智能化滾動軸承狀態(tài)監(jiān)測

1、智能化滾動軸承狀態(tài)監(jiān)測1 緒論1.1 滾動軸承狀態(tài)檢測的意義滾動軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種通用機(jī)械部件，它們在旋轉(zhuǎn)機(jī)械中起著關(guān)鍵的作用，旋轉(zhuǎn)機(jī)械的故障30%是由滾動軸承故障引起的，其運(yùn)行狀態(tài)的正常與否直接影響到整臺機(jī)器的性能(包括精度、可靠性及壽命等1。據(jù)統(tǒng)計(jì)，僅有10-20%的軸承達(dá)到他們的設(shè)計(jì)壽命。大量實(shí)驗(yàn)證明，滾動軸承的疲勞壽命是非常離散。在相同的實(shí)驗(yàn)條件下， 結(jié)構(gòu)設(shè)計(jì)、材質(zhì)、加工方法相同的同一批軸承，其最長與最短的壽命可能相差 數(shù)十倍甚至上百倍。由于軸承的這個(gè)特點(diǎn)，在實(shí)際使用中就出現(xiàn)這樣一種情況，即有的軸承己大大超過設(shè)計(jì)壽命而依然完好地工作，而有的軸承遠(yuǎn)未達(dá)到設(shè)計(jì)壽命就出現(xiàn)各

2、種故障。所以，如果按照設(shè)計(jì)壽命對軸承進(jìn)行定期維修，一方面，會對超過設(shè)計(jì)壽命而完好工作的軸承拆下來作為報(bào)廢處理，造成浪費(fèi); 另一方面，未達(dá)到設(shè)計(jì)壽命而出現(xiàn)故障的軸承或者堅(jiān)持到定期維修時(shí)拆下來報(bào)廢，使得機(jī)器在軸承出現(xiàn)故障后和拆下前這段時(shí)間內(nèi)工作精度下降，或者未到維修時(shí)間就出現(xiàn)嚴(yán)重故障，導(dǎo)致整個(gè)機(jī)器出現(xiàn)嚴(yán)重事故2。由此看來，對重要用途的軸承來說定時(shí)維修是很不科學(xué)的，要進(jìn)行工況監(jiān)視與故障診斷，改傳統(tǒng)的定時(shí)維修為視情維修或預(yù)知維修，這不但可以防止機(jī)械工作精度下降，減少或杜絕事故發(fā)生，而且可以最大限度地發(fā)揮軸承的工作潛力，節(jié)約開支，具有重要意義。1.2 滾動軸承診斷技術(shù)的發(fā)展與現(xiàn)狀國內(nèi)對滾動軸承的工況監(jiān)測

3、與故障診斷的廣泛研究基本上是從80年代才開始的5。雖然起步較晚，但經(jīng)過很多高校、研究所和工廠廣大科技人員的努力，在滾動軸承的故障診斷、系統(tǒng)開發(fā)等方面己取得很大進(jìn)步。自1985年來，由中國設(shè)備管理協(xié)會設(shè)備診斷委員會、中國振動工程學(xué)會機(jī)械故障診斷分會和中國機(jī)械工程學(xué)會設(shè)備維修分會分別組織的全國性故障診斷學(xué)術(shù)會議以先后召開多次，極大地推動了我國故障診斷技術(shù)的發(fā)展。研究的主要方面是基于振動信號的共振解調(diào)技術(shù)。其中，航空航天部608所的唐德堯教授等人于1984年開發(fā)成功基于共振解調(diào)原理的JK8241齒輪軸承故障分析儀，既而于1990年開發(fā)成功專用于鐵路貨車輪對軸承故障診斷的JK86411自動試驗(yàn)系統(tǒng)。此

4、診斷系統(tǒng)適用于鐵路貨車輪對滾動軸承的不解體故障診斷，提高了檢驗(yàn)速度與診斷可靠性，節(jié)約了維修費(fèi)用與備件損耗，提高了鐵路車輛的運(yùn)行可靠性和維修的經(jīng)濟(jì)效益。另外，南京航空航天大學(xué)振動所趙淳生教授等人針對軋鋼機(jī)系列軸承的特殊性相繼開發(fā)了軸承故障診斷系統(tǒng)，也已成功地應(yīng)用于軋鋼機(jī)系列軸承的在線故障診斷。其基本原理也是共振解調(diào)技術(shù)。相比較而言，國內(nèi)滾動軸承的診斷與國外相比還有一定的差距，對滾動軸承實(shí)效機(jī)理、實(shí)效過程的研究不夠、不深入。1.3 滾動軸承常見故障滾動軸承在運(yùn)轉(zhuǎn)過程中可能會由于各種原因引起故障，如裝配不當(dāng)、潤滑不良、水分和異物侵入、腐蝕和過載等都可能會導(dǎo)致軸承過早失效。即使在安裝、潤滑和使用維護(hù)都

