復(fù)雜裝備軸承多重故障的線性判別分析與反向傳播神經(jīng)網(wǎng)絡(luò)協(xié)作診斷方法

黃大榮, 陳長(zhǎng)沙， 孫國璽， 趙玲， 米波

(1.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院, 重慶 400074；2.廣東石油化工學(xué)院 廣東省石化裝備故障診斷重點(diǎn)實(shí)驗(yàn)室， 廣東 茂名 525000)

復(fù)雜裝備軸承多重故障的線性判別分析與反向傳播神經(jīng)網(wǎng)絡(luò)協(xié)作診斷方法

黃大榮1，2, 陳長(zhǎng)沙1， 孫國璽2， 趙玲1， 米波1

(1.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院, 重慶 400074；2.廣東石油化工學(xué)院 廣東省石化裝備故障診斷重點(diǎn)實(shí)驗(yàn)室， 廣東 茂名 525000)

由于復(fù)雜裝備運(yùn)行工作環(huán)境惡劣，導(dǎo)致其軸承多重故障診斷的準(zhǔn)確率不高，為此提出一種基于線性判別分析(LDA)與反向傳播(BP)神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承數(shù)據(jù)驅(qū)動(dòng)的多重故障診斷方法。將無量綱指標(biāo)作為軸承多重故障數(shù)據(jù)的反映指標(biāo)，利用LDA對(duì)軸承多重故障的無量綱指標(biāo)數(shù)據(jù)進(jìn)行線性映射降維處理；通過拉格朗日極值法獲得最佳投影向量，沿著該方向?qū)⑤S承多重故障數(shù)據(jù)投影到類別最易區(qū)分的方向；將經(jīng)投影處理后的樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，通過訓(xùn)練測(cè)試網(wǎng)絡(luò)，實(shí)現(xiàn)軸承多重故障的預(yù)測(cè)分類。對(duì)某型裝備大型旋轉(zhuǎn)機(jī)械機(jī)組進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了所提方法能夠有效對(duì)軸承多重故障進(jìn)行降維映射，并且能較好地實(shí)現(xiàn)多重故障分類診斷，具有良好的有效性和實(shí)用性。

機(jī)械學(xué)； 軸承多重故障診斷； 拉格朗日極值法； 線性判別分析； 反向傳播神經(jīng)網(wǎng)絡(luò)

0 引言

隨著工業(yè)的快速發(fā)展，工業(yè)大機(jī)組日趨大型化、高速化、復(fù)雜化，旋轉(zhuǎn)機(jī)械等大型設(shè)備結(jié)構(gòu)和工藝的復(fù)雜性，往往導(dǎo)致多重故障發(fā)生，多重故障特征相互混雜，呈現(xiàn)出多耦合、模糊性等特點(diǎn)，用傳統(tǒng)的單一故障診斷方法無法解決，因此，多重故障診斷是一直難以突破的瓶頸難題。

復(fù)雜裝備多重故障診斷可以通過分析機(jī)組內(nèi)的軸承振動(dòng)信號(hào)實(shí)現(xiàn)，目前國內(nèi)外已有學(xué)者針對(duì)軸承故障診斷做了大量研究工作，研究方法主要分為：1)基于軸承故障機(jī)理的診斷方法[1-2]，通過對(duì)軸承運(yùn)行機(jī)理進(jìn)行分析，得到其故障狀態(tài)和正常狀態(tài)對(duì)應(yīng)的響應(yīng)信號(hào)特征，利用特征信號(hào)對(duì)軸承故障進(jìn)行診斷；2)基于專家系統(tǒng)的軸承故障診斷方法[3-4]，通過搜集專家在軸承故障方面的大量經(jīng)驗(yàn)和專業(yè)性知識(shí)，建立基于故障規(guī)則的專家?guī)?，通過故障推理對(duì)故障進(jìn)行判別診斷；3)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法[5-6]，通過監(jiān)測(cè)機(jī)械設(shè)備運(yùn)行的狀態(tài)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)習(xí)分析，建立基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型。由于軸承的振動(dòng)機(jī)理復(fù)雜，難以建立精確的數(shù)學(xué)模型，同時(shí)由于目前欠缺軸承故障診斷的專家經(jīng)驗(yàn)，難以獲取足夠的軸承故障診斷知識(shí)，專家軸承故障規(guī)則庫的完備性不足。因此，本文采取線性判別分析(LDA)與反向傳播(BP)神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承數(shù)據(jù)驅(qū)動(dòng)的多重故障診斷方法，利用LDA進(jìn)行故障數(shù)據(jù)處理，將反映故障的特征數(shù)據(jù)映射到特定的空間，以提高不同故障特征的區(qū)分能力，在此基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建軸承多重故障診斷模型，識(shí)別故障類型。該方法主要解決軸承故障數(shù)據(jù)中的多重故障數(shù)據(jù)特征數(shù)據(jù)結(jié)構(gòu)所導(dǎo)致的故障診斷識(shí)別精度不高問題，從而避免惡性設(shè)備損壞事故的發(fā)生，降低停機(jī)次數(shù)和縮短停機(jī)時(shí)間，減少工業(yè)經(jīng)濟(jì)損失。

