基于BP神经网络的滚动轴承故障诊断研究

基于B P 神经网络的滚动轴承故障诊断研究
胡　婧,杨曙年
(华中科技大学,湖北武汉430074)
Research on Ball Bearing Failure Diagno sis Based on BP Neural Network
HU Jing ,YANG Shu nian
(Huazhong University of Science and Technology ,Wuhan 430074,China )
摘要:通过对滚动轴承振动信号的分析处理,提取能够反映轴承运行状态的特征量作为B P 神经网络的输入,并用B P 算法对该网络进行训练,利用神经网络的智能性来判断轴承所属的故障类型.仿真结果表明,该方法实用有效.
关键词:故障诊断;BP 神经网络;滚动轴承;振动信号
中图分类号:T H133.33文献标识码:A
文章编号:10012257(2006)04000903收稿日期:20051107
Abstract :By analyzing and p rocessing of t he vibration signals of t he ball bearing ,t he feat ure pa 2rameters which rep resent operating state of t he ball bearing are ext racted ,and t hen inp ut to t he BP neural network to t rain t he network wit h BP algo 2rit hm.The pattern of ball bearing failure can be i 2dentified wit h t he intellect ual ability of B P neural network.The simulation result shows t hat t he met hod presented in t his paper is practical and ef 2fective.
K ey w ords :failure diagno sis ;B P neural net 2work ;ball bearing ;vibration signal
0　引言
滚动轴承缺陷早期诊断方法的研究,对滚动轴承制造质量的评价,以及设备状态在线监测都有着
重要的意义.目前,滚动轴承的故障主要依靠操作人员凭经验进行测试和分析,这给滚动轴承故障诊断的精确实施带来了困难.因此,利用计算机自动进行滚动轴承故障的智能诊断是现代机械工业发展的迫
切需要,也是人们追求的目标.自动化智能诊断不仅可以省去操作人员的具体分析工作,还可以快速地在线监测和诊断,并为深人开展机械故障诊断创造了更加有利的条件.文献[1-2]采用形态滤波解调和小波包络解调的方法对轴承故障进行诊断,这2种方法均存在一定的缺陷,只能解决滚动轴承比较典型的缺陷,缺少对非线性的研究.人工神经网络是由大量的人工神经元相互连接而成的非线性动力系统,可模仿人脑的智慧进行信息处理.本文提出了一种基于B P 神经网络的滚动轴承故障自动识别方法,利用该方法可实现滚动轴承故障的智能诊断.
1　B P 神经网络的学习过程
BP 神经网络是当前应用最广泛的一种网络,一
个具有3层或3层以上的B P 神经网络能够以任何精度逼近任何连续函数,具有很强的非线性映射能力,以及自学习、自组织和自适应的能力[3].3层BP 神经网络的拓扑结构由一个输入层、一个隐层和一个输出层组成.
BP 神经网络的学习过程包括正向传播和反向
传播2个过程.其算法过程如下[4].
正向传播过程为
:
y i =f
∑n
j =1
w
ij
x j -θi
式中　y i
隐层或输出层第i 个单元的输出　x j 上一层第j 个单元的输出　θi 该层第i 个节点的阈值　n 上一层的节点总数
　w ij 上一层第j 个节点与该层第i 个节点的连接权　f
作用函数
作用函数一般为Sigmoid 函数,即
・
9・1机械与电子22006(4)
f(x)=
1
1+e-x
误差函数　E k=1
2∑n
j=1
(y3j-y j)2
式中　y3j第j节点期望输出值
　y j第j节点实际输出值
通过神经网络的自学习调整权值w ij,使得BP 神经网络学习算法的误差要求满足E K≤ε.如果不满足,利用梯度下降法反向计算各层误差,即误差反向传播过程.
