基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的礦用皮帶機(jī)滾動軸承故障診斷

張應(yīng)紅，李聰，景暉，閆建軍

(1.桂林電子科技大學(xué)機(jī)電工程學(xué)院，廣西桂林541004;2.桂林航天工業(yè)學(xué)院機(jī)械工程系，廣西桂林541004;3.中國煤炭科工集團(tuán)太原研究院，山西太原030006)

礦用皮帶機(jī)是目前煤礦中應(yīng)用較為廣泛的一種運輸工具，承擔(dān)著井下煤炭的運輸任務(wù)。滾動軸承大量地用于皮帶機(jī)，其故障嚴(yán)重影響著井下煤炭運輸?shù)恼＿\行?，F(xiàn)有皮帶機(jī)的故障診斷經(jīng)常是定期檢查或事后診斷。當(dāng)皮帶機(jī)停機(jī)進(jìn)行定期檢查時，對于煤礦企業(yè)而言，嚴(yán)重影響其正常的煤炭生產(chǎn)，并且有一些故障的發(fā)生和發(fā)展是比較快的，一般難以通過定期檢查及時發(fā)現(xiàn)。一旦皮帶機(jī)軸承出現(xiàn)故障，則會直接導(dǎo)致皮帶機(jī)停運，甚至危及安全生產(chǎn)，造成安全事故，使煤炭生產(chǎn)無法正常進(jìn)行，給企業(yè)帶來嚴(yán)重的損失。因此，對皮帶機(jī)滾動軸承快速準(zhǔn)確地進(jìn)行故障診斷具有重要的理論及現(xiàn)實意義。

近年來，在滾動軸承的故障診斷領(lǐng)域，許多專家學(xué)者進(jìn)行了深入的研究，取得了一系列成果。一般而言，滾動軸承的故障診斷方法有很多，如振動診斷方法、油液診斷方法、聲發(fā)射診斷方法、光纖診斷方法、熱診斷方法和人工智能診斷等方法。其中，基于振動信號的滾動軸承故障診斷方法主要通過對設(shè)備運行過程中軸承振動信號的采集和處理來對滾動軸承運行過程中出現(xiàn)的疲勞剝落、變形、壓痕、裂紋和局部腐蝕等故障進(jìn)行診斷，該方法由于相關(guān)理論和實際相對成熟，因此，應(yīng)用比較廣泛［1－5］。

作者首先對人工神經(jīng)網(wǎng)絡(luò)模型的原理、結(jié)構(gòu)、學(xué)習(xí)算法進(jìn)行了分析，并研究了基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)。最后以礦用皮帶機(jī)滾動軸承故障診斷為實例，進(jìn)行故障診斷。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)是現(xiàn)代人工智能技術(shù)的一個重要分支。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式由基本處理單元及其互聯(lián)方法決定，其中，連接結(jié)構(gòu)的基本處理單元稱為神經(jīng)元，神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。圖1為一種簡化的神經(jīng)元結(jié)構(gòu)，該結(jié)構(gòu)是一個多輸入、單輸出的非線性元件。BP 神經(jīng)網(wǎng)絡(luò)模型是一種較為成熟且應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)把一組訓(xùn)練樣本的輸入輸出問題變?yōu)橐粋€非線性優(yōu)化問題。相對其他傳統(tǒng)模型而言，該網(wǎng)絡(luò)具有較好的持久性、適時預(yù)報性和分類能力。BP 神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱層和輸出層組成。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要由前向計算過程和誤差反向傳播過程組成。在正向傳播時，信息從輸入層輸入，經(jīng)過隱單元處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只對下一層的神經(jīng)元的狀態(tài)有影響。如果在輸出層得不到預(yù)期的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的神經(jīng)元連接通路返回。在返回過程中，網(wǎng)絡(luò)逐一修改各層神經(jīng)元連接的權(quán)值和閾值。重復(fù)迭代以上過程，使得信號誤差能夠達(dá)到允許的誤差范圍［6－10］。

