基于BP神經網絡的變速箱故障診斷方法研究

劉 鑫，賈云獻，孫 磊，劉天斌

(1.軍械工程學院 裝備指揮與管理系，石家莊 050003;2.陸航研究所 一室，北京 101121; 3.中國人民解放軍94270部隊， 濟南 250117)

基于BP神經網絡的變速箱故障診斷方法研究

劉 鑫1，賈云獻1，孫 磊2，劉天斌3

(1.軍械工程學院 裝備指揮與管理系，石家莊 050003;2.陸航研究所 一室，北京 101121; 3.中國人民解放軍94270部隊， 濟南 250117)

針對變速箱的工作時間不能真實反映實際健康狀況的問題，通過提取變速箱的振動信號作為狀態參數，建立了基于BP神經網絡的變速箱故障診斷模型;該模型首先提取振動信號中對故障反映靈敏的成分作為特征值，獲得BP神經網絡的訓練數據，并通過對比確定最優的隱含層節點數，確定BP神經網絡的結構參數;模型訓練結束后，以驗證數據為例進行故障診斷研究，并對診斷結果進行評估;評估結果表明，該模型準確度高，具有較好的應用和推廣價值。

BP神經網絡;故障診斷;模式識別;變速箱

0 引言

變速箱是車輛系統的重要部件，主要由齒輪和軸承組成，變速箱在使用過程中，其健康狀況將隨著使用時間的增長逐漸劣化。由于使用環境、使用強度及工作地點等因素不盡相同，很難通過使用壽命(摩托小時或里程等)準確的反映其實際的健康狀況[1]。同時，由于變速箱在底盤中的重要作用，其健康狀況對車輛的性能有重要的影響，一旦發生故障將可能導致嚴重后果。所以，對變速箱進行早期故障診斷具有重要的研究價值。

人工神經網絡(artificial neural network)由于具有優良的非線性逼近特性、并行式分布結構、較好的容錯性以及自適應學習和歸納能力, 使其在諸如建模、時間序列分析、模式識別、信號處理和工業控制等領域都得到了廣泛的應用[2]。BP神經網絡(back-propagation neural network)是人工神經網絡中最有實用價值的部分之一。文獻[1]將BP神經網絡應用于裝甲車輛發動機的狀態評估，文獻[3]中開發了利用該模型實現軸承壽命預測的應用平臺，文獻[4]利用人工神經網絡實現了襯墊磨損過程中的壽命預測。該研究表明BP神經網絡能有效實現設備的故障模式識別與剩余壽命預測。

基于以上研究，本文以某型變速箱為研究對象，測量變速箱在正常狀態、齒根裂紋和斷齒狀態下的振動信號，選取頻譜中對故障反映靈敏的嚙合頻率及其邊帶成分處的幅值為特征值，建立BP神經網絡模型，實現變速箱的故障診斷，驗證了方法的有效性。

1 BP神經網絡模型

BP神經網絡是至今為止應用最為廣泛的神經網絡，其基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成，在正向傳播與反向傳播中，各層的權值不斷得到調整，也就是網絡的訓練過程，此過程直到達到誤差可接受的程度結束[3]。在多層前饋神經網絡的應用中，以圖1中的單隱層神經網絡的應用最為普遍，該神經網絡包括了輸入層、隱含層和輸出層。

設計BP神經網絡預測模型時，主要考慮的是各函數的選取和各層神經元個數。對于一般預測模型，選取只包含一個隱含層的三層BP 神經網絡，假設輸入層節點為xi，隱含層節點為φk，輸出層節點為yj。輸入層節點與隱含層節點的權值為wik，隱含層節點與輸出層節點間的權值為wkj，輸出層節點對應輸出的期望值為rj，則:

隱含層節點輸出為:

(1)

輸出層節點的輸出為:

(2)

輸出節點的誤差為:

(3)

