基于BP神經(jīng)網(wǎng)絡(luò)的圓錐滾子軸承故障診斷

許 立，張 宇，湯武初，施志輝，張火車

(1.大連交通大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116028；2.大連理工大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116023)

?

基于BP神經(jīng)網(wǎng)絡(luò)的圓錐滾子軸承故障診斷

許 立，張 宇，湯武初，施志輝，張火車

(1.大連交通大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116028；2.大連理工大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116023)

圓錐滾子軸承在旋轉(zhuǎn)機(jī)械中應(yīng)用較為廣泛，其故障對(duì)整機(jī)的運(yùn)行狀態(tài)將造成極大的影響，因此對(duì)其進(jìn)行故障診斷十分必要。文中提出了基于神經(jīng)網(wǎng)絡(luò)的圓錐滾子軸承故障診斷方法。利用小波包分解對(duì)軸承的振動(dòng)信號(hào)進(jìn)行分析，將分解后得到的小波包能量矩歸一化處理后作為特征向量，用標(biāo)準(zhǔn)數(shù)據(jù)的特征向量構(gòu)成的訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，達(dá)到誤差要求后，用該網(wǎng)絡(luò)對(duì)圓錐滾子軸承的故障仿真實(shí)驗(yàn)數(shù)據(jù)進(jìn)行故障診斷，診斷結(jié)果在誤差范圍內(nèi)，達(dá)到故障診斷目的,驗(yàn)證了該方法在圓錐滾子軸承故障診斷中的有效性。

圓錐滾子軸承；小波包分解；BP神經(jīng)網(wǎng)絡(luò)

0 引言

圓錐滾子軸承屬于分離型軸承，軸承內(nèi)、外圈均具有錐形滾道。該類軸承按所裝滾子列數(shù)分為單列、雙列和四列等不同的結(jié)構(gòu)形式。它在機(jī)械、鐵路、航空航天以及一些軍事工業(yè)部門中的應(yīng)用都非常廣泛，也是比較容易損壞的零件之一，它在機(jī)械設(shè)備中起著傳遞和承受載荷的關(guān)鍵作用，是旋轉(zhuǎn)類機(jī)械中必不可少的一部分[1]。若軸承出現(xiàn)故障，輕則降低機(jī)械設(shè)備的使用性能，重則不光會(huì)造成極大的財(cái)產(chǎn)損失，甚至還危及人們生命的安全。因此，對(duì)圓錐滾子軸承的故障進(jìn)行研究，一直是故障診斷中重點(diǎn)發(fā)展的技術(shù)之一。

近幾年來，越來越多的故障診斷方法被應(yīng)用于滾動(dòng)軸承的故障診斷中，其中利用振動(dòng)信號(hào)的診斷是最為有效的方法之一[2]。隨著小波理論的迅速發(fā)展，特別是人工神經(jīng)網(wǎng)絡(luò)技術(shù)在故障診斷領(lǐng)域的大量應(yīng)用，也將故障診斷技術(shù)推向了一個(gè)新的高度。由于基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法在系統(tǒng)參數(shù)未知的情況下能夠自動(dòng)建立動(dòng)態(tài)模型，對(duì)于線性系統(tǒng)和非線性系統(tǒng)有很好的跟蹤能力，因此可以準(zhǔn)確的識(shí)別出系統(tǒng)存在的故障，并且網(wǎng)絡(luò)內(nèi)部的傳遞函數(shù)，對(duì)數(shù)據(jù)有較強(qiáng)的分類能力，非常適合用于設(shè)備的故障診斷。

雖然關(guān)于滾動(dòng)軸承故障診斷的研究已經(jīng)有了很大的進(jìn)展，但是針對(duì)某些應(yīng)用特殊軸承的故障診斷研究并不完善，比如高速列車上的圓錐滾子軸承。鑒于此，本文設(shè)計(jì)圓錐滾子軸承的故障模擬試驗(yàn)，繼而進(jìn)行故障診斷，為高速列車軸承的故障診斷提供參考。

