基于遺傳神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障預(yù)測方法研究

張　琪,吳亞鋒,李　鋒

(1.西北工業(yè)大學(xué) 動力與能源學(xué)院,西安　710072；2.中國華陰兵器試驗中心 環(huán)境模擬室，陜西 華陰　714200)

?

基于遺傳神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障預(yù)測方法研究

張琪1,吳亞鋒1,李鋒2

(1.西北工業(yè)大學(xué) 動力與能源學(xué)院,西安710072；2.中國華陰兵器試驗中心 環(huán)境模擬室，陜西 華陰714200)

摘要：許多大型旋轉(zhuǎn)機械運行工況惡劣，非平穩(wěn)、非線性特征明顯，以及各種突發(fā)性、偶然性因素的影響，給基于振動信號處理的狀態(tài)預(yù)測和狀態(tài)維護分析帶來困難;神經(jīng)網(wǎng)絡(luò)以其強大的處理非線性系統(tǒng)的能力在故障預(yù)測中得到廣泛的應(yīng)用，但由于其在追求高精度訓(xùn)練目標時易陷入局部極值，且收斂速度慢甚至發(fā)散;針對這個問題，提出了采用遺傳算法對神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值進行優(yōu)化，這樣不僅發(fā)揮了神經(jīng)網(wǎng)絡(luò)廣泛的映射特性也使遺傳算法的全局搜索優(yōu)勢盡顯無疑;通過組合這兩種算法，在提升網(wǎng)絡(luò)學(xué)習(xí)的準確度方面,優(yōu)點尤其突出，最終提高對旋轉(zhuǎn)機械故障預(yù)測和壽命估計的性能，這在某環(huán)境模擬試驗系統(tǒng)動力風(fēng)機的軸承磨損故障預(yù)測中得到了驗證。

關(guān)鍵詞：遺傳算法;BP神經(jīng)網(wǎng)絡(luò);磨損;預(yù)測

0引言

旋轉(zhuǎn)機械是工業(yè)生產(chǎn)中轉(zhuǎn)化能量和提供動力的關(guān)鍵設(shè)備，其性能退化或失效影響整機性能甚至導(dǎo)致設(shè)備非計劃停機，造成經(jīng)濟損失甚至人員傷亡。如磨損是軸承最常見的一種失效形式，磨損量較大時，軸承便產(chǎn)生游隙，使振動加劇、產(chǎn)生噪聲以及旋轉(zhuǎn)精度降低等嚴重影響軸承的工作性能。開展旋轉(zhuǎn)機械的故障預(yù)測研究，能夠變定時維修為視情維修，對預(yù)防故障發(fā)生和保證設(shè)備安全運轉(zhuǎn)具有重要意義。

故障預(yù)測技術(shù)是故障診斷的一個組成部分，前提是狀態(tài)監(jiān)測及診斷。我們知道，機械設(shè)備需要長期使用并且經(jīng)受各種環(huán)境作用，必然會發(fā)生性能與功能的變化。如果能夠通過監(jiān)測采集到緩變信號參數(shù)的實時數(shù)值(突變信號不具普適性)，通過一定的方法對一定時間以后的參數(shù)進行科學(xué)預(yù)測，從而評估設(shè)備的性能和可靠性，為設(shè)備使用者及時準確的做出決策提供技術(shù)支持。如果想要做到在故障未發(fā)生之前做好防范工作，就要開展早期故障預(yù)測。同時，也可以在故障發(fā)生之后快速隔離故障和重組系統(tǒng)功能。

