基于MEA優化BP神經網絡的農機滾動軸承故障診斷

唐立力，陳國彬

(重慶工商大學 融智學院，重慶 401320)

0 引言

滾動軸承作為農業機械的基礎配件，應用于柴油機、拖拉機、農用汽車、脫粒機及電動機等，其運行狀態是否正常往往直接影響整臺農業設備的工作狀態，對農業生產造成直接影響。滾動軸承一旦出現故障，將造成重大經濟損失。1995年12月14日，美國CNSE3號貨運列車因其機車牽引電動機電樞軸承突然發生重大故障而導致脫軌。2005年1月，國內某鋼廠粗軋機滾動軸承損壞，造成生產線非計劃停產檢修48h，直接經濟損失超過3 000萬元[1]。因此，對滾動軸承進行故障診斷將對農機的生產效率提供重要幫助。近年來，隨著人工智能技術的發展，利用已有的知識建立模型對滾動軸承進行故障診斷成為了研究熱點。BP神經網絡因其強大的非線性映射能力，在滾動軸承故障診斷中的應用效果良好[2],但BP神經網絡本身存在收斂速度慢、容易陷入局部極小點的問題，導致診斷精確度降低。因此，用其他智能方法去優化BP網絡，取長補短、優勢互補，其診斷精度會得到提高，如差分進化BP神經網絡[3]、遺傳優化BP神經網絡[4]、蟻群優化BP神經網絡[5]、混合蛙跳優化BP神經網絡[6]、免疫遺傳優化BP神經網絡[7]，以及粒子群優化BP神經網絡[8]等。

近年來，利用思維進化算法(Mind Evolutionary Algorithm，MEA)優化BP神經網絡在故障診斷、預測、分類識別等方面得到了廣泛的應用[9-11]。本文首次將MEA優化BP神經網絡模型應用到農機滾動軸承故障診斷中，利用MEA的趨同和異化操作優化BP網絡的參數，即影響BP網絡診斷效率和精度的初始權值和閾值。結果表明：該方法能克服BP神經網絡的自身缺陷，快速獲得全局最優解，提高診斷效率和精度。

1 農機滾動軸承特征參數選取

選取收割機和柴油機常用滾動軸承的振動參數作為BP網絡輸入，分別是峰值因子、波形因子、脈沖因子、裕度因子和峭度[12]5個體現軸承運行狀態的特征參數。軸承的5類故障分為正常、外圈損壞、滾動體損壞、保持架損壞和內圈損壞，作為BP神經網絡模型待診斷的故障類型。

2 BP神經網絡農機滾動軸承故障診斷模型

以3層BP神經網絡建立原始故障診斷模型，由特征參數峰值因子、波形因子、脈沖因子、裕度因子和峭度可以確定輸入層有5個神經元。隱層神經元個數根據經驗公式[13]確定，即

w=2v+1

(1)

式中w—隱層神經元個數；

v—輸入層神經元個數。

根據前面分析得v的值為5，則w為11。對BP網絡的輸出定義了5種故障狀態，為了便于網絡計算分別編碼為：正常-1、外圈損壞-2、滾動體損壞-3、保持架損壞-4、內圈損壞-5。根據編碼確定輸出層神經元個數為1。

3 MEA優化BP神經網絡模型

3.1 MEA基本思路

MEA是一種迭代優化學習方法[14]。其基本思路如下：①在解空間內隨機生成個體，根據得分搜索出得分最高的優勝個體和臨時個體；②分別以這些獲勝個體為中心，在其周圍產生新的個體，從而獲得優勝子群體和臨時子群體；③在子群體內進行趨同操作，直到該子群體成熟，并以該子群體的最優個體得分作為該子群體得分；④根據各子群體的得分，在子群體之間進行異化操作，實現優勝子群體與臨時子群體之間的替換、廢棄、釋放過程，從而找出全局最優個體。

3.2 MEA與BP神經網絡的集成

根據BP網絡的結構，對解空間進行編碼，每個編碼對應一個個體。選取訓練樣本均方誤差的倒數作為個體和子種群的得分函數，利用MEA經過不斷迭代，獲得最優個體，即BP網絡的最優初始權值和閾值。主要優化步驟如下：