1 LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承數(shù)據(jù)驅(qū)動(dòng)的多重故障診斷模型

1.1 LDA軸承特征數(shù)據(jù)降維

在軸承數(shù)據(jù)中，常采用以下6個(gè)指標(biāo)衡量軸承的運(yùn)行狀態(tài)，分別為：振動(dòng)烈度、波形、脈沖、裕度、峰值和峭度。本文針對(duì)軸承原始特征數(shù)據(jù)中特征指標(biāo)較多、樣本數(shù)據(jù)量較大、對(duì)樣本直接進(jìn)行故障分類誤差較大的缺陷，采用LDA方法將軸承數(shù)據(jù)進(jìn)行降維，降維后不同類樣本的分布區(qū)間及均值各不相同，有利于提高軸承數(shù)據(jù)的區(qū)分度。具體思路如下：1)將原始數(shù)據(jù)向最易進(jìn)行分類的方向投影，實(shí)現(xiàn)降維；2)通過軸承樣本數(shù)據(jù)類內(nèi)散列矩陣和類間散列矩陣共同確定投影方向，保證投影方向的正確性。由于降維方向?yàn)楣收蠑?shù)據(jù)更易分類的投影方向，故能有效提高后期BP神經(jīng)網(wǎng)絡(luò)故障診斷的準(zhǔn)確率。

Y=Xm×nWn×1.

(1)

為找到最佳的降維投影向量Wn×1，設(shè)計(jì)如下算法結(jié)構(gòu)：

1)假設(shè)軸承故障數(shù)據(jù)共有c個(gè)類別，第i類故障樣本數(shù)有mi個(gè)，且滿足

(2)

則對(duì)第i類故障樣本Xi=(xij)mi×n定義的故障樣本均值向量(Ui)1×n=(μ1,μ2,…,μn)，其中

(3)

(4)

式中：wj為第j個(gè)指標(biāo)對(duì)應(yīng)的投影系數(shù)。

2)為衡量每個(gè)類中樣本點(diǎn)的分布情況，引入一個(gè)度量值—散列值si，定義為

si=(Xi-U(i))T(Xi-U(i))，

(5)

式中：U(i)為(Ui)1×1按行按列擴(kuò)展的mi×n矩陣；si為n×n散列矩陣，反映第i類所有樣本點(diǎn)與該樣本總體之間的關(guān)系。散列矩陣si的對(duì)角線元素是第i類所有樣本點(diǎn)相對(duì)于該類總體的方差(即分散度)，非對(duì)角元素則是第i類樣本所有樣本點(diǎn)相對(duì)于該類總體均值的協(xié)方差(即該類和總體樣本的相關(guān)關(guān)聯(lián)度)。

令所有類樣本點(diǎn)之間的分布散列值為Sw，即

(6)

(7)

(8)

(9)

基于上述模型，定義樣本總體各類樣本點(diǎn)的散列規(guī)則為：

3)對(duì)于不同類之間的散列情形，定義類間離散度矩陣為

(10)

顯然，某些類別樣本點(diǎn)較多的情況下，相應(yīng)的類與類之間的散列情況較緊密。

(11)