1 提取故障特征

特征提取是基于神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的關(guān)鍵，提取出的故障特征應(yīng)該具有較好的典型性和代表性，使其能夠具有表征系統(tǒng)故障狀態(tài)的能力。此外，該特征的形式還應(yīng)該便于后續(xù)的診斷處理，以作為網(wǎng)絡(luò)的訓(xùn)練樣本及測(cè)試樣本[3]。

傳統(tǒng)的小波分析只對(duì)信號(hào)的低頻成分進(jìn)行了較好的分解，而造成高頻成分的時(shí)間分辨率高，頻率分辨率低的后果[4]。但是小波包分析對(duì)這一缺點(diǎn)進(jìn)行了改進(jìn)，它能夠清晰細(xì)致的刻畫信號(hào)的高頻成分，并且能夠根據(jù)被分析信號(hào)的特征自適應(yīng)的選擇相應(yīng)頻帶，從而提高了時(shí)頻分辨率[5]。由于圓錐滾子軸承的故障特征多存在于高頻信號(hào)中，因而所做的特征提取需要對(duì)信號(hào)的高頻成分進(jìn)行較為細(xì)致的刻畫，為了能夠得到準(zhǔn)確完整的故障特征，就需要選用小波包分析對(duì)故障信號(hào)進(jìn)行分析。

1.1 利用小波包分解提取故障特征

軸承的振動(dòng)一般是由外部的振源和軸承本身及存在的缺陷引起的，軸承在正常情況下運(yùn)轉(zhuǎn)時(shí)，由于工作條件、安裝誤差、加工誤差等影響，軸承會(huì)出現(xiàn)比較平穩(wěn)而有規(guī)律的振動(dòng)。但是當(dāng)軸承出現(xiàn)如剝落、點(diǎn)蝕和裂紋等故障時(shí)，軸承的信號(hào)中就會(huì)存在沖擊和有特殊規(guī)律的成分，這些特殊信號(hào)中就包含著軸承的故障特征。因而對(duì)這些信號(hào)的準(zhǔn)確分析和識(shí)別，就成為故障診斷的前提和基礎(chǔ)。運(yùn)用小波包分解的方法，可以得出軸承故障信號(hào)的特征，為后續(xù)故障診斷提供數(shù)據(jù)。

利用小波包分解多分辨率的特點(diǎn)，對(duì)軸承的信號(hào)進(jìn)行三次小波包分解。當(dāng)軸承出現(xiàn)故障時(shí)，各頻帶內(nèi)的信號(hào)能量分布會(huì)發(fā)生變化，因而經(jīng)過三層小波包分解后，提取第三層的八個(gè)分解系數(shù)，用于小波重構(gòu)后提取各相應(yīng)頻帶范圍內(nèi)的信號(hào)，繼而求取相應(yīng)頻帶內(nèi)信號(hào)的總能量，構(gòu)造特征向量。

首先引用來自美國(guó)Case Western Reserve大學(xué)軸承數(shù)據(jù)中心提供的數(shù)據(jù)[6],對(duì)數(shù)據(jù)進(jìn)行三層小波包分解，提取出特征向量。直接求取的關(guān)于能量的向量值并不規(guī)范，需要進(jìn)行歸一化處理，才能用于后續(xù)的神經(jīng)網(wǎng)絡(luò)故障診斷中，歸一化處理后的特征向量如表1所示。

表1 歸一化處理后的特征向量

表1中列出了滾動(dòng)軸承正常情況、外圈剝落故障、內(nèi)圈剝落故障、滾子剝落故障四種情況下的故障特征向量。運(yùn)用小波包分解的方法來提取軸承的故障特征，不需要進(jìn)行復(fù)雜的信號(hào)分析過程即可得到比較整齊的向量數(shù)據(jù)，簡(jiǎn)化了特征提取的步驟，提高了效率。