在BP神經網絡中若選用sigmoid函數作為輸出層的傳遞函數，其輸出值智能在[-1,+1]之間，若選用線性函數purelin，則可以輸出任意值[5]。

輸入層和輸出層神經元個數與樣本有關。BP神經網絡設計的難點是確定隱層神經元數目[6]。隱節點的作用是從樣本中提取并儲存其內在的規律，隱節點數量的設置取決于訓練樣本的多少、樣本噪聲的大小以及樣本中蘊含規律的復雜程度等因素[7]。

在確定各層神經元數量后，依據公式(1)～(3)，根據圖2所示流程，可以對神經網絡進行訓練。

2 數據預處理與程序設計

變速箱作為傳動機構的關鍵部件，一旦發生故障將會對整個系統造成重大影響，所以對變速箱進行準確的故障診斷，提前發現故障征兆并采取積極的維修策略，對預防重大事故的發生具有重要的作用[4]。基于神經網絡的診斷方法就是利用神經網絡對變速箱的故障進行模式分類，此時，需要選擇相應的參數作為輸入，以故障原因作為輸出，利用模型實現變速箱的模式分類。其基本步驟為：(1)通過實驗獲得設定故障和無故障狀態下的監控參數，經預處理為網絡的輸入模式；(2)建立神

圖2 BP神經網絡學習和訓練過程

經網絡系統，通過訓練網絡使其達到預設的診斷精度；(3)輸入故障征兆向量進行測試，獲得該狀態下的網絡輸出模式，最終得到診斷結果。

根據以上步驟，選取某型裝備的變速箱為研究對象，該變速箱主要由齒輪和軸承組成，在工作中其故障主要是由于齒輪的裂紋或者斷齒造成，所以將其故障類型分為齒根裂紋和斷齒兩種情況。由于振動信息中包含著豐富的工作狀態信息和故障特征信息，可以有效的識別變速箱的狀態[8]，所以分別獲取變速箱在正常狀態、齒根裂紋和斷齒狀態下的振動信號，通過快速傅里葉變換，取頻譜中對故障反映靈敏的嚙合頻率及其邊帶成分處的幅值為特征值，最后得到每種狀態下的四組數據。選取前3組數據為模型的訓練樣本P，最后一組數據為驗證樣本，訓練樣本P如表1所示。

表1 模型訓練樣本

通過實驗采集的振動信息，建立基于振動信號的變速箱故障診斷神經網絡模型。設定故障類型為1則為發生相應故障，則變速箱正常、齒根裂紋和斷齒3種狀態分別對應向量(1 0 0)T、(0 1 0)T和(0 1 0)T，則定義預期輸出向量為:

圖3 不同隱層節點下的誤差變化

在此基礎上，建立3層BP神經網絡，輸入點設15個神經元，隱含層有9個神經元；輸出層有3個神經元，對應著變速箱無故障、齒根裂紋和斷齒3個狀態。選擇隱含層傳遞函數為對數S型(logsig)，輸出層的傳遞函數為線性傳遞函數(purelin)，設定誤差目標為10-4，利用Trainlm算法訓練BP網絡。程序的主要部分為：

net=newff(minmax(P),[9,3],{'logsig','purelin'},'trainlm')

net.trainParam.show=100,

net.trainParam.epoch=2000.

net.trainParam.goal=1e-4,

[net,tr]=train(net,P,t),

3 變速箱模式識別研究

圖4 神經網絡運行結果

在以上分析的基礎上，通過MATLAB運行程序，得到結果如圖4所示，可以清楚的看到程序運行的基本信息和神經網絡的結構，包括系統迭代步數、訓練時間和系統精度等等。圖5顯示僅經過4次迭代網絡就達到了期望的誤差目標。圖6則是訓練過程中的狀態變化。

圖5 訓練過程中誤差變化曲線

圖6 訓練狀態變化

在第二節數據處理中，選取了四組觀測數據中的前三組用來進行模型訓練，第四組作為驗證樣本用來進行模型的驗證，如表2所示。

表2 模型驗證樣本

建立網絡模型后，將驗證樣本數據輸入模型，對其診斷結果的準確性進行驗證，所得的診斷結果如表3所示。可見，診斷結果與實際故障是完全一致的，并且具有較高的精度，誤差極小，該結果表明運用訓練后的神經網絡模型進行故障診斷以實現模式識別是十分有效的，同時也驗證了理論方法的正確性。

