基于GA-BP神經(jīng)網(wǎng)絡(luò)的多傳感器軸承故障診斷*

李榮遠(yuǎn) 張國銀 王海瑞 王 雪 宋怡然 齊 磊 任玉卿

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院)

基于GA-BP神經(jīng)網(wǎng)絡(luò)的多傳感器軸承故障診斷*

李榮遠(yuǎn) 張國銀 王海瑞 王 雪 宋怡然 齊 磊 任玉卿

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院)

由于單一傳感器采集滾動(dòng)軸承的故障信息精度較低，提出基于GA-BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法。首先使用單一傳感器采集其狀態(tài)信息，并采用小波包分析提取軸承故障狀態(tài)特征，然后采用遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)單傳感器進(jìn)行滾動(dòng)軸承故障診斷，接著運(yùn)用DS證據(jù)理論把每一個(gè)診斷結(jié)果進(jìn)行信息融合，最終得到診斷結(jié)果。仿真實(shí)驗(yàn)結(jié)果表明：該方法可提高滾動(dòng)軸承故障診斷的精確度和效率。

故障診斷 滾動(dòng)軸承 GA-BP神經(jīng)網(wǎng)絡(luò) DS證據(jù)理論 信息融合

滾動(dòng)軸承一般由內(nèi)圈、外圈、滾動(dòng)體和保持架組成[1]。近年滾動(dòng)軸承的結(jié)構(gòu)越來越復(fù)雜，故障診斷的復(fù)雜程度也越來越高[2，3]。運(yùn)作過程中，由于自然磨損、銹蝕、超負(fù)荷運(yùn)轉(zhuǎn)、潤滑缺乏、異物進(jìn)入、過載及自身質(zhì)量等問題，都可能被損壞[4]，因此對(duì)它進(jìn)行故障診斷至關(guān)重要[5]。人工診斷簡單直觀，但由于軸承設(shè)計(jì)復(fù)雜度高，因而可靠性較低[6]。而且滾動(dòng)軸承的故障類型比較多，僅靠單一故障信息容易出現(xiàn)誤診[7]。目前眾多智能故障診斷中，小波包特征提取和BP神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛。但BP神經(jīng)網(wǎng)絡(luò)收斂速度慢且易陷入局部狀態(tài)。

筆者提出基于GA-BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法，搭建信號(hào)采集系統(tǒng)，在軸承周圍布置加速傳感器，對(duì)軸承在正常工況和異常工況下進(jìn)行振動(dòng)信號(hào)采集。首先運(yùn)用小波變換與小波包分析進(jìn)行信號(hào)處理，提取特征向量。然后將特征向量歸一化處理后經(jīng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到初步故障診斷結(jié)果。運(yùn)用Levenern-Marquardt算法采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。采用DS證據(jù)理論[8，9]對(duì)單一傳感器診斷結(jié)果進(jìn)行融合，最后仿真驗(yàn)證該方法的有效性。

1 故障診斷特征提取

筆者設(shè)計(jì)的滾動(dòng)軸承故障診斷特征提取過程如圖1所示，首選利用布置在滾動(dòng)軸承不同方向的加速度傳感器采集振動(dòng)信號(hào)，經(jīng)放大器放大和A/D轉(zhuǎn)換器轉(zhuǎn)換為計(jì)算機(jī)能識(shí)別的信號(hào)，然后對(duì)采集信息進(jìn)行處理分析，最后診斷出滾動(dòng)軸承的故障類型。

圖1 滾動(dòng)軸承故障診斷流程

滾動(dòng)軸承特征提取是其故障診斷流程的關(guān)鍵，小波分析在故障診斷和模式識(shí)別中被廣泛應(yīng)用，是對(duì)信號(hào)進(jìn)行時(shí)域和頻域分析的方法之一，具有多分辨率分析的特點(diǎn)，同時(shí)能提供非平穩(wěn)信號(hào)時(shí)域和頻域中的局部信息。小波變換提取特征信息的步驟如下：

a. 對(duì)采樣振動(dòng)信號(hào)進(jìn)行三層小波分解，分別提取各層低頻到高頻的特征信號(hào)；

b. 重構(gòu)小波包分解系數(shù)，提取各頻段信號(hào)；

c. 求各頻段信號(hào)能量；

d. 構(gòu)造特征向量T=[E30，E31，E32，E33，E34，E35，E36，E37]，當(dāng)能量較大時(shí)對(duì)T進(jìn)行歸一化處理，歸一化向量T′=[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E]。