圖1 神經(jīng)元結(jié)構(gòu)模型

2 礦用皮帶機(jī)滾動軸承故障特征分析

滾動軸承主要由內(nèi)圈、外圈、滾動體和保持架4種元件組成，如圖2所示。軸承內(nèi)圈與傳動軸的軸頸通常采用過盈配合聯(lián)接，工作時隨軸一起轉(zhuǎn)動。而軸承外圈通常安裝在軸承座上，工作時固定或相對固定。滾動體是滾動軸承的核心元件，它使相對運動的元件表面間的滑動摩擦變?yōu)闈L動摩擦。滾動體的形式有球形、圓柱形、鼓形、圓錐形等。通常，在滾動軸承內(nèi)、外圈上都有凹槽滾道。滾道的主要作用是降低接觸應(yīng)力和限制滾動軸承軸向移動等。保持架的作用在于使?jié)L動體等距離分布并減少滾動體間的摩擦和磨損。滾動軸承故障特征頻率計算如下［4］:

z 個滾動體與外圈上某一固定點接觸的頻率為:

z 個滾動體與內(nèi)圈上某一固定點接觸的頻率為:

滾動體某一固定點與外圈或內(nèi)圈接觸的頻率為:

其中，假設(shè)軸承外圈固定，內(nèi)圈旋轉(zhuǎn)頻率為fs，滾動體直徑為d，軸承節(jié)徑為D，接觸角為α，滾動體個數(shù)為z，這里假定滾動體與內(nèi)外圈之間為純滾動接觸。fo、fi和fr分別稱為外圈、內(nèi)圈和滾動體的故障特征頻率。

圖2 滾動軸承結(jié)構(gòu)圖

3 基于BP 網(wǎng)絡(luò)的礦用皮帶機(jī)滾動軸承故障診斷技術(shù)

基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷技術(shù)，就是通過對機(jī)械故障信息和診斷經(jīng)驗的訓(xùn)練學(xué)習(xí)，然后利用分布在網(wǎng)絡(luò)內(nèi)部的連接權(quán)值來表達(dá)所學(xué)習(xí)的故障診斷知識。因此，該方法具有對故障模式的聯(lián)想記憶、模式匹配和相似歸納能力，從而實現(xiàn)故障與征兆之間復(fù)雜的非線性映射關(guān)系。以下結(jié)合BP 神經(jīng)網(wǎng)絡(luò)的特點及滾動軸承故障診斷的要求，設(shè)計了基于BP 神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷系統(tǒng)。該系統(tǒng)的主要診斷步驟如下:

(1)對故障信息進(jìn)行采集并預(yù)處理，建立網(wǎng)絡(luò)訓(xùn)練樣本集。

(2)BP 網(wǎng)絡(luò)模型的建立及訓(xùn)練;

(3)測試樣本檢測。

4 故障診斷實例分析

下面以皮帶機(jī)滾動軸承故障診斷為例，進(jìn)行故障模式識別。同時將最為常見的內(nèi)圈故障、外圈故障、滾子故障等3 種故障征兆參數(shù)進(jìn)行測量，作為故障診斷依據(jù)，如表1所示。具體診斷步驟如下:

(1)輸出、輸入向量的確定及征兆/故障樣本集的設(shè)計。根據(jù)皮帶機(jī)滾動軸承工作過程中的理論分析和實際經(jīng)驗，可以確定滾動軸承各個部件可能出現(xiàn)故障的類型，作為故障輸出，即BP 神經(jīng)網(wǎng)絡(luò)的輸出。分別見表1 和表2。

表1 測試樣本表

在表1 中，選擇滾動軸承常見的3 種典型故障進(jìn)行研究:軸承內(nèi)圈故障、軸承滾動體故障和軸承外圈故障。為提高訓(xùn)練效果，每種故障模式采集3 列的向量數(shù)據(jù)。由于數(shù)據(jù)量比較大，故表1 只給出了部分?jǐn)?shù)據(jù)。

