人工神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用與發(fā)展

易靜姝

摘要：針對(duì)滾動(dòng)軸承失效的故障診斷方法，介紹了人工神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的優(yōu)勢(shì)與發(fā)展現(xiàn)狀，分析了常見人工神經(jīng)網(wǎng)絡(luò)類型在滾動(dòng)軸承故障診斷中的應(yīng)用，提出了人工神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷應(yīng)用中的問題與不足，并對(duì)相關(guān)研究趨勢(shì)進(jìn)行了討論。

Abstract： Aiming at the fault diagnosis method of rolling bearings， the advantages and development status of artificial neural network in rolling bearing fault diagnosis are introduced. The application of common types of artificial neural network in rolling bearing fault diagnosis is analyzed and the existing problems are presented. The related research trends are discussed.

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);滾動(dòng)軸承;故障診斷

Key words： artificial neural network;rolling bearings;fault diagnosis

中圖分類號(hào)：TH133.3;TP206+.3? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2019）24-0274-03

0? 引言

滾動(dòng)軸承是機(jī)械設(shè)備中重要的傳動(dòng)零件，一旦發(fā)生破壞，將會(huì)影響系統(tǒng)的正常運(yùn)作，甚至引發(fā)安全事故。因此，對(duì)發(fā)生失效的滾動(dòng)軸承及時(shí)進(jìn)行故障診斷并排除隱患至關(guān)重要。滾動(dòng)軸承的失效形式主要有磨損失效、疲勞失效、斷裂失效和腐蝕失效等[1]。傳統(tǒng)診斷方法通過拾取滾動(dòng)軸承的振動(dòng)信號(hào)，利用統(tǒng)計(jì)學(xué)方法加以分析來識(shí)別軸承故障類型。近年來，包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和模糊診斷等在內(nèi)的現(xiàn)代智能診斷方法發(fā)展趨勢(shì)良好。其中神經(jīng)網(wǎng)絡(luò)診斷手段多、應(yīng)用廣泛，本文主要介紹各種人工神經(jīng)網(wǎng)絡(luò)診斷方法在滾動(dòng)軸承故障診斷中的應(yīng)用。

1? 人工神經(jīng)網(wǎng)絡(luò)概念及優(yōu)勢(shì)

1.1 概念

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它模擬大腦神經(jīng)元拓?fù)浣Y(jié)構(gòu)存儲(chǔ)和處理信息的方式，具有聯(lián)想、記憶和學(xué)習(xí)的功能[1]?；谏窠?jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷，就是根據(jù)故障信號(hào)的特征，利用人工神經(jīng)網(wǎng)絡(luò)來判斷故障類型。

1.2? 優(yōu)勢(shì)

人工神經(jīng)網(wǎng)絡(luò)之所以在滾動(dòng)軸承故障診斷中應(yīng)用效果良好，是基于以下兩個(gè)優(yōu)點(diǎn)：

1.2.1 具有較強(qiáng)容錯(cuò)性

神經(jīng)網(wǎng)絡(luò)采用并行式信息處理方法，當(dāng)局部神經(jīng)元受損時(shí)，系統(tǒng)仍可正常工作。相較于傳統(tǒng)的故障診斷方法，人工神經(jīng)網(wǎng)絡(luò)對(duì)噪聲更不敏感，輸出結(jié)果可靠，因而適用于故障診斷[1]。

1.2.2 故障分析與判斷能力強(qiáng)

滾動(dòng)軸承故障的信號(hào)特征與故障模式之間是一種復(fù)雜的非線性關(guān)系，而神經(jīng)網(wǎng)絡(luò)能通過不斷訓(xùn)練與學(xué)習(xí)來確定故障的類型。

基于以上兩點(diǎn)原因，人工神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷領(lǐng)域有著較為廣泛的應(yīng)用。

2? 主要人工神經(jīng)網(wǎng)絡(luò)類型在滾動(dòng)軸承故障診斷中的應(yīng)用

目前，在滾動(dòng)軸承故障診斷中應(yīng)用較為廣泛的人工神經(jīng)網(wǎng)絡(luò)類型為反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、自組織（SOM）神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)。