2 BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)算法

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)(圖2)，其主要訓(xùn)練算法是誤差反向傳播算法，廣泛應(yīng)用于眾多領(lǐng)域，如數(shù)據(jù)壓縮、分類、模式識(shí)別和函數(shù)逼近。它由3部分組成，即輸入層、隱含層和輸出層[10]。BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)和自適應(yīng)能力，容錯(cuò)強(qiáng)、易構(gòu)建。缺點(diǎn)是收斂速度慢，極易陷入局部極值問題。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2L-M優(yōu)化BP

針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部的問題，提出多種優(yōu)化算法，如遺傳算法、自適應(yīng)學(xué)習(xí)算法、粒子群優(yōu)化算法及誤差函數(shù)修正算法等[11]。經(jīng)多文獻(xiàn)研究對(duì)比，采用L-M(Levenberg-Marquardt)學(xué)習(xí)算法更能優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。L-M學(xué)習(xí)算法實(shí)質(zhì)上是梯度下降法與高斯-牛頓法的結(jié)合。在網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過程中，梯度下降法在之前幾步下降快速，其梯度趨于零時(shí)接近最優(yōu)值。此時(shí)目標(biāo)函數(shù)下降緩慢，當(dāng)接近最優(yōu)值時(shí)牛頓法可以生成一個(gè)較好的探索方向。

2.3GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

用GA遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。主要包括種群初始化、確定適應(yīng)度函數(shù)和選擇交叉變異操作[12]。GA-BP算法流程如圖3所示。

每個(gè)個(gè)體編碼均為實(shí)數(shù)編碼，由輸入層和隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值和輸出層閾值組成。

經(jīng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后將預(yù)測輸出和期望輸出殘差絕對(duì)值之和作為適應(yīng)度分配函數(shù)F：

圖3 GA-BP算法流程

(1)

式中k——系數(shù)，本實(shí)驗(yàn)該值為1；

n——輸出節(jié)點(diǎn)數(shù)；

oi——第i點(diǎn)的預(yù)測輸出；

yi——BP神經(jīng)網(wǎng)絡(luò)第i點(diǎn)的期望輸出。

本實(shí)驗(yàn)選擇輪盤賭法，每個(gè)個(gè)體i的概率pi為：

(2)

采用實(shí)數(shù)交叉法，第k個(gè)染色體ak和第l個(gè)染色體al在j位的交叉操作如下：

(3)

其中，b是[0，1]間的隨機(jī)數(shù)。

選擇第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異，操作如下：

(4)

f(g)=r′(1-g/Gmax)2

(5)

式中amax——aij的上界；

amin——aij的下界；

g——當(dāng)前迭代次數(shù)；

Gmax——最大進(jìn)化次數(shù)；

r、r′——[0，1]間的隨機(jī)數(shù)。

2.4DS證據(jù)理論

DS證據(jù)理論因不確定性等優(yōu)點(diǎn)被成功應(yīng)用于多領(lǐng)域。采用DS證據(jù)理論對(duì)單一傳感器的診斷結(jié)果進(jìn)行融合，其模型如圖4所示。

圖4 滾動(dòng)軸承故障診斷模型

3 故障診斷實(shí)驗(yàn)結(jié)果分析

3.1實(shí)驗(yàn)系統(tǒng)建立

為了驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)優(yōu)化后結(jié)合DS證據(jù)理論對(duì)滾動(dòng)軸承故障診斷的有效性，選用6203-2RS JEM SKF深溝球軸承，采用加速度傳感器采集驅(qū)動(dòng)端和風(fēng)扇端的數(shù)據(jù)(數(shù)據(jù)來源于美國西儲(chǔ)大學(xué)實(shí)驗(yàn)室)。采樣頻率12kHz，采樣點(diǎn)12 000個(gè)，損傷直徑為0.007英寸(0.007英寸=0.1778mm)，轉(zhuǎn)速1 772r/min，軸承外圈損傷點(diǎn)為12點(diǎn)鐘。其中軸承的4種狀態(tài)(正常、內(nèi)圈故障、滾動(dòng)體故障、外圈故障)分別用(1，2，3，4)表示，矩陣形式為(1000，0100，0010，0001)。

