基于SOM神經網絡的旋轉機械智能故障診斷*

肖志榮，李 雯，龔永康，杜燦誼，劉利武，喻菲菲

（1.廣東技術師范大學汽車與交通工程學院，廣州 510665；2.廣東技術師范大學電子與信息學院，廣州 510665；3.廣東技術師范大學機電學院，廣州 510665）

0 引言

旋轉機械設備占了機械設備的80%左右，實際工作中的旋轉機械故障原因復雜，信號波動大，故障征兆與故障的關系具有不確定性。通過單一故障特征來進行診斷的傳統故障診斷分析方法已經遠遠不能滿足現代化機械設備的復雜故障診斷和快速智能識別的需求[1]。神經網絡技術的應用為故障診斷問題提供了一種有效的解決途徑，眾多學者在這方面的研究取得了不少成果：葛憲福[2]通過對旋轉機械典型故障的振動信號進行時域分析和頻域分析，同時將其應用于實際工程中，并證明了僅僅依靠頻譜分析對機械進行診斷會有誤判的風險；王志永等[3]利用時域分析法中的波形診斷方法和數值分析診斷方法，根據振動信號的時域分析結果，得出了機床產生振動的原因；張津等[4]研究了旋轉機械振動信號的故障診斷的特征值提取、圖譜分析與故障樹整理，并利用綜合模擬試驗臺對常見的故障進行仿真試驗，從而推導出故障的類型；蘇劍飛等[5]研究了神經網絡技術的基本原理及在旋轉機械故障診斷中的詳細應用步驟，同時利用Matlab對BP神經網絡模型進行了仿真，并驗證了其準確性；汪慶華等[6]論述了RBF神經網絡在旋轉機械（風機）故障診斷中的準確性，從而避免了BP神經網絡的缺點等。綜上所述，通過提取振動信號波形進行分析來診斷，這種方法局限性極大，對于幾種故障的波形差異不大的情況下難以判斷；通過提取振動信號頻域中的譜峰能量、提取時域和頻域信號特征、提取機械的關鍵參數和利用小波分析和分型學結合的提取特征作為輸入進行建模識別是比較有效的方法，但特征參數的提取過程較繁瑣。

本文提出基于振動信號時域信號特征值作為輸入向量，建立SOM神經網絡模型對旋轉機械進行故障診斷方法，實現在不拆卸的情況下，通過建立空間拓撲結構快速確定故障原因，且診斷模型具有自主更新性，有利于實際的應用，節省診斷維修成本。

1 實驗方案與樣本數據的制取

1.1 實驗方案

本實驗主要利用臺鉆機等高速旋轉機械的表面振動信號進行特征參數提取，再根據SOM神經網絡的無監督自組織競爭特性，建立診斷模型進行故障診斷，并對比了幾種神經網絡模型方法的優劣，實驗具體方案如圖1所示。首先，通過振動傳感器采集不同故障狀態下的振動時域信號，并將振動信號進行等長度截取，構成原始樣本集。然后對樣本集的每段振動時域信號進行時域分析，提取出與故障相關的表征參數，輸入到SOM神經網絡模型進行訓練和測試[7]。

圖1 實驗方案

此外，為了驗證SOM神經網絡對旋轉機械故障診斷的準確性和穩定程度，將其與具有反向誤差傳播的BP神經網絡和以歷史數據為基礎的RBF徑向基神經網絡的診斷結果進行對比分析。

1.2 樣本數據的制取

利用加速度傳感器采集微型臺鉆正常狀態、基座松動、傳動帶破損、軸承破損故障等狀態下的振動加速度信號。基座松動故障通過人為用扳手把基座的螺絲擰至其松動來設置。由于基座固定轉軸，基座松動會使得微型臺鉆在運行時不平穩而導致振動信號的波動；傳動帶磨損故障通過人為磨損的傳動帶來設置。在微型臺鉆運行時，帶輪帶動傳動帶旋轉，當遇到磨損的部位振動幅度變大；軸承破損故障通過敲打軸承內圈使其破損來設置。鉆頭隨破損軸轉動會造成振動信號的變化。故障設置具體如圖2所示。

