基于PSO―RBF神经网络的电机轴承故障诊断

本资料包含pdf文件1个，下载需要1积分

轴承是机械工程领域运用最广泛的零件之-。滚动轴承做为支撑电机主轴的重要部件，它的疲劳、裂纹、压痕等故障对 电机的正常运行有着极大的影响。据统计 ，感应电机的故障中有40%是 由支撑 电机主轴的轴承引起。所以，对支撑电机主轴的滚动轴承进行故障监测和诊断，及时发现故障，对减少事故和保证电机正常运行有重要意义。

神经网络技术由于具有模拟非线性函数和运用样本的学习能力，在故障诊断领域的应用十分广泛，国内外学者也在运用神经网络对滚动轴承进行故障诊断方面做了大量研究 。相对于应用较为广泛的的BF(Back Propagation，BF1神经网络，RBF(Ra。

dial Basis Function，RBF1神经网络在逼近能力、分类能力和学习速度方面都有了提高61，但在网络的训练过程中为了达到-定的逼近能力会使计算量过大。本文采用具有速度快和局部搜索能力强等优 点的PSO(Particle Swarm Optimization，PSO)算法 ，对RBF神经网络进行优化 ，实现通过PSO-RBF神经网络对支撑 电机主轴的滚动轴承进行故障诊断。

1 PSO-RBF神经网络RBF神经网络是-种前向性三层神经网络，可 以把低维无法解决的非线性问题映射到高维空间，在高维空间通过线性的方式解决 。该网络可表示为[91：∽ 。∑ (1lx-Cil1)i1其中XeR 是输入矢量，(1lx-c l1)是R -R的非线性函数，-般取Gauss函数：(1lx-

- 般采用聚类算法先求得 c，和 or，，然后用最小二乘法计算to 。但这种算法收敛速度慢，本文采用PSO算法选择最优 C 、or和 ∞，。PSO算法中的粒子编码应包括基函数的数据中心c，、基函数的宽度 .和权值 60 。优化步骤如下：f1)初始化粒子群种群；f2)比较每个粒子的适应度和它经历最好位置的适应度，如果当前更好，则更新该粒子的最好位置；(31比较每个粒子的适应度和群体经历最好位置的适应度，如果当前更好，则更新全局的最好位置；f4)调整粒子的速度和位置，产生下-代种群；(5)重复(2)-(4)，直至适应值达到要求或者达到最大迭代次数；(6)解码，将优化好的c 、 和 ∞ 代入RBF神经网络，进行训练。

2 电机轴承故障特征的提取支撑电机主轴的滚动轴承故障主要为内圈故障、外圈故障和滚子故障。因生产现场搜集齐全各种故障比较困难，本文选取80个正常轴承，采用人工方法在正常轴承表面模拟加工出各种故障形貌，其中内圈故障、外圈故障和滚子故障的滚动轴承各20个。分别采集其振动信号，然后对其进行处理，提取滚动轴承运行状态的峭度、峰值因子、峭度因子、脉冲因子、裕度因子和波形因子等信号特征做为诊断特征量。

3 PSO-RBF神经网络的构建及诊断结果选60个轴承作为训练样本，其中4种状态中各选 15个，剩下的20个作为测试样本。PSO-RBF神经网络的输入节点为6个，输出节点为4个，选种群规模为20，最大迭代次数100，惯性权重 ∞0.4 0.9，学习因子 C，C，-1.5，目标误差 e<1 X10-。

建立RBF神经网络后开始训练，PSO-RBF神经网络的适应度变化曲线如图 1所示。由图中可知，经4O次迭代后，收敛效果较好。

143基于PSO-RBF神经网络的电机轴承故障诊断 李宝栋，等迭代次数图 1 PSO-RBF神经网络的适应度变化曲线把4种状态各5个测试样本输入训练好的PSO-RBF神经网络，得到故障诊断结果。由表 1可知，PSO-RBF神经网络的诊断结果和实际故障完全-致。

表1 PSO-RBF神经网络诊断结果4 结 论本文将PSO-RBF神经网络用于电机轴承的故障诊断，采用PSO-RBF神经网络对电机轴承在正常和滚动体、内圈、外圈分别有故障状态给予诊断识别♂果表明，该网络能够监测到轴承故障的存在，且能对轴承的具体故障模式给予准确识别，在故障诊断领域有很好的应用价值。