4) 根據(jù)前面所得到的類內(nèi)樣本散列值Sw和類間散列值SB，定義衡量樣本點(diǎn)相對(duì)集中的度量模型為

(12)

相應(yīng)地，對(duì)應(yīng)投影后的度量公式為

(13)

(14)

1.2BP神經(jīng)網(wǎng)絡(luò)軸承故障診斷

BP神經(jīng)網(wǎng)絡(luò)(見圖1)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)前向傳遞、誤差反向傳播。在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出不斷逼近期望輸出[11]。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.1 Topological structure of BP neural network

圖1中，將經(jīng)LDA降維后的軸承故障特征數(shù)據(jù)x1,x2,…,xn作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，軸承故障類別y1,y2,…,yn為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，wij和wjk為權(quán)值。結(jié)合前面通過LDA降維后的軸承故障特征數(shù)據(jù)，可設(shè)計(jì)LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承多重故障診斷步驟如下：

1) 初始化神經(jīng)網(wǎng)絡(luò)參數(shù)；

2) 選擇合適的隱含層函數(shù)；

3) 獲得神經(jīng)網(wǎng)絡(luò)輸出值；

4) 計(jì)算輸出值與期望值之間的誤差；

5) 根據(jù)誤差進(jìn)行權(quán)值更新；

6) 根據(jù)誤差進(jìn)行閾值更新；

7) 判斷迭代誤差是否小于閾值，若小于，則迭代結(jié)束，若不小于，則返回步驟2；

8) 利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。

以上步驟迭代結(jié)束得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)后，將測(cè)試樣本輸入該神經(jīng)網(wǎng)絡(luò)中，得到測(cè)試樣本的輸出值，該輸出值即為BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果；為了進(jìn)一步研究該結(jié)果的可靠性，將該輸出值與期望值進(jìn)行比較，計(jì)算BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)故障分類的準(zhǔn)確率[12-15]。

2 仿真驗(yàn)證

2.1 LDA對(duì)iris特征數(shù)據(jù)降維

為了驗(yàn)證LDA方法降維的有效性，采用國際標(biāo)準(zhǔn)數(shù)據(jù)庫UCI中的iris數(shù)據(jù)對(duì)該降維方法進(jìn)行仿真，iris數(shù)據(jù)包含3個(gè)類，每個(gè)類分別有50個(gè)樣本。該數(shù)據(jù)集由setosa、virginica和versicolor 3類植被數(shù)據(jù)組成，每類50個(gè)，共計(jì)150個(gè)樣本，數(shù)據(jù)維度為4維，分別為萼片長(zhǎng)度、寬度和花瓣的長(zhǎng)度、寬度。為了驗(yàn)證LDA降維后數(shù)據(jù)類別區(qū)分度較好的性能，將iris數(shù)據(jù)進(jìn)行LDA降維，觀察降維后數(shù)據(jù)的分布。首先通過線性判別分析進(jìn)行降維處理，根據(jù)(1)式～(13)式，得到對(duì)應(yīng)特征值為

其對(duì)應(yīng)的特征向量為

則最佳投影向量W=[0.230 2,-0.326 6,-0.347 2,0.848 4]T，得到投影向量Y150×1=X150×4W4×1，其中Y150×1包含3個(gè)類，每個(gè)類有50個(gè)樣本，降維效果如圖2所示。

圖2 iris數(shù)據(jù)經(jīng)LDA投影后分布圖Fig.2 Iris data after LDA projection

圖2表明：投影后的同類向量之間基本在一個(gè)水平線上，且不同類之間的投影水平線各不相同；versicolor類中有個(gè)別樣本點(diǎn)在viginica類范圍內(nèi)，表明這兩個(gè)類中有幾個(gè)樣本點(diǎn)比較相似；通過對(duì)iris數(shù)據(jù)庫中這兩類樣本的分析，發(fā)現(xiàn)在圖中對(duì)應(yīng)樣本點(diǎn)處數(shù)據(jù)確實(shí)較接近。因此，LDA投影能保留數(shù)據(jù)本質(zhì)特征并減少樣本的維數(shù)。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分類