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種誤差逆向傳播、信號(hào)向前傳播的多層前饋型神經(jīng)網(wǎng)絡(luò)，在滾動(dòng)軸承故障診斷中得到了廣泛應(yīng)用[3-5]。Zhang等[6]利用遺傳算法和模糊C均值聚類算法進(jìn)行了BP網(wǎng)絡(luò)優(yōu)化，建立了一個(gè)能夠克服數(shù)據(jù)缺陷和BP網(wǎng)絡(luò)本身不足的新模型，為實(shí)時(shí)診斷提供了參考。為了解決BP神經(jīng)網(wǎng)絡(luò)的過擬合、局部收斂和收斂困難等缺點(diǎn)[7]，學(xué)者們提出了許多優(yōu)化方法。張淑清等[8]將基于EEMD近似熵提取的滾動(dòng)軸承特征向量輸入到粒子群算法優(yōu)化的PSO-BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障模式識(shí)別，識(shí)別能力強(qiáng)，且網(wǎng)絡(luò)可以快速收斂到全局最優(yōu)。程加堂等[9]將自適應(yīng)布谷鳥搜索算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，提高了網(wǎng)絡(luò)的全局?jǐn)M合性，有效改善了該軸承故障診斷模型的精度。田棟等[10]采用風(fēng)驅(qū)動(dòng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，減小了網(wǎng)絡(luò)的訓(xùn)練誤差，為滾動(dòng)軸承的故障診斷方法提供了新思路。張寧等[11]利用改進(jìn)魚群算法的全局尋優(yōu)能力優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，提出改進(jìn)魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)（ADAFSA-BP）的滾動(dòng)軸承故障診斷方法，提高了網(wǎng)絡(luò)收斂速度，做到有效判斷故障類型。

2.2 SOM神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)，由輸入層和輸出層構(gòu)成[12]。它能夠在訓(xùn)練過程中自適應(yīng)地調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接權(quán)值，在滾動(dòng)軸承的復(fù)雜故障模式識(shí)別中應(yīng)用較為廣泛。Lou等[13]用小波變換獲取特征向量，將自適應(yīng)神經(jīng)模糊推理系統(tǒng)作為分類器，對(duì)變負(fù)載情況下的滾動(dòng)軸承故障模式進(jìn)行識(shí)別。吳濤等[14]用滾動(dòng)軸承故障信號(hào)的特征參數(shù)作為特征向量，訓(xùn)練SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別，為滾動(dòng)軸承的健康預(yù)測(cè)問題提供了參考。何濤等[15]結(jié)合曲元分析（CCA）和SOM神經(jīng)網(wǎng)絡(luò)方法，利用CCA對(duì)數(shù)據(jù)進(jìn)行降維，SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，最終能快速準(zhǔn)確地提取滾動(dòng)軸承故障特征值并進(jìn)行聚類。矯晶晶等[16]采用免疫遺傳算法優(yōu)化SOM神經(jīng)網(wǎng)絡(luò)的權(quán)值，提高了滾動(dòng)軸承故障診斷模型的準(zhǔn)確性。夏筱筠等[17]提出了基于SOM神經(jīng)網(wǎng)絡(luò)和ARMA算法的故障診斷方法，實(shí)現(xiàn)了數(shù)控機(jī)床滾動(dòng)軸承的健康預(yù)警。

2.3 CNN神經(jīng)網(wǎng)絡(luò)

CNN 神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)[18]，包括輸入層、隱含層和輸出層，其中隱含層中的卷積層用于提取數(shù)據(jù)特征。Janssens等[19]將CNN用于學(xué)習(xí)滾動(dòng)軸承的振動(dòng)信號(hào)振幅變化情況，成功實(shí)現(xiàn)了滾動(dòng)軸承的多種故障原因診斷，且判斷精度較高。深度卷積神經(jīng)網(wǎng)絡(luò)增加了隱藏層的數(shù)量，進(jìn)一步提高了診斷精度。Guo等[20]提出了一種基于改進(jìn)算法的分層學(xué)習(xí)率自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)表明，該網(wǎng)絡(luò)能夠有效識(shí)別滾動(dòng)軸承故障類型并判斷其嚴(yán)重程度。Zhang等[21]針對(duì)變負(fù)載和噪聲環(huán)境下的軸承工作情況，提出了一種帶有新的訓(xùn)練方法的深度卷積神經(jīng)網(wǎng)絡(luò)，該方法直接應(yīng)用于原始數(shù)據(jù)，不需要輔助算法，且故障識(shí)別能力強(qiáng)，具有較高魯棒性。盡管具有識(shí)別效果好，模型復(fù)雜度低等優(yōu)點(diǎn)，但是針對(duì)特定問題，CNN的卷積層和卷積核數(shù)量等參數(shù)難以確定，給CNN網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用帶來了一定困難。

