BP神经网络在滚动轴承故障诊断中的应用研究详述.docx

BP神经网络在滚动轴承故障诊断中的应用研究详述.docx

《BP神经网络在滚动轴承故障诊断中的应用研究详述.docx》由会员分享，可在线阅读，更多相关《BP神经网络在滚动轴承故障诊断中的应用研究详述.docx（14页珍藏版）》请在冰点文库上搜索。

BP神经网络在滚动轴承故障诊断中的应用研究详述

BP神经网络在滚动轴承故障诊断中的应用研究

摘要：

滚动轴承的振动信号可以从时域特征来提取，时域参数常用于判断轴承是否存在故障，通过选取了合适的时域参数作为故障特征参数，作为诊断神经网络的输入，从而能更有效和全面地体现故障特征。

通过修改隐含层节点数目来观察网络结构对滚动轴承故障诊断的性能影响，从而选取到合适的隐含层节点数；通过选取输入层的特征值均值、峰值、均方根值、峰值因数、脉冲因数、波形因数、峭度、裕度因数中合适的特征值来观察其构成的网络结构对滚动轴承故障诊断的性能影响程度，从而得到合适的网络输入层。

关键词：

故障诊断；神经网络；滚动轴承；特征参数

ApplicationofBPneuralnetworkinfaultdiagnosisofrollingbearing

Abstract:

Thevibrationsignalsoftherollingbearingcanbeextractedfromtimedomain,timedomainparameterisusedtojudgewhetherthereisfaultbearing,byselectingtheappropriatetimedomainparametersasfaultcharacteristicparametersastheinputsoftheneuralnetwork,thediagnosis,whichcanbemoreeffectivelyandcomprehensivelyreflectthefaultfeature.Toobservetheeffectofnetworkstructureontheperformanceoffaultdiagnosisofrollingbearingbymodifyingthehiddenlayernodenumber,soastoselectthepropernumberofhiddenlayernodes;themean,peak,RMS,peakfactor,pulsecharacteristicssuitablefactor,formfactor,kurtosis,marginfactorvalueintheobservationnetworkstructurecomposedoftheperformanceoffaultdiagnosisofrollingbearingbasedfeatureselectionofinputlayer,soastoobtainthenetworkinputlayerofsuitable.

Keywords:

Faultdiagnosis;Neuralnetwork;Rollingbearings;Featureparameter

1序言

滚动轴承作为机械设备中重要的旋转零件，也是机械设备的重要故障源之一。

与机械其他零部件相比，滚动轴承有一个很大的特点，就是其寿命离散性很大。

有的轴承已经大大超过设计寿命却依然完好地工作，而有的轴承远未达到设计寿命就出现各种故障。

所以滚动轴承的故障诊断方法一直是机械故障诊断中重点发展的技术之一。

据统计，对机械设备应用状态监测与故障诊断技术后，事故发生率降低了75%，维修费用减少了25%～50%。

滚动轴承的状态监测与故障诊断技术在了解轴承的性能状态和及时发现潜在故障等方面起着至关重要的作用，而且还可以有效提高机械设备的运行管理水平及维修效能，从而显著地提高了经济效益[2]。

通常的故障诊断方法或是基于温度信号分析，或是声音信号分析，难以全面反映振动的特征。

由于滚动轴承的故障诊断模式和特征向量之间是非常复杂的非线性关系，依靠通常的诊断方法不能很好地解决滚动轴承的故障诊断问题,而神经网络却能很好的解决这个问题，它能准确的判定出滚动轴承的故障。

故障诊断的本质就是在分析故障症状和故障原因的基础上，由症状推断出故障的原因，人工神经网络在故障诊断中的应用，就是要用人工神经网络来模拟人脑的推断功能从而进行故障诊断。

人工神经网络在故障诊断中具有十分重要的应用价值，它能通过训练人工神经网络存储关于过程的知识。

人工神经网络故障诊断方法不但能在模式空间内形成各种复杂的判决表面，而且神经网络方法最大的特点是网络具有自适应能力，网络不但能自适应地学习，而且能够自适应地调整网络的大小，而且它兼有模式识别和特征提取的作用。

