基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷

□王立鳳

無(wú)錫商業(yè)職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)技術(shù)學(xué)院江蘇無(wú)錫214000

基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷

□王立鳳

無(wú)錫商業(yè)職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)技術(shù)學(xué)院江蘇無(wú)錫214000

為對(duì)滾動(dòng)軸承故障進(jìn)行快速檢測(cè)，提出了一種基于神經(jīng)網(wǎng)絡(luò)和軸承振動(dòng)信號(hào)特征參數(shù)的滾動(dòng)軸承故障檢測(cè)方法。采用振動(dòng)信號(hào)的特征參數(shù)作為反向傳播神經(jīng)網(wǎng)絡(luò)的輸入，為滾動(dòng)軸承建立動(dòng)態(tài)非線性神經(jīng)網(wǎng)絡(luò)模型，并利用該模型進(jìn)行在線故障檢測(cè)，同時(shí)應(yīng)用反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實(shí)踐證明，這一模型能夠滿足對(duì)滾動(dòng)軸承故障進(jìn)行在線檢測(cè)。

神經(jīng)網(wǎng)絡(luò)；滾動(dòng)軸承；反向傳播；故障

滾動(dòng)軸承由內(nèi)環(huán)、外環(huán)、滾動(dòng)體和保持架等元件組成，通常情況下，內(nèi)環(huán)與機(jī)械傳動(dòng)軸的軸頸過(guò)盈配合連接，工作時(shí)與軸一起轉(zhuǎn)動(dòng)；外環(huán)安裝在軸承座、箱體或其它支撐物上，工作時(shí)一般固定，但也有外環(huán)回轉(zhuǎn)、內(nèi)環(huán)不動(dòng)或內(nèi)外環(huán)分別按不同轉(zhuǎn)速回轉(zhuǎn)的情況。滾動(dòng)體是軸承的核心元件，可使相對(duì)運(yùn)動(dòng)表面間的滑動(dòng)摩擦變?yōu)闈L動(dòng)摩擦，其形式有球形、圓柱形、圓錐形、鼓形等。在軸承內(nèi)外環(huán)上都有凹槽滾道，起減小接觸應(yīng)力和限制滾動(dòng)軸承軸向移動(dòng)的作用。保持架使?jié)L動(dòng)體等距離分布，并減小滾動(dòng)體間的摩擦和磨損。如果沒(méi)有保持架，相鄰滾動(dòng)體將直接接觸，且相對(duì)摩擦速度是表面速度的兩倍，發(fā)熱和磨損都較大。滾動(dòng)軸承典型結(jié)構(gòu)如圖1所示。

圖1 滾動(dòng)軸承典型結(jié)構(gòu)

1 滾動(dòng)軸承的故障診斷

滾動(dòng)軸承在工作過(guò)程中，由于裝配不當(dāng)、潤(rùn)滑不良、水分和異物侵入、腐蝕及過(guò)載等都可能發(fā)生損傷。軸承主要損傷形式包括磨損失效、疲勞失效、斷裂失效、壓痕失效、膠合失效及保持架損壞等[1]。

滾動(dòng)軸承故障診斷的目的是保證軸承在工作環(huán)境中承受核定荷載，在預(yù)期壽命內(nèi)可靠有效地運(yùn)行，以保障整臺(tái)機(jī)器的工作精度[2]。故障診斷通過(guò)對(duì)能夠反映軸承工作狀態(tài)的信號(hào)進(jìn)行觀測(cè)、分析和處理，進(jìn)而識(shí)別軸承的工作狀態(tài)。所以，從一定程度上說(shuō)，軸承故障診斷就是軸承運(yùn)行狀態(tài)的識(shí)別。

完整的軸承故障診斷過(guò)程包括以下五個(gè)方面：

（1）信號(hào)測(cè)取。根據(jù)軸承的工作環(huán)境和性質(zhì)，選擇并測(cè)量能夠反映工況或狀態(tài)的信號(hào)。

（2）特征提取。以一定的信號(hào)分析與處理方法從測(cè)量的信號(hào)中抽取出能夠反映軸承運(yùn)行狀態(tài)的有用信息。

（3）狀態(tài)識(shí)別。簡(jiǎn)單判斷軸承在工作時(shí)是否有故障。

（4）狀態(tài)分析。根據(jù)征兆進(jìn)一步分析相關(guān)情況及發(fā)展趨勢(shì)。當(dāng)有故障發(fā)生時(shí)，詳細(xì)分析故障類型、性質(zhì)、部位、產(chǎn)生原因與趨勢(shì)等。