表3 診斷結果

4 結論

本文通過建立基于振動信號的變速箱故障診斷神經網絡模型，將BP神經網絡應用于某變速箱的故障模式識別研究，并取得了比較理想的實驗結果。通過實驗和計算分析可以看出:(1)將BP神經網絡用于變速箱的故障診斷，可以十分有效的利用其振動信號，從而便于故障的模式識別；(2)通過實驗研究，驗證了上述方法在變速箱故障診斷中的有效性和工程中的實用性，效果十分明顯，準確率高，并且易于實現，表明該方法也可應用于其他機械裝備的故障診斷，具有較好的推廣價值。

[1] 曹艷華，陳春良，齊蘊光，等. 基于PCA-PB神經網絡的裝甲車輛柴油機狀態評估[J]. 計算機測量與控制，2012,20(7)：1892-1894.

[2] 楊 梅，卿曉霞，王 波. 基于改進遺傳算法的神經網絡優化方法[J]. 計算機仿真，2009,26(5)：198-201.

[3] 寧武龍. 基于BP神經網絡的軸承壽命預測平臺開發[D]. 成都：西南交通大學，2014.

[4] Farzaneh Ahmadzadeh, Jan Lundberg. Remaining useful life prediction of grinding mill liners using an artificial neural network[J].Minerals Engineering, 2013(53):1-8.

[5] 燕學智，錢耀義. 基于人工神經網絡技術的發動機故障診斷系統[J]. 內燃機工程，2001,22(1):78-81.

[6] 寧武龍，劉桓龍，彭衛池,等. 基于BP神經網絡的軸承壽命預測程序設計[J]. 現代機械，2014(3)：7-10.

[7] 施 彥，韓力群，廉小親.神經網絡設計方法與實例分析[M],北京：北京郵電大學出版社，北京.

[8] 黃 強，高世倫，賓鴻贊,等. 基于分形和神經網絡的柴油機振動診斷方法[J]. 華中科技大學學報(自然科學版)，2005,33(9)：68-70.

[9] 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，2012.

[10] Abd Kadir Maham, Sharifah Saon, Takashi Hiyama. Predicting remaining useful life of rotating machinery based on artificial neural network[J]. Computers and Mathematics with Applications, 2010(60): 1078-1087.

A Research of Gearbox Fault Diagnosis Based on BP Neural Network

Liu Xin1, Jia Yunxian1，Sun Lei2，Liu Tianbin3

(1.Department of Equipment Command and Management，Ordnance Engineering College，Shijiazhuang 050003，China; 2.Army Aviation Institute, Beijing 101121, China; 3.94270 Unit, PLA，Jinan 250117，China)

The useful life of gearbox can not truly reflect its healthy condition. Aiming at this problem and choosing appropriate condition parameter which is the vibration data of the gearbox, a model of gearbox fault diagnosis based on BP neural network is established. This model needs to extract the Eigen value of vibration signal which is sensitive to fault firstly, and the training data for BP neural network can be got. The optimal number of hidden nodes is determined by comparing each other, then the structural parameters of BP neural network is determined. When the model training is over, the research on fault diagnosis is carried out using the test data and to evaluate the result of diagnosis. The application shows that the model runs accurately, and it is practical and worthy of using abroad.

back-propagation neural network; fault diagnosis; pattern recognition; gearbox

2016-07-06；

2016-08-31。

國家自然科學基金項目(71401173)。

劉 鑫(1989-)男，山東淄博人，博士研究生，主要從事裝備維修理論與應用方向的研究。

賈云獻(1963-)男，河北唐山人，教授，主要從事可靠性，維修理論方向的研究。

1671-4598(2017)01-0012-04

10.16526/j.cnki.11-4762/tp.2017.01.004

TH17

A