基于BP神經網絡的沖壓機振動故障檢測

沈洪煒

(一汽-大眾汽車有限公司佛山分公司，廣東 佛山 528200)

隨著工業化進程的加快，工業制造業的作用日益凸顯。在工業制造業的發展過程中，沖壓機作為必不可少的一部分，在很大程度上影響著工業制造的效率和質量[1-6]。目前，我國的沖壓機制造企業已經具備了較為完善的技術體系和較大規模生產的能力，其生產的沖壓機質量在一定程度上有較高的保障[7-10]。但是，沖壓機仍然難以避免出現一定的故障，因而在實際工作的過程中，需要具備相應的沖壓機故障檢測能力。沖壓機故障檢測的主要技術手段通常包括振動檢測、溫度檢測、抽樣分析以及無損檢測技術等，其中較為常用的是振動檢測技術[11-13]。BP神經網絡作為一種智能算法，常常應用于生產生活的各個方面。因此，本次研究在分析沖壓機振動故障檢測時，以BP神經網絡模型為基礎，設計了沖壓機振動故障智能檢測系統。

1 沖壓機振動故障和BP神經網絡模型

1.1 沖壓機典型振動故障研究

沖壓機的典型振動故障主要包括曲柄滑塊機的振動故障、滑動軸承松動故障。其中，曲柄滑塊機的振動故障主要表現為軸頸磨損、連桿松動或斷裂，軸瓦拉傷以及曲軸的彎曲變形和裂紋等。以軸瓦拉傷和軸頸磨損故障為例，這兩種故障在頻譜上主要表現為在一定的頻帶內存在有色噪聲分量，其功率譜與沖壓機正常時的功率譜情況對比如圖1所示。

圖1 沖壓機軸瓦拉傷故障與正常時功率譜對比

圖1為沖壓機正常時的功率譜與其拉傷故障時的功率譜對比示意。從圖1中可以看出，拉傷故障下的沖壓機功率譜在每種頻率下的峰值都大于正常狀態下的沖壓機頻譜，并且頻率在f1r下也存在較為明顯的峰值。沖壓機拉傷故障時的功率譜整體幅值相較于正常情況明顯增大。沖壓機滑動軸承松動的故障信號特征主要表現為以下幾個方面：首先是軸心軌跡混亂并且重心不穩定；其次是信號特征可能呈現兩倍轉速頻率振動，甚至可能出現高頻振動；最后是一旦軸承發生松動，就會導致沖壓機運行過程中出現一定摩擦，表現在頻譜圖上就是出現一定頻帶范圍中的有色噪聲。沖壓機滑動軸承松動和正常時的幅值對比如圖2所示。從圖2中可以看出，沖壓機軸承松動時的各個頻率下的幅值明顯大于其正常時的幅值，即松動方向振動較大，并且當轉速達到某個閾值時，其變現在時域圖中的振幅忽大忽小。

圖2 沖壓機滑動軸承正常與松動時的幅值譜對比

1.2 BP神經網絡模型建立

BP神經網絡是人工智能的一個分支，是一種模擬人腦結構建立的網絡模型，由一系列的與人腦神經元類似的計算單元連接而成[14-16]。BP神經網絡具有多種優點，首先，BP神經網絡能夠進行并行和非線性處理、分布式處理與存儲；其次，BP神經網絡具有較強的自適應、自學習和自組織性以及較強的容錯性；最后，BP神經網絡的聯想記憶能力也較強。BP神經網絡的基本組成單元為神經元，每個神經元之間主要通過網絡權系數連接[17-20]。其結構通常包括三層，分別為輸入層、中間層以及輸出層。BP神經網路基本算法的過程主要包括信號正向傳播，以及誤差的反向傳播過程，其中，信號從輸入層輸入網絡中，再經過隱含層處理，從輸出層輸出，如果輸出層實際輸出與期望輸出相差較大，則反向輸入誤差信號。正是通過這種正向和反向輸入輸出過程不斷調整，以達到最佳輸出值。BP神經網絡的算法流程如圖3所示。

圖3 BP神經網絡算法流程

從圖3中可以看出，開始時，對權值進行初始化，而后輸入數據樣本，在此基礎上計算神經網絡輸出，并求解網絡輸出與期望輸出之間的誤差，同時判斷計算結果是否滿足相應的要求，如果滿足要求，則算法完成，如果不滿足，則求解權值的修正量以修正權值，再次重復計算神經網絡輸出的操作，直至得到期望的求解結果。