O1jk=f(∑w1ij x j)
式中　O1jk中间层上,输入第k个样本,第j个
节点的输出
　x j第j个节点输入
　w1ij输入层到中间层的权值
O2jk=f(∑w2ij O1jk)
式中　O2jk输出层上,输入第k个样本时,第j
个节点的输出
　w2ij中间层到输出层的权值
修正权值为:
w ij(t+1)=w ij(t)+μ5E k 5w ij
2　滚动轴承特征向量的提取
根据所采用的状态变量把滚动轴承工作状况监视和故障诊断分为温度法、油样分析法和振动法[5].由于振动法具有测试简单、诊断结果可靠及适用于各种工作环境等优点,在实际中得到广泛的应用.对加速度传感器测得的振动信号进行分析处理,提取能够反映滚动轴承工作状态的一些特征向量,用于滚动轴承故障的识别.一般来说,传感器测得的信号是一个宽带信号,且随机性比较强,可以通过对轴承振动信号的幅域参数进行统计计算,把这些幅域参数转换成能够反映滚动轴承运行状态的特征向量.
对轴承振动信号进行幅域处理常用的指标有:均方根值、峰值、峭度、峰值因子、峭度因子、脉冲因子、裕度因子和波形因子等.其中均方根值和峰值为有量纲参数指标,而峭度、峰值因子、峭度因子、脉冲因子、裕度因子和波形因子为无量纲参数指标[6].由于有量纲参数指标依赖历史数据并对载荷和转速等的变化比较敏感,而无量纲参数指标基本上不受载荷和转速等因素的影响,无须考虑相对标准值或与以前的数据进行对比,另外,它不受信号绝对水平的影响,即使测量点同以往的略有不同,对参数的计算结果也不会产生明显的影响[5].因此,选用峭度、峰值因子、峭度因子、脉冲因子、裕度因子及波形因子6个无量纲参数指标来表征滚动轴承运行状态的特征向量.
设采集到的振动信号为x i(i=1,2,∗,n,n为采样点数),则
均方根值　X rms=1
n
∑n
i=1
x2i
峰值　X peak=1
m
∑m
j=1
x pj(x pj为利用某一峰值计数法从信号x i中找到的m个峰值,j=1,2,∗, m)
峭度　K=
n∑
n
i=1
x4i
X4rms
峰值因子　C=X peak/X rms
峭度因子　K r=
∑n
i=1
x4i
n X rms
脉冲因子　I=X peak/X av
X av=1
n
∑
n-1
i=1
|x i|
波形因子　S=X rms/X av
裕度因子　L=X peak/X r
X r=1
n
∑n
i=1
|x i|
2
3　滚动轴承故障诊断的B P神经网络模型
3.1　确定网络结构
模型采用3层B P神经网络,输入层为6个节点,对应于峭度、峰值因子、峭度因子、脉冲因子、裕度因子及波形因子6个特征向量,隐层节点数的选取目前尚无理论依据,可根据经验或通过训练学习后,考虑网络的学习次数和识别率综合比较后选定,本文选用隐层节点数为12,输出层节点数为3,对应于轴承的3种故障类型,滚动轴承各种故障类型的期望输出为:正常(0,0,0),外圈划伤(1,0,0),内圈划伤(0,1,0),滚子划伤(0,0,1).B P神经网络的最终结构为N(6,12,3).
