基于神經網絡分類算法的電機軸承故障檢測方法

劉國慶，史小春，廖 強

(1.四川工程職業技術學院，德陽 618000;2.電子科技大學，成都 611731)

基于神經網絡分類算法的電機軸承故障檢測方法

劉國慶1，史小春1，廖 強2

(1.四川工程職業技術學院，德陽 618000;2.電子科技大學，成都 611731)

針對電機軸承故障的檢測問題，提出一種結合移除非故障分量(RemovingNon-bearingFaultComponent,RNFC)濾波器和多層感知器(Multi-LayerPerceptron,MLP)神經網絡分類器的電機軸承故障檢測方法。首先，利用神經網絡設計一種RNFC濾波器，濾除與故障不相干的信號，只輸出各種故障信號分量。然后，利用Levenberg-Marquardt算法訓練MLP神經網絡來構建故障分類器，并從RNFC濾波器輸出的故障信號中提取4種時域特征(均方根、方差、偏度和峰度)，作為故障分類器的輸入。最后，實現對內圈缺陷、外圈缺陷和滾動體故障的檢測。實驗結果表明，該方法能夠準確檢測故障且對環境噪聲具有魯棒性。

電機軸承；故障檢測；Levenberg-Marquardt算法；非故障分量濾波器；神經網絡分類器；時域特征

0 引 言

異步電動機具有高可靠性和高性能等優點，然而也會出現一些故障[1]。軸承故障是大部分機械故障的主要來源[2]。軸承故障產生的振動影響具有相對較低的能量，且往往伴隨著高能量噪聲[3]。

目前，電機軸承故障檢測技術主要分為3類：基于信號、基于知識和基于模型技術[4]。其中，基于信號的故障檢測技術的基礎是分析測量信號的頻譜分量。常用的頻域分析方法有快速傅立葉變換(FastFourierTransform,FFT)。然而，由于大功率噪聲的存在，常規FFT方法很難從頻譜中獲得軸承故障信號。為此，形成了多種先進的頻譜分析方法，例如短時傅立葉變換、小波變換(WaveletTransform,WT)和Park矢量法等[5]。為了克服噪聲的影響，學者們開發了多種先進的軸承故障檢測方法。例如，文獻[6]對振動信號進行WT頻域分析，提取頻域特征作為神經網絡(NeuralNetwork,NN)輸入來檢測軸承故障。然而，無用信號會降低神經網絡的分類精度。為此，文獻[7]在使用NN進行故障識別前，對振動信號進行維納濾波，以去除噪聲和無用信號，一定程度上提高了NN的分類精度。然而，該方法能夠識別的故障種類很有限。

本文提出了一種結合移除非故障分量(RemovingNon-bearingFaultComponent，RNFC)濾波器和多層感知器(MultilayerPerceptron，MLP)神經網絡分類器的電機軸承故障檢測方法。利用RNFC濾波器濾除無關信號，接著提取4種時域信號特征，并利用Levenberg-Marquardt算法來訓練MLP神經網絡分類器，對故障進行分類識別。結果表明，提出的方法具有較高的檢測率，且對環境噪聲具有魯棒性。

1 提出的故障檢測方法

大部分軸承故障檢測方法都是基于振動信號分析，包括健康狀態時和故障時的信號[8]。但是，分析健康時的信號對故障檢測和分類沒有作用，且浪費計算資源。為了避免分析非軸承故障分量(即健康部分)，提高故障檢測效率。本文方法中，首先基于神經網絡設計一種RNFC濾波器，濾除與故障不相干的信號，只輸出各種故障信號分量。然后，利用MLP神經網絡構建故障分類器，從RNFC濾波器輸出的故障信號中提取特征，作為故障分類器的輸入，進而實現對故障的檢測。系統整體結構如圖1所示。