2 沖壓機振動故障智能檢測系統設計

2.1 沖壓機振動故障檢測的BP神經網絡設計

在BP神經網絡算法的基礎上，進行沖壓機振動故障智能檢測的BP神經網絡設計。對于沖壓機振動故障的檢測，需要輸入相關向量，選取的輸入向量為振動時域信號經過FFT變換后的頻譜幅值。輸入向量時選取代表性的頻率成分作為相關特征頻率，分別為(0.01-0.39)f、(0.40-0.49)f、(0.51-0.99)f、1f、2f以及高階f、0.5f、0.25f，極高f，低階f，奇數f等。向量明確好以后，輸入之前對數據進行歸一化處理，如式(1)所示：

(1)

經過歸一化處理后，該網絡設計的輸入值范圍都在0～1。此外，該設計網絡的輸出向量可以表示為(y1，y2，…，yi，…，yn)，主要以二進制的方式表示，其中，i=1，…，n，表示的是第i個神經元。本次研究所涉及的n為12，其中，前6個用以表示沖壓機的不同部件，如000001代表沖壓機齒輪；而后6個則代表不同的部件出現故障的類型，如000 001 000 001可以表示沖壓機齒輪發生磨損，000 010 000 001用于表示沖壓機的軸承內圈發生磨損。在對網絡設計的輸入值進行相應處理后，需要選取設計中所涉及的網絡參數，神經網絡輸入層有11個神經元數目，并且其輸出層有12個神經元。則可以據此計算出網絡隱含層的神經元數目，計算公式如式(2)所示。

(2)

式中：n為網絡輸入層的神經元數量；m為網絡輸出層的神經元數量；a為常數，其范圍在1～10。經過計算求得網絡隱含層神經元的數量為12。此外，網絡動態因子取值為0.91，網絡初始學習速率取值為0.72，在網絡設計過程中，需要對學習速率進行相應調整，調整計算式如式(2)所示。

η(t+1)=βη(t)

(3)

式中：η為網絡學習速率，其誤差值取為0.000 1，如果在調整過程中，誤差值超過此限定值，則β取值小于1，如果誤差值不超過該限定值，則β取值大于1。

2.2 機械沖壓機故障診斷系統軟件設計

對沖壓機故障診斷的網絡設計完成后，進行軟件系統設計。系統設計主要涉及沖壓機故障診斷目標，以及相關的功能需求、接口等。其中，總目標是實現診斷沖壓機故障時的信號處理，以實現對故障的準確診斷；功能性主要是根據設備故障診斷的流程，將系統軟件分為9個功能模塊；接口需求主要包括外部接口需求和內部接口需求，內部接口需求主要用于采集和提取數據、用于預處理參數、用于分析經典信號參數以及用于配置信號處理參數等。系統的主要功能結構如圖4所示。

圖4 沖壓機故障診斷系統功能結構

圖4為沖壓機故障診斷的系統功能結構。從圖4中可以看出，該故障診斷系統的功能結構一共包含9個功能模塊，分別為用戶登錄注冊模塊、用戶管理模塊、數據管理模塊、維修管理模塊、數據采集模塊、信號預處理模塊、經典信號分析模塊、現代信號處理分析模塊以及故障診斷模塊。以數據管理模塊和數據采集模塊作為系統設計的重點，其中數據管理模塊的主要功能是針對設備檔案數據、神經網絡數據、采集數據以及故障數據進行修改、導入和導出。其相關流程如圖5所示。

圖5 數據庫管理模塊流程

圖5為沖壓機故障診斷系統軟件設計中的數據庫管理模塊示意。從圖5中可以看出，在該流程中，開始之后導入相關參數信息，之后數據庫管理系統選擇所要操作的參數類別，并對有關需要修改的相關參數進行修改，修改參數后需要更改有關的數據庫相關數據表。最后，完成上述操作流程之后，導出相關的參數信息。對于數據庫采集模塊而言，其中包含采樣時間長度、采樣頻率以及采樣參數單位以及采樣點數四種采樣要素，并且采樣時間長度為采樣點數與采樣頻率的比值。數據采集模塊主要是采集設備狀態參數，包括連續采集和定點采集，其中連續采集是指對數據集進行不間斷采樣，而定點采集則是采集制定數據。數據采集的相關處理流程如圖6所示。

圖6 數據采集處理流程

圖6為數據采集模塊中的數據采集流程，計算機與沖壓機系統的數據采集設備連接正確時，會顯示相應的連接狀態。數據采集開始時，首先對數據采集的相關參數進行設置，可以設置為連續采集和定點采集。數據采集完成以后，將有關數據進行保存。

3 振動測試和故障分析

3.1 沖壓機振動故障參數

利用基于BP神經網絡設計的智能診斷系統對沖壓機振動故障進行現場檢測，并分析相關故障原因。本次研究所選取的測試對象為某實驗室的一臺小型沖壓機，該沖壓機的精度高、性能可靠、通用性強并且操作便捷，其有關參數如下表所示。對該沖壓機進行振動測試時，其測試系統主要由計算機、數據采集卡以及一個振動加速傳感器組成，振動傳感器和數據采集卡在測試時的相關技術參數分別如表1、表2所示。