所以，人工神经网络故障诊断法不需要对输入的模式做明显的特征提取，网络的隐层本身就具有特征提取的功能。

另外，神经网络故障诊断法一般对输入模式信息的不完备或特征的缺损不太敏感，也就是说网络具有容错性。

相较于传统的故障诊断方法，人工神经网络故障诊断法在背景噪声统计特性未知的情况下，其性能更好，网络具有很好的泛化能力，具体来说，神经网络之所以适合于故障诊断，有以下3个原因：

（l）训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习。

可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障的类型。

（2）神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力，可以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声的能力使得神经网络适合在线故障检测和诊断。

（3）神经网络具有分辨原因及故障类型的能力。

滚动轴承故障特征与故障诊断模式

之间是一种非常复杂的非线性关系，而BP神经网络用一种全新的思路来处理这类问题，

具有非常强大的综合分析能力，在非线性逼近上功能尤其强大，理论上只要神经元足够

多，就能逼近任意复杂的非线性系统。

2BP神经网络

f（x）

yj

x1

x2

xn

…

w1j

w2j

…

wnj

x0

woj

sj

典型的人工神经元模型如图2.1所示。

处理单元的内部阀值或门限值为

，若用

的固定偏置输入表示，其连接强度取

。

于是，改神经元模型的输入输出

图2.1人工神经元模型

关系为：

（

，

）

式中

————连接权系数；

————输出激活函数。

如果用向量表示，则

，

，

，…，

，…，

，

，

，…，

，…，

神经元模型的输出向量可表示为

从式中可以看出，阀值也被看作是一个输入分量，也就是阀值也是一个权值，在此用固定常数来表示。

在网络的设计中偏差起着重要的作用，它使得激活函数的图形可以左右移动而增加了解决问题的可能性。

BP神经网络的结构由输入层、中间层和输出层组成，每层的节点数对测试结果都有很大的影响，尤其是输入层和中间层。

输入层往往是根据滚动轴承的时域特征值的数目来确定的，有均值、峰值、均方根值、峰值因数、峭度因数、脉冲因数、波形因数和裕度因数，可以初步用8个值作为神经网络输入层。

隐层数和隐层节点数，隐层起抽象的作用，它能从输入提取特征。

增加隐层可增加人工神经网络的处理能力，但是必将使训练复杂化、训练样本数目增加和训练时间增加。

而误差精度的提高实际上也可以通过增加隐层的神经元数目来获得，其训练效果也比增加层数更容易观察和调整。

所以一般情况下，应优先考虑增加隐层中的神经元数。

在设计中应当尽可能地减少网络模型的规模，以减少网络的训练时间。

一个三层的基于BP算法的神经网络可以完成

维到

维的映射。

所以，选取隐含层数为一层就足够了。

对于BP神经网络，理论上应存在一个最佳隐层节点数

，当网络的实际隐层节点数h<

时，会使网络的记忆和归纳能力下降，从而降低了网络的性能；当实际隐层节点数h>

时，对提高神经网络的性能也没有多大好处，随着节点数的增加，网络的权值矩阵也增加，即训练量加大，网络对样本数据携带噪声的鲁棒性就比较差。

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。

隐层神经元数的经验公式主要有：

其中，h为隐层神经元数目，,m为输入神经元数目，n为输出神经元数目。

BP神经网络在故障应用里需要构造一个网络构架，函数newff（）就是构造BP神经网络的。

它需要四个输入条件，依次是：

由R维的输入样本最大最小值构成的R

2维矩阵、各层的神经元个数、各层神经元的传递函数以及训练用的函数的名称。

比如收集到的样本集为p,期望为t，则可以这样构架神经网络，其matlab代码为：

net=newff（minmax（p）,[17,2],{‘tansig’,’logsig’},’traingd’）

BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainbfg、trainoss、trainlm、trainbr等，每种训练函数各有特点，但是没有一种函数能适应所有情况下的训练过程。