（5）決策干預(yù)[3]。根據(jù)軸承運(yùn)行狀態(tài)及發(fā)展趨勢(shì)作出決策，如調(diào)整、控制或繼續(xù)監(jiān)視等。

軸承故障診斷的實(shí)質(zhì)是從定位故障到確定故障性質(zhì)，進(jìn)而確定故障發(fā)生的程度。神經(jīng)網(wǎng)絡(luò)由于具有處理復(fù)雜多模式情況的能力，以及進(jìn)行聯(lián)想、推測(cè)和記憶的功能[4]，因此適于應(yīng)用在滾動(dòng)軸承的故障診斷上，診斷過(guò)程如圖2所示。

圖2 滾動(dòng)軸承故障診斷過(guò)程

2 滾動(dòng)軸承特征參數(shù)的選取

利用反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)石油鉆井的絞車及傳動(dòng)機(jī)組滾動(dòng)軸承進(jìn)行故障診斷[5]，能夠在軸承早期故障時(shí)發(fā)出預(yù)警信號(hào)，提前對(duì)將要發(fā)生故障的軸承進(jìn)行維修或更換，縮短停工停產(chǎn)周期，減少維修費(fèi)用，從而使石油生產(chǎn)損失降到最低，保證石油生產(chǎn)順利安全進(jìn)行[6]。

選取某型減速器滾動(dòng)軸承的四個(gè)特征參數(shù)[6]，包括均方根值、峭度、諧波指標(biāo)和均方根偏差參數(shù)，這四個(gè)參數(shù)組成輸入樣本向量，實(shí)測(cè)數(shù)據(jù)見(jiàn)表1。

表1 某型減速器滾動(dòng)軸承的特征參數(shù)

3 基于Matlab的反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練

3.1 樣本輸入

從表1的中組數(shù)據(jù)中選擇七組作為輸入樣本[7]，在Matlab軟件命令空間中輸入：

3.2 定義期望輸出向量

對(duì)輸出狀態(tài)進(jìn)行編碼，輸出為四維向量，見(jiàn)表2。輸入命令：

表2 滾動(dòng)軸承狀態(tài)編碼對(duì)照表

3.3 構(gòu)成反向傳播神經(jīng)網(wǎng)絡(luò)

網(wǎng)絡(luò)參數(shù)見(jiàn)表3。

表3 反向傳播神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定

應(yīng)用輸入和輸出樣本向量對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[8]，輸入命令：

訓(xùn)練過(guò)程中，網(wǎng)絡(luò)誤差的變化情況如圖3所示。

圖3 訓(xùn)練過(guò)程中網(wǎng)絡(luò)誤差變化曲線

3.4 測(cè)試檢驗(yàn)

利用所有10個(gè)樣本對(duì)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試檢驗(yàn)，輸入命令：

Ptest=[Ptest11 Ptest12 Ptest13 Ptest14 Ptest21 Ptest22 Ptest23 Ptest31 Ptest41 Ptest51];

result_test=sim(net,Ptest)

輸出結(jié)果為：

診斷結(jié)果見(jiàn)表4。

表4 診斷結(jié)果

可以看到，第三個(gè)正常樣本與外圈嚴(yán)重裂紋樣本的診斷出現(xiàn)了錯(cuò)誤，均誤判為類別5。在訓(xùn)練樣本中加入這兩個(gè)樣本，重新對(duì)進(jìn)行網(wǎng)絡(luò)訓(xùn)練后再診斷，同時(shí)改變網(wǎng)絡(luò)參數(shù)，設(shè)置中間層為10個(gè)神經(jīng)元[9]。

再次進(jìn)行訓(xùn)練，網(wǎng)絡(luò)誤差曲線如圖4所示。

訓(xùn)練經(jīng)過(guò)66次迭代后達(dá)到了期望誤差極限[10]，對(duì)樣本重新進(jìn)行診斷，結(jié)果見(jiàn)表5。

可以看到，重新訓(xùn)練改進(jìn)后，神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)樣本的診斷結(jié)果均正確。

圖4 再次訓(xùn)練過(guò)程中誤差變化曲線

表5 再次診斷結(jié)果

4 結(jié)論

筆者通過(guò)軸承故障試驗(yàn)，提取故障特征信息，應(yīng)用MATLAB軟件，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型對(duì)提取的特征信息進(jìn)行診斷，實(shí)現(xiàn)軸承故障模式的識(shí)別。神經(jīng)網(wǎng)絡(luò)具有獨(dú)特的結(jié)構(gòu)和處理信息的方法，將其應(yīng)用至滾動(dòng)軸承故障模式識(shí)別中，可以提高軸承故障診斷的效率，具有廣闊的應(yīng)用前景。

[1]徐勝利,周娟利,李春玲,等.橢球形零件拉深成形失穩(wěn)點(diǎn)的力學(xué)分析和實(shí)驗(yàn)研究[J].機(jī)械制造,2014,52（10）: 80-82.

