基于BP和WTA神經網絡的滾動軸承故障診斷方法研究

李 成 于永斌 王舜燕 徐 斌 金穎濤

(1.武漢理工大學計算機科學與技術學院 武漢 430070) (2.電子科技大學信息與軟件工程學院 成都 610054)(3.93534部隊 天津 301700)

基于BP和WTA神經網絡的滾動軸承故障診斷方法研究

李 成1,2,3于永斌2王舜燕1徐 斌3金穎濤3

(1.武漢理工大學計算機科學與技術學院 武漢 430070) (2.電子科技大學信息與軟件工程學院 成都 610054)(3.93534部隊 天津 301700)

論文提出一種基于BP和WTA神經網絡的軸承故障診斷模式識別新方法,將軸承故障數據提取為所需的特征向量,訓練BP-WTA,得到基于BP和WTA神經網絡的診斷分類器。通過144組樣本進行分類識別軸承損傷程度實驗,基于BP和WTA神經網絡方法與傳統BP、HMM方法進行對比,其診斷準確率達到100%,驗證了該方法在軸承故障診斷中的有效性和實用性。

BP; WTA; 神經網絡; 滾動軸承; 故障診斷; 憶阻器

Class Number TP277

1 引言

滾動軸承作為機械設備中最為關鍵的部件之一,極易發生故障,故障一旦發生,輕則造成設備停機維修,重則造成人員傷亡,帶來巨大的經濟損失,故而,對于軸承的狀態監測和故障診斷受到越來越多研究者的重視。

故障診斷的實質就是對故障產生的大小和種類辨別的一個過程,也就是模式識別分類器建立的一個過程,用于軸承故障診斷中的模式識別方法發展至今,主要包括人工神經網絡的方法(Artificial Neural Network,ANN)[1]、支持向量機的方法(Support Vector Machine, SVM)[2～3]、隱馬爾可夫模型方法(Hidden Markov Model, HMM)[4～5]、SVM-HMM分類方法[6]、基于聚類分析的模式識別方法[7]、案例推理的方法(Case Based Reasoning,CBR)[8]、最近領分類的方法(The features selection and nearest neighbors rule)[8]等。即便如此,我們仍然需要探索新的模式識別方法用于故障診斷,不斷提升診斷的效率和精度。

WTA(Winner-Take-All)神經網絡[10～12]具有選取最大值的功能,且在圖像分類、特征提取以及邊緣檢測中成功應用,而BP神經網絡在軸承故障診斷中也有著廣泛應用的基礎,但至今還未見到結合BP和WTA神經網絡進行軸承故障診斷的相關研究報告,本文提出一種基于BP和WTA神經網絡的分類模型,用于軸承的故障診斷,并通過Matlab仿真驗證了該模型的有效性。

2 BP和WTA神經網絡分類模型設計

2.1 分類模型設計

基于BP和WTA神經網絡分類模型設計如圖1所示。

圖1 BP和WTA神經網絡分類模型

由圖1知,該模型主要由三部分組成,分別為BP神經網絡、轉換器和基于憶阻器陣列的WTA神經網絡。BP神經網絡采用5-18-4的單隱層設計結構,5-18-4分別代表輸入層、隱含層和輸出層神經元的個數,X1～X5為輸入向量,Y1～Y4為輸出向量,wij,wjk為各層之間的連接權值；轉換器為一種簡單的隔離驅動電路；基于憶阻器的WTA神經網絡為4個神經元組成,每個神經元由3個憶阻器、3個MOS管、3個直流電源、一個電阻以及一個電容組成,其中每個憶阻器的一端接地,另外一端與其它3個神經元的輸入相連,每個MOS管的源極連接到輸入端,柵極連接到其它3個神經元的輸入端,漏極與直流電源串聯后接地,電阻與電容并聯,一端連接到輸入端,另外一端接地。該WTA的網絡輸入為I1～I4,輸出為Y1′～Y4′。

2.2 分類模型算法

基于BP和WTA神經網絡分類模型算法如圖2所示。

圖2 BP和WTA神經網絡分類模型算法

由圖2可知,該算法主要分為以下六步進行,分別是網絡初始化、隱含層輸出計算、輸出層預測輸出計算、誤差計算、網絡權值向量更新和WTA網絡分類。

步驟4 誤差計算。根據網絡實際輸出Xout,k和期望輸出dout,k(第k個訓練模式的期望輸出),計算網絡預測誤差eout,k。其計算公式為：eout,k=dout,k-Xout,k,k=1,2,…,4,從而獲得誤差矩陣e=(eout,1,eout,2,eout,3,eout,4)T。