特征向量作為神經(jīng)網(wǎng)絡(luò)輸入向量P，這就需要設(shè)計(jì)網(wǎng)絡(luò)的輸出向量T，根據(jù)上表可知，本文主要研究了軸承的四種情況，因此設(shè)計(jì)輸出形式如表2所示。

表2 輸出向量

2 BP神經(jīng)網(wǎng)絡(luò)的圓錐滾子軸承故障診斷

2.1 故障診斷流程

隨著現(xiàn)代科學(xué)技術(shù)水平的不斷提高，系統(tǒng)的規(guī)模和復(fù)雜程度逐漸增加，這給故障診斷帶來了更多的困難。神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)，為故障診斷提供了一個(gè)新的途徑。神經(jīng)網(wǎng)絡(luò)是模擬人神經(jīng)系統(tǒng)的一種數(shù)學(xué)模型[7]。它有從歷史數(shù)據(jù)中學(xué)習(xí)，并與當(dāng)前數(shù)據(jù)比較以進(jìn)行診斷的能力。與此同時(shí)它還能夠在存在噪聲的情況下得出正確結(jié)論，具有分辨故障原因及故障類型的能力[8]。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳播，誤差反向傳播[9]。它一般由輸入層、隱含層和輸出層三部分組成。基于神經(jīng)網(wǎng)絡(luò)的軸承故障診斷流程如圖1所示，過程主要分為兩個(gè)部分，一是先運(yùn)用一定數(shù)量的樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所希望的故障診斷網(wǎng)絡(luò)；二是對(duì)診斷原始數(shù)據(jù)或是測(cè)試數(shù)據(jù)進(jìn)行診斷。無論是訓(xùn)練還是診斷的過程，都需要對(duì)原始的訓(xùn)練樣本數(shù)據(jù)及測(cè)試數(shù)據(jù)進(jìn)行恰當(dāng)?shù)奶幚?，這部分主要是達(dá)到本文第2節(jié)提到的提取特征向量的目的。為了方便信號(hào)的特征提取，還可以進(jìn)行適當(dāng)?shù)男盘?hào)預(yù)處理，如信號(hào)放大、濾波、調(diào)制與解調(diào)等，預(yù)處理的情況主要依據(jù)數(shù)據(jù)的具體特點(diǎn)而定。

圖1 基于神經(jīng)網(wǎng)絡(luò)的故障診斷流程圖

2.2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)的重點(diǎn)在于確定網(wǎng)絡(luò)的層數(shù)及輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)[10]。輸入層的節(jié)點(diǎn)數(shù)要根據(jù)實(shí)際問題的需要來設(shè)計(jì)，而輸出層則設(shè)計(jì)成我們所期望的數(shù)據(jù)形式即可。對(duì)于網(wǎng)絡(luò)層數(shù)和隱含層的節(jié)點(diǎn)數(shù)的設(shè)計(jì)，則根據(jù)指導(dǎo)原則進(jìn)行設(shè)計(jì)，即一般的模式識(shí)別問題，運(yùn)用三層網(wǎng)絡(luò)就可以很好的解決問題，而且在三層網(wǎng)絡(luò)中，隱含層神經(jīng)元的個(gè)數(shù)n2和輸入層神經(jīng)元個(gè)數(shù)n1之間有n2=2n1+1的近似關(guān)系。根據(jù)表2列出的特征向量可知，輸入的是一個(gè)8維的向量，因而設(shè)計(jì)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為8個(gè)。輸出的結(jié)果中應(yīng)包含正常、外圈故障、內(nèi)圈故障和滾子故障四類，因而確定輸出層神經(jīng)元個(gè)數(shù)為4，根據(jù)設(shè)計(jì)原則可以得出，隱含層的神經(jīng)元個(gè)數(shù)約為17個(gè)。但是隱含層的神經(jīng)元個(gè)數(shù)并不是絕對(duì)固定的，需要經(jīng)過實(shí)際的訓(xùn)練和檢驗(yàn)來不斷調(diào)整。

