表3所示。

表3 BP神經網絡的相關參數

參數選擇完畢后，運用代碼net=newff(threshold,[17,4],{‘tansig’,‘logsig’},‘trainlm’); 即可在MATLAB中實現BP神經網絡的創建。其中變量threshold定義了輸入向量的最大值與最小值。

2.3 BP神經網絡的訓練與測試

BP神經網絡的訓練過程是一個對閾值和權值進行不斷修正的過程，通過調整，最終使誤差在允許的范圍內，使得網絡滿足實際的要求。訓練函數trainlm是利用Leveberg-Marquart算法對網絡進行訓練的，在訓練之前需要對訓練次數、訓練目標及學習速率等訓練參數進行設置，如表4所示。

表4 訓練參數

設置完訓練參數以后，需要運用代碼net=train(net,P,T);來實現網絡訓練，其中P和T分別為輸入向量和目標向量，P是從表1中得出的，但表1中只是列舉了一部分，實際過程中需要輸入更多的特征向量，以保障故障特征信息的完整性。T是從表2中得出的。網絡的訓練結果如圖2所示，可見，經過5次訓練后，網絡就達到了誤差要求，收斂速度較快。

圖2 訓練結果

訓練完成后，抽取4組新的數據作為測試數據，測試的代碼為Y=sim(net,P_test);測試的結果如表5所示。從表中可以看出，這四次的測試誤差不大，基本滿足要求。因此可以判定，本文所設計的BP神經網絡，可以達到滾動軸承的故障診斷目的。

表5 測試結果

2.4 圓錐滾子軸承的故障診斷

在進行圓錐滾子軸承的故障診斷前，需要獲得其運行時的振動信號，因而設計了圓錐滾子軸承故障模擬試驗，所用軸承類型為SKF31306型。運用小型的軸承試驗機搭建試驗平臺，運用加速度傳感器和28個通道的INV302C型振動儀采集軸承振動信號。在故障模擬試驗中，盡可能的模仿圓錐滾子軸承的工況，因而在軸向和徑向均施加一定的載荷，以確保所得信號的準確性。為了得到故障信號，設計四組試驗，分別采集軸承正常、外圈故障、內圈故障、滾子故障的信號，其中各部分的故障均為人為制造的凹坑。將數據進行簡單的處理后，導入到MATLAB中，進行小波包分析，提取特征向量，并進行歸一化，如表6所示。

表6 圓錐滾子軸承故障特征向量

特征向量求取完成后，按照網絡測試的過程進行診斷即可，輸出的診斷結果如表7所示。從表中可以看出，診斷結果的誤差在可接受的范圍內。因而判斷運用本文設計的BP神經網絡的，可以對圓錐滾子軸承進行故障診斷，且效果良好。

表7 圓錐滾子軸承故障診斷結果

3 結論

用BP神經網絡對SKF31306型圓錐滾子軸承進行了故障診斷，結果表明本文采用的故障診斷方法能夠有效的識別圓錐滾子軸承的故障情況，且診斷誤差較小，滿足實際診斷的需求。

[1] 張進，馮志鵬，褚福磊.滾動軸承故障特征的時間-小波能量譜提取方法[J].機械工程學報，2011，47(17)：44-49.

[2] 何正嘉,陳進,王太勇,等.機械故障診斷理論及應用 [M].北京：高等教育出版社，2010.

[3] 鐘飛，鄭曉斌，史鐵林,等.基于小波神經網絡的軸承未知異常診斷[J].河南科技大學學報，2007，28(4)：10-13.

[4] 吳德華.基于RBF神經網絡的列車滾動軸承故障診斷[J].現代計算機(專業版)，2009(11):38-40,76.

[5] 熊星.基于小波包分解和希爾伯特黃變換的滾動軸承故障診斷[D].合肥:中國科學技術大學,2014.

[6] The Case Western Reserve University Bearing Data Center Website.Bearing Data Center Seeded Fault Test Data[EB/OL].2008-3-11.

[7] 王斌.基于小波分析和BP神經網絡的滾動軸承故障診斷方法研究[D].蘭州:蘭州交通大學,2014.

[8] 飛思科技.神經網絡理論與MATLAB7實現[M].北京:電子工業出版社，2005.

[9] 史峰.MATLAB神經網絡30個案例分析[M]. 北京:北京航空航天大學，2011.

[10] 吳治南.基于小波變換與PNN神經網絡相結合的滾動軸承故障診斷[D].邯鄲:河北工程大學,2015.

(編輯 李秀敏)

The Fault Diagnosis Of Tapered Roller Bearing Based on the BP Neural Network

XU Li1,ZHANG Yu1,TANG Wu-chu1,2,SHI Zhi-hui1,ZHANG Huo-che1

(1.College of Mechanical Engineering,Dalian Jiaotong University,Dalian Liaoning 116028,China;2.College of Mechanical Engineering,Dalian University of Technology,Dalian Liaoning 116023,China)

Tapered roller bearings is widely used in rotating machinery, the failure of the bearing will cause a great impact on the complete machine’s running status.,so its fault diagnosis is necessary. In this paper, we put forward a method, which is based on BP neural network ,to diagnose the fault of tapered roller bearing. Wavelet packet decomposition is used to analyzing vibration signals of the bearings, after the analysis, we get the wavelet packet energy,which can be used as a feature vector after the normalization process. Using the feature vectors that contains standard data as the training samples to train and test the BP neural network, after reaching the error requirements, this network is used to diagnose the fault of tapered roller bearing, diagnose results is in the error range, so we achieve the purpose of fault diagnosis, then can also verify the effectiveness of this method that is used to fault diagnosis of the tapered roller bearing.

tapered roller bearing;wavelet packet decomposition;BP neural network

1001-2265(2016)11-0105-03

10.13462/j.cnki.mmtamt.2016.11.028

2016-07-13；

2016-08-06

許立(1956—)，男，遼寧大連人，大連交通大學教授，研究方向為數字化制造理論及實用技術，(E-mail)xuli@djtu.edu.cn；通訊作者：張宇(1990—)，女，滿族，河北承德人，大連交通大學碩士研究生，研究方向為數字化制造理論及實用技術，(E-mail)597810341@qq.com。

TH165+.3;TG506

A