5、正常的情況下，經(jīng)過一段時(shí)間運(yùn)轉(zhuǎn)，軸承也會出現(xiàn)疲勞剝落和磨損而不能正常工作?？傊?，滾動軸承的失效原因是十分復(fù)雜的，其主要失效形式與原因如下6：(1磨損失效磨損是滾動軸承最常見的一種失效形式，是軸承滾道、滾動體、保持架、座孔或安裝軸承的軸頸，由于機(jī)械原因或塵埃、異物等潤滑雜質(zhì)的侵入引起的表面磨損。在工作環(huán)境惡劣的情況下，許多雜質(zhì)會混雜在潤滑油中，進(jìn)入軸承，從而就會在滾動體和滾道上產(chǎn)生磨料磨損，在滾動體和滾道上出現(xiàn)不均勻的劃痕。磨料的存在，是軸承磨損的基本原因。磨損的結(jié)果使軸承游隙增大，表面粗糙度增加，降低了軸承運(yùn)轉(zhuǎn)精度，因而也降低了機(jī)器的運(yùn)動精度，振動及噪聲也隨之增大。對于精密機(jī)械軸承，往往是磨損

6、量限制了軸承的壽命。(2疲勞失效疲勞是滾動軸承的另一種失效形式，常表現(xiàn)為滾動體或滾道表面剝落或脫皮。初期是在表面上形成不規(guī)則的凹坑，以后逐漸延伸成片。滾動軸承在工作時(shí)，由于滾動體與內(nèi)、外圈接觸面積很小，因此接觸應(yīng)力很大。在高速旋轉(zhuǎn)時(shí)，由于巨大交變接觸應(yīng)力多次反復(fù)作用，軸承元件金屬表面就會發(fā)生疲勞，產(chǎn)生剝落，形成小凹坑。造成剝落的主要原因是載荷引起的交變應(yīng)力，有時(shí)是因?yàn)闈櫥涣蓟驈?qiáng)迫安裝。(3腐蝕失效軸承表面的腐蝕主要是由下面三種原因造成的:潤滑脂內(nèi)含有水分或酸類，這些成分與軸承的表面金屬發(fā)生化學(xué)反應(yīng)，即化學(xué)腐蝕。軸承內(nèi)圈、外圈滾道面或滾道面上有凹坑或洗衣板狀條紋損傷，這是由于電流通過滾子和內(nèi)圈

7、、外圈接觸面時(shí)擊穿油膜，從而產(chǎn)生金屬熔融現(xiàn)象，這種腐蝕稱為電蝕。軸承內(nèi)徑和軸頸的配合過盈量不足，軸承在承受載荷時(shí)，由于發(fā)生彈性變形，在接觸面間產(chǎn)生微小的滑動，出現(xiàn)褐色磨耗粉，這稱為摩擦腐蝕。(4斷裂失效軸承零件的破斷與裂紋主要是由于磨削或熱處理引起的，也有的是由于運(yùn)行時(shí)載荷過大、轉(zhuǎn)速過高、潤滑不良或裝配不善，使軸承某個(gè)部位發(fā)生應(yīng)力集中，產(chǎn)生裂紋，最后導(dǎo)致軸承元件斷裂。(5壓痕失效壓痕失效是由于軸承過載、撞擊或異物進(jìn)入滾道內(nèi)使得滾動體或滾道表面上產(chǎn)生局部變形而出現(xiàn)的凹坑。其原因主要是由于裝配不當(dāng)，有時(shí)也可能是過載或撞擊造成的。(6膠合失效膠合發(fā)生在滾動接觸的兩個(gè)表面間，為一個(gè)表面上的金屬粘附到另

