人工神經網絡在滾動軸承故障診斷中的應用與發展

易靜姝

摘要：針對滾動軸承失效的故障診斷方法，介紹了人工神經網絡在滾動軸承故障診斷中的優勢與發展現狀，分析了常見人工神經網絡類型在滾動軸承故障診斷中的應用，提出了人工神經網絡在滾動軸承故障診斷應用中的問題與不足，并對相關研究趨勢進行了討論。

Abstract： Aiming at the fault diagnosis method of rolling bearings， the advantages and development status of artificial neural network in rolling bearing fault diagnosis are introduced. The application of common types of artificial neural network in rolling bearing fault diagnosis is analyzed and the existing problems are presented. The related research trends are discussed.

關鍵詞：人工神經網絡;滾動軸承;故障診斷

Key words： artificial neural network;rolling bearings;fault diagnosis

中圖分類號：TH133.3;TP206+.3? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）24-0274-03

0? 引言

滾動軸承是機械設備中重要的傳動零件，一旦發生破壞，將會影響系統的正常運作，甚至引發安全事故。因此，對發生失效的滾動軸承及時進行故障診斷并排除隱患至關重要。滾動軸承的失效形式主要有磨損失效、疲勞失效、斷裂失效和腐蝕失效等[1]。傳統診斷方法通過拾取滾動軸承的振動信號，利用統計學方法加以分析來識別軸承故障類型。近年來，包括神經網絡、支持向量機和模糊診斷等在內的現代智能診斷方法發展趨勢良好。其中神經網絡診斷手段多、應用廣泛，本文主要介紹各種人工神經網絡診斷方法在滾動軸承故障診斷中的應用。

1? 人工神經網絡概念及優勢

1.1 概念

人工神經網絡（ANN）是一種復雜網絡系統，它模擬大腦神經元拓撲結構存儲和處理信息的方式，具有聯想、記憶和學習的功能[1]。基于神經網絡的滾動軸承故障診斷，就是根據故障信號的特征，利用人工神經網絡來判斷故障類型。

1.2? 優勢

人工神經網絡之所以在滾動軸承故障診斷中應用效果良好，是基于以下兩個優點：

1.2.1 具有較強容錯性

神經網絡采用并行式信息處理方法，當局部神經元受損時，系統仍可正常工作。相較于傳統的故障診斷方法，人工神經網絡對噪聲更不敏感，輸出結果可靠，因而適用于故障診斷[1]。

1.2.2 故障分析與判斷能力強

滾動軸承故障的信號特征與故障模式之間是一種復雜的非線性關系，而神經網絡能通過不斷訓練與學習來確定故障的類型。

基于以上兩點原因，人工神經網絡在滾動軸承故障診斷領域有著較為廣泛的應用。

2? 主要人工神經網絡類型在滾動軸承故障診斷中的應用

目前，在滾動軸承故障診斷中應用較為廣泛的人工神經網絡類型為反向傳播（BP）神經網絡、自組織（SOM）神經網絡、卷積神經網絡（CNN）和徑向基函數（RBF）神經網絡。

2.1 BP神經網絡

BP神經網絡是一種誤差逆向傳播、信號向前傳播的多層前饋型神經網絡，在滾動軸承故障診斷中得到了廣泛應用[3-5]。Zhang等[6]利用遺傳算法和模糊C均值聚類算法進行了BP網絡優化，建立了一個能夠克服數據缺陷和BP網絡本身不足的新模型，為實時診斷提供了參考。為了解決BP神經網絡的過擬合、局部收斂和收斂困難等缺點[7]，學者們提出了許多優化方法。張淑清等[8]將基于EEMD近似熵提取的滾動軸承特征向量輸入到粒子群算法優化的PSO-BP神經網絡中進行故障模式識別，識別能力強，且網絡可以快速收斂到全局最優。程加堂等[9]將自適應布谷鳥搜索算法與BP神經網絡相結合，提高了網絡的全局擬合性，有效改善了該軸承故障診斷模型的精度。田棟等[10]采用風驅動算法優化BP神經網絡的權值和閾值，減小了網絡的訓練誤差，為滾動軸承的故障診斷方法提供了新思路。張寧等[11]利用改進魚群算法的全局尋優能力優化BP神經網絡參數，提出改進魚群算法優化神經網絡（ADAFSA-BP）的滾動軸承故障診斷方法，提高了網絡收斂速度，做到有效判斷故障類型。

2.2 SOM神經網絡

SOM神經網絡是一種無導師學習網絡，由輸入層和輸出層構成[12]。它能夠在訓練過程中自適應地調整網絡節點之間的連接權值，在滾動軸承的復雜故障模式識別中應用較為廣泛。Lou等[13]用小波變換獲取特征向量，將自適應神經模糊推理系統作為分類器，對變負載情況下的滾動軸承故障模式進行識別。吳濤等[14]用滾動軸承故障信號的特征參數作為特征向量，訓練SOM神經網絡進行故障識別，為滾動軸承的健康預測問題提供了參考。何濤等[15]結合曲元分析（CCA）和SOM神經網絡方法，利用CCA對數據進行降維，SOM神經網絡訓練數據，最終能快速準確地提取滾動軸承故障特征值并進行聚類。矯晶晶等[16]采用免疫遺傳算法優化SOM神經網絡的權值，提高了滾動軸承故障診斷模型的準確性。夏筱筠等[17]提出了基于SOM神經網絡和ARMA算法的故障診斷方法，實現了數控機床滾動軸承的健康預警。