網(wǎng)絡(luò)的輸入為2.1節(jié)中得到的150個(gè)降維數(shù)據(jù)，其中105個(gè)作為訓(xùn)練樣本，剩下45個(gè)作為測(cè)試樣本；輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)分別設(shè)置為18、20、3；神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置的訓(xùn)練次數(shù)為20 000，學(xué)習(xí)率為0.05，誤差限為0.001，隱含層函數(shù)為sigmod函數(shù)，輸出層為purelin函數(shù)，迭代方法采用有動(dòng)量的梯度下降法，以提高學(xué)習(xí)速度，并增加算法的可靠性。預(yù)測(cè)分類效果如圖3所示。

圖3 LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下iris數(shù)據(jù)分類圖Fig.3 Collaboration between LDA and BP neural network method to classify iris data

通過圖3可以看出，LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作分類方法能有效實(shí)現(xiàn)對(duì)iris數(shù)據(jù)的分類，分類準(zhǔn)確率為84.44%. 仿真結(jié)果表明，LDA和BP神經(jīng)網(wǎng)絡(luò)協(xié)作對(duì)多重故障進(jìn)行診斷在理論上是可行的。

3 LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承數(shù)據(jù)驅(qū)動(dòng)的多重故障診斷實(shí)例仿真

為進(jìn)一步驗(yàn)證本文所提出的模型和算法的有效性，將其應(yīng)用到某型裝備的軸承多重故障實(shí)際診斷中。仿真實(shí)驗(yàn)依托廣東省石化裝備故障診斷重點(diǎn)實(shí)驗(yàn)室平臺(tái)，該平臺(tái)以工業(yè)現(xiàn)場(chǎng)煉化裝置大型旋轉(zhuǎn)機(jī)械機(jī)組為參照，針對(duì)典型的工業(yè)機(jī)組結(jié)構(gòu)和負(fù)載，結(jié)合大機(jī)組實(shí)驗(yàn)仿真裝置，設(shè)計(jì)一套與系統(tǒng)匹配的故障配件，包括軸承外裂、軸承內(nèi)裂、軸承滾珠磨損、軸承缺滾珠、裂齒、齒輪磨損等，實(shí)驗(yàn)故障配件如圖4～圖7所示。

圖4 軸承滾珠磨損故障配件Fig.4 Wear fault parts of ball bearing

圖5 軸承缺滾珠故障配件Fig.5 Fault parts of ball bearing

圖6 裂齒故障配件Fig.6 Cracked tooth fault parts

圖7 齒輪磨損故障配件Fig.7 Wear parts of gear

基于以上故障配件，實(shí)驗(yàn)選擇NSK NN3021軸承型號(hào)進(jìn)行多重故障仿真，并設(shè)計(jì)5類多重故障類型，分別為：類型1-正常，類型2-齒輪箱大小齒輪缺齒+左邊軸承內(nèi)圈缺滾珠，類型3-齒輪箱大小齒輪缺齒+右邊軸承外圈磨損，類型4-齒輪箱大小齒輪缺齒+左邊軸承內(nèi)圈磨損，類型5-齒輪箱大小齒輪缺齒+左邊軸承外圈磨損，其中，左邊軸承表示位于負(fù)載左邊的軸承，右邊軸承表示位于負(fù)載右邊的軸承。

仿真實(shí)驗(yàn)指標(biāo)通常分為有量綱指標(biāo)和無量綱指標(biāo)。由于有量綱指標(biāo)一般會(huì)隨著石化裝備工作條件(例如負(fù)載、轉(zhuǎn)速、儀器靈敏度等)的改變而改變，反映出的故障類型不明顯；而無量綱指標(biāo)經(jīng)兩個(gè)有量綱指標(biāo)比值得到，它對(duì)信號(hào)的幅值和頻率變化不敏感，受復(fù)雜裝備工作環(huán)境的影響不大，因此本次仿真采用無量綱指標(biāo)作為故障類指標(biāo)，分別為振動(dòng)烈度、波形、脈沖、 裕度、峰值和峭度[16-20]。

3.1 LDA軸承特征數(shù)據(jù)降維

仿真數(shù)據(jù)包含以上5種類型共250個(gè)樣本，每個(gè)故障類型樣本數(shù)為50個(gè)，每個(gè)樣本包含6個(gè)指標(biāo)，分別針對(duì)上述仿真數(shù)據(jù)進(jìn)行LDA降維，根據(jù)(1)式～(13)式，得出特征值為

