神经网络的滚动轴承故障诊断

本资料包含pdf文件1个，下载需要1积分

轴承-直是各种机械设备中应用非常广泛的通用零部件，有必要对轴承的运行状态进行监测及诊断.-般情况下，采集轴承的振动加速度信号作为分析信号.这种振动信号-般是-种高频振荡信号且其统计量也不为常数，可以看成是- 个以时间为自变量的非平稳信号 j.对这些非平稳信号进行必要的数据处理，从 中获取轴承故障的征兆信息 ，进而保证轴承运行在正常的状态 下。

近年来，故障诊断技术借鉴于模式识别的方法突破了传统的理论研究方法，如神经网络、模糊逻辑、模糊神经和遗传算法等应用与故障诊断中，能够处理传统故障诊断方法无法解决的问题，使得故障诊断的人工智能方法在近几年得到广泛的认可和应用.故按照模式识别的方法其主要步骤为：特征值的提娶模式识别模型的训练与建立、模型的可推广性检验.随着现代工业的发展，自动化系统的规模越来越大，其产生故障的可能性和复杂性剧增，仅靠-种理论或-种方法，无论是智能的还是经典的，都很难实现复杂条件下对故障完全、准确、及时的诊断.多种方法综合运用，既可是经典方法 与智能方法 的结合 ，也可是两种或多种智 能方法的结合 ，兼顾 了实时性和精确度 ，因此多种方法的有机融合 、综合运用这-趋势将成为必然的发展方向 ]。

1 滚动轴承故障特征及检测分析方法滚动轴承的失效形式有很多，有磨损失效、疲劳失效、腐蚀失效、断裂失效和压痕胶合失效等.在理想的情况下，不同的故障类型对应着不同的激励 ，由此滚动轴承的振动信号的频谱也会有所不同.实际上存在着许多不确定的、非线性的因素，即使是相同的故障类型的旋转机械振动信号也不能实现完美重合.这就需要对含有丰富运行状态信息的振动信号进行合理的处理，从而提高滚动轴承故障诊断的准确性。

为了实现滚动轴承故障诊断，本试验采用振动加速度信号来进行滚动轴承的故障诊断研究。

首先测出轴承正常状态下的振动加速度信号，然后测出在其它条件不变的情况下，人为设置各种故障的振动信号.将正常状态下的振动信号作为标准信号，将其它故障信号与之相应的标准信号进行对比，通过相同的数据处理来评判故障类型与已知的故障类型的匹配情况.本试验由旋转机械故障实验平台分别模拟轴承正常、轴承内圈裂缝、轴承外圈裂缝 3种工作状态，并进行数据采集，利用振动加速度传感器和数据采集系统采集旋转机械故障实验台运行时的振动加速度信号。

[收稿日期]2013-03-18[作者简介]邓星(1987-)，男，湖南岳阳人，硕士研究生，主要从事智能控制及故障诊断方面的研究图 1 旋转机械故障实验平台2 特征值的提取在模式识别中，除了信号本身可靠性影响分类结果外，提取的特征值具有相当的针对性，对模型的精度有重要影响.-个好的特征值能够直接对信号进行分类，而不借助其它特征值进行关联比较进行分类.本 文提取 特征 值前先 进行信号 的预处理 ，然后对预处理后的信号进行相关分析。

2.1 信号预处理本文信号预处理的步骤如下：首先，对于振动加速度信号进行零均值化处理，去掉信号中的直流信号。

设振动加速度信号为：( )[ I， ，， ]；那么其零均值化处理后的振动加速度信号1 -/-/， ‰-÷∑ ，k1，2，，， 1其次，对零均值化处理后的信号进行信号重构，提高信噪比。

对于重构信号提高信噪比，现代信号处理有许多算法，如具有数学显微镜”之称的小波分析，其通过设定各个细节的阈值，再进行逆变换来重构信号；希尔伯特-黄变换中使用的经验模式分解后减去残余量，将得到的固有模式序列(或部分序列)相加来重构信号等.本文从统计的角度看待频谱，将频谱中频率幅值较大的频率成分利用傅里叶逆变换重构信号，那么傅里叶逆变换的实部就为重构信号.即将幅值较大的频率成分加权为 1，相对较小的频率成分加权为0，然后进行逆变换取其实部信号.其在算法的实现过程中有点类似于梳状滤波器，不同之处在于没有相当明确的特征频率，具有-定的自适应性.设零均值化处理后的信号为：(/，)[ 1， 2，， ]，那么其信号重构过程如图2所示。

图 2 重构信号原理方框 图2.2 相关分析为了说明重构信号在-定的程度上改善了原始信号的可分辨性，本文从其频谱特征进行相关程度的分析.按照-般传统频谱分析的思想，同类型的机械状态表现在频域上应该具有较强的线性相关性；不同类型的机械状态则应该具有弱相关性.本文随机选取 2组 3种类型的重组信号，并计算其频域值的相关系数.设 表示轴承正常状态，y表示轴承内圈裂缝 ，z表示轴承外圈裂缝.结果如表 1所示。

