基于徑向基函數(shù)神經(jīng)網(wǎng)絡的電機軸承智能故障診斷

孫 偉，柴世文，楊河峙

（1. 蘭州工業(yè)高等專科學校 機械工程系，蘭州 730050； 2. 甘肅省機械科學研究院，蘭州 730030；3. 蘭州好華齒輪有限責任公司，蘭州 730050）

0 引言

軸承是電機主軸的支撐，是電機的重要部件之一。異步電動機的軸承故障發(fā)生概率約為40%，由于工作面接觸應力的長期反復作用，極易引起軸承疲勞、裂紋、壓痕等故障，將引起電機異常振動，電機將無法正常運行。這種異常振動超過常規(guī)振動所規(guī)定的允許值時，也會對電力生產(chǎn)及人身安全帶來極大的危害甚至整機報廢，造成重大事故。可見軸承工作狀態(tài)是否正常，對于電機有著重大的影響。

目前，軸承故障可通過目測、測量和無損探傷等方法進行檢測，但這些方法易受噪聲干擾而產(chǎn)生誤判。而神經(jīng)網(wǎng)絡的自學習能力、非線性映射能力、對任意函數(shù)的逼近能力、并行計算能力和容錯能力等為構(gòu)造新型故障診斷系統(tǒng)提供了有力手段[1]。本文采用基于徑向基函數(shù)神經(jīng)網(wǎng)絡技術(shù)對作為電機主要支承型式的滾動軸承進行智能故障診斷。

1 徑向基函數(shù)神經(jīng)網(wǎng)絡

徑向基函數(shù)神經(jīng)網(wǎng)絡用徑向基函數(shù)作為隱層單元的“基”，構(gòu)成含層空間，隱含層對輸入矢量進行變換，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。

1.1 徑向基函數(shù)神經(jīng)網(wǎng)絡建模原理

徑向基函數(shù)神經(jīng)網(wǎng)絡是單隱層的前向網(wǎng)絡，它有三層構(gòu)成:第一層是輸入層，由信號源節(jié)點組成；第二層是隱含層，隱單元的個數(shù)由所描述的問題而定，隱單元的變換函數(shù)是對中心點徑向?qū)ΨQ且衰減的非負非線性函數(shù)；第三層是輸出層，它對輸入模式做出響應。徑向基函數(shù)網(wǎng)絡模型如圖1所示。

圖1 徑向基函數(shù)網(wǎng)絡模型

1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡訓練算法

徑向基函數(shù)的Gaussian函數(shù)網(wǎng)絡的學習參數(shù)有3個，即各徑向基函數(shù)的中心Ck、方差σk和輸出單元的權(quán)值Wk。徑向基函數(shù)網(wǎng)絡算法步驟如下[2-3]：

1）從輸入向量中選一組初始中心值Ck；

2）計算方差值

式中dmax為最大的距離，K為Ck的數(shù)量；

3）由輸入x(n)計算

4）更新網(wǎng)絡參數(shù)

式中

為網(wǎng)絡期望輸出； 為3個參數(shù)的學習步長。

5）如網(wǎng)絡收斂，則計算停止，否則轉(zhuǎn)到步驟（4）。

2 電機軸承的故障特征提取

本實驗采用型號為6204的深溝球軸承，在電機驅(qū)動端軸承座上使用帶磁座的電荷加速度傳感器采集振動信號?？紤]到生產(chǎn)現(xiàn)場很難搜集全各種故障數(shù)據(jù)，采用電火花加工技術(shù)在正常軸承各表面加工出細微的點蝕。軸承故障分為內(nèi)圈故障、外圈故障、滾子故障、正常軸承4種狀態(tài)。故障直徑分別分為0.007inchs，0.014inchs，0.021inchs三個等級，深度都為0.011 inchs。馬達電機負載分別在0，1，2，3HP下測得的，電機轉(zhuǎn)速為1430rpm，其每一個狀態(tài)如表1所示組合進行測試。然后采用小波包頻帶能量分析技術(shù)提取滾動軸承的故障特征[4]。