[2]汪偉,趙又群,黃超，等.新型機(jī)械彈性車輪的建模與通過(guò)性研究[J].中國(guó)機(jī)械工程,2013,24（6）:724-729.

[3]羅鈞,李研.具有混沌搜索策略的蜂群優(yōu)化算法[J].控制與決策,2010，25（12）：1913-1916.

[4]季忠,黃捷,秦樹(shù)人.提升小波在齒輪箱故障診斷中的應(yīng)用[J].振動(dòng).測(cè)試與診斷，2010，30（3）：291-294.

[5]李奇,李祥松.礦用液壓支架的整機(jī)有限元分析與加載試驗(yàn)[J].機(jī)械制造,2015，53（5）:73-75.

[6]王鐵成,陳國(guó)平,馬方,等.部件柔性對(duì)含間隙多體系統(tǒng)動(dòng)力特性的影響[J].振動(dòng).測(cè)試與診斷，2016，36（3）: 449-555.

[7]劉曉妍,李祥松.基于計(jì)算智能的損傷檢測(cè)研究[J].裝備機(jī)械,2016（1）:1-5.

[8]段建國(guó).系統(tǒng)仿真在機(jī)械類產(chǎn)品試驗(yàn)中的應(yīng)用初探[J].裝備機(jī)械,2013（4）:7-13.

[9]馬為功,李德武,馬小虎.基于Matlab神經(jīng)網(wǎng)絡(luò)工具箱的隧道位移反分析研究[J].蘭州交通大學(xué)學(xué)報(bào),2010，29（4）：84-87.

[10]羅成漢，基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)實(shí)現(xiàn)[J].計(jì)算機(jī)仿真,2004，21（5）：109-111.

（編輯：丁罡）

上海電氣成全球最大海上風(fēng)機(jī)制造商

據(jù)《中國(guó)能源報(bào)》報(bào)道，日前，彭博新能源財(cái)經(jīng)發(fā)布2016年全球風(fēng)電整機(jī)制造商排名。金風(fēng)科技、聯(lián)合動(dòng)力、遠(yuǎn)景能源和明陽(yáng)風(fēng)電躋身全球陸上風(fēng)電整機(jī)制造商前十，上海電氣則憑借西門(mén)子的技術(shù)許可成為2016年全球最大海上風(fēng)機(jī)整機(jī)制造商。

彭博新能源財(cái)經(jīng)的報(bào)告稱，2016年，維斯塔斯和通用電氣位列陸上風(fēng)電整機(jī)制造商排名前兩名，中國(guó)整機(jī)制造商金風(fēng)科技排名第三，新增裝機(jī)規(guī)模依次為8.7 GW、6.5 GW和6.4 GW。

在海上風(fēng)電方面，2016年全球海上風(fēng)電新增裝機(jī)規(guī)模僅為832 MW，較2015年的4.2 GW大幅回落，其中大部分的新增裝機(jī)來(lái)自于亞洲。彭博新能源財(cái)經(jīng)稱，中國(guó)風(fēng)電整機(jī)制造商上海電氣風(fēng)電集團(tuán)公司得益于在中國(guó)本土市場(chǎng)許可銷售西門(mén)子技術(shù)風(fēng)機(jī)，成為2016年全球最大海上風(fēng)機(jī)整機(jī)制造商，其2016年在海上風(fēng)電市場(chǎng)新增裝機(jī)容量達(dá)489 MW，其中101 MW的項(xiàng)目使用自有技術(shù)，其余388 MW裝機(jī)容量使用西門(mén)子技術(shù)。

In order todetect the faults ofrollingbearingquickly,a fault detection method based on the neural network and characteristic parameters of bearing vibration was proposed.This methoid adopts the characteristic parameters of the vibration signal as input to the back propagation neural network in order to establish a kinematic nonlinearity neural network model for the rolling bearing.The model was used for on-line fault detection and at the same time the back propagation algorithm was used to train the network.Practice proves that this model can satisfy the on-line detection of rolling bearing fault.

NeuralNetwork；Rolling Bearing；Back Propagation；Fault

TH122;TH707

A

1672-0555（2017）01-064-04

2016年9月

王立鳳（1977—），女，碩士，講師，主要研究方向?yàn)榭刂评碚撆c控制工程