對(duì)應(yīng)的特征向量為

選用最大特征值對(duì)應(yīng)的特征向量作為最佳投影向量，則W=[0.000 5,0.927 8,-0.223 4,-0.012 6,0.298 4,-0.007 5]T，于是軸承數(shù)據(jù)X250×6經(jīng)LDA映射后為Y250×1=X250×6W6×1，即將一個(gè)含6個(gè)指標(biāo)的樣本點(diǎn)降維為一維的，對(duì)應(yīng)的仿真圖如圖8所示。

圖8 軸承測(cè)試樣本經(jīng)LDA映射后分布圖Fig.8 Distribution of bearing testing samples after LDA projection

從圖8中可以看出：在軸承故障類型中，類型1即正常情況運(yùn)行時(shí)，其LDA映射幅值與發(fā)生故障后的4個(gè)類型相比其值較小；在發(fā)生的4種故障類型中，類型2即齒輪箱大小齒輪缺齒+左邊軸承內(nèi)圈缺滾珠的幅值較大，這是由于軸承缺滾珠時(shí)，其運(yùn)行狀態(tài)極其不穩(wěn)定，總體無量綱指標(biāo)值偏大導(dǎo)致的；類型3和類型5較接近，表明故障類型即齒輪箱大小齒輪缺齒+右邊軸承外圈磨損的無量綱指標(biāo)值不受故障出現(xiàn)位置因素的影響；類型4即齒輪箱大小齒輪缺齒+左邊軸承內(nèi)圈磨損與正常情況無量綱指標(biāo)值較接近，因此其LDA映射值也較相近。綜上所述，該實(shí)驗(yàn)結(jié)果與實(shí)際情況基本相符，表明采用LDA方法進(jìn)行多重故障無量綱指標(biāo)數(shù)據(jù)降維處理是有效的。

3.2 BP神經(jīng)網(wǎng)絡(luò)軸承故障診斷

將降維后數(shù)據(jù)Y250×1作為BP神經(jīng)網(wǎng)絡(luò)的輸入，每個(gè)類型故障數(shù)據(jù)35個(gè)作為訓(xùn)練數(shù)據(jù)，輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)分別設(shè)置為20、24、5；另外15個(gè)作為訓(xùn)練數(shù)據(jù)，因此本次BP仿真訓(xùn)練數(shù)據(jù)共175個(gè)樣本點(diǎn)，75個(gè)測(cè)試點(diǎn)，神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置的訓(xùn)練次數(shù)為20 000，學(xué)習(xí)率為0.05，誤差限為0.001.

通過數(shù)據(jù)擬合得到故障分類效果如圖9所示。

圖9 LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承多重故障分類效果圖Fig.9 Collaboration between LDA and BP neural network method to classify bearing data

顯然，LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承多重故障診斷的準(zhǔn)確率較高，為82.67%，對(duì)應(yīng)均方誤差曲線如圖10所示。

圖10 LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承多重故障分類誤差曲線圖Fig.10 Error curves of bearing multi-fault classification of LDA and BP neural network

圖10表明，LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下故障診斷的誤差率很小。

為進(jìn)一步驗(yàn)證本文方法的合理性，將該方法與直接進(jìn)行BP神經(jīng)網(wǎng)絡(luò)軸承多重故障分類的方法進(jìn)行比較，對(duì)采集到的軸承多重故障數(shù)據(jù)X250×6直接進(jìn)行BP神經(jīng)網(wǎng)絡(luò)故障分類，分類效果如圖11所示。

圖11 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分類效果圖Fig.11 Predictive classification effect chart of BP neural network

對(duì)比圖9和圖11可知，直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的正確率為58.6%，遠(yuǎn)遠(yuǎn)低于LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下軸承多重故障診斷方法的準(zhǔn)確率，原因是軸承多重故障無量綱指標(biāo)數(shù)據(jù)之間存在較強(qiáng)的耦合性，如果未進(jìn)行前期LDA映射降低耦合的處理，就直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類，其得到的故障分類準(zhǔn)確率會(huì)比較低。綜上所述，本文提出的LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承數(shù)據(jù)驅(qū)動(dòng)的多重故障診斷效果較好，能對(duì)復(fù)雜裝備多重故障進(jìn)行有效分類診斷。