2.4 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，包括輸入層、一個(gè)徑向基神經(jīng)元的隱藏層和輸出層。為了提高RBF神經(jīng)網(wǎng)絡(luò)的診斷精度，學(xué)者們通過各種統(tǒng)計(jì)學(xué)方法進(jìn)行算法的輸入?yún)?shù)優(yōu)化。吳松林等[22]將小波包分解得到的特征向量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入層對(duì)滾動(dòng)軸承故障模式進(jìn)行識(shí)別，發(fā)現(xiàn)在學(xué)習(xí)速度與分類能力上RBF神經(jīng)網(wǎng)絡(luò)均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。莫燕等[23]利用小波包降噪與局部均值分解實(shí)驗(yàn)數(shù)據(jù)得到滾動(dòng)軸承的故障特征，通過訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了滾動(dòng)軸承的智能故障診斷。吳彤等[24]利用基于包絡(luò)譜灰色關(guān)聯(lián)度的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法提取滾動(dòng)軸承故障特征，利用核主元分析（KPCA）降低故障特征集維數(shù)并作為RBF神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，能夠?qū)崿F(xiàn)變負(fù)載情況下的滾動(dòng)軸承故障程度識(shí)別。雖然RBF神經(jīng)網(wǎng)絡(luò)的泛化能力比BP更強(qiáng)，但當(dāng)要求精度相同時(shí)，RBF神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)量遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)，計(jì)算量明顯增大。

3? 結(jié)語

本文總結(jié)了人工神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用，分析了BP、SOM、CNN、RBF神經(jīng)網(wǎng)絡(luò)診斷方法的優(yōu)勢(shì)與不足。雖然神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域已得到廣泛應(yīng)用，但仍存在局部收斂、過擬合和欠擬合等問題[25]，仍需進(jìn)一步發(fā)展和完善。隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，自動(dòng)采集和識(shí)別故障信號(hào)特征并對(duì)其進(jìn)行準(zhǔn)確分析與判斷將會(huì)成為主流。

參考文獻(xiàn)：

[1]廖伯瑜.機(jī)械故障診斷基礎(chǔ)[M].北京：冶金工業(yè)出版社，2007.

[2]王勇.工業(yè)電機(jī)中的滾動(dòng)軸承失效分析[J].電機(jī)與控制應(yīng)用，2009，36（09）：38-43.

[3]唐圣學(xué)，蔡紅軍，李志剛.基于小波與神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷融合方法[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，46（01）：127-134.

[4]張建軍，張利，穆海芳，劉征宇，徐娟.基于改進(jìn)粒子群優(yōu)化BP網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（01）：198-203.

[5]何春，李琦，吳讓好，劉邦欣.基于故障傳播的模塊化BP神經(jīng)網(wǎng)絡(luò)電路故障診斷[J].計(jì)算機(jī)應(yīng)用，2018，38（02）：602-609.

[6]Zhang Kefei，Yuan Fang，Guo Jiang，et al. A novel neural network approach to transformer fault diagnosis based on momentum-embedded BP neural network optimized by genetic algorithm and fuzzy C-means[J].Arabian Journal for Science and Engineering，2016，41（9）： 3451-3461.

[7]馮玉芳，盧厚清，殷宏，曹林.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型研究[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（06）：24-30.

[8]張淑清，黃文靜，等.基于總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸饨旗睾突旌螾SO-BP算法的軸承故障診斷方法[J].中國機(jī)械工程，2016， 27（22）：3048-3054.

[9]程加堂，熊燕.應(yīng)用ACSBP算法的軸承故障診斷[J].機(jī)械傳動(dòng)，2017，41（09）：175-178.

[10]田棟，曹中清，范旭.基于風(fēng)驅(qū)動(dòng)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].機(jī)床與液壓，2018，46（19）：173-176.

[11]張寧，魏秀業(yè)，郭小勇，徐晉宏.基于改進(jìn)魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究[J].軸承，2019（05）：44-48.

[12]Kohonen T. Self-organized formation of topologically correct feature maps [J]. Biological Cybernetics， 1982， 43（1）： 59-69.

[13]X. Lou， K. A. K. A. Loparo. Bearing fault diagnosis based on wavelet transform and fuzzy inference[J]. Mechanical Systems and Signal Processing. 2004， 18（05）： 1077-1095.

[14]吳濤，原思聰，孟欣，張滿意，劉道華.滾動(dòng)軸承振動(dòng)診斷的SOM神經(jīng)網(wǎng)絡(luò)方法[J].機(jī)械設(shè)計(jì)與制造，2010（01）：198-200.

[15]何濤，萬鵬，謝衛(wèi)容.基于CCA和SOFM的軸承故障特征提取[J].三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2006（03）：236-240.