其中c>0,d>0,根據MOS管的特性,得到WTA神經網絡抑制函數

+h(v2,v4)+3v2W(φ2)

+h(v3,v4)+3v3W(φ3)

+h(v4,v3)+3v4W(φ4)

對上述公式進行移項可得到WTA分類網絡中用于輸入分類的通用表達式：

其中C為電容,G為電導,φi為第i個神經元所對應的憶阻器的磁通量,N為神經元個數。本文中WTA神經網絡的輸入為I1～I4,WTA分類后的選擇輸出結果是V1～V4(Y1′～Y4′)中的最大值。

3 故障診斷

3.1 故障診斷框圖

基于BP和WTA神經網絡的軸承故障診斷框圖如圖3所示。

圖3 BP和WTA神經網絡故障診斷流程

3.2 故障數據

本文軸承故障診斷數據采用美國凱斯西儲大學(Case Western Reserve University)所提供的軸承故障數據[17],該數據包含的內容為軸承振動加速度信號。本文建立兩個故障數據集,使用文件名為100,112,125,138的數據文件作為數據集1、文件名為100,112,177,217的數據文件作為數據集2。數據集1完成軸承內圈、外圈及滾動體故障診斷(軸承損傷直徑0.007英寸)；數據集2完成軸承內圈故障時軸承損傷程度(損傷直徑0.007/0.014/0.021英寸)的診斷。本文數據的分類方法采取將每個數據文件中的加速度信號轉換成118個樣本,每個樣本的采樣點數4096[3],在所得的每472個訓練樣本中隨機選取400個樣本作為BP和WTA分類庫的學習樣本,剩余的72個樣本作為待測樣本,用以檢測本模型下故障診斷方法的有效性。故障數據在載荷3馬力,轉速1730轉/分,采樣頻率48KHz下獲得。

3.3 信號特征提取

由3.2節可知,軸承故障數據為振動的加速度信號,該信號無法直接作為特征向量輸入BP和WTA神經網絡,故需對加速度信號進行特征提取,提取所得的特征向量作為本模型(圖1)前端BP神經網絡的輸入。運用時域/頻域中的特征信號提取方法[1,8],給出如下特征向量的提取公式：

1) 時域特征提取：

2) 頻域特征提取：

頻率方差：VF=MSF-(FC)2

其中,φ(i)=x(i)-x(i-1)/Δ,Δ為采樣周期,Nr為采樣點數。

3.4 訓練仿真分析與對比

當BP神經網絡的輸入向量為X1=(xrms,xv,xske,xkur)T、X2=(xrms,xv,xske,xkur,γ)T時,其診斷結果與傳統BP方法[1]比較如表1所示,其對軸承故障類型的分類結果如表2,表3所示；當BP神經網絡的輸入向量為X′=(xr,xrms,xv,xcv,xs,FC,VF)T時,其診斷結果與HMM方法[5]的診斷結果比較如表4所示,其對軸承損傷程度的分類結果如表5所示。

表1 BP-WTA與BP診斷結果對比

表2 軸承故障類型分類結果

表3 軸承故障類型分類結果

表4 BP-WTA與HMM診斷結果對比

表5 軸承損傷類型分類結果

4 結語

Levenberg-Marquardt BP算法能夠有效解決傳統BP算法容易陷入局部極小點,收斂速度慢的缺點,能夠有效的減少訓練過程中的迭代次數,能夠使網絡訓練在最短的時間內完成,本文在結合已有的BP和 WTA神經網絡理論基礎之上,并加入憶阻器陣列,提出的一種全新的基于BP和 WTA神經網絡的故障診斷方法,在進行軸承故障診斷時,通過相應的時頻域信號特征提取方法,既能對軸承故障類型又能對其損傷程度進行診斷。3.4中仿真對比表明本文提出的基于BP和WTA神經網絡的軸承故障診斷方法針對軸承單一類型故障,具有較好的診斷效果。本文中未使用此方法對混合故障進行診斷,針對此問題需要進行進一步的研究。

[1] Samanta B, Al-Balushi K R. Artificial neural network based fault diagnostics of rolling element bearings using time-domain features[J]. Mechanical Systems and Signal Processing,2003,17(2):317-328.

[2] Rojas A.Nandi A. K. Practical scheme for fast detection and classification of rolling element bearing faults using support vector machines[J].Mechanical Systems and Signal Processing, 2006, 20 (7):1523-1536.

[3] Yang J, Zhang Y, Zhu Y. Intelligent fault diagnosis of rolling element bearing based on SVMs and fractal dimension [J]. Mechanical Systems and Signal Processing, 2007, 21(5): 2012-2024.

