滚动轴承运行状态智能化监测[论文]

滚动轴承运行状态智能化监测

摘要随着科技的迅速发展，轴承系统在工业生产中广泛应用，使得常规故障诊断技术越来越难以满足人们对轴承系统的可靠性

要求，而人工神经网络的智能诊断技术越来越受到青睐，并成为轴承系统故障诊断发展的重点方向。

关键词监测智能诊断轴承系统人工神经网络

图分类号：th133.33 文献标识码：a

1简介

1.1滚动轴承状态监测的意义

滚动轴承是各类旋转机械中最常用的通用零部件，在旋转机械中起到关键作用。据统计，30%的旋转机械故障因滚动轴承故障引起，滚动轴承运行状态的正常与否直接影响到整台机器的性能，滚动轴承的状态监测和故障诊断就显得格外重要。

1.2滚动轴承故障的类型

滚动轴承在安装和运转过程中可能导致轴承出现疲劳剥落和磨

损等失效状态。滚动轴承主要的故障类型为：轴承磨损、轴承疲劳、腐蚀失效、断裂失效、压痕失效和胶合失效。

1.3常见滚动轴承故障信号采集

常见的轴承故障信号采集方法有：油样分析法、温度监测法、振动法、声发射法。

1.4 人工神经网络在故障诊断中的应用

1.4.1神经网络概述

神经网络以非线性为基础，模拟人脑细胞的分布式工作特点和自组织功能实现并行处理、自学习和非线性映射等能力，具有高度的学习联想能力。目前神经网络己经在智能控制、模态识别、非线性优化、自适应滤波、语音识别、机器人工程、生物医学等领域获得了广泛的应用。

1.4.2 bp神经网络在故障诊断中的功能

基于神经网络的故障诊断就是利用样本训练收敛稳定后的结点

连接权值，向网络输入待诊断的样本征兆参数，计算网络的实际输出值，根据大小排序，从而确定故障类别。bp网络故障模式识别系统主要包含：数据样本采集、数据处理、特征值的提取、bp神经网络的建立、网络的学习、故障识别几个过程。

2人工神经网络的智能识别

2.1人工神经网络概述

人工神经网络（artificial neural network，简称ann）是一个由大量简单的处理单元（神经元）广泛连接组成的人工网络，是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技

术系统，它用大量的非线性并行处理器来模拟众多的人脑神经元。具有很强的非线性映射能力。

2.1.1人工神经元模型

经过简化的神经元结构，它具有r个输入分量，其输入分量p（j=1，2…，r），通过与它相乘的权值分量wj（j=1，2，…，r）相连，以形式求和后，形成激活函数的输入，激活函数（·）的另一个输入

是神经元的阀值b。

权值与与输入的矩阵形式可以由行矢量与列矢量来表示，表示为：w=[w1w2……wr]，p=[p1p2……pr]

神经元的输出矢量可表示为：

a==

2.1.2激活转移函数

激活函数的基本作用是：控制输入对输出的激活作用；对输入、输出进行函数转换；将可能无限域的输入变换成指定的有限范围内的输出。

以下是几种常见的激活函数：

（1）阀值型激活函数

阀值型函数可以将任意的输入转化为0或1的输出.

（2）在（-1，1）或（0，1）内连续取值的单调可微函数常用单极性或双极性曲线表示。

单极性s型激活函数关系式：

=

（3）线性激活函数

线性激活函数常用于实现函数逼近的神经网络的输出层神经元。

2.1.3人工神经网络结构

大量功能简单的神经元通过一定的拓扑结构组织起来，构成群体并行式处理的计算结构，这种结构就是人工神经网络。将一个神经元的输出送到另一个神经元作为输入称之为连接，每个连接通路对

应一个连接权系数，相同神经元经过不同的连接方式将得到具有不同特性的神经网络。

2.2 bp神经网络

在故障诊断领域中常用的是bp 神经网络。标准bp 网络由三层神经元组成，包含输入层、隐含层、输出层。同一层神经元互不相连，不同神经元层之间相互相连。bp 网络的算法由正向传播和反向传播两个阶段组成。数据信号从输入层输入，经隐层处理后再到输出层输出。实际输出与期望输出相比较得到网络的输出误差，误差信号沿网络反向传播，并按误差函数的负梯度方向不断地修正各层的连接权植和阈值，使得误差信号最终达到精度要求。

2.2.1 bp神经网络的网络结构

三层bp神经网络的结构如下所示，每个神经元用一个节点表示，网络由输入层、隐层和输出层节点组成。前层节点与后层节点通过权值连接，层与层的节点之间相互连接，同一层的各节点之间互不连接。

2.2.3 bp神经网络输入层、输出层和隐层的设计

bp神经网络的指导思想就是，对网络权值和阀值不断进行修正，是误差函数沿负梯度方向下降，bp神经网络有三层节点：输入节点，隐层节点和输出节点。

3输入层和输出层的设计

输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值

的个数。输出层的维数可根据设计者的要求确定，在故障诊断中，一般将bp网络用作分类器，如类别模式一共有m个，则输出层神经元的个数为m。

3.1隐层的设计

由于一个三层的基于bp算法的神经网络可以完成任意的n维到m 维的映射，本文选取网络隐层数为1。隐层单元的个数与问题的要求、输入/输出单元的数目都有着直接关系。隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有见到的样本等问题，因此一定存在一个最佳的隐层单元数。目前对隐层节点数的选取尚无统一标准，一般是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。隐层神经元数的选取经验公式主要有：

=2+1 ； =+ （1﹤﹤10）；= ；0.02﹤﹤4

其中，h为隐层神经元数目，m是输入层神经元数，n是输出层神经元数。

3.2训练参数的选择

设定合理的隐含层神经元激活函数和输出层神经元激活函数，设定合理的目标误差、最大训练步数和学习效率，进行训练。

3.3 确定隐层神经元的个数

对具有一定隐层神经元个数神经网络进行特征性训练，找到最小误差网络误差值对应的隐层神经元个数。将以上特征值归一化，导入matlab中运行程序。当误差最小，确定网络中隐层神经元个数