3结果与分析

轴承振动数据的获取来源于轴承实际运动时的数据，没有实验装置，就无法获得实验所需要的样本数据，因此必须利用一定的实验装置，通过适宜地选取参数和在实验装置运行时正确地记录数据，保证数据能够真实准确地反映轴承的运行状态。

本论文的测试数据来自美国西储大学轴承实验中心。

这些数据大体根据轴承的位置分为两类驱动端数据和风扇端数据；根据轴承故障类型分为正常数据（normal）、滚动体故障数据（Ball）、内圈故障数据（InnerRace）和外圈故障数据（OuterRace）；根据轴承所加的负载分为0马力、1马力、2马力和3马力的轴承数据；根据加速度传感器安装位置分为3点、6点和12点钟方向的轴承数据。

这些数据类型太多，我们这里选用加速度传感器安装在驱动端的12点方向的负载为1马力的正常数据（normal）、滚动体故障数据（Ball）、内圈故障数据（InnerRace）和外圈故障数据（OuterRace）四种类型的原始轴承振动信号数据。

我们的训练样本和测试样本不需要那么多振动信号数据，还需要处理这些原始数据。

我们处理的方法是分段选用原始数据，在每类故障类型里设了20个训练样本和测试样本，每个样本都是1000个点，训练样本从0开始到20000点结束20个样本，测试样本从80000开始到100000点结束20个测试样本。

BP网络结构里初步确定8个特征值作为输入层节点，中间层17个节点和2个输出节点的（8-17-2）网络结构，其训练曲线如下图3.1所示。

图3.1网络（8-17-2）结构训练曲线

网络的训练结果为：

Trailm.epoch9/1000,mse0.00033973/0.001,gradient0.00539/1e-10

Epoch是迭代计算步数，mse归一化平均方根误差性能函数，gradient是网络训练函数的梯度，其中，以mse指标在判断网络性能时是最重要也是最主要观察的指标。

图3.1中网络经过9步迭代计算后，训练结果误差值为0.00033973，而目标误差值为0.001，远远达到了预期目标，说明网络性能很好。

用训练好的此BP网络测试下样本，观察输出值变化，误差测试结果如图3.2及表3.1所示。

表3.1网络结构（8-17-2）判定故障类型的精度

故障类型

判别代码

精度

滚动体故障

（1，1）

100%

外圈故障

（1，0）

100%

内圈故障

（0，1）

100%

正常

（0，0）

100%

图3.2网络结构（8-17-2）实测值与期望值曲线

图3.2中红线是期望值，绿线是实际结果值，横坐标是组数，1到20组是滚动体故障的误差判断范围；21到40是外圈故障误差判断范围；41到60是内圈故障判断范围；61到80是正常轴承判断范围。

从图3.2可知，输出值与期望值基本上是重合，说明此网络结构性能好。

图3.1的网络结构里，输入层和中间层节点数是我们初步确定，我们现在需要统计不同的输入层节点数和中间层节点数对网络的性能的影响程度。

下图3.3是统计中间层节点数的网络的误差值曲线图。

图3.3中间层数和网络误差关系

从图3.3可以看出，中间层数在小于10层时误差比较大；中间层数为15层以后误差较小，然后随层数增加，误差值基本变化不大。

让缺省的特征向量组成的BP神经网络测试出来的平均误差值和没缺省的特征向量组成的BP神经网络测试出来得到平均误差值进行比较，这样就有8种比较，用数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（缺省峰值因数）、5（缺省峭度因数）、6（缺省脉冲因数）、7（缺省波形因数）、8（缺省裕度因数）

如图3.4所示为各特征向量的对网络的性能影响的误差值。

图3.4各缺省特征向量后网络误差值

从图3.4上看，均值和均方根值在缺省后网络的误差值都比较接近于没缺省时的网络，这说明均值和均方根值是滚动轴承特征向量里不敏感特征，可以剔除掉这两个特征向量。

此外，从图中还可知像峰值、峰值因数、峭度因数、脉冲因数、波形因数、裕度因数在缺省后，网络误差值都偏离了没缺省的特征向量误差，并且没超过了期望误差，这说明这些特征向量是对网络比较重量的特征向量值。