表 1 相关系数X1 y1 Z1 Z21 1 0.999 -0.279 -0.279 0.361 0.361X2 0.999 l -0.279 -0.279 0.361 0.36ln -0.279 -0.279 l 0.999 -0.383 -0.383y2 -0.279 -0.279 0.999 1 -0.383 -0.383Z1 0.361 0.361 -0.383 -0.383 1 O.99Z2 0.361 0.36l -0.383 -0.383 0.99 1由表 1可以很明显看出， 1与X2的相关系数为 0.999，Y1与 的相关系数为0.999，Z1与Z2的相关系数为0.99，都达到了强线性相关；而与 l，、l，与z以及 与 之间的相关系数非常小，都是弱相关.故重组后的信号提高了原始信号的可分辨性。

2.3 提取特征值由上面的分析可知，提取重构信号的特征值具有较强的类别针对性.本文选腮值、方根幅值、偏度、峰度、峰值指标、极大值变动率、极小值变动率、对数平均值 8个时间量纲作为特征值。

， r------- 、22)方根幅值：f ( /砉I x，J)；3)偏度：g E[( -E( ))/厕 ] ；454)峰度：gzE[( -E( ))/厕 ] ；5)峰值指标 max(1 l)/√ ；6)极大值变动率：mapmax( )/Emau7)极小值变动率：m rain( )/Emiu8)对数平均值 ：Elog∑[1g( 1)1]/lg[D(1 1)]，其中，Emau为极大值 的均值 ；Emiu为极小值的均值 ，E( )和 D( )分别表示均值和标准差。

3 神经网络故障类型识别原理神经网络应用于故障诊断的实质就是神经网络的模式识别，而神经网络的模式识别就是利用神经网络输入对输出的非线性映射.非线性映射正是-种综合各个输入量的某种特性从而得到某种相对正确的结果的-种处理方法，神经网络的训练过程就是输入输出非线性映射的建立过程.当输入输出非线性映射建立后，即神经网络模型训练完毕，输入测试数据就可以得到相应的结果。

神经网络从产生至今，应用范围非常广泛，特别是近几十年，已经覆盖到各个学科.神经网络的结构模型发展到现在已经有几十种了，但是可分为 3大类：前向网络结构模型、反馈网络结构模型和自组织网络结构模型 .在这些神经网络结构模型中，前向网络结构模型 BP神经网络有着自己的独特性。

前人早已证明，对于任何闭区间内的-个连续函数都可以用-个隐含层的 BP神经网络(3层 BP神经网络)来逼近.故欲提高神经网络模型的精度，只需要增加隐含层的节点数 目，而不需要增加隐含层的数目，模型算法的复杂程度不会随着精度的提高而增大.正因为如此，BP神经网络相对于其它神经网络结构更简单，参数易于调节，训练过程中的寻优方法多.BP神经网络的训练方式为有导师学习方法，即训练过程中的输出结果有参考值，网络本 身的权值 修改 原则是输出误差的平方和最小 ，修改方 向为梯度下降方 向。

基于BP神经网络的上述优点，本文选取神经网络的结构模型为 BP神经网络.结合实验模拟的3种机械状态，并提取了9个特征值，建立946个输入、3个输出的3层 BP神经网络故障诊断模型，如图3所示。

Xl)c9ylv：妒图3 BP神经网络故障诊断模型图3中， 为信号的特征值，Y为输出，分类结果对应的输出如表2所示，若神经网络模型的输出结果接近于Y[0，1，0]，表示信号经模型识别为轴承内圈裂缝。

表 2 3种类型对应的Y4 神经网络故障诊断实验通过旋转机械故障实验平台，测得 3种故障的数据文件.为了保证实验结果的准确性，本文将总数据文件的80%作为训练数据文件，将20%的数据文件作为。贝0试文件 j。

神经网络在训练的过程中需要大量的训练数据，故需要对重构的信号进行有效的处理方法增加训练样本数，对重构信号 32 768个点数随机地从中取出4 096个点数的信号是可行的.将这些数据文件通过数据处理后得到的特征值作为训练样本和测试样本.总的文件数、训练样本数和测试样本数如表 3所示。

表 3 数据准备表 3中，a为正常状态；b为轴承内圈裂缝；c为轴承外圈裂缝；A为数据文件总数；B为训练用数据文件数；C为测试用数据文件数；D为训练样本数；E为测试样本数。

本文神经网络的阈值函数为 Sigmoid函数；隐含层的节点数为40；目标精度 5e-3；学习速率 0.4.表 4和表5分别为神经网络故障诊断模型的训练结果和测试结果。

表4 神经网络的训练结果训练过程 中，464步达到 目标精度，训练时间为9 S。

表 5 神经网络的测试结果由表4和表 5的神经网络故障诊断模型的训练结果和测试结果，3种机械状态的正检率都达到了 100%。

5 结语实验结果显示，本实验提取频率幅值较大的频率成分重构的重构信号的时间量纲特征值，将80%的样本数据用于训练，从而建立 BP神经网络模式识别模型.将 20%的样本数据对建立好的BP神经网络模式识别模型的可移植性进行测试.3种轴承运行状态的训练结果和测试结果都达到了 100%，模型应用于滚动轴承故障诊断具有-定的可推广性和工程应用价值.不足之处在于轴承故障的类型还不够多。