圖2 臺鉆機故障設置

振動信號采集設備是ECON AVANT系列數據采集分析儀，設置采樣率為6 400 Hz，采集空載低速的4種狀態下Z軸方向上的振動加速度信號數據（共344 064點），其時域信號波形如圖3所示。

圖3 振動加速度Z向時域信號波形

等間距選取每一種狀態下的2 048個點作為一組，提取其時域信號峰值、平均值、平均幅值、方根幅值、標準差、峭度指標和偏斜度指標7個參數。一種狀態選取130組，總共選取520組；其中，隨機選取400組作為訓練樣本，120組作為測試樣本，部分訓練和測試的樣本數據如表1所示。

表1 部分訓練、測試樣本數據

樣本分布具體如圖4所示。從4種狀態的數據分布情況可以看出，正常運行和軸承破損故障兩種狀態的特征樣本差別較為明顯，而基座松動和傳動帶破損兩種故障狀態的特征樣本之間的差別較小。正常狀態下的振動比較平穩，沖擊變化小；基座松動和傳動帶磨損的振動信號變化很相似；軸承破損故障的振動信號變化最大，可見軸承故障對微型臺鉆的運行影響較大；正常狀態與基座松動的偏度指標較小，而傳送帶磨損和軸承故障的偏度較大，可見后者不對稱性大。

從表1、圖4可以看出，不同特征的樣本數值范圍差別較大，而SOM學習算法會將樣本盡量均衡地分配到各個類別去。因此，要樣本數據進行歸一化處理。采用mapminmax函數（xi0=xi-xmin/xmax-xmin）將數據歸一化到[0,1]中。xi0為經過歸一化后第i個數據，xi為原始第i個數據，xmin為第i個數據中的最小值，xmax為第i個數據中的最大值。

圖4 部分訓練樣本數據

2 基于SOM神經網絡的故障診斷模型

SOM神經網絡是由輸入層和競爭層組成的神經網絡，其中競爭層也叫輸出層，其輸入層神經元與競爭層的每一個神經元相聯接，競爭層中每個神經元之間形成側面聯系，它們相互競爭[8]，如圖5所示。

圖5 二維陣列SOM神經網絡模型

當測試樣本進入到SOM神經網絡中的競爭層，會被與之映射最為強烈的神經元獲得，即為獲勝神經元。當參與競爭的神經元數量越多，不同類型的樣本之間的邊界約明顯，拓撲結構越舒展，甚至會出現更多的分類中心；反之，當參與競爭的神經元數量較少時，不同類型樣本之間的邊界越模糊，分類結果的隨機性越大。

2.1 SOM神經網絡的訓練

SOM網絡初始化需要用隨機數設定輸入層和映射層之間的權值初始值并對其進行歸一化，m個輸入神經元到輸出神經元的連接權值被賦予較小的權值。網絡模型的訓練需要選取輸出神經元j個“鄰接神經元”的集合Sj，其中，Sj()0表示時刻t=0的神經元j的“鄰接神經元”的集合，Sj()t Ct表示時刻t的“鄰接神經元”的集合，區域Sj()

t隨著時間的增長而不斷縮小。根據提取的7個時域信號特征數，輸入層神經元節點個數為7個，輸入向量為7維向量，即：

輸入向量輸入到映射層后，計算各神經元的權值向量和輸入向量的歐式距離。映射層的第j個神經元和輸入向量的距離，公式如下：

式中：wij為輸入層的i神經元和映射層的j神經元之間的權值。

通過計算，得到一個具有最小距離的神經元，將其稱為獲勝神經元，記為j*，并確定出某個鄰域k，使得對于任意的j，都有dk=min()dj，得到鄰接神經元集合，并修正輸出神經元j*及其“鄰接神經元”的權值?wij：