通过上述对输入层特征向量的筛选后，可以确定滚动轴承故障诊断中BP网络的结构为（6,17,2），其中，输入层的特征向量是峰值、峰值因数、峭度因数、脉冲因数、波形因数、裕度因数；中间层节点数为17。

优化后的网络结构样本数据测试诊断结果如图3.5所示。

图3.5网络（6-17-2）结构训练曲线

网络的训练结果为：

Trailm.epoch15/1000,mse0.00010605/0.001,gradient0.013652/1e-10

图3.5中网络经过15步迭代计算后，训练结果误差值为0.00010605，远远达到目标误差值0.001。

用训练好的此BP网络测试下样本，观察输出值变化，误差测试结果如图3.6及表3.2所示。

表3.2网络结构（6-17-2）判定故障类型的精度

故障类型

判别代码

精度

滚动体故障

（1，1）

100%

外圈故障

（1，0）

100%

内圈故障

（0，1）

95%

正常

（0，0）

100%

图3.6网络结构（6-17-2）实测值与误差值

从图3.6及表3.2的数据来看，在优化后的网络结构与没优化前的网络结构（8-17-2）在判定精度上差别不大，但是优化后的网络减少了网络复杂的计算过程，达到了过程简化的过程。

4结论

基于神经网络的故障诊断方法，用于滚动轴承的故障诊断是可行的。

用训练好的网络对滚动轴承实际新数据进行诊断，只需提供相应的学习样本，选取合适的滚动轴承的特征值和选取相应的学习算法，构建合适的网络结构，在输入故障参数的时候能准确得出相应故障类型，就能得到良好诊断效果。

BP网络结构里中间层和输入层的节点数值对网络测试结果很重要，需要不断的摸索实验才能得到一个较佳的网络结构，本论文在滚动轴承故障的多次测试后得出的一个较佳的BP网络结构（6-17-2），这个网络结构对滚动轴承的测试在各个方面性能都是较佳。

参考文献

[1]高隽.人工神经网络原理及仿真实例[M].北京：

机械工业出版社，2003，7.

[2]杨国安.滚动轴承故障诊断使用技术[M].北京：

中国石化出版社，2012，1.

[3]董长虹.Matlab神经网络与应用[M].北京：

国防工业出版社，2007，9.

[4]陈祥光，裴旭东.人工神经网络技术及应用[M].北京：

中国电力出版社，2003.

[5]王亚芳等.MATLAB仿真及电子信息应用[M].北京：

人民邮电出版社，2011，5.

[6]B.Samanta，K.R.Al-Balushi.ARTIFICIALNEURALNETWORKBASEDFAULT

DIAGNOSTICSOFROLLINGELEMENTBEARINGSUSINGTIME-DOMAINFEATURES[A].

DepartmentofMechanicalandIndustrialEngineering,Collegeof

Engineering.2003.

[7]彭菊萍.MATLAB在人工神经网络中的应用[J].神经网络系统，2013，6.

[8]耶晓东.滚动轴承故障振动信号的分析方法研究[C].陕西：

煤矿机械出版社.2012，

12.

[9]梅宏斌.滚动轴承振动监测与诊断理论-方法-系统[M].北京：

机械工业出版

社.1995.

[10]许宁，黄之初.神经网络在旋转机械故障诊断中的应用研究[J].矿山机械，2005，（8）：

86-87.

[11]张立明.人工神经网络的模型及其应用[M].上海:

上海复旦大学出版社，2003.

[12]焦李成.神经网络计算[M].西安：

西安电子科技大学出版社，1995.

[13]丛爽.面向Matlab工具箱的神经网络理论与应用[M].合肥：

中国科学技术大学

出版社，1988.

[14]马永骥，涂健.神经元网络控制[M].北京：

机械工业出版社，1988.