2.3 CNN神經網絡

CNN 神經網絡是一種前饋型神經網絡[18]，包括輸入層、隱含層和輸出層，其中隱含層中的卷積層用于提取數據特征。Janssens等[19]將CNN用于學習滾動軸承的振動信號振幅變化情況，成功實現了滾動軸承的多種故障原因診斷，且判斷精度較高。深度卷積神經網絡增加了隱藏層的數量，進一步提高了診斷精度。Guo等[20]提出了一種基于改進算法的分層學習率自適應深度卷積神經網絡，實驗表明，該網絡能夠有效識別滾動軸承故障類型并判斷其嚴重程度。Zhang等[21]針對變負載和噪聲環境下的軸承工作情況，提出了一種帶有新的訓練方法的深度卷積神經網絡，該方法直接應用于原始數據，不需要輔助算法，且故障識別能力強，具有較高魯棒性。盡管具有識別效果好，模型復雜度低等優點，但是針對特定問題，CNN的卷積層和卷積核數量等參數難以確定，給CNN網絡在滾動軸承故障診斷中的應用帶來了一定困難。

2.4 RBF神經網絡

RBF神經網絡是一種前饋型神經網絡，包括輸入層、一個徑向基神經元的隱藏層和輸出層。為了提高RBF神經網絡的診斷精度，學者們通過各種統計學方法進行算法的輸入參數優化。吳松林等[22]將小波包分解得到的特征向量作為RBF神經網絡的輸入層對滾動軸承故障模式進行識別，發現在學習速度與分類能力上RBF神經網絡均優于BP神經網絡。莫燕等[23]利用小波包降噪與局部均值分解實驗數據得到滾動軸承的故障特征，通過訓練RBF神經網絡實現了滾動軸承的智能故障診斷。吳彤等[24]利用基于包絡譜灰色關聯度的集合經驗模態分解方法提取滾動軸承故障特征，利用核主元分析（KPCA）降低故障特征集維數并作為RBF神經網絡的輸入參數，能夠實現變負載情況下的滾動軸承故障程度識別。雖然RBF神經網絡的泛化能力比BP更強，但當要求精度相同時，RBF神經網絡的隱層神經元數量遠高于BP神經網絡，計算量明顯增大。

3? 結語

本文總結了人工神經網絡在滾動軸承故障診斷中的應用，分析了BP、SOM、CNN、RBF神經網絡診斷方法的優勢與不足。雖然神經網絡在故障診斷領域已得到廣泛應用，但仍存在局部收斂、過擬合和欠擬合等問題[25]，仍需進一步發展和完善。隨著計算機網絡技術的發展，自動采集和識別故障信號特征并對其進行準確分析與判斷將會成為主流。

參考文獻：

[1]廖伯瑜.機械故障診斷基礎[M].北京：冶金工業出版社，2007.

[2]王勇.工業電機中的滾動軸承失效分析[J].電機與控制應用，2009，36（09）：38-43.

[3]唐圣學，蔡紅軍，李志剛.基于小波與神經網絡的模擬電路故障診斷融合方法[J].中南大學學報（自然科學版），2015，46（01）：127-134.

[4]張建軍，張利，穆海芳，劉征宇，徐娟.基于改進粒子群優化BP網絡的發動機故障診斷方法[J].農業機械學報，2011，42（01）：198-203.

[5]何春，李琦，吳讓好，劉邦欣.基于故障傳播的模塊化BP神經網絡電路故障診斷[J].計算機應用，2018，38（02）：602-609.

[6]Zhang Kefei，Yuan Fang，Guo Jiang，et al. A novel neural network approach to transformer fault diagnosis based on momentum-embedded BP neural network optimized by genetic algorithm and fuzzy C-means[J].Arabian Journal for Science and Engineering，2016，41（9）： 3451-3461.

[7]馮玉芳，盧厚清，殷宏，曹林.基于BP神經網絡的故障診斷模型研究[J].計算機工程與應用，2019，55（06）：24-30.

[8]張淑清，黃文靜，等.基于總體平均經驗模式分解近似熵和混合PSO-BP算法的軸承故障診斷方法[J].中國機械工程，2016， 27（22）：3048-3054.

[9]程加堂，熊燕.應用ACSBP算法的軸承故障診斷[J].機械傳動，2017，41（09）：175-178.

[10]田棟，曹中清，范旭.基于風驅動優化BP神經網絡的滾動軸承故障診斷[J].機床與液壓，2018，46（19）：173-176.

[11]張寧，魏秀業，郭小勇，徐晉宏.基于改進魚群算法優化神經網絡的軸承故障診斷研究[J].軸承，2019（05）：44-48.

[12]Kohonen T. Self-organized formation of topologically correct feature maps [J]. Biological Cybernetics， 1982， 43（1）： 59-69.

[13]X. Lou， K. A. K. A. Loparo. Bearing fault diagnosis based on wavelet transform and fuzzy inference[J]. Mechanical Systems and Signal Processing. 2004， 18（05）： 1077-1095.

[14]吳濤，原思聰，孟欣，張滿意，劉道華.滾動軸承振動診斷的SOM神經網絡方法[J].機械設計與制造，2010（01）：198-200.

[15]何濤，萬鵬，謝衛容.基于CCA和SOFM的軸承故障特征提取[J].三峽大學學報（自然科學版），2006（03）：236-240.