圖1 提出的故障檢測方法結構圖

1.1 非故障分量濾波器

移除非軸承故障分量(RNFC)濾波器框圖如圖2所示，變量名定義如下：

x(n)：電機振動信號；y(n)：估計的振動信號中與故障不相關的部分(非軸承故障分量)；e(n)：振動信號中的故障部分；n0：數據樣本數。

圖2 移除非軸承故障分量(RNFC)濾波器

多種算法可用于設計RNFC濾波器，例如自適應橫向濾波器、經典最小均方(LeastMeanSquare,LMS)算法、有限脈沖響應/無限脈沖響應、維納濾波算法、遞歸最小二乘算法(RecursiveLeastSquare,RLS)和神經網絡(NN)算法[9]。本文基于一種自適應線性神經網絡構建RNFC濾波器，其具有purelin激勵函數，結構如圖3所示。運用監督訓練方法獲取目標(非故障部分)，網絡輸入p和目標t如下：

圖3 自適應線性神經網絡的結構

式中：shealthy(k)為健康異步電機的采樣振動信號(k為樣本數)。

為了實現更好的性能，將輸入向量歸一化到[0，1]范圍內，將均方差作為神經網絡的性能指標，并在訓練過程中最小化該指標。這個過程中，由LMS算法獲得神經網絡參數(權重(w)和偏置(b))，并構建成參數向量X[10]，神經網絡的輸入向量Z定義：

(1)

基于式(2)，將方差總和作為成本函數：

(2)

式中：

E[t2]-2XTE[tZ]+XTE[ZZT]X

(3)

令

(4)

則有：

(5)

最后通過下式獲得權重和偏置：

(6)

利用健康和各種故障條件下的信號數據集來訓練RNFC濾波器中的自適應線性神經網絡。訓練完成后，當輸入的振動信號包括健康和故障部分，該神經網絡濾波器會識別健康部分，然后從輸入振動信號中除去。RNFC濾波器的輸出僅包括故障部分的信息，用于后續電機故障的檢測和分類。但是，該信息的僅能檢測故障，不能確定故障類型。為此，本文將構建第2個神經網絡來識別故障。

1.2 基于MLP神經網絡的故障分類

軸承狀態分成4類[11]：(1) 健康狀態；(2) 內圈缺陷故障；(3) 外圈缺陷故障；(4) 滾動體故障。文獻[12]比較了用于軸承故障檢測的徑向基函數、MLP和概率神經網絡，結果表明MLP在檢測率方面較優且速度快。因此，本文采用MLP神經網絡作分類器，其結構如圖4所示。

圖4 多層感知器網絡的結構

需要從RNFC濾波器輸出的故障信號中提取適當的特征，來訓練基于MLP神經網絡的分類器。本文選擇4個時域特征，分別為：均方根、方差、偏度和峰值，來作為MLP神經網絡故障分類器的輸入特征，輸入特征為：

(7)

均方根計算式：

(8)

式中：N為樣本總數，μi為第i段的平均值，定義為：

(9)

方差計算式：

(10)

偏度計算式：

(11)

峰度計算式：

(12)

本文采用Levenberg-Marquardt算法來訓練該網絡，Levenberg-Marquardt算法是一種求解非線性最小二乘問題的有效方法，用來實現權值和閾值的調整。該算法的性能指標為方差總和：

(13)

根據參數向量X最小化性能指標：

(14)

(15)

(16)

式中：

(17)

雅可比矩陣J(X)定義：

(18)

另一方面，根據高斯-牛頓算法可省略式(16)右側第二項，即R(X)，因此，Hessian矩陣變為：

(19)

最終Levenberg-Marquardt參數的更新公式變為：

(20)

注意，μnI加入到JT(X)J(X)，作為修正項，防止Hessian矩陣病變。μn為學習因子，μn越小，Levenberg-Marquardt算法與高斯-牛頓算法越相似。Levenberg算法的優勢是高速收斂性[13]。

2 實驗及分析

采用1.2kW，380V，1 500r/min，4極的三相異步電機[14]作為實驗平臺，軸端和風扇端軸承均為6205-2Z。振動信號由研華PCI-1711數據采集卡采集，使用B&K4395加速度計，采樣頻率為32kHz。實驗裝置如圖5所示。由于提出的方法不依賴于特征缺陷頻率，所以能夠在不同負載條件下使用。