3.2特征向量提取

小波提取4種振動(dòng)信號(hào)的過程為：小波分解、信號(hào)重構(gòu)、構(gòu)造特征向量。

采用db40小波包函數(shù)對(duì)信號(hào)進(jìn)行三層分解，并對(duì)得到的8個(gè)頻段小波包進(jìn)行重構(gòu)，其中小波包分解形成樹形結(jié)構(gòu)和節(jié)點(diǎn)信號(hào)，如圖5所示。

圖5 小波包三層樹形結(jié)構(gòu)和節(jié)點(diǎn)信號(hào)

圖6為一種內(nèi)圈故障信號(hào)分解后各頻段的重構(gòu)信號(hào)。取出各頻段信號(hào)，4種重構(gòu)圖經(jīng)分析比對(duì)可以看出，雖然各種信號(hào)之間有差異，但并不直觀，所以很難得出診斷結(jié)果。

先計(jì)算各頻段的能量，T=[E30，E31，E32，E33，E34，E35，E36，E37]，對(duì)T進(jìn)行歸一化處理，歸一化向量T′=[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E]，作為BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化的輸入。

圖6 內(nèi)圈故障信號(hào)分解后各頻段重構(gòu)信號(hào)

3.3網(wǎng)絡(luò)訓(xùn)練與測試

從兩端傳感器數(shù)據(jù)(共96組，每端48組)中抽取40組作為訓(xùn)練樣本，8組作為測試樣本，經(jīng)Matlab R2014a編程，得到的訓(xùn)練結(jié)果如圖7、8所示，梯度下降法BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練需迭代468次(0.009 953 6)，L-M算法只需3次(0.009 694 7)迭代?？梢?，基于L-M優(yōu)化算法的效率遠(yuǎn)高于梯度下降BP神經(jīng)網(wǎng)絡(luò)算法，但診斷率不高。最后用GA結(jié)合前兩種方法優(yōu)化網(wǎng)絡(luò)。

訓(xùn)練結(jié)束后，將剩余8組數(shù)據(jù)作為3種方法的測試數(shù)據(jù)，測試結(jié)果見表2、3。經(jīng)對(duì)比，三者的識(shí)別率都為87.5%。但從三者的識(shí)別誤差對(duì)比(圖9)可以看出，GA-BP識(shí)別誤差最小，基于GA的LM-BP算法的實(shí)際輸出能夠更加正確地診斷當(dāng)前軸承的故障狀態(tài)。但是單一傳感器信息處理具有偶然性，從圖10可以看出，外圈故障診斷誤差較大，進(jìn)而需多傳感器進(jìn)行信息融合，通過DS理論使多傳感器融合提高診斷率。

表1 部分訓(xùn)練數(shù)據(jù)

圖7 梯度下降法BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖8 基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

表2 BP算法測試數(shù)據(jù)

表3 GA-LM-BP算法測試數(shù)據(jù)

圖9 3種預(yù)測誤差對(duì)比

圖10 GA-BP與DS-GA-BP預(yù)測誤差對(duì)比

4 結(jié)束語

筆者運(yùn)用小波變換與小波包分析對(duì)加速度傳感器收集的滾動(dòng)軸承在4種狀態(tài)下的信號(hào)特征進(jìn)行提取，分解重構(gòu)出特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入。多次訓(xùn)練后初步得出診斷準(zhǔn)確率和診斷效率。然后對(duì)其缺點(diǎn)進(jìn)行優(yōu)化，進(jìn)一步提出優(yōu)化BP算法。仿真實(shí)驗(yàn)結(jié)果表明：采用GA加L-M優(yōu)化BP神經(jīng)網(wǎng)絡(luò)能有效提高故障診斷效率和準(zhǔn)確率。但單一傳感器具有偶然性，采用DS理論進(jìn)行多傳感器信息融合，最終的仿真實(shí)驗(yàn)結(jié)果提高了效率與診斷率，具有一定的應(yīng)用價(jià)值。

[1] 高鵬云.發(fā)動(dòng)機(jī)曲軸滾動(dòng)軸承的故障分析[J].農(nóng)機(jī)使用與維修,2014,(10):35.