4 結(jié)論

1)針對(duì)復(fù)雜裝備軸承多重故障難以區(qū)分的問題，提出利用LDA對(duì)軸承多重故障數(shù)據(jù)進(jìn)行線性判別降維處理，將故障數(shù)據(jù)向最易區(qū)分的方向投影，有效提高了軸承多重故障的診斷準(zhǔn)確度。

2)引入無量綱指標(biāo)對(duì)復(fù)雜裝備多重故障進(jìn)行了研究分析，將得到的無量綱指標(biāo)數(shù)據(jù)作為軸承多重故障的特征指標(biāo)。

3)在結(jié)論1、結(jié)論2的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了軸承多重故障無量綱指標(biāo)與故障類型之間的非線性函數(shù)模型。仿真結(jié)果表明，LDA與BP神經(jīng)網(wǎng)絡(luò)協(xié)作下復(fù)雜裝備軸承數(shù)據(jù)驅(qū)動(dòng)的多重故障診斷方法能較好地克服復(fù)雜裝備軸承原始特征數(shù)據(jù)中特征指標(biāo)較多、樣本數(shù)據(jù)量較大、對(duì)樣本直接進(jìn)行多重故障分類誤差較大等缺點(diǎn)，是一種有效的故障診斷方法。

本文方法有效解決了多重故障樣本與樣本間的區(qū)分，但是并未解決多重故障樣本內(nèi)部故障的區(qū)分，如何提高多重故障樣本內(nèi)故障的區(qū)分準(zhǔn)確率是復(fù)雜裝備行業(yè)極其關(guān)心的問題，有待進(jìn)一步研究解決，本文作者目前正在開展這方面的研究工作，限于篇幅，將另文給出。

References)

[1] 崔玲麗, 張宇, 鞏向陽, 等. 基于振動(dòng)響應(yīng)機(jī)理的軸承故障定量診斷及量化分析[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2015, 41(11):1681-1687. CUI Ling-li, ZHANG Yu, GONG Xiang-yang, et al. Vibration mechanism based quantitative diagnosis and quantization analysis of rolling bearing fault[J]. Journal of Beijing University of Technology, 2015, 41(11):1681-1687. (in Chinese)

[2] 石雙平. 滾動(dòng)軸承故障診斷機(jī)理研究[J].機(jī)械設(shè)計(jì)與制造, 2014(10):236-239. SHI Shuang-ping. Mechanism of rolling bearings fault diagnosis[J]. Machinery Design & Manufacture, 2014(10):236-239. (in Chinese)

[3] Saimurugan M, Ramachandran K I, Sugumaran V. Multi component fault diagnosis of rotational mechanical system based on decision tree and support vector machine[J]. Expert Systems with Application, 2011, 38(4):3819-3826.

[4] Prasad G D, Kumar B R, Ramana K V. Development of an expert system for diagnosis of bearing faults of rotating machinery with a case study on boiler feed pump[J]. International Journal of Current Research & Review, 2012, 4(7):16-18.

[5] Li B, Chow M Y, Tipsuwan Y, et al. Neural-network-based motor rolling bearing fault diagnosis[J]. IEEE Transactions on Industrial Electronics, 2000, 47(5):1060-1069.

[6] 王新峰, 邱靜, 劉冠軍. 基于繞封模型的故障特征選擇方法研究[J]. 兵工學(xué)報(bào), 2005, 26(5):685-689. WANG Xin-feng, QIU Jing, LIU Guan-jun. Research on fault feature selection methods based on the sealing model[J]. Acta Armamentarii, 2005, 26(5):685-689.(in Chinese)

[7] 張銳戈, 譚永紅. 雙譜主成分分析的滾動(dòng)軸承智能故障診斷[J]. 振動(dòng)工程學(xué)報(bào), 2014, 27(5) :763-769. ZHANG Rui-ge, TAN Yong-hong. Intelligent fault diagnosis of rolling element bearing based on bispectrum principal components analysis[J]. Journal of Vibration Engineering, 2014, 27(5):763-769.(in Chinese)

