BP神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用研究

1、BP神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用研究摘要：滾動軸承的振動信號可以從時域特征來提取，時域參數(shù)常用于判斷軸承是否存在故障，通過選取了合適的時域參數(shù)作為故障特征參數(shù)，作為診斷神經(jīng)網(wǎng)絡(luò)的輸入，從而能更有效和全面地體現(xiàn)故障特征。通過修改隱含層節(jié)點數(shù)目來觀察網(wǎng)絡(luò)結(jié)構(gòu)對滾動軸承故障診斷的性能影響，從而選取到合適的隱含層節(jié)點數(shù)；通過選取輸入層的特征值均值、峰值、均方根值、峰值因數(shù)、脈沖因數(shù)、波形因數(shù)、峭度、裕度因數(shù)中合適的特征值來觀察其構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)對滾動軸承故障診斷的性能影響程度，從而得到合適的網(wǎng)絡(luò)輸入層。關(guān)鍵詞：故障診斷；神經(jīng)網(wǎng)絡(luò)；滾動軸承；特征參數(shù)PneuralnetworkinfaultPneu

2、ralnetworkinfaultdiagnosisofrollingbearingdiagnosisofrollingbearingAbstract:Abstract:Thevibrationsignalsoftherollingbearingcanbeextractedfromtimedomain,timedomainparameterisusedtojudgewhetherthereisfaultbearing,byselectingtheappropriatetimedomainparametersasfaultcharacteristicparametersastheinputsof

3、theneuralnetwork,thediagnosis,whichcanbemoreeffectivelyandcomprehensivelyreflectthefaultfeature.Toobservetheeffectofnetworkstructureontheperformanceoffaultdiagnosisofrollingbearingbymodifyingthehiddenlayernodenumber,soastoselectthepropernumberofhiddenlayernodes;themean,peak,RMS,peakfactor,pulsechara

4、cteristicssuitablefactor,formfactor,kurtosis,marginfactorvalueintheobservationnetworkstructurecomposedoftheperformanceoffaultdiagnosisofrollingbearingbasedfeatureselectionofinputlayer,soastoobtainthenetworkinputlayerofsuitable.Keywords:Keywords:Faultdiagnosis;Neuralnetwork;Rollingbearings;Featurepar

5、ameter1序言滾動軸承作為機械設(shè)備中重要的旋轉(zhuǎn)零件，也是機械設(shè)備的重要故障源之一。與機械其他零部件相比，滾動軸承有一個很大的特點，就是其壽命離散性很大。有的軸承已經(jīng)大大超過設(shè)計壽命卻依然完好地工作，而有的軸承遠未達到設(shè)計壽命就出現(xiàn)各種故障。所以滾動軸承的故障診斷方法一直是機械故障診斷中重點發(fā)展的技術(shù)之一。據(jù)統(tǒng)計,ApplicationofApplicationof對機械設(shè)備應(yīng)用狀態(tài)監(jiān)測與故障診斷技術(shù)后，事故發(fā)生率降低了75%維修費用減少了25350%滾動軸承的狀態(tài)監(jiān)測與故障診斷技術(shù)在了解軸承的性能狀態(tài)和及時發(fā)現(xiàn)潛在故障等方面起著至關(guān)重要的作用，而且還可以有效提高機械設(shè)備的運行管理水平及維修

6、效能，從而顯著地提高了經(jīng)濟效益。通常的故障診斷方法或是基于溫度信號分析，或是聲音信號分析，難以全面反映振動的特征。由于滾動軸承的故障診斷模式和特征向量之間是非常復(fù)雜的非線性關(guān)系，依靠通常的診斷方法不能很好地解決滾動軸承的故障診斷問題，而神經(jīng)網(wǎng)絡(luò)卻能很好的解決這個問題，它能準確的判定出滾動軸承的故障。故障診斷的本質(zhì)就是在分析故障癥狀和故障原因的基礎(chǔ)上，由癥狀推斷出故障的原因，人工神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用，就是要用人工神經(jīng)網(wǎng)絡(luò)來模擬人腦的推斷功能從而進行故障診斷。人工神經(jīng)網(wǎng)絡(luò)在故障診斷中具有十分重要的應(yīng)用價值，它能通過訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)存儲關(guān)于過程的知識。人工神經(jīng)網(wǎng)絡(luò)故障診斷方法不但能在模式空間內(nèi)