在創(chuàng)建網(wǎng)絡(luò)的過程中，需要定義輸入向量的最大值和最小值，由于數(shù)據(jù)歸一化處理后在區(qū)間[-1,1]之間，故設(shè)計(jì)的最大值為1，最小值為-1。另外還需要選擇輸出層和隱含層的傳遞函數(shù)以及訓(xùn)練函數(shù)，本次設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)的參數(shù)如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)

參數(shù)選擇完畢后，運(yùn)用代碼net=newff(threshold,[17,4],{‘tansig’,‘logsig’},‘trainlm’); 即可在MATLAB中實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建。其中變量threshold定義了輸入向量的最大值與最小值。

2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是一個(gè)對(duì)閾值和權(quán)值進(jìn)行不斷修正的過程，通過調(diào)整，最終使誤差在允許的范圍內(nèi)，使得網(wǎng)絡(luò)滿足實(shí)際的要求。訓(xùn)練函數(shù)trainlm是利用Leveberg-Marquart算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的，在訓(xùn)練之前需要對(duì)訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)及學(xué)習(xí)速率等訓(xùn)練參數(shù)進(jìn)行設(shè)置，如表4所示。

表4 訓(xùn)練參數(shù)

設(shè)置完訓(xùn)練參數(shù)以后，需要運(yùn)用代碼net=train(net,P,T);來實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練，其中P和T分別為輸入向量和目標(biāo)向量，P是從表1中得出的，但表1中只是列舉了一部分，實(shí)際過程中需要輸入更多的特征向量，以保障故障特征信息的完整性。T是從表2中得出的。網(wǎng)絡(luò)的訓(xùn)練結(jié)果如圖2所示，可見，經(jīng)過5次訓(xùn)練后，網(wǎng)絡(luò)就達(dá)到了誤差要求，收斂速度較快。

圖2 訓(xùn)練結(jié)果

訓(xùn)練完成后，抽取4組新的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，測(cè)試的代碼為Y=sim(net,P_test);測(cè)試的結(jié)果如表5所示。從表中可以看出，這四次的測(cè)試誤差不大，基本滿足要求。因此可以判定，本文所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)，可以達(dá)到滾動(dòng)軸承的故障診斷目的。

表5 測(cè)試結(jié)果

2.4 圓錐滾子軸承的故障診斷

在進(jìn)行圓錐滾子軸承的故障診斷前，需要獲得其運(yùn)行時(shí)的振動(dòng)信號(hào)，因而設(shè)計(jì)了圓錐滾子軸承故障模擬試驗(yàn)，所用軸承類型為SKF31306型。運(yùn)用小型的軸承試驗(yàn)機(jī)搭建試驗(yàn)平臺(tái)，運(yùn)用加速度傳感器和28個(gè)通道的INV302C型振動(dòng)儀采集軸承振動(dòng)信號(hào)。在故障模擬試驗(yàn)中，盡可能的模仿圓錐滾子軸承的工況，因而在軸向和徑向均施加一定的載荷，以確保所得信號(hào)的準(zhǔn)確性。為了得到故障信號(hào)，設(shè)計(jì)四組試驗(yàn)，分別采集軸承正常、外圈故障、內(nèi)圈故障、滾子故障的信號(hào)，其中各部分的故障均為人為制造的凹坑。將數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理后，導(dǎo)入到MATLAB中，進(jìn)行小波包分析，提取特征向量，并進(jìn)行歸一化，如表6所示。

表6 圓錐滾子軸承故障特征向量

特征向量求取完成后，按照網(wǎng)絡(luò)測(cè)試的過程進(jìn)行診斷即可，輸出的診斷結(jié)果如表7所示。從表中可以看出，診斷結(jié)果的誤差在可接受的范圍內(nèi)。因而判斷運(yùn)用本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)的，可以對(duì)圓錐滾子軸承進(jìn)行故障診斷，且效果良好。