[8] 程靜, 王維慶, 何山. 雙譜分析法在風(fēng)機(jī)軸承故障診斷中的應(yīng)用[J]. 自動(dòng)化儀表, 2016, 37(7):27-29. CHENG Jing, WANG Wei-qing, HE Shan. Application of the dual spectrum analysis method in fault diagnosis of wind turbine bearing[J]. Process Automation Instrumentation, 2016, 37(7):27-29.(in Chinese)

[9] 郝騰飛, 陳果, 廖仲坤. 基于正則化多核判別分析的航空發(fā)動(dòng)機(jī)滾動(dòng)軸承早期故障融合診斷方法[J]. 航空動(dòng)力學(xué)報(bào), 2013, 28(12):2759-2770. HAO Teng-fei, CHEN Guo, LIAO Zhong-kun. Approach for incipient fusion fault diagnosis of rolling bearing of aero-engine based on regularized multiple kernel discriminant analysis[J]. Journal of Aerospace Power, 2013, 28(12):2759-2770.(in Chinese)

[10] 楊杰, 鄭海起, 關(guān)貞珍. 基于形態(tài)成分分析的軸承復(fù)合故障診斷[J]. 軸承, 2011(8):38-42. YANG Jie, ZHENG Hai-qi, GUAN Zhen-zhen. Compound fault diagnosis for bearings based on morphological component analysis[J]. Bearing, 2011(8):38-42.(in Chinese)

[11] 楊宇, 于德介, 程軍圣. 基于Hilbert邊際譜滾動(dòng)軸承故障診斷方法[J]. 振動(dòng)與沖擊, 2005, 24(1):70-72. YANG Yu, YU De-jie, CHENG Jun-sheng. Roller bearing fault diagnosis based on Hilbert marginal spectrum[J]. Journal of Vibration and Shock, 2005, 24(1):70-72.(in Chinese)

[12] 梁峰, 張丹丹, 張榮華. 基于BP神經(jīng)網(wǎng)絡(luò)的水潤滑艉軸承故障診斷研究[J]. 機(jī)械傳動(dòng), 2015, 39(7):118-121. LIANG Feng, ZHANG Dan-dan, ZHANG Rong-hua. Fault diagnosis of water lubricated stern bearing based on BP neural network[J]. Journal of Mechanical Transmission, 2015, 39(7):118-121.(in Chinese)

[13] 趙剛, 黃大榮, 黃席樾. 火箭漏電故障診斷技術(shù)研究[J].兵工學(xué)報(bào), 2010, 31(7):916-921. ZHAO Gang, HUANG Da-rong, HUANG Xi-yue. Research on the leak current fault diagnosis technology for launch vehicle[J]. Acta Armamentarii, 2010, 31(7):916-921.(in Chinese)

[14] 梁傳建, 楊國來, 王曉鋒. 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的火炮結(jié)構(gòu)動(dòng)力學(xué)優(yōu)化[J]. 兵工學(xué)報(bào), 2015, 36(5):789-794. LIANG Chuan-jian, YANG Guo-lai, WANG Xiao-feng. Structural dynamics optimization of gun based on neural networks and genetic algorithms[J]. Acta Armamentarii, 2015, 36(5):789-794.(in Chinese)

[15] 張可, 柴毅, 劉建環(huán). 一類基于類別區(qū)分的多重故障診斷模型框架[J]. 控制理論與應(yīng)用, 2016, 33(2):154-163. ZHANG Ke, CHAI Yi, LIU Jian-huan. A class of category discrimination based model frameworks for multiple fault diagnosis[J]. Control Theory & Applications, 2016, 33(2):154-163.(in Chinese)

[16] 張清華, 邵龍秋, 李紅芳. 基于無量綱指標(biāo)的旋轉(zhuǎn)機(jī)械并發(fā)故障診斷技術(shù)[J]. 華中科技大學(xué)學(xué)報(bào):自然科學(xué)版, 2009, 37(增刊1):156-159. ZHANG Qing-hua,SHAO Long-qiu,LI Hong-fang.Research of concurrent fault diagnosis technology of rotating machinery based on the non-dimensional parameter[J]. Journal of Huazhong University of Science and Technology: Natural Science,2009, 37(S1):156-159. (in Chinese)