7、形成各種復(fù)雜的判決表面，而且神經(jīng)網(wǎng)絡(luò)方法最大的特點是網(wǎng)絡(luò)具有自適應(yīng)能力，網(wǎng)絡(luò)不但能自適應(yīng)地學(xué)習(xí)，而且能夠自適應(yīng)地調(diào)整網(wǎng)絡(luò)的大小，而且它兼有模式識別和特征提取的作用。所以，人工神經(jīng)網(wǎng)絡(luò)故障診斷法不需要對輸入的模式做明顯的特征提取，網(wǎng)絡(luò)的隱層本身就具有特征提取的功能。另外，神經(jīng)網(wǎng)絡(luò)故障診斷法一般對輸入模式信息的不完備或特征的缺損不太敏感，也就是說網(wǎng)絡(luò)具有容錯性。相較于傳統(tǒng)的故障診斷方法，人工神經(jīng)網(wǎng)絡(luò)故障診斷法在背景噪聲統(tǒng)計特性未知的情況下，其性能更好，網(wǎng)絡(luò)具有很好的泛化能力，具體來說，神經(jīng)網(wǎng)絡(luò)之所以適合于故障診斷，有以下3個原因：(l)訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能存儲有關(guān)過程的知識，能直接從定量的、歷史故障

8、信息中學(xué)習(xí)?？梢愿鶕?jù)對象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前測量數(shù)據(jù)進行比較，以確定故障的類型。(2)神經(jīng)網(wǎng)絡(luò)具有濾出噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)來識別故障信息，使其能在噪聲環(huán)境中有效地工作，這種濾除噪聲的能力使得神經(jīng)網(wǎng)絡(luò)適合在線故障檢測和診斷。(3)神經(jīng)網(wǎng)絡(luò)具有分辨原因及故障類型的能力。滾動軸承故障特征與故障診斷模式之間是一種非常復(fù)雜的非線性關(guān)系，而BP神經(jīng)網(wǎng)絡(luò)用一種全新的思路來處理這類問題，具有非常強大的綜合分析能力，在非線性逼近上功能尤其強大，理論上只要神經(jīng)元足夠多，就能逼近任意復(fù)雜的非線性系統(tǒng)。2BP神經(jīng)網(wǎng)絡(luò)典型的人工神經(jīng)元模型如圖2.1所示。處理單元

9、的內(nèi)部閥值或門限值為ej,若用xo=-1的固定偏置輸入表示，其連接強度取woj=ejo于是，改神經(jīng)元模型的輸入輸出圖2.1人工神經(jīng)元模型nn關(guān)系為：Sj=Zwjixi6j=Zwjixi(xo=Bj,wjo=-1)i4i=4Yj=f(Sj)式中 wji連接權(quán)系數(shù)；f(x)輸出激活函數(shù)。如果用向量表示，則X=(xo,xi,x2,，xi,，xn)TWj=(w0j,wij,w2j,，wj,，wnj)T神經(jīng)元模型的輸出向量可表示為ny=f(WX%)=(wijxi-j)iW從式中可以看出，閥值也被看作是一個輸入分量，也就是閥值也是一個權(quán)值，在此用固定常數(shù)來表示。在網(wǎng)絡(luò)的設(shè)計中偏差起著重要的作用，它使得激活

10、函數(shù)的圖形可以左右移動而增加了解決問題的可能性。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由輸入層、中間層和輸出層組成，每層的節(jié)點數(shù)對測試結(jié)果都有很大的影響，尤其是輸入層和中間層。輸入層往往是根據(jù)滾動軸承的時域特征值的數(shù)目來確定的，有均值、峰值、均方根值、峰值因數(shù)、峭度因數(shù)、脈沖因數(shù)、波形因數(shù)和裕度因數(shù)，可以初步用8個值作為神經(jīng)網(wǎng)絡(luò)輸入層。隱層數(shù)和隱層節(jié)點數(shù)，隱層起抽象的作用，它能從輸入提取特征。增加隱層可增加人工神經(jīng)網(wǎng)絡(luò)的處理能力，但是必將使訓(xùn)練復(fù)雜化、訓(xùn)練樣本數(shù)目增加和訓(xùn)練時間增加。而誤差精度的提高實際上也可以通過增加隱層的神經(jīng)元數(shù)目來獲得，具訓(xùn)練效果也比增加層數(shù)更容易觀察和調(diào)整。所以一般情況下，應(yīng)優(yōu)先考慮增加隱