[4] Ocak H.,Loparo K. A. HMM-based fault detection and diagnosis scheme for rolling element bearings[J].Journal of Vibration and Acoustics,2005,127(4):299-306.

[5] 李力,王紅梅.滾動軸承故障程度診斷的HMM方法研究[J].軸承,2012,6:42-45. LI Li, WANG Hongmei. HMM in Fault Severity Diagnosis for Rolling Bearings[J].BEARING,2012,6:42-45.

[6] Bin Wu,Shanping Yu,Yuegang Luo,et al. Rolling Bearing Faults Diagnosis Method Based on SVM-HMM[C]//2010 International Conference on Measuring Technology and MechatronicsAutomation,Changsha,2010:295-298.

[7] Lei Y, He Z, Zi Y, et al. New clustering algorithm-based fault diagnosis using compensation distance evaluation technique[J]. Mechanical Systems and Signal Processing,2008, 22(2):419-435.

[8] 付新哲,張優云,朱永生.滾動軸承故障診斷的案例推理方法[J].西安交通大學學報,2011,45(11):79-84. FU Xingzhe, ZHANG Youyun, ZHU Yongsheng. Rolling Bearing Fault Diagnosis Approach Based on Case-Based Reasoning[J]. Journal of Xi’an Jiaotong University,2011,45(11):79-84.

[9] Casimir R, Boutleux E, Clerc G, et al. The use of features selection and nearest neighbors rule for faults diagnostic in induction motors[J]. Engineering Applications of Artificial Intelligence, 2006,19(2):169-177.

[10] J. A. Feldman, D. H. Ballard.Connectionist models and their properties[J].Cognitive Science, 1982,6:205-254.

[11] V.E.Neagoe and A.D.Ropot.Concurrent self-organizing maps for pattern classification[C]//Proceedings of the First IEEE International Conference on Cognitive Informatics, Calgary, Alberta, Canada,2002:304-312.

[12] Shimeng Yu.Orientation classification by a winner-take-all network with oxide rram based synaptic devices[C]//2014IEEE International Symposium on Circuits & Systems, Melbourne VIC,2014:1058-1061.

[13] Y. Fang, M. A. Cohen, T. G. Kincaid. Dynamic analysis of a general class of winner-take-all competitive neural networks[J]. IEEE transactions on neural networks,2010,21(5):771-783.

[14] Leon O. Chua. Memristor-The Missing Circuit Element[J].IEEE Transction on Circuit Theory Theory,1971,18(5):504- 519.

[15] D. B. Strukov, G. S. Snider, D. R. Stewart, R. S. Williams. The missing memristor found[J]. Nature, 2008,453:80-83.

[16] Makoto Itoh, Leon O.Chua. Memristor Oscillators[J].International Journal of Bifurcation and Chaos,2008, 18(11):3183-3206.

[17] Case Western Reserve University.Bearing Data Center Website[EB/OL]. http://csegroups.case.edu/bearingdatacenter/home.

Fault Diagnosis Method of Rolling Bearing Used BP and WTA Neural Networks

LI Cheng1,2,3YU Yongbin2WANG Shunyan1XU Bin3JIN Yingtao3

(1. School of Computer Science and Technology, Wuhan University of Technology, Wuhan 430070)(2. School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054) (3. No.93534 Troops of PLA, Tianjin 301700)

This paper presents a novel pattern recognition method of fault diagnosis of rolling bearing which is based on BP and WTA neural networks. In the course of fault diagnosis, data on rolling bearing fault is transformed into desired feature vector to input to train BP-WTA, and diagnostic classification of BP and WTA neural network is obtained. By 144 experimental group samples to classify the degree of bearing damage, the diagnostic accuracy is expected to be 100% compared the BP and WTA Neural Networks with traditional method of BP and HMM, which shows that the proposed method is effective and practical in bearing fault diagnosis.

BP, WTA, neural networks, rolling bearing, fault diagnosis, memristor

2016年8月13日,

2016年9月21日

國家自然科學基金(編號:61370202;61550110248); 中央高校基本業務費(編號:ZYGX2013J041)資助。

李成,男,碩士研究生,助理工程師,研究方向:測控、神經網絡、憶阻器。于永斌,男,博士,副教授,研究方向:VLSI電路的物理設計、非線性電路與系統、憶阻器、現代控制理論及其應用。王舜燕,男,博士,教授,研究方向:計算機網絡、數據庫集成技術與信息系統。徐斌,男,工程師,研究方向:計算機應用，信息集成技術與系統，指揮自動化。金穎濤,男,助理工程師,研究方向:設備故障診斷。

TP277

10.3969/j.issn.1672-9722.2017.02.018