[17] 李志農(nóng), 朱明.基于變分模態(tài)分解的機(jī)械故障診斷方法研究[J].兵工學(xué)報(bào),2017,38(3):593-599. LI Zhi-nong,ZHU Ming.Research on mechanical fault diagnosis method based on variational mode decomposition[J]. Acta Armamentarii, 2017,38(3):593-599. (in Chinese)

[18] 程昊宇, 董朝陽, 江未來,等.變體飛行器故障檢測(cè)與容錯(cuò)控制一體化設(shè)計(jì)[J].兵工學(xué)報(bào),2017,38(4):711-721. CHENG Hao-yu,DONG Chao-yang,JIANG Wei-lai,et al.Integrated fault diagnosis and fault tolerant control for morphing aircraft[J].Acta Armamentarii,2017,38(4):711-721. (in Chinese)

[19] 李海廣，潘宏俠，任海鋒.基于沖擊響應(yīng)譜特征提取的自動(dòng)機(jī)裂紋故障診斷[J].兵工學(xué)報(bào)2016,37(9):1744-1752. LI Hai-guang,PAN Hong-xia,REN Hai-feng.Crack fault diagnosis of automatic mechanism based on shock response spectrum features extraction[J]. Acta Armamentarii, 2016,37(9):1744-1752. (in Chinese)

[20] 田恒，段富海，江秀紅，等.基于準(zhǔn)信息熵的測(cè)試性D矩陣故障診斷新算法[J].兵工學(xué)報(bào)，2016,37(5):923-928. TIAN Heng,DUAN Fu-hai,JIANG Xiu-hong,et al.A novel fault diagnosis algorithm of testability D matrix based on quasi information entropy[J]. Acta Armamentarii, 2016,37(5):923-928. (in Chinese)

Linear Discriminant Analysis and Back Propagation Neural Network Cooperative Diagnosis Method for Multiple Faults of Complex Equipment Bearings

HUANG Da-rong1,2, CHEN Chang-sha1, SUN Guo-xi2, ZHAO Ling1，MI Bo1

(1.College of Information Science and Engineering, Chongqing Jiaotong University, Chongqing 400074, China;2.Guangdong Provincial Key Laboratory of Petrochemical Equipment Fault Diagnosis, Guangdong University of Petrochemical Technology, Maoming 525000, Guangdong , China)

The fault diagnosis accuracy of bearing for complex equipment is not high due to the structural complexity of complex equipment and the poor working environment. A method of multiple bearing fault diagnosis based on linear discriminant analysis (LDA) and BP neural network is presented. A linear discriminant analysis is utilized for the linear dimension reduction of the dimensionless bearing multiple fault index, which is taken as an indicator of fault data. Lagrange extremum method is used to obtain an optimal projection vector. The bearing multiple fault data is projected on a category most likely to distinguished direction. The projected samples are used as the input samples of BP neural network and the test network. The simulation experiment of a certain large rotating machinery units shows that the proposed method can effectively reduce the dimensional mapping of multi-fault, achieve better classification, and has good validity and practicability.

mechanics; bearing multiple fault diagnosis; Lagrangian extremum method; linear discriminant analysis; BP neural network

2016-12-02

國家自然科學(xué)基金項(xiàng)目(61663008、61573076、61473094、61304104、61004118)；教育部留學(xué)歸國人員科研啟動(dòng)基金項(xiàng)目(2015-49);重慶市高等學(xué)校優(yōu)秀人才支持計(jì)劃項(xiàng)目(2014-18)；廣東省石化裝備故障診斷重點(diǎn)實(shí)驗(yàn)室開放式基金項(xiàng)目(GDUPKLAB201501、GDUPKLAB201604)；重慶市研究生教育教學(xué)改革研究重點(diǎn)項(xiàng)目(yjg152011)；重慶市高等教育學(xué)會(huì)2015—2016高等教育科學(xué)研究課題項(xiàng)目(CQGJ15010C)

黃大榮(1978—)，男，教授，碩士生導(dǎo)師。E-mail：hcx1978@163.com

TH133.33+1

A

1000-1093(2017)08-1649-09

10.3969/j.issn.1000-1093.2017.08.024