表1 測試系統振動傳感器有關參數

表1為診斷故障測試系統中振動傳感器的相關參數，包括量程、激勵電壓、頻率變化范圍以及靈敏度等。從表1中可以看出，該系統的振動傳感器量程為-500～500 g，說明該傳感器最大可以滿足測量500個重力加速度的要求，激勵電壓為交流電，且變化范圍是24～30 V。此外，振動傳感器的頻率變化范圍為0～7 kHz，靈敏度為10.02 mV/g，即約為1 mV/(m·s-2)。

表2 數據采集卡的相關參數

表2為該測試系統數據采集卡的相關參數。從表2中可以看出，模擬信號輸入分辨率以及數字量輸入和輸出為16Bit，程控放大為1/2/4/8/16倍，模擬電壓信號的輸入變化范圍為-10～10 V，模擬信號輸入通道為16路，計數定時通道為6路16Bit，模擬信號的轉換觸發工作方式為程序觸發，模擬信號轉換數據傳輸方式為查詢方式。

3.2 沖壓機故障檢測

本次研究所檢測的這臺小型沖壓機，很長時間沒有進行相關維護，導致開機運行時其帶輪運轉不平衡，在軸向上出現晃動，并且開始運轉后的一段時間內出現較大噪音。在此基礎上，對故障進行進一步診斷檢測，并分析其產生故障的具體原因。在進行故障診斷之前，需要做好相關的準備工作，首先考慮故障監測點的選擇。選擇故障監測點時最好選擇與沖壓機的故障部位距離最近的關鍵點，以為準確地找到沖壓機的故障信號，確定好監測點后需要做好記號，方便故障檢測時在固定點進行測量。同時，在進行故障檢測時，一般都要對沖壓機的垂直、軸向以及水平方向等三個方向進行測量。選取其中1個測試點對沖壓機的故障進行檢測，將其記為點1，將沖壓機和計算機設備相連，繪制這個檢測點的信號譜圖，包括時域譜和功率譜，分別如圖7所示。

圖7 測試點1時域變化示意圖

圖7為測試點1的時域變化示意圖。從圖7中可以看出，該測試點采樣點數在0～2 000變化，振動加速度在-15～15 m/s2變化。在該測試點取不同數目的采樣點時，其振動加速度的波動范圍較為均勻，且振動幅度值也較為固定，大多數采樣點的情況下，其振動加速度值都在-5～5 m/s2變化。同時，該測試點的振動幅度值每隔一段時間會出現一個最大值，即一個較大的振動脈沖信號，根據這些最大值出現的測點序號能夠計算出這些點之間的差值在42左右，可將其換算為時間差0.042 s，進一步求得其頻率為1/0.042=23.81 Hz。據此可以說明該沖壓機的一個故障點頻率在23.81 Hz左右。

圖8為測試點1的功率譜變化情況。從圖8中可以看出，該測試點的頻率變化范圍在0～500 Hz，其中頻率為2 Hz左右時，該測試點的振動幅度值最大，接近100 dB，為95 dB左右。在其他不同頻率的情況下，其振動值幅度較為均勻，在0～40 dB變化。其中第二個振動幅度值最大的頻率為20.5 Hz，接近40 dB，并且該頻率值左右各有一條簇邊頻帶，其間隔頻率為沖壓機的轉速頻率。此外，對于其他峰值，也存在同樣的規律，說明該測試點的20.5 Hz即為沖壓機的故障頻率。在該測試點的頻域內，都存在峰值頻率，這是由于沖壓機存在較為嚴重的磨損，同時，在整個測試頻域內均勻分布著大量噪聲，這也是由于沖壓機的摩擦和磨損造成的。

圖8 測試點1功率譜變化

4 結 論

對沖壓機進行振動故障檢測可以保證其運行過程中的安全性能，以確保工業生產制造平穩運行。本次研究在分析沖壓機振動故障檢測時，基于BP神經網絡進行了智能檢測系統設計。通過對典型沖壓機故障和BP神經網絡的闡述，研究了沖壓機振動故障檢測的BP神經網絡設計，以及沖壓機故障診斷系統軟件設計。在此基礎上，以實際振動機為例，對其進行振動故障檢測，并得出測試點的時域變化以及功率譜變化。研究結果表明，該測試點的振動幅度值每隔一段時間會出現一個最大值，即一個較大的振動脈沖信號，并且沖壓機故障點頻率在23.81 Hz左右；同時，由于沖壓機存在較為嚴重的磨損，在該測試點的頻域內，都存在峰值頻率，并且在整個測試頻域內均勻分布著大量噪聲。本次研究證實了基于BP神經網絡算法的沖壓機振動故障智能檢測系統的有效性與合理性，但測試時僅以一個沖壓機為例，其廣泛適用性還有待進一步研究。