基于BP神經網絡的齒輪設備故障診斷應用

周福來

摘要：本文提出了基于BP神經網絡的齒輪故障診斷模型研究。首先構建了基于遺傳算法的BP神經網絡預測模型，并設計了基于遺傳算法的齒輪故障診斷算法流程;然后，通過案例對本文構建的模型及設計的算法進行了驗證，實驗結果表明，本文設計的模型及算法收斂速度快，故障診斷效果較好，具有較強的使用價值。

[關鍵詞]設備診斷 遺傳算法 BP神經網絡 齒輪箱

1緒論

全球經濟發展步伐放緩，我國經濟發展步入新常態，這為制造企業的發展帶來了挑戰。在新的經濟發展形勢下，制造企業由傳統的粗放型發展模式將逐步向精細化的發展模式進行轉型升級，然而，在生產制造過程中，設備的故障的難以避免的，當設備發生故障時，無疑會給企業乃至社會帶來不必要的損失，然而，傳統的機械化設備故障診斷方法以不能滿足現代智能化發展進程中對生產制造故障維修快速響應設備故障的要求，在此背景下研究設備故障診斷方法具有重要的現實意義與使用價值。

通過國內外研究文獻分析整理發現，當前國內外研究學者針對設備故障診斷問題展開了大量的研究工作，并取得了一系列的研究成果。王建國提出一種變分模態分解（VariationalModeDecomposition，VMD）與多特征融合的齒輪故障診斷方法，Shi，Weiwei等提出了一種基于ApacheSpark的綜合數據預處理框架（DPF），以提高數據丟失點和分類精度對噪聲數據的預測精度，滿足大數據的需求，主要將數據丟失預測、數據融合、數據清理和故障類型分類相結合，對設備故障診斷模型進行了研究，GuangLi等提出了一種基于數據可視化的機械設備故障診斷方法，NanZhou等提出了一種基于功率極大似然估計的局部放電檢測方法，解決了設備的故障診斷問題，FupingZeng等構建了36個特征量的五個特征集，用于gie一pd故障診斷，并對其有效性進行了分析，劉涌針等對航天測控設備故障診斷難度日益增大的問題，將基于案例推理方法應用于設備故障診斷中，劉繼軍以電工實驗設備常見的故障為對象，以小波變換、神經網絡等為技術手段，對實際故障排查進行了研究，馮言勇通過大數據分析的方式，進行精餾塔設備建模、故障診斷以及應用實施方案的研究，Yi，Gui介紹了一種基于匹配濾波器抗干擾凈化和智能檢測技術的機電設備故障信號頻譜分析及自適應特性方法，GuoSheng提出了一種新的診斷方法，利用卷積神經網絡（CNN）直接對連續小波變換尺度圖（CWTS）進行分類，，對設備故障診斷進行了研究，牛行通對傳統鐵路列車無線通信設備網絡故障診斷模型結構復雜，診斷精度不高等問題，運用粗糙集理論（RS）、模糊系統（FS）和神經網絡（NN）相融合的方法進行鐵路列車無線通信設備故障診斷研究。

通過對國內外關于設備故障診斷研究成果分析發現，當前，國內外研究學者針對設備故障診斷的方法、技術、方案等進行了大量的研究，亦取得了一系列研究成果，然而，針對汽車齒輪箱故障診斷的相關研究成果較少，然而，齒輪作為汽車的核心零部件，通過合適的方法對其診斷以實現事先維護對于降低其故障率具有重要的作用，基于此，本文提出了基于BP神經網絡的齒輪設備故障診斷應用研究。

2問題描述

在汽車零部件中，齒輪屬于其核心的零部件之一，但是由于汽車行駛條件及環境復雜，極易造成齒輪的損壞而導致車輛發生故障，因此，導致齒輪發生故障的原因也形形色色，如何對齒輪的故障進行診斷，以達到事先預防性維護的效果，對于減少由于故障而導致的成本損失具有重要的使用意義。

然而，對于齒輪的故障診斷問題可以根據齒輪發生故障時的特征值進行描述，例如當齒輪發生故障時，如檢測到發生故障時的齒輪出現了裂紋，則可以歸結為由于齒輪的裂紋而導致齒輪出現故障，此時就可以重點對齒輪的裂紋實施預防性維護。但是，由于導致齒輪故障原因有許多，對每一次的齒輪故障都進行原因分析，將無疑增加企業的成本，此外，對所有故障齒輪原因進行統計分析也不現實。然而BP神經網絡可以根據少量的樣本數據來推測出預期結果，無需事先確定輸入與輸出之間映射關系，因此，BP神經網絡在用于齒輪故障診斷問題中具有一定優越性，本文將重點研究BP神經網絡模型在齒輪故障診斷中的應用。

3模型及算法設計

采用遺傳算法優化的BP神經網絡優化算法流程主要包括神經網絡的拓撲結構的確定，神經網絡中閾值及權重的計算，對種群進行編碼生產初始種群，誤差分析，種群進化的適應度函數值設計，交叉操作，變異操作等步驟，其中，本文設計的基于遺傳算法的BP神經網絡模型求解算法步驟如圖1所示。

由于采用神經網絡算法對一般模式識別問題的求解中，三層網絡可以較好地實現樣本的快速訓練，因此，本文在設計BP神經網絡層次時，選擇使用三層網絡來設計基于遺傳算法的神經網絡求解結構。其中，適應度函數值用衡量個體在交叉、變異進化過程中的適應能力，適應度函數值越大表示該個體越優。