表7 圓錐滾子軸承故障診斷結(jié)果

3 結(jié)論

用BP神經(jīng)網(wǎng)絡(luò)對(duì)SKF31306型圓錐滾子軸承進(jìn)行了故障診斷，結(jié)果表明本文采用的故障診斷方法能夠有效的識(shí)別圓錐滾子軸承的故障情況，且診斷誤差較小，滿足實(shí)際診斷的需求。

[1] 張進(jìn)，馮志鵬，褚福磊.滾動(dòng)軸承故障特征的時(shí)間-小波能量譜提取方法[J].機(jī)械工程學(xué)報(bào)，2011，47(17)：44-49.

[2] 何正嘉,陳進(jìn),王太勇,等.機(jī)械故障診斷理論及應(yīng)用 [M].北京：高等教育出版社，2010.

[3] 鐘飛，鄭曉斌，史鐵林,等.基于小波神經(jīng)網(wǎng)絡(luò)的軸承未知異常診斷[J].河南科技大學(xué)學(xué)報(bào)，2007，28(4)：10-13.

[4] 吳德華.基于RBF神經(jīng)網(wǎng)絡(luò)的列車滾動(dòng)軸承故障診斷[J].現(xiàn)代計(jì)算機(jī)(專業(yè)版)，2009(11):38-40,76.

[5] 熊星.基于小波包分解和希爾伯特黃變換的滾動(dòng)軸承故障診斷[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2014.

[6] The Case Western Reserve University Bearing Data Center Website.Bearing Data Center Seeded Fault Test Data[EB/OL].2008-3-11.

[7] 王斌.基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法研究[D].蘭州:蘭州交通大學(xué),2014.

[8] 飛思科技.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社，2005.

[9] 史峰.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M]. 北京:北京航空航天大學(xué)，2011.

[10] 吳治南.基于小波變換與PNN神經(jīng)網(wǎng)絡(luò)相結(jié)合的滾動(dòng)軸承故障診斷[D].邯鄲:河北工程大學(xué),2015.

(編輯 李秀敏)

The Fault Diagnosis Of Tapered Roller Bearing Based on the BP Neural Network

XU Li1,ZHANG Yu1,TANG Wu-chu1,2,SHI Zhi-hui1,ZHANG Huo-che1

(1.College of Mechanical Engineering,Dalian Jiaotong University,Dalian Liaoning 116028,China;2.College of Mechanical Engineering,Dalian University of Technology,Dalian Liaoning 116023,China)

Tapered roller bearings is widely used in rotating machinery, the failure of the bearing will cause a great impact on the complete machine’s running status.,so its fault diagnosis is necessary. In this paper, we put forward a method, which is based on BP neural network ,to diagnose the fault of tapered roller bearing. Wavelet packet decomposition is used to analyzing vibration signals of the bearings, after the analysis, we get the wavelet packet energy,which can be used as a feature vector after the normalization process. Using the feature vectors that contains standard data as the training samples to train and test the BP neural network, after reaching the error requirements, this network is used to diagnose the fault of tapered roller bearing, diagnose results is in the error range, so we achieve the purpose of fault diagnosis, then can also verify the effectiveness of this method that is used to fault diagnosis of the tapered roller bearing.

tapered roller bearing;wavelet packet decomposition;BP neural network

1001-2265(2016)11-0105-03

10.13462/j.cnki.mmtamt.2016.11.028

2016-07-13；

2016-08-06

許立(1956—)，男，遼寧大連人，大連交通大學(xué)教授，研究方向?yàn)閿?shù)字化制造理論及實(shí)用技術(shù)，(E-mail)xuli@djtu.edu.cn；通訊作者：張宇(1990—)，女，滿族，河北承德人，大連交通大學(xué)碩士研究生，研究方向?yàn)閿?shù)字化制造理論及實(shí)用技術(shù)，(E-mail)597810341@qq.com。

TH165+.3;TG506

A