11、層中的神經(jīng)元數(shù)。在設(shè)計中應(yīng)當(dāng)盡可能地減少網(wǎng)絡(luò)模型的規(guī)模，以減少網(wǎng)絡(luò)的訓(xùn)練時間。一個三層的基于算法的神經(jīng)網(wǎng)絡(luò)可以完成n維到m維的映射。所以，選取隱含層數(shù)為一層就足夠了對于BP神經(jīng)網(wǎng)絡(luò)，理論上應(yīng)存在一個最佳隱層節(jié)點數(shù) h*,當(dāng)網(wǎng)絡(luò)的實際隱層節(jié)點數(shù)hh*時，對提高神經(jīng)網(wǎng)絡(luò)的性能也沒有多大好處，隨著節(jié)點數(shù)的增加，網(wǎng)絡(luò)的權(quán)值矩陣也增加，即訓(xùn)練量加大，網(wǎng)絡(luò)對樣本數(shù)據(jù)攜帶噪聲的魯棒性就比較差。目前對隱層節(jié)點數(shù)的選取尚無統(tǒng)一標準，一般是根據(jù)經(jīng)驗或通過訓(xùn)練學(xué)習(xí)后，考慮網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)和識別率綜合比較后選定。隱層神經(jīng)元數(shù)BP的經(jīng)驗公式主要有：h=2m1h-.nma1：a：100.02m:h：4mh=10g2n其中，

12、h為隱層神經(jīng)元數(shù)目，m為輸入神經(jīng)元數(shù)目，n為輸出神經(jīng)元數(shù)目。BP神經(jīng)網(wǎng)絡(luò)在故障應(yīng)用里需要構(gòu)造一個網(wǎng)絡(luò)構(gòu)架，函數(shù)newff()就是構(gòu)造BP神經(jīng)網(wǎng)絡(luò)的。它需要四個輸入條件，依次是：由R維的輸入樣本最大最小值構(gòu)成的RM2維矩陣、各層的神經(jīng)元個數(shù)、各層神經(jīng)元的傳遞函數(shù)以及訓(xùn)練用的函數(shù)的名稱。比如收集到的樣本集為p,期望為t,則可以這樣構(gòu)架神經(jīng)網(wǎng)絡(luò)，其matlab代碼為：net=newff(minmax(p),17,2,tansig,logsig,traingd)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincg

13、b、trainbfg、trainoss、trainlm、trainbr等，每種訓(xùn)練函數(shù)各有特點，但是沒有一種函數(shù)能適應(yīng)所有情況下的訓(xùn)練過程。3結(jié)果與分析軸承振動數(shù)據(jù)的獲取來源于軸承實際運動時的數(shù)據(jù)，沒有實驗裝置，就無法獲得實驗所需要的樣本數(shù)據(jù)，因此必須利用一定的實驗裝置，通過適宜地選取參數(shù)和在實驗裝置運行時正確地記錄數(shù)據(jù)，保證數(shù)據(jù)能夠真實準確地反映軸承的運行狀態(tài)。本論文的測試數(shù)據(jù)來自美國西儲大學(xué)軸承實驗中心。這些數(shù)據(jù)大體根據(jù)軸承的位置分為兩類驅(qū)動端數(shù)據(jù)和風(fēng)扇端數(shù)據(jù)；根據(jù)軸承故障類型分為正常數(shù)據(jù)(normal)、滾動體故障數(shù)據(jù)(Ball)、內(nèi)圈故障數(shù)據(jù)(InnerRace)和外圈故障數(shù)據(jù)(Out