8、一個(gè)表面的現(xiàn)象。當(dāng)滾子在保持架內(nèi)卡住，由于潤滑不良、速度過高和慣性力的影響，保持架的材料粘附到滾子端面上形成螺旋型污斑狀的膠合。(7保持架損壞由于裝配或使用不當(dāng)可能會引起保持架發(fā)生變形，增加它與滾動體之間的摩擦，甚至使某些滾動體卡死不能滾動，也有可能造成保持架與內(nèi)外圈發(fā)生摩擦等。這一損傷會進(jìn)一步使振動、噪聲與發(fā)熱加劇，導(dǎo)致軸承損壞。1.4 滾動軸承的故障檢測技術(shù)滾動軸承的故障診斷技術(shù)較多，主要有:振動診斷技術(shù)、鐵譜診斷技術(shù)、聲學(xué)診斷技術(shù)、油膜電阻診斷技術(shù)和溫度診斷技術(shù)等7。軸承元件的工作表面出現(xiàn)疲勞剝落、壓痕或局部腐蝕時(shí)，軸承運(yùn)行中會出現(xiàn)周期性的脈沖信號。這種周期性信號可由安裝在軸承座上的傳感

9、器(速度型或加速度型 來接收，通過對振動信號的分析來診斷軸承的故障，是現(xiàn)今采用最為廣泛的方法。軸承磨損顆粒與其工作狀況有密切的聯(lián)系。將帶有磨損顆粒的潤滑油通過一強(qiáng)磁場，在強(qiáng)磁場的作用下，磨粒按一定的規(guī)律沉淀在鐵譜片上，鐵譜片可在鐵譜顯微鏡上做定性觀察或在定量儀器上測試，據(jù)此判斷軸承的工作狀況。鐵譜診斷技術(shù)具有機(jī)器無需解體，投資低、效果好，能發(fā)現(xiàn)軸承的早期疲勞失效，可作磨損機(jī)理研究等特點(diǎn)。這種方法適合于用潤滑油潤滑的軸承的故障診斷，對用脂潤滑軸承較困難。另外，這種方法易受其它非軸承損壞掉下的顆粒的影響。所以，這種方法具有很大的局限性。潤滑良好的軸承，由于油膜的作用，內(nèi)、外圈之間有很大的電阻。故通

10、過測量軸承內(nèi)、外圈之間的電阻，可對軸承的異常作出判斷。其特點(diǎn)是對不同的工況條件可使用同一評判標(biāo)準(zhǔn)，適用于旋轉(zhuǎn)軸外露的場合，對表面剝落、壓痕、裂紋等異常的診斷效果比較差。軸承若產(chǎn)生某種異常，軸承的溫度會發(fā)生變化。因此，根據(jù)溫度的變化，可以對軸承故障進(jìn)行診斷，但對異常判斷的能力只能給予很低的評價(jià)。溫度監(jiān)測對軸承載荷、速度和潤滑情況的變化反映比較敏感，尤其對潤滑不良而引起的軸承過熱現(xiàn)象很敏感。所以，用于這種場合比較有效。但是，當(dāng)軸承出現(xiàn)諸如早期點(diǎn)蝕、剝落、輕微磨損等比較微小的故障時(shí)，溫度監(jiān)測基本上沒有反映，只有當(dāng)故障達(dá)到一定的嚴(yán)重程度時(shí)，用這種方法才能監(jiān)測到。所以，溫度監(jiān)測不適用于點(diǎn)蝕、局部剝落等所

11、謂的局部損傷類故障。振動信號雖然能提供較多滾動軸承的故障信息，但是由于滾動軸承的信號比較復(fù)雜，故障信號與正常振動信號混在一起，為了提取滾動軸承的故障信息，不得不采用比較復(fù)雜的監(jiān)測診斷系統(tǒng)，信號處理技術(shù)要求較高，這在某種程度上使?jié)L動軸承的故障診斷應(yīng)用受到了限制。另外，對于工作在低速及超低速的軸承（如起重機(jī)和微波天線轉(zhuǎn)盤的支承軸承），用傳統(tǒng)的振動監(jiān)測法（020kHz 范圍內(nèi)）難于奏效，而采用聲發(fā)射技術(shù)（在100300kHz 范圍內(nèi)）往往可以收到良好的效果。另外，使用聲發(fā)射技術(shù)不但能監(jiān)視疲勞裂紋的擴(kuò)展情況，同時(shí)還能監(jiān)測滾動表面間的摩擦狀況。此外，新的監(jiān)測技術(shù)不斷出現(xiàn)并應(yīng)用于滾動軸承的工況監(jiān)測和診斷中