采樣640個周期的振動信號樣本，用來訓練RNFC濾波器。RNFC濾波器設計中，設定一個單位的采樣數據延遲(n0=1)，因此輸入原型定義：

目標為：

訓練完成后，RNFC濾波器從采樣的振動信號中提取出故障數據，以ptest形式表示。

將不同時期的故障振動信號作為RNFC濾波器的輸入，然后從RNFC濾波器的輸出中隨機選擇157個周期故障信號，來訓練MLP神經網絡分類器。

圖5 軸承故障檢測實驗裝置

四類不同故障狀態下的RNFC濾波器輸出波形如圖6所示。可以看出，正常情況下，輸出信號幅值幾乎為0，這也驗證了RNFC濾波器的性能。

圖6 四類故障的RNFC濾波器輸出

將濾波器輸出的20個周期的信號作為一組，并計算4種時域特征。將特征輸入到MLP故障分類器，分類器的四個輸出向量定義為[0 0]T，[0 1]T，[1 0]T，[1 1]T，分別對應于健康、外圈缺陷、內圈缺陷和滾動體故障。所以，對于MLP神經網絡分類器，其輸入層神經元數量為4，輸出層神經元數量為2。表1描述了測試數據中提取的各種時域特征。

表1 測試數據中提取的各種時域特征

本文MLP分類器采用具有“tansig”傳遞函數的隱層和“satins”激勵函數的輸出層，用來檢測軸承故障類型。可以通過適當增加隱層神經元數量和隱層數量來提高模式識別性能，但隱藏層數過高也會導致網絡過度訓練。

對于MLP神經網絡，構建4種具有不同隱層神經元數和隱層數的結構，其中隱層的數量分別為1，1，2和3。表2給出了具備RNFC濾波器和MLP神經網絡分類器的故障檢測結果。表3給出了無RNFC濾波器時的故障檢測結果。

表2 具有RNFC濾波器的故障檢測

表3 直接故障檢測(無RNFC濾波器)

通過比較表2和表3中的故障檢測結果可以看出，無RNFC濾波器的檢測系統的檢測率明顯較低，從而驗證了提出方法的有效性。另外，還可以看出，當網絡結構為[4 10 3 5 2]，即隱層數量為3時，分類器幾乎無法工作。這是因為該分類器的輸入和輸出類別都較少，過多的隱層數導致過度訓練，從而使其無法工作。

表4給出了存在低質量采樣信號時，即存在環境噪聲，有和沒有RNFC濾波器時的故障檢測結果。注意，表4中只列出了前3種網絡結構，這是因為從上述實驗得知，當網絡中隱含層數為3時，分類器無法工作。

表4 采樣信號中存在噪聲時的故障檢測

從表4中可以看出，當采樣信號中存在噪聲信號時，具有RNFC濾波器的故障檢測系統能夠明顯提高檢測性能。這是因為，RNFC濾波器中的自適應線性神經網絡能夠分類出故障和非故障信號，非故障信號包含了正常和噪聲信號，并進行移除。使后續的特征提取和故障分類過程不受噪聲影響，提高了對采樣信號質量的魯棒性，因此可以用于嘈雜工業環境中進行高性能故障檢測。

3 結 語

本文提出了一種用于電機軸承故障檢測和分類的方法，首先利用神經網絡設計一種移除非軸承故

3 結 語

障分量(RNFC)濾波器，從采樣信號中濾去非軸承故障分量。然后，利用多層感知(MLP)神經網絡構建故障分類器，從RNFC濾波器輸出的信號中提取時域特征，作為MLP神經網絡的輸入，從而檢測軸承故障。構建實驗平臺進行實驗，在不同MLP神經網絡結構下，比較了使用和不使用RNFC濾波器時的檢測結果。結果表明，本文提出的結合RNFC濾波器和MLP分類器的方法具有優良的檢測性能，且對環境噪聲具有魯棒性。

未來工作中，將考慮將本文方法應用到其它電機故障檢測中，例如轉子斷條或定子故障等。

[1] 劉長良,武英杰,甄成剛.基于變分模態分解和模糊C均值聚類的滾動軸承故障診斷[J].中國電機工程學報,2015,35(13):3358-3365.

[2] 李珂,邰能靈,張沈習.基于小波包熵和概率神經網絡的微特電機軸承故障監控[J].微特電機,2016,44(4):37-39.