式中：η為一個大于0小于1的常數，隨著時間變化逐漸下降到0。

對于拓撲相關而形成的神經元子集，權重的更新是相似的。輸出神經元Ok的輸出值為：

SOM網絡中神經元的拓撲組織就是它最根本的特征，輸出神經元之間根據距離的遠近決定抑制關系，最終使連接權值的統計分布與輸入模式漸趨一致。當輸入新樣本時，網絡模型會以拓撲結構的形式輸出分類結果。

訓練結果分析如下。

本試驗利用2×2基礎網絡結構對4種故障狀態的振動參數數據進行自組織競爭運算，訓練其聚類效果，如圖6所示。4種狀態的訓練樣本能均勻分布在4個競爭層神經元區域，故障的分類和識別有效，其類別中心點分布如圖7所示。

圖6 2×2網絡分類情況

圖7 類別中心點分布

由此可見，樣本被聚集到4個中心點，基座松動和傳動帶破損兩種故障狀態的類別中心點靠的比較近，而正常狀態和軸承破損狀態兩個類別中心的相對疏遠。為了更好地體現4種故障狀態樣本數據在SOM神經網絡聚集情況和拓撲結構，通過反復嘗試，當競爭層神經元的個數為7×7（二維）時，網絡有較直觀的診斷效果和較短的分類時間。

2.2 SOM神經網絡的測試與結果分析

經過訓練網絡使其達到期望效果后，將測試數據輸入到網絡中進行識別分類，得到如圖8、圖9結果。從圖8中可以看出，網絡共有49個神經元；圖9中顏色越深，代表相鄰兩個神經元之間的距離越遠，越不可能是同一類型[9]。

圖8 SOM網絡網絡拓撲學結構

圖9 臨近神經元之間的距離情況

輸出結果如圖10、圖11所示，每一組輸出都會在獲勝神經元相對應編號的位置上顯示為1，其余都顯示為0，診斷時間為1′57"。

圖10 獲勝神經元的分布情況

圖11 測試樣本的分類情況

根據獲勝神經元的分布情況，找出每一種狀態下與其他狀態不一樣的神經元編碼，即為該狀態下的聚類結果。得到各種狀態下的獲勝神經元如表2所示。

測試結果根據各狀態下的獲勝神經元的位置以及臨近神經元之間的距離情況來判斷的[10]，得到的結果如下。

（1）正常：3+2+2+6+4+7+4+1+1+1=31

（2）基座松動：3+1+6+3+2+5+1+1+4+4=30

（3）傳動帶破損：2+1+1+1+3+4+2+2+4+2+7=29

（4）軸承破損：19+2+5+3+1=30

因此，只有一組故障沒有正確分類，正確率達到了99.17%，正常狀態下、基座松動以及軸承破損狀態下的識別正確率達到了100%，只有傳動帶破損故障的識別出現錯誤，正確率為96.67%。不管是與傳遞函數采用高斯函數，輸出層傳遞函數采用線性函數[11]的RBF神經網絡相比較，還是與沿誤差性能函數梯度反向修改權值學習方法[12]的BP神經網絡相比，其正確識別率都要高。

3 結束語

SOM神經網絡是模擬大腦神經系統自組織特征映射的功能，是一種競爭性學習網絡，且在學習過程中能夠無導師進行自組織學習。通過實驗測試與分析可知，神經網絡能夠有效地診斷出故障類型，精度較高。SOM神經網絡相比于BP神經網絡和RBF神經網絡更有優勢，其最大特點是保持輸入向量特征的拓撲結構不變，當輸入向量比較相似時，它們相對應的輸出神經元在輸出層的位置也很接近，可以通過其空間位置來判斷其故障類別，當SOM神經網絡接受外界輸入模式時，不同區域的神經元分工也會有差異，各區域對輸入模式有著不同的響應特點，這個過程都是自組織完成的。除此之外，SOM神經網絡不需要設置輸出模式，需要的參數較少，通過無監督的形式進行故障分類和識別，更加方便快捷。