4案例應用

在汽車齒輪箱的生產制造過程中，時常會發生生產出的齒輪箱不合格，經過對不合格的齒輪箱統計分析發現，造成齒輪箱不合格約65%的原因是因為齒輪故障產生的，所以，在對齒輪箱不合格進行診斷時，本文主要是針對齒輪進行診斷。在對齒輪進行故障診斷時，本文選取了能夠代表齒輪故障的頻域中選取幾個特征向量，而齒合頻率處的邊緣帶上極易出現故障，因此，本文選擇在1，2，3檔時在1，2，3軸的邊頻帶族f。土nf。處的振幅值Aj;、Aj：2、Ai3作為特征值，其中f表示齒合頻率，fo表示轉頻。由于表征齒輪故障的不同特征值屬于不同的量綱，因此，經過歸一化處理后得到的齒輪箱狀態樣本數據如表1所示。

由于齒輪的故障狀態存在三種狀態，即正常，裂紋，斷齒，因此，本文采用數量向量形式對其進行表達，即用[100]表示合格，[010]表示裂紋，[001]表示斷齒，為了對訓練好的數據進行更好地測試，現給出三種用于網絡測試的新數據如表2所示。

使用本文設計的基于遺傳算法BP神經網絡算法對上述問題進行求解，在Matlab中設定初始參數，對算法進行運行，得到的樣本性能測試圖如圖2所示。

根據圖2可知，最佳的測試值為0.25167，其中圖2中展示了訓練值，驗證值，測試值，最佳值，全局值，從圖2中可以看出，采用本文設計的算法可以較好地滿足對齒輪箱故障診斷樣本值的測試。采用BP神經網絡得到的訓練值與目標值曲線如圖3所示。

圖3反映了在不同的R訓練取值下，目標值與各類訓練值之間的關系，包括訓練值、驗證值、測試值等。其中使用隨機權值與閾值得到的測試樣本預測結果如下所示：

Y1=

0.50050.50000.5006

0.55110.50830.5001

0.51350.50010.5417

根據運行結果可知，測試樣本的仿真誤差值為1.0232，訓練樣本的仿真誤差值為1.441。這表明了本文設計的BP神經網絡算法能夠基本滿足對生產制造過程中齒輪箱故障的診斷與預測問題。

5結論

本文基于遺傳算法設計了用于齒輪故障診斷的BP神經網絡模型、算法，最后以案例對本文設計的模型算法進行了驗證，在特征向量方面，本文選擇了可以描述齒輪故障的15個特征向量，并選擇了10個統計樣本，對這10個齒輪故障統計樣本采用BP神經網絡算法進行了訓練，其研究結果表明，本文設計基于遺傳算法的BP神經網絡優化算法可以較好地滿足齒輪故障的診斷，這說明本文研究方法具有一定實用性。

參考文獻

[1]王建國，陳帥，張超。基于VMD與多特

征融合的齒輪故障診斷方法[J].機械傳動，2017（03）：165-170.

[2]王泓然，張濤.BP神經網絡下的航空發動

機維修決策系統[J/0L].電子技術與軟件工程，2019（07）：174.

[3]ShiW， Zhu Y， ， Huang T et al.An Integrated Data PreprocessingFramework Based on Apache Spark for Fault Diagnosis of Power GridEquipment[J]. Journal of Signa 1Processing Systems， 201 7， 86（2-3）： 221-236.

[4]陳志文，劉立，基于BP神經網絡的

PM2.5預測[J].電子技術與軟件工程，2019（05）：143-144.

[5] Li G Li M Liu D，et al. Faultdiagnosis of mechanical equipmentbased on data visualization[C]//International Congress on Image &Signal Process ing. IEEE，2018.

[6]孟文曄.基于神經網絡的無人機傳感器故障識別[J].電子技術與軟件工程，2019（03）：90.

[7]ZhouN ， Luo L ， Sheng G， ， ， et al.High Accuracy Insulation Faul tDiagnosis Method of Power EquipmentBased on Power Maximum LikelihoodEstimation [J] . IEEE Transactions onPower Delivery， 2018， PP（99）： 1-1.

[8]張釗，神經網絡在計算機網絡安全評

價中的應用[J].電子技術與軟件工程，2019（03）：176.

[9] Zeng F ， Wu S ， Yang X ， et al.Fault . Diagnosis and ConditionDivision Criterion of DC GasInsulating Equipment based on SF6Partial Discharge DecompositionCharacteristics[J]. IEEE Access，2019，PP （99）： 1-1.

[10]孔峻，深度卷積神經網絡在計算機視覺中的應用[J].電子技術與軟件工程，2018（21）：130-131.

[11]劉涌，李海潮，弓喜忠，etal.基于案例推理的航天測控設備故障診斷[J].電訊技術，2017（02）.

[12]劉繼軍，電氣設備故障診斷方法和技術研究[J].機電工程技術，2017（01）.

[13]馮言勇，劉桐杰，李昱，etal.通過大

數據分析進行設備故障診斷的技術研究[J].自動化博覽，2017（12）：72-77.

[14]Yi， Gui. [IEEE 2017 InternationalConference on Robots & IntelligentSystems （ICRIS）-Huai＼" an（2017.10.15-2017. 10.16） ] 2017International Conference on Robots& Intelligent System （ICRIS）-AntiInterference Purification Recognitionand Optimization of ElectromechanicalEquipment Fault Signals[C] //International Conference on Robots &IntelligentSystem.IEEE，2017：50-53.

[15] Sheng G ， Tao Y ， Wei G ， et al.A Novel Fault Diagnosis Methodfor Rotating Machinery Based on aConvolutional Neural Network [J] .Sensors，2018， 18（5）： 1429.

[16]牛行通，鄭云水，康毅軍，基于粗糙集與模糊神經網絡的車一地無線通信設備故障診斷研究[J].鐵道標準設計，2017（06）：183-187.