・
1
・1机械与电子22006(4)
3.2　训练网络
表2　BP神经网络仿真结果
轴承状态正　常外圈划伤内圈划伤滚子划伤
峭度 3.12
3.233.54
3.71
4.40
5.11
9.54
9.82
峭度因子 2.41
2.4815.48
18.26
25.35
17.65
9.54
9.82
峰值因子 4.22
4.516.47
6.22
8.69
7.52
8.18
9.68
脉冲因子 5.80
6.12
7.37
8.12
10.7
13.8
16.2
14.9
裕度因子 6.74
7.21
9.18
10.55
16.7
18.2
19.7
23.1
波形因子 1.21
1.311.34
1.39
1.44
1.53
1.54
1.7
理想输出(0,0,0)
(0,0,0)
(1,0,0)
(1,0,0)
(0,1,0)
(0,1,0)
(0,0,1)
(0,0,1)
实际输出(0.014,0.036,0.008)
(0.053,0.024,0.031)
(0.982,0.017,0.009)
(0.991,0.011,0.023)
(0.034,0.977,0.007)
(0.020,0.984,0.012)
(0.041,0.006,0.957)
(0.027,0.034,0.988)
用于神经网
络训练的样本集
必须满足2个要
求:样本集要足
够大,样本集的
大小对神经网络
的识别能力有很
大的影响,样本
集越大,诊断的
准确度就越高;
样本集必须包含
轴承各类故障的
典型样本,即要求训练样本集完整.本文选用的样本数据来自实验数据,抽取80个典型样本组成训练样本(4种轴承状态各有20个训练样本),B P神经网络的部分训练样本如表1所示.在Matlab环境表1　BP神经网络部分训练样本
轴承状态峭度
峭度
因子
峰值
因子
脉冲
因子
裕度
因子
波形
因子
正常3.03
3.05
3.08
3.15
3.19
2.38
2.34
2.36
2.39
2.42
4.26
4.08
4.19
4.25
4.31
5.65
5.53
5.61
5.78
5.80
6.62
6.66
6.54
6.49
6.78
1.21
1.25
1.26
1.25
1.28
外圈划伤3.51
3.56
3.64
3.66
3.68
18.78
14.07
15.48
24.50
15.26
6.46
6.02
6.57
6.59
6.32
7.53
7.59
7.67
7.62
7.71
9.61
9.53
9.48
9.42
9.55
1.28
1.33
1.36
1.35
1.39
内圈划伤4.35
4.36
4.38
4.39
4.41
19.24
21.78
25.35
22.50
17.65
8.54
8.61
8.69
8.63
7.52
10.4
10.2
10.7
11.0
10.8
15.9
16.1
15.7
16.4
16.2
1.41
1.43
1.47
1.51
1.46
滚子划伤9.35
9.40
9.69
9.78
9.88
27.52
21.96
18.29
29.78
24.32
9.52
9.61
9.18
9.68
9.74
15.2
15.6
16.2
5.9
15.7
20.3
19.2
19.7
21.1
20.3
1.51
1.57
1.64
1.68
1.62
下,选用以下训练参数:学习率0.05;训练步数100;训练目标误差0.001;采用Levenberg Marquardt 算法对BP神经网络进行训练,从训练误差变化曲线可以看出Levenberg Marquardt算法具有较快的收敛速度.训练后的B P神经网络就是滚动轴承的故障识别网络.
3.3　检验网络
用训练好的网络对检验样本进行识别,神经网络对滚动轴承检验样本进行诊断的输出结果如表2所示,可以看出,神经网络能根据所测的数据准确地判断轴承的故障类型,说明神经网络具有很强的识别能力,诊断效果良好.
4　结束语
轴承是机械系统中重要的支承部件,轴承故障诊断是一个非常复杂的问题,轴承受安装位置、运行环境等因素的影响,其故障与征兆间的关系不是很明确,而B P神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别的能力,特别适用多故障、多征兆等复杂模式的识别.本文通过对轴承的振动信号进行处理计算,提取有用的无量纲特征参数作为神经网络的输入,实验结果表明,利用BP神经网络对滚动轴承故障模式进行识别是可靠和有效的.
参考文献:
[1]　杜秋华.形态滤波解调在滚动轴承损伤类缺陷诊断中
的应用研究[D].武汉:华中科技大学,2004.
[2]　Rubini R,Meneghetti U.Application of the envelope
and wavelet transform analyses for the diagnosis of in2
cipient faults in ball bearing[J].Mechanical Systems
and Signal Processing,2001,15(2):287-302.
[3]　褚蕾蕾,陈绥阳,周　梦.计算智能的数学基础[M].北
京:科学出版社,2002.
[4]　Haykin Simon.Neural Networks:A Comprehensive
Foundation(second edition)[M].Pearson Education,
Inc.,America,1999.
[5]　梅宏斌.滚动轴承振动监测与诊断[M].北京:机械工
业出版社,1995.
[6]　陈向东,赵登峰,王国强,等.基于神经网络的滚动轴承
故障监测[J].轴承,2003,(2):23-26.
作者简介:胡　婧　(1982-),女,安徽东至人,华中科技大学机械科学与工程学院硕士研究生,研究方向为精密仪器及机械.
・
1
1
・
1机械与电子22006(4)。