12、，如聲發(fā)射技術(shù)、光纖監(jiān)測技術(shù)等等。但是由于種種原因和局限性，這些技術(shù)離真正普及應(yīng)用于實(shí)際的滾動軸承診斷還有一段距離。2 滾動軸承振動檢測實(shí)驗(yàn)流程當(dāng)滾動軸承元件的工作表面出現(xiàn)疲勞剝落、壓痕或局部腐蝕時(shí)，軸承運(yùn)行中會出現(xiàn)周期性的脈沖信號。這種周期性信號可由安裝在軸承座上的傳感器(速度型或加速度型 來接收，將傳感器測取的滾動軸承振動信號接入電荷放大器進(jìn)行信號放大，再通過A/D卡轉(zhuǎn)換為計(jì)算機(jī)可以識別和處理的數(shù)字信號并接入計(jì)算機(jī)，在計(jì)算機(jī)上利用Matlab 編程實(shí)現(xiàn)以下功能：通過時(shí)域和頻域分析提取有效特征向量，利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別判斷故障類型（故障軸承或正常軸承），從而實(shí)現(xiàn)滾動軸承智能化故障診

13、斷。實(shí)驗(yàn)流程如下圖所示： 3 振動信號的分析與處理分析信號流程：將數(shù)據(jù)導(dǎo)入MATLAB ，信號預(yù)處理零均值化、時(shí)域分析及特征值提取、頻域分析及特征值提?。‵FT ）、特征值歸一化、BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別。3.1 信號的預(yù)處理零均值化在測試中由數(shù)據(jù)采集所得的原始信號，在分析前需要進(jìn)行預(yù)處理，以提高數(shù)據(jù)的可靠性和真實(shí)性，并檢查信號的隨機(jī)性，以便正確地選擇分析處理方法。本設(shè)計(jì)中，我們采用零均值化處理。零均值化處理又稱中心化處理。信號的均值相當(dāng)于一個(gè)直流分量，而直流信=0處的沖激函數(shù)，因此若不去除均值，在作信號譜分號的傅里葉變換是在析時(shí)，將在 =0左右處的頻譜曲線，=0處出現(xiàn)一個(gè)大的譜峰，并會影響

14、在使它產(chǎn)生較大的誤差。 1Nx n 設(shè)采樣數(shù)據(jù)為 (n=1，2，N ，其均值通過下式計(jì)算：x =x n N n =1用下式進(jìn)行零均值化處理： u n =x n - u n 就變?yōu)橐粋€(gè)均值為零的新信號 (n=1，2，N 。未經(jīng)零均值化的頻譜圖頻率 (Hz 零均值化的頻譜圖頻率 (Hz=0處出現(xiàn)一個(gè)由直流分量產(chǎn)生從頻域?qū)Ρ葓D可以明顯看出，零均值后消除的大譜峰，處理后避免了其對周圍小峰值產(chǎn)生的負(fù)面影響，便于頻域分析。3.2 時(shí)域分析及特征值提取軸承振動信號時(shí)域分析主要任務(wù)是計(jì)算振動信號的時(shí)域統(tǒng)計(jì)特征參數(shù)，再通過和參照值的對比來確定軸承的狀態(tài)。常用的特征參數(shù)可分為有量綱參數(shù)和無量綱參數(shù)。設(shè)為采集到的振

15、動信號序列,i =1,2,N ，其中有量綱量包括:均值：均值 表示隨機(jī)過程的中心趨勢，隨機(jī)過程都是圍繞著它聚集和波動，是隨機(jī)過程的靜態(tài)分量。均值用于故障診斷的優(yōu)點(diǎn)是檢測值較峰值穩(wěn)定。方差：方差描述了隨機(jī)過程在均值周圍的散布程度，是隨機(jī)過程的動態(tài)分量。均方根值:均方根值反映了信號下x(t相對于零值的波動情況，表示信號的平均能量。峰值:峰值是信號最大的瞬時(shí)幅值，反映信號的強(qiáng)度。它對瞬時(shí)現(xiàn)象也可以得出正確的指示值，適用于表面點(diǎn)蝕之類的具有瞬時(shí)沖擊的缺陷診斷。無量綱量包括:峰值因子:峰值因數(shù)表示波形是否有沖擊的指標(biāo)。峰值因數(shù)不受振動信號的絕對水平所影響，所以傳感器的靈敏度即使有變動，也不會出現(xiàn)測量誤差