(2)利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)造神經(jīng)網(wǎng)絡(luò)，即構(gòu)造:BP 神經(jīng)網(wǎng)絡(luò)，用學(xué)習(xí)樣本對其進(jìn)行學(xué)習(xí)訓(xùn)練，確定其結(jié)構(gòu)參數(shù)。

(3)以待診斷故障數(shù)據(jù)樣本作為測試樣本，輸入到已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，輸出的診斷結(jié)果如表3所示。輸出向量為3 類故障模式，當(dāng)對應(yīng)上述3 類故障時，矩陣表示為1，否則為0。數(shù)值越接近1，證明是這種故障的概率越大，反之亦然。

表3 樣本測試結(jié)果表

利用上述數(shù)據(jù)對應(yīng)關(guān)系，對建立好的網(wǎng)絡(luò)對進(jìn)行訓(xùn)練。訓(xùn)練結(jié)果如圖3 和表4所示。

圖3 中，橫軸代表迭代次數(shù)，縱軸代表收斂誤差;黑色粗實線代表實際計算的系統(tǒng)收斂誤差，虛線代表設(shè)定的目標(biāo);當(dāng)系統(tǒng)收斂誤差到達(dá)設(shè)定的目標(biāo)值時，表示系統(tǒng)訓(xùn)練完成，達(dá)到預(yù)期效果。當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后，將采集到的實際故障數(shù)據(jù)輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)迅速輸出結(jié)果，如表4所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖

表4 實際故障采樣表及診斷結(jié)果

表4 給出了3 種不同的故障模式輸入情況下的網(wǎng)絡(luò)輸出。從診斷結(jié)果可以看出，網(wǎng)絡(luò)判斷結(jié)果正確。

5 結(jié)束語

文中充分利用神經(jīng)網(wǎng)絡(luò)優(yōu)秀的聯(lián)想記憶、模式匹配和相似歸納能力等優(yōu)點，將其應(yīng)用在礦用皮帶機(jī)滾動軸承的故障診斷中。通過對滾動軸承的故障進(jìn)行實例分析，表明了該診斷方法可以有效地查找到故障，縮短維修周期，對故障原因復(fù)雜的礦用皮帶機(jī)滾動軸承系統(tǒng)有一定的使用價值。

【1】陳進(jìn).機(jī)械設(shè)備振動監(jiān)測與故障診斷［M］.上海:上海交通大學(xué)出版社，1999.

【2】屈梁生，何正嘉.機(jī)械故障診斷學(xué)［M］.上海:上?？茖W(xué)技術(shù)出版社，1986.

【3】李俊卿.滾動軸承故障診斷技術(shù)及其工業(yè)應(yīng)用［D］.鄭州:鄭州大學(xué)碩士學(xué)位論文，2010.

【4】蘇文勝.滾動軸承信號處理及特征提取方法研究［D］.大連:大連理工大學(xué)博士學(xué)位論文，2010.

【5】TANDON N A，CHOUDHURY A B.A Review of Vibration and Acoustic Measurement Methods for Detection of Defects in Rolling Element Bearing ［J］.Tribology International，1999，32(8):469－480.

【6】宗群，王中海，羅欣宇.神經(jīng)網(wǎng)絡(luò)技術(shù)在電梯故障診斷中的應(yīng)用［J］.計算機(jī)應(yīng)用，2003，23(8):78－80.

【7】順廷虎，鐘來林，黃仁.BP 神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用［J］.東南大學(xué)學(xué)報，1993，23(5):16－20.

【8】胡守仁，余少波，戴葵.神經(jīng)網(wǎng)絡(luò)導(dǎo)論［J］.長沙:國防科技出版社，1992.

【9】梁武科，趙道利，馬薇等.基于粗糙－BRF 神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷［J］.儀器儀器學(xué)報，2007，28(10):1806－1810.

【10】呂俊峰，陳小安，趙孟娜.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的少齒差行星齒輪參數(shù)優(yōu)化設(shè)計［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2012，26(2):55－59.