14、erRace);根據(jù)軸承所加的負載分為0馬力、1馬力、2馬力和3馬力的軸承數(shù)據(jù)；根據(jù)加速度傳感器安裝位置分為3點、6點和12點鐘方向的軸承數(shù)據(jù)。這些數(shù)據(jù)類型太多，我們這里選用加速度傳感器安裝在驅(qū)動端的12點方向的負載為1馬力的正常數(shù)據(jù)（normal）、滾動體故障數(shù)據(jù)（Ball）、內(nèi)圈故障數(shù)據(jù)（InnerRace）和外圈故障數(shù)據(jù)（OuterRace）四種類型的原始軸承振動信號數(shù)據(jù)。我們的訓(xùn)練樣本和測試樣本不需要那么多振動信號數(shù)據(jù)，還需要處理這些原始數(shù)據(jù)。我們處理的方法是分段選用原始數(shù)據(jù)，在每類故障類型里設(shè)了20個訓(xùn)練樣本和測試樣本，每個樣本都是1000個點，訓(xùn)練樣本從0開始到20000點2束20

15、個樣本，測試樣本從8000OFF始到100000點結(jié)束20個測試樣本。BP網(wǎng)絡(luò)結(jié)構(gòu)里初步確定8個特征值作為輸入層節(jié)點，中間層17個節(jié)點和2個輸出節(jié)點的（8-17-2）網(wǎng)絡(luò)結(jié)構(gòu)，其訓(xùn)練曲線如下圖3.1所示。圖3.1網(wǎng)絡(luò)（8-17-2）結(jié)構(gòu)訓(xùn)練曲線網(wǎng)絡(luò)的訓(xùn)練結(jié)果為：Trailm.epoch9/1000,mse0.00033973/0.001,gradient0.00539/1e-10Epoch是迭代計算步數(shù)，mse歸一化平均方根誤差性能函數(shù)，gradient是網(wǎng)絡(luò)訓(xùn)練函數(shù)的梯度，其中，以mse指標在判斷網(wǎng)絡(luò)性能時是最重要也是最主要觀察的指標。圖3.1中網(wǎng)絡(luò)經(jīng)過9步迭代計算后，訓(xùn)I練結(jié)果誤差值為0.

16、00033973,而目標誤差值為0.001,遠遠達到了預(yù)期目標，說明網(wǎng)絡(luò)性能很好。用訓(xùn)練好的此BP網(wǎng)絡(luò)測試下樣本，觀察輸出值變化，誤差測試結(jié)果如圖3.2及表3.1所示。表3.1網(wǎng)絡(luò)結(jié)構(gòu)（8-17-2）判定故障類型的精度故障類型判別代碼精度滾動體故障(1,1)100%外圈故障(1,0)100%1.5!11T1 -I0.5-0-0.5III11101020304050607080couples圖3.3中間層數(shù)和網(wǎng)絡(luò)誤差關(guān)系從圖3.3可以看出，中間層數(shù)在小于10層時誤差比較大；中間層數(shù)為15層以后誤差較小，然后隨層數(shù)增加，誤差值基本變化不大。讓缺省的特征向量組成的BP神經(jīng)網(wǎng)絡(luò)測試出來的平均誤差值和沒

17、缺省的特征向量組成的BP神經(jīng)網(wǎng)絡(luò)測試出來得到平均誤差值進行比較，這樣就有8種比較，用數(shù)字代替缺省的特征向量：1（缺省均值）、2（缺省峰值）、3（缺省均方根值）、4（缺省峰值因數(shù)）、5（缺省峭度因數(shù)）、6（缺省脈沖因數(shù)）、7（缺省波形因數(shù)）、8（缺省裕度因數(shù)）如圖3.4所示為各特征向量的對網(wǎng)絡(luò)的性能影響的誤差值。1.5.-.-II-i廠0.5-0.11-0.5111101020304050607080couples圖3.2網(wǎng)絡(luò)結(jié)構(gòu)（8-17-2）實測值與期望值曲線圖3.2中紅線是期望值，綠線是實際結(jié)果值，橫坐標是組數(shù)，1到20組是滾動體故障的誤差判斷范圍；21到40是外圈故障誤差判斷范圍；41到

18、60是內(nèi)圈故障判斷范圍；61到80是正常軸承判斷范圍。從圖3.2可知，輸出值與期望值基本上是重合，說明此網(wǎng)絡(luò)結(jié)構(gòu)性能好。圖3.1的網(wǎng)絡(luò)結(jié)構(gòu)里，輸入層和中間層節(jié)點數(shù)是我們初步確定，我們現(xiàn)在需要統(tǒng)計不同的輸入層節(jié)點數(shù)和中間層節(jié)點數(shù)對網(wǎng)絡(luò)的性能的影響程度。內(nèi)圈故障(0,1)100%正常(0,0)100%epavexpectedvaluemeasuredvalueepavexpectedvaluemeasuredvalue1nomean2nopeak3peakmeanRMS4nopeakfactor5nonkurtosis6nopulsefactor7nowaveformfactor8nomargin