16、。峭度系數(shù):峭度系數(shù)是表示軸承工作表面出現(xiàn)疲勞故障時(shí)，每轉(zhuǎn)一周，工作面缺陷處產(chǎn)生的沖擊脈沖，故障越大，沖擊響應(yīng)幅值越大，故障現(xiàn)象越明顯。波形因子:脈沖因子:脈沖因子對于沖擊脈沖類缺陷比較敏感，特別是出現(xiàn)早期缺陷時(shí)，它有明顯增加; 當(dāng)上升到一定程度后，隨著缺陷的逐漸發(fā)展，反而會下降。裕度因子:對零均值化后數(shù)據(jù)進(jìn)行特征提取，程序如下：G2015m=sum(G2015l/100000; %G2015m為均值，G2015為零均值化處理后結(jié)果。G2015f=sum(G2015l-G2015m.2; %G2015f為方差 G2015rms=sqrt(sum(G2015l.2/100000; %G2015r

17、ms均方根值 G2015peak=(max(G2015l-min(G2015l/2; %G2015peak為峰值G2015c= G2015peak/G2015rms; %G2015c為峰值因子G2015k=sum(G2015l.4/(G2015rms.4*100000; %G2015k為峭度系數(shù) G2015s=(G2015rms*100000/sum(abs(G2015l; %G2015s為波形因子 G2015cl=G2015peak/(sum(sqrt(abs(G2015l/100000.2; %G2015cl裕度因子G2015i=(G2015peak*100000/sum(abs(G201

18、5l; %G2015i脈沖因子在Matlab 中運(yùn)行上述程序，可得樣本2015的時(shí)域特征值。再改變樣本，在Matlab 中可得其他樣本時(shí)域特征值如下表所示： 3.3 頻域分析及特征值的提取鑒于時(shí)域分析不能完全反映滾動軸承工作狀態(tài)，故對樣本（以樣本2015為例）進(jìn)行頻域分析。對零均值化后數(shù)據(jù)進(jìn)行傅里葉變換，繪制頻譜圖，程序如下：N=100000; %采樣點(diǎn)數(shù)fs=10000; %采樣頻率f=(0:N-1*fs/N; %進(jìn)行對應(yīng)的頻率轉(zhuǎn)換G2015lp=abs(fft(G201l; %進(jìn)行fft 變換，G2015lp 為G2015l 進(jìn)行fft 變換后結(jié)果Z2015lp=abs(fft(Z201l

19、; %進(jìn)行fft 變換，Z2015lp 為Z2015l 進(jìn)行fft 變換后結(jié)果subplot(2,1,1,plot(f(1:N/2,G2015lp(1:N/2;subplot(2,1,2,plot(f(1:N/2,Z2015lp(1:N/2; %顯示G2015與Z2015的頻譜圖 G2015與Z2015頻域圖對比同理可對其他樣本的軸承進(jìn)行頻域分析： G2515與Z2515頻域圖對比 G3015與Z3015頻域圖對比 G20610與Z20610頻域圖對比 G25610與Z25610頻域圖對比 G30610與Z30610的頻域圖對比對不同樣本故障軸承和不同樣本正常軸承的頻譜圖進(jìn)行對比，得出5個(gè)特征

20、頻率點(diǎn)，再對各個(gè)樣本一一進(jìn)行特征抽取，提取頻域特征值得到頻域特征值如表：3.5 特征值歸一化由于各個(gè)特征值的幅值大小不一，不便于比較同一特征值的不同樣本之間的差異。并且考慮都后面的神經(jīng)網(wǎng)絡(luò)輸入值大小。本文將所有特征值歸一化到01區(qū)間。線性函數(shù)轉(zhuǎn)換，表達(dá)式如下：y=(x-MinValue/(MaxValue-MinValue說明：x 、y 分別為轉(zhuǎn)換前、后的值，MaxValue 、MinValue 分別為樣本的最大值和最小值。程序如下：for i=1:11for j=1:12gy(i,j=(tz(i,j-min(tz(i,:/(max(tz(i,:-min(tz(i,:;%tz為有效特征值矩陣，

21、gy 為歸一化后的特征值矩陣。11為有效特征值個(gè)數(shù)，12為數(shù)據(jù)樣本個(gè)數(shù)。 end End對正常軸承和故障軸承的時(shí)域特征值與頻域特征值進(jìn)行歸一化處理，得下表： 正常軸承歸一化后特征值表 上邊正常軸承與故障軸承歸一化后特征值將作為模式識別部分的輸入。4 人工神經(jīng)網(wǎng)絡(luò)的智能識別4.1 神經(jīng)網(wǎng)絡(luò)的概述神經(jīng)網(wǎng)絡(luò)是生命科學(xué)與工程科學(xué)相互關(guān)聯(lián)，相互交叉，相互促進(jìn)的一門科學(xué)。神經(jīng)元網(wǎng)絡(luò)從人腦的生理學(xué)和心理學(xué)著手，通過人工模擬人腦的工作機(jī)理來實(shí)現(xiàn)機(jī)器的部分智能行為，是信息處理中的一種嶄新的方法。神經(jīng)網(wǎng)絡(luò)以非線性為基礎(chǔ)，模擬人腦細(xì)胞的分布式工作特點(diǎn)和自組織功能實(shí)現(xiàn)并行處理、自學(xué)習(xí)和非線性映射等能力，具有高度的學(xué)習(xí)