[2] 吳永恒,肖涵.基于自適應(yīng)非趨勢波動(dòng)分析的齒輪振動(dòng)信號(hào)特征提取[J].振動(dòng)與沖擊,2015,34(9)：154～157.

[3] 薩其日拉.基于MFSVD的滾動(dòng)軸承振動(dòng)信號(hào)故障特征提取方法研究[J].石油化工自動(dòng)化,2017，53(3):31～36.

[4] 武棟梁.滾動(dòng)軸承常見故障及其振動(dòng)信號(hào)特征[J].科技資訊,2012,(18):85.

[5] Subanivedhi N K，Rekha M.Concealed Data Aggregation Scheme for Multiple Application in Database as a Service Model[J]. International Journal of Research in Engineering & Advanced Technology, 2013,1(5):1471～1483.

[6] 張彥鐸,姜興渭.多傳感器信息融合及在智能故障診斷中的應(yīng)用[J].傳感器與微系統(tǒng),1999,18(3):18～22.

[7] 吳蘇,吳文全,王薇.基于多傳感器數(shù)據(jù)融合技術(shù)的電子設(shè)備故障診斷[J].計(jì)算技術(shù)與自動(dòng)化,2016,35(1):27～30.

[8] 何立志.基于改進(jìn)BPNN和DS證據(jù)理論的列車走行部故障診斷研究[D].成都:西南交通大學(xué),2014.

[9] 龐圣波,王立宏,王培進(jìn).證據(jù)理論合成公式的討論及一些修正[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(20):56～58.

[10] 謝培甫.基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承的故障診斷[J].農(nóng)業(yè)裝備與車輛工程,2006,(2):45～47.

[11] 司景萍,馬繼昌,牛家驊,等.基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專家系統(tǒng)[J].振動(dòng)與沖擊,2017,36(4):164～171.

[12] Liu J F,Zheng J H.Application of Teaching Data Mining Based on Cloud Computing in the Prediction of Learning Achievement[J].International Journal of Database Theoryand Application,2016,9(6):275～284.

[13] 蘇超,肖南峰.基于集成BP網(wǎng)絡(luò)的人臉識(shí)別研究[J].計(jì)算機(jī)應(yīng)用研究,2012,29(11):4334～4337.

[14] 謝春麗,張繼洲.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的電控發(fā)動(dòng)機(jī)故障診斷研究[J].湖北汽車工業(yè)學(xué)院學(xué)報(bào),2016,30(2):18～22.

[15] 陳軼,楊奕,包輝慧,等.基于多傳感器信號(hào)分析的故障診斷[J].組合機(jī)床與自動(dòng)化加工技術(shù),2016,(9):99～102.

ResearchonMulti-sensorBearingFaultDiagnosisBasedonGA-BPNeuralNetwork

LI Rong-yuan, ZHANG Guo-yin, WANG Hai-rui, WANG Xue,SONG Yi-ran, QI Lei, REN Yu-qing

(FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology)

Considering the low accuracy of making use of single sensor to collect fault information of rolling bearings, a GA-BP neural network-based multi-sensor information fusion method was proposed. Firstly, having the state information collected through a single sensor and the fault state characteristics of the bearing extracted through wavelet packet analysis, and then the genetic algorithm (GA) used to optimize BP neural network for single-sensor rolling bearing fault diagnosis, finally having information fusion of each diagnosis result implemented through DS evidence theory. The simulation result shows that, this method can improve both accuracy and efficiency of rolling bearing fault diagnosis.

fault diagnosis, rolling bearing, GA-BP neural network, DS evidence theory, information fusion

李榮遠(yuǎn)(1990-)，碩士研究生，從事故障診斷和傳感器信號(hào)處理的研究。

聯(lián)系人張國銀(1979-)，副教授，從事計(jì)算機(jī)應(yīng)用和智能算法的研究，28292189@qq.com。

TH133.33

A

1000-3932(2017)10-0916-06

2017-05-26，

2017-07-31)