表1 試驗安排狀態(tài)表

3 電機軸承故障診斷仿真結(jié)果

通過調(diào)用MATLAB神經(jīng)網(wǎng)絡工具箱的newrb函數(shù)創(chuàng)建一個徑向基函數(shù)神經(jīng)網(wǎng)絡，輸入層神經(jīng)元16個，輸出層神經(jīng)元16個，徑向基函數(shù)的分布密度SPREAD=3，訓練目標誤差值取為0.0001。網(wǎng)絡的輸出模式，采用以下的輸出模式：

滾動體故障：（1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0）；

內(nèi)圈故障： （0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0）；

外圈故障： （0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0）；

無故障： （0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0）；

在訓練的過程中，隱含層的神經(jīng)元數(shù)量的確定是一個關(guān)鍵，傳統(tǒng)的做法是使其與輸入向量的元素相等，顯然此方法在輸入矢量過多時，過多的隱含層神經(jīng)元讓人難以接受。此處，隱含層的神經(jīng)元從0個神經(jīng)元開始訓練，通過檢查輸出誤差使網(wǎng)絡自動增加神經(jīng)元，每次循環(huán)使用，使網(wǎng)絡產(chǎn)生的最大誤差所對應的輸入向量作為權(quán)值向量，產(chǎn)生一個新的隱含層神經(jīng)元，然后檢查新網(wǎng)絡的誤差，重復此過程直到達到誤差要求或最大隱含層神經(jīng)元數(shù)為止。

我們選擇了80組訓練樣本時，73步達到訓練目標，如圖2所示。選用滾動軸承的48組測試樣本送入訓練好的徑向基函數(shù)神經(jīng)網(wǎng)絡進行模式識別，診斷結(jié)果如表2所示。由表2可以得到徑向基函數(shù)神經(jīng)網(wǎng)絡診斷準確率為97.91%。

圖2 徑向基函數(shù)神經(jīng)網(wǎng)絡訓練過程（SPREAD=3）

在徑向基函數(shù)神經(jīng)網(wǎng)絡的設計中，最重要的參數(shù)是徑向基函數(shù)的分布密度。為了驗證徑向基函數(shù)的分布密度的取值對故障診斷準確率的影響，分別取SPREAD=1，SPREAD=2，

表2 徑向基函數(shù)神經(jīng)網(wǎng)絡診斷結(jié)果

圖3 徑向基函數(shù)神經(jīng)網(wǎng)絡訓練過程（SPREAD=1）

圖4 徑向基函數(shù)神經(jīng)網(wǎng)絡訓練過程（SPREAD=2）

圖5 徑向基函數(shù)神經(jīng)網(wǎng)絡訓練過程（SPREAD=8）

SPREAD=8，仍采用原訓練樣本和測試樣本進行試驗。圖3、4、5分別為取SPREAD=1，SPREAD=2，SPREAD=8時徑向基函數(shù)神經(jīng)網(wǎng)絡訓練過程，當SPREAD=1時，徑向基函數(shù)神經(jīng)網(wǎng)絡診斷準確率為93.75%；當SPREAD=2時，徑向基函數(shù)神經(jīng)網(wǎng)絡診斷準確率為95.83%；當SPREAD=8時，徑向基函數(shù)神經(jīng)網(wǎng)絡診斷準確率為97.91%。

4 結(jié)論

本文將徑向基函數(shù)神經(jīng)網(wǎng)絡用于電機軸承的故障診斷，采用徑向基函數(shù)神經(jīng)網(wǎng)絡對電機軸承在滾動體故障、內(nèi)圈故障、外圈故障以及無故障狀態(tài)給予識別。試驗結(jié)果表明，系統(tǒng)不僅能夠檢測到軸承故障的存在，而且能夠更高效、準確地進行電機軸承的故障模式識別，能夠更好的應用于電機軸承的故障診斷中。

[1] 梅宏斌.滾動軸承振動監(jiān)測與診斷——理論?方法?系統(tǒng)[M].北京:機械工業(yè)出版社,1996.

[2] Simon Haykin.Neural Networks:A Comprehensive Foundation (Second Edition) [M].Prentice Hall, 1999.

[3] Ham F M,Kostanie I,Priciples of Neuro Computing for Science& Engineering [M].McGraw Hill,2001.

[4] 溫熙森,陳循.機械系統(tǒng)動態(tài)分析理論與應用[M].北京:國防工業(yè)出版社,1991.