1)產生訓練樣本和測試樣本；

2)產生初始種群；

3)子種群的趨同操作；

4)子種群的異化操作；

5)解析最優個體；

6)訓練BP神經網絡；

7)仿真測試、診斷結果分析。

MEA優化BP神經網絡的算法流程如圖1所示。

圖1 遺傳算法優化BP神經網絡的算法流程

4 仿真與分析

4.1 樣本數據預處理

本文選用型號為6205-2RS的滾動軸承[12]，常用于收割機、柴油機等農業機械中。主軸轉速為1 797r/min，信號采樣頻率為12kHz。將峰值因子、波形因子、脈沖因子、裕度因子和峭度5個特征參數值作為BP網絡的輸入，按照之前的故障狀態編碼，1代表正常、2代表外圈損壞、3代表滾動體損壞、4代表保持架損壞、5代表內圈損壞，將其作為BP網絡的目標輸出值，得到部分訓練樣本和測試樣本原始數據如表1、表2所示。

表1 部分訓練樣本

表2 測試樣本

續表2

因為BP網絡的輸入數據具有不同的物理意義和不同的量綱，同時要滿足轉移函數的輸出要求，故需要對訓練樣本和測試樣本進行歸一化處理[15]，將BP網絡的輸入輸出數據變換為[-1,1]區間的值用以下變換式，即

(2)

(3)

式中ri—輸入特征參數數據；

rmin—輸入特征參數數據的最小值；

rmax—輸入特征參數數據的最大值；

rmid—輸入特征參數數據的中間值。

考慮篇幅，這里不再詳細列出樣本歸一化后的數據。

4.2 BP神經網絡和MEA的仿真參數設置

根據前面分析，BP神經網絡的結構為5-11-1型。隱層采用tansig傳遞函數，輸出層采用purelin傳遞函數，采用trainlm訓練算法，性能函數采用均方誤差mse，最大訓練步數設置為100，訓練目標最小誤差設置為0.000 1，學習速率設置為0.1。

思維進化算法中的種群大小設置為200，優勝子種群個數設置為5，臨時子種群個數設置為5，迭代次數設置為100。

4.3 仿真結果分析

1)MEA-BP網絡進化過程分析。在MatLab R2013a軟件上對BP網絡和MEA-BP網絡分別進行仿真，得到MEA 的優勝子種群和臨時子種群的趨同—異化過程，子種群趨同過程如圖2、圖3所示。

從圖2、圖3中不難發現：經過若干次趨同操作，子種群得分不再增加，即各個優勝子種群和臨時子種群均已成熟，初始趨同過程完成。對比圖2和圖3可以發現：當優勝子種群和臨時子種群成熟后，臨時子種群中的3、4、5的得分高于優勝子種群中的1、4、5，因此需要執行3次異化操作，同時需要補充3個新的子種群到臨時子種群中。異化后得到新的趨同過程，如圖4、圖5所示。

圖2 優勝子種群趨同過程

圖3 臨時子種群趨同過程

圖4 異化后的優勝子種群趨同過程

圖5 異化后的臨時子種群趨同過程

對比圖4和圖5可以發現：臨時子種群的所有得分均低于優勝子種群，故子種群的趨同和異化過程結束，獲得全局最優解，即BP網絡的最優初始權值和閾值(由于數據比較多，這里不詳細列出)。

2)BP網絡優化前后的仿真分析。用訓練樣本分別對BP網絡和MEA-BP網絡進行訓練，得到各自訓練誤差曲線如圖6、圖7所示。

通過比較看出：常規BP網絡達到訓練目標需要3步以上，而MEA-BP網絡達到訓練目標不足3步，MEA-BP網絡的收斂速度更快，訓練性能優于常規BP網絡。從驗證數據和測試數據可以看出：MEA-BP網絡的誤差均小于常規BP網絡，驗證性能和測試性能均優于常規BP網絡。可見，相比傳統BP網絡，MEA優化后的BP網絡訓練精度更高，訓練效果更好。

圖6 BP網絡訓練誤差曲線

圖7 MEA-BP網絡訓練誤差曲線

用測試樣本分別對BP網絡和MEA-BP網絡進行仿真，得到常規BP網絡仿真的均方誤差為0.029 2，MEA-BP網絡仿真的均方誤差為0.008 7，MEA-BP網絡的故障診斷結果如表3所示。

表3 MEA-BP網絡故障診斷結果

從仿真結果可以看出：MEA-BP網絡的故障診斷結果正確，診斷誤差小于常規BP網絡，克服了BP網絡的缺陷，提高了農機滾動軸承故障診斷的精度，改善了診斷效果。

5 結論

利用思維進化算法去優化BP神經網絡的重要參數，提出一種農機滾動軸承故障診斷新方法。仿真結果表明：優化后的BP網絡學習訓練速度更快，故障診斷精度更高，克服了常規BP網絡自身的缺陷，提高了農機滾動軸承故障診斷的可靠性和準確性，可以推廣到其他農業機械設備的故障診斷中。