[3]TIANJ,MORILLOC,AZARIANMH,etal.Motorbearingfaultdetectionusingspectralkurtosis-basedfeatureextractioncoupledwithk-nearestneighbordistanceanalysis[J].IEEETransactionsonIndustrialElectronics,2016,63(3):1793-1803.

[4] 張登峰,張志飛,章兢.基于非線性映射的分類器及其在變壓器故障診斷中的應用研究[J].湘潭大學自然科學學報,2015,37(3):82-92.

[5]JENAD,SINGHM,KUMARR.Radialballbearinginnerracedefectwidthmeasurementusinganalyticalwavelettransformofacousticandvibrationsignal[J].MeasurementScienceReview,2012,12(4):141-148.

[6]ZAREIJ.Inductionmotorsbearingfaultdetectionusingpatternrecognitiontechniques[J].ExpertsystemswithApplications,2012,39(1):68-73.

[7]ABBASIR,GHAZALM,KAZEMIMG.Statorwindingfaultdetectionininductionmotorsusingwienerfilter[J].InternationalReviewofElectricalEngineering,2012,7(4):4800-4807.

[8] 謝國民,佟瑩,陸文斌.小波在采煤機異步電動機故障診斷中的應用[J].控制工程,2013,20(4):711-714.

[9]CHENGS,HABETLERTG,MAYORJR,etal.Generalizedbearingroughnessfaultdetectioninclaw-polegenerators[C]//2013IEEEEnergyConversionCongressandExposition.IEEE,2013:4432-4437.

[10]ZHONGF,LIH,WUQ,etal.AfaultdetectionalgorithmforturbopumpbasedonliftingwaveletandLMS[C]//2013IEEEInternationalConferenceonMechatronicsandAutomation(ICMA).IEEE,2013:348-353.

[11] 趙志宏,楊紹普.基于小波包變換與樣本熵的滾動軸承故障診斷[J].振動、測試與診斷,2012,32(4):640-644.

[12]SAMANTAB,AL-BALUSHIKR,AL-ARAIMISA.Artificialneuralnetworksandgeneticalgorithmforbearingfaultdetection[J].SoftComputing,2012,10(3):264-271.

[13]ZHANGX,XIAOL,KANGJ.ApplicationofanimprovedLevenberg-Marquardtbackpropagationneuralnetworktogearfaultlevelidentification[J].JournalofVibroengineering,2014,16(2):855-868.

[14] 張帥,袁敏,孔令波,等.高效三相異步電動機性能測試與數據分析[J].微特電機,2015,43(3):22-26.

MotorBearingFaultDetectionMethodBasedonNeuralNetworkClassificationAlgorithm

LIU Guo-qing1,SHI Xiao-chun1,LIAO Qiang2

(1.SichuanEngineeringTechnicalCollege,Deyang618000,China;2.UniversityofElectronicScienceandTechnologyofChina,Chengdu611731,China)

Fortheissuesthatthemotorbearingfaultdetection,amotorbearingfaultdetectionmethodbasedonremovingnon-bearingfaultcomponent(RNFC)filterandmultilayerperceptron(MLP)neuralnetworkclassifierwasproposed.First,itbuiltaRNFCfilterbasedonneuralnetworktoremovethesignalwhichhasnothingtodowiththefault,onlyoutputofvariousfaultsignalcomponents.Then,itconstructedafaultclassifierbasedonMLPneuralnetworkwhichtrainedbyLevenberg-Marquardtalgorithm.Thefourfeatures(RMS,variance,skewnessandkurtosis)wereextractedfromthefaultsignaloutputofRNFCfilter,astheinputoffaultclassifier.Finally,thedetectionoftheinnerring,theouterringandtherollingelementfaultwasrealized.Theexperimentalresultsshowthatproposedmethodcanaccuratelydetectfaultandrobusttonoise.

motorbearing;faultdiagnosis;Levenberg-Marquardtalgorithm;removingnon-bearingfaultcomponentfilter;neuralnetworkclassifier;timedomainfeatures

周璞，碩士，高級工程師，研究方向為船舶輔機。

2016-07-15

四川省科技廳計劃項目(2015JY0178)

TM

A

1004-7018(2017)01-0030-04