19、圖3.4各缺省特征向量后網(wǎng)絡(luò)誤差值從圖3.4上看，均值和均方根值在缺省后網(wǎng)絡(luò)的誤差值都比較接近于沒缺省時的網(wǎng)絡(luò)，這說明均值和均方根值是滾動軸承特征向量里不敏感特征，可以剔除掉這兩個特征向量。止匕外，從圖中還可知像峰值、峰值因數(shù)、峭度因數(shù)、脈沖因數(shù)、波形因數(shù)、裕度因數(shù)在缺省后，網(wǎng)絡(luò)誤差值都偏離了沒缺省的特征向量誤差，并且沒超過了期望誤差，這說明這些特征向量是對網(wǎng)絡(luò)比較重量的特征向量值。通過上述對輸入層特征向量的篩選后，可以確定滾動軸承故障診斷中BP網(wǎng)絡(luò)的結(jié)構(gòu)為（6,17,2）,其中，輸入層的特征向量是峰值、峰值因數(shù)、峭度因數(shù)、脈沖因數(shù)、波形因數(shù)、裕度因數(shù)；中間層節(jié)點數(shù)為17。優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)樣本

20、數(shù)據(jù)測試診斷結(jié)果如圖3.5所示。網(wǎng)絡(luò)的訓(xùn)練結(jié)果為：Trailm.epoch15/1000,mse0.00010605/0.001,gradient0.013652/1e-10圖3.5中網(wǎng)絡(luò)經(jīng)過15步迭代計算后，訓(xùn)練結(jié)果誤差值為0.00010605,遠遠達到目標誤差值0.001。 用訓(xùn)練好的此BP網(wǎng)絡(luò)測試下樣本， 觀察輸出值變化， 誤差測試結(jié)果如圖3.6及表3.2所小。表3.2網(wǎng)絡(luò)結(jié)構(gòu)（6-17-2）判定故障類型的精度故障類型判別代碼精度滾動體故障(1, 1)100%外圈故障(1, 0)100%內(nèi)圈故障(0, 1)95%15Epochs圖3.5網(wǎng)絡(luò)（6-17-2）結(jié)構(gòu)訓(xùn)練曲線esprnrEdor

21、auonaeM正常(0, 0)100%從圖3.6及表3.2的數(shù)據(jù)來看，在優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)與沒優(yōu)化前的網(wǎng)絡(luò)結(jié)構(gòu)（8-17-2）在判定精度上差別不大，但是優(yōu)化后的網(wǎng)絡(luò)減少了網(wǎng)絡(luò)復(fù)雜的計算過程，達到了過程簡化的過程。4結(jié)論基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法，用于滾動軸承的故障診斷是可行的。用訓(xùn)練好的網(wǎng)絡(luò)對滾動軸承實際新數(shù)據(jù)進行診斷，只需提供相應(yīng)的學(xué)習(xí)樣本，選取合適的滾動軸承的特征值和選取相應(yīng)的學(xué)習(xí)算法，構(gòu)建合適的網(wǎng)絡(luò)結(jié)構(gòu)，在輸入故障參數(shù)的時候能準確得出相應(yīng)故障類型，就能得到良好診斷效果。BP網(wǎng)絡(luò)結(jié)構(gòu)里中間層和輸入層的節(jié)點數(shù)值對網(wǎng)絡(luò)測試結(jié)果很重要，需要不斷的摸索實驗才能得到一個較佳的網(wǎng)絡(luò)結(jié)構(gòu)，本論文在滾動軸承故障的多次測試后得出的一個較佳的BP網(wǎng)絡(luò)結(jié)構(gòu)（6-17-2）,這個網(wǎng)絡(luò)結(jié)構(gòu)對滾動軸承的測試在各個方面性能都是較佳。參考文獻1高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例M.北京：機械工業(yè)出版社，2003,7.2楊國安.滾動軸承故障診斷使用技術(shù)M.北京：中國石化出版社，2012,1.3董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用M.北京：國防工業(yè)出版社，2007,9.4陳祥光，裴旭東.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用M.北京：中國電力出