22、聯(lián)想能力。目前神經(jīng)網(wǎng)絡(luò)己經(jīng)在智能控制、模態(tài)識別、非線性優(yōu)化、自適應(yīng)濾波、語音識別、機(jī)器人工程、生物醫(yī)學(xué)等領(lǐng)域獲得了廣泛的應(yīng)用6。4.2 BP神經(jīng)網(wǎng)絡(luò)BP(Back Propagation Network神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個(gè)輸入層，一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接。網(wǎng)絡(luò)的學(xué)習(xí)過程包括信號正向傳播和誤差反向傳播。在正向傳播進(jìn)程中，輸入信息從輸入層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運(yùn)算后得到的輸出值與期望值進(jìn)行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權(quán)重系數(shù)，減小誤差。隨著這種誤差逆

23、向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。輸入層 隱含層 輸出層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖4.3輸入層、輸出層和隱層的設(shè)計(jì)輸入的神經(jīng)元可以根據(jù)需要求解的問題和數(shù)據(jù)表示方式確定。在故障診斷中，輸入層神經(jīng)元個(gè)數(shù)一般等于每個(gè)樣本中包含的特征值的個(gè)數(shù)。輸出層的維數(shù)可根據(jù)設(shè)計(jì)者的要求確定，在故障診斷中，一般將BP 網(wǎng)絡(luò)用作分類器，如類別模式一共有m 個(gè)，則輸出層神經(jīng)元的個(gè)數(shù)為m 。 隱層的神經(jīng)元個(gè)數(shù)選擇是一個(gè)較為復(fù)雜的問題，往往需要設(shè)計(jì)者多次試驗(yàn)來確定，因而不存在一個(gè)理想的解析式來表示。隱層單元的個(gè)數(shù)與問題的要求、輸入/輸出單元的數(shù)目都有著直接關(guān)系。隱層單元個(gè)數(shù)太多會導(dǎo)致學(xué)習(xí)時(shí)間過長、誤差不

24、一定最佳，也會導(dǎo)致容錯(cuò)性差、不能識別以前沒有見到的樣本等問題，因此一定存在一個(gè)最佳的隱層單元數(shù)。 以下三個(gè)公式可作為選擇最佳隱層單元數(shù)時(shí)的參考公式：4.4 BP神經(jīng)網(wǎng)絡(luò)的識別和測試首先將已進(jìn)行歸一化的特征值作為BP 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，設(shè)計(jì)BP 神經(jīng)網(wǎng)絡(luò)，確定其各個(gè)參數(shù)。然后建立神經(jīng)網(wǎng)絡(luò)并對其進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)模式識別。1 輸入層和輸出層的選擇 在軸承狀態(tài)監(jiān)測過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值。所以網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為11；網(wǎng)絡(luò)輸出為軸承狀態(tài)，分為正常軸承和故障軸承，用（0 1）表示故障軸承，（1 1）表示正常軸承，因此網(wǎng)絡(luò)中只設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。綜上所述，該BP 網(wǎng)絡(luò)輸入層有11個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元。2隱層的選擇對于軸承的不同狀態(tài)進(jìn)行識別，建立神經(jīng)網(wǎng)絡(luò)對它進(jìn)行訓(xùn)練，用前面提到的公式來確定隱層個(gè)數(shù)，由于輸入為11個(gè)神經(jīng)元，輸出為2個(gè)神經(jīng)元，由參考公式可知隱層神經(jīng)元在23左右。我們設(shè)計(jì)一個(gè)隱層可以隨意改變的BP 神經(jīng)網(wǎng)絡(luò)，通過誤差對比確定隱層數(shù)目，隱層神經(jīng)元在2026之間進(jìn)行比較。3訓(xùn)練參數(shù)選擇訓(xùn)練參數(shù)：設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig ，輸出層神經(jīng)元的傳遞函數(shù)為l