故障預(yù)測方法的研究內(nèi)容基本分為3個方面：第一，基于歷史數(shù)據(jù)統(tǒng)計模型的預(yù)測方法，相應(yīng)的預(yù)測值是經(jīng)過模型參數(shù)的估計得到的。如時間序列預(yù)測ARMA模型；第二，基于模糊理論或灰色理論的數(shù)學(xué)預(yù)測方法。如灰色預(yù)測通過一階微分方程解釋數(shù)列的發(fā)展規(guī)律，該模型用于故障短期預(yù)測效果比較好；第三，數(shù)據(jù)驅(qū)動預(yù)測方法，這種智能方法不需要被測系統(tǒng)精確的數(shù)學(xué)模型，而是借助歷史的狀態(tài)數(shù)據(jù)，在對數(shù)據(jù)處理和分析之后，其中隱含的有效信息被挖掘出來?，F(xiàn)已用于設(shè)備關(guān)鍵部件壽命預(yù)測的數(shù)據(jù)驅(qū)動方法主要有神經(jīng)網(wǎng)絡(luò)、支持向量機等[7-10]。有人用支持向量機SVM預(yù)測股價指數(shù)，用人工神經(jīng)網(wǎng)絡(luò)ANN預(yù)測時間序列，都收到了較好的預(yù)測效果。

現(xiàn)實環(huán)境中，機械設(shè)備的性能和功能受到各種復(fù)雜因素的影響，想要用精確的函數(shù)關(guān)系描述其變化過程是不現(xiàn)實的，這是實際問題中的普遍現(xiàn)象。大量真實數(shù)據(jù)集的性質(zhì)表明，基于數(shù)據(jù)更能進行準確預(yù)測和恰當(dāng)?shù)拿枋?。神?jīng)網(wǎng)絡(luò)和遺傳算法這兩種智能算法都是模擬生物結(jié)構(gòu)去表達輸入輸出之間隱性關(guān)系的。人工神經(jīng)網(wǎng)絡(luò)是預(yù)測應(yīng)用中普遍和靈活的工具，是現(xiàn)代數(shù)據(jù)分析中的熱點，可以處理“黑箱”問題，它自身具有強大的自主學(xué)習(xí)能力，學(xué)習(xí)對象是網(wǎng)絡(luò)輸入層的大量樣本，通過對各層的神經(jīng)元進行訓(xùn)練，在以網(wǎng)絡(luò)輸出均方誤差最小的訓(xùn)練目標下，連接權(quán)重和閾值不斷被調(diào)整到最佳值，最終確定的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，以此進行外推預(yù)測后續(xù)的狀態(tài)。在人工神經(jīng)網(wǎng)絡(luò)中，有一類是用誤差的反向傳播來調(diào)整網(wǎng)絡(luò)訓(xùn)練的權(quán)值，這種多層的前饋神經(jīng)網(wǎng)絡(luò)就是BP網(wǎng)絡(luò)。作為前向網(wǎng)絡(luò)的核心，BP網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中是最完美、最精華的。從統(tǒng)計數(shù)據(jù)得出，應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型中有八成至九成都采用了BP網(wǎng)絡(luò)或它的變形。雖然它具有結(jié)構(gòu)簡單，可調(diào)整參數(shù)多，訓(xùn)練算法多，可操作性好的特點，但其自身也存在缺陷，由于搜索求解算法是沿梯度下降的，導(dǎo)致網(wǎng)絡(luò)存在收斂速度慢的缺點，難以保證復(fù)雜網(wǎng)絡(luò)的全局優(yōu)化而易導(dǎo)致陷入局部極小值，加之無法準確獲得網(wǎng)絡(luò)結(jié)構(gòu)、初始連接權(quán)值和閾值，而它們卻是影響網(wǎng)絡(luò)訓(xùn)練效果的主要因素。因此，有必要采用遺傳算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，以期克服這些問題，提高網(wǎng)絡(luò)的泛化能力。

遺傳算法將初始連接權(quán)值和閾值作為染色體，建立種群，利用生物遺傳特性(復(fù)制、交叉、變異)逐代進行選擇，高收斂精度與速度保證了搜索到全局范圍內(nèi)的最優(yōu)解。這個最優(yōu)解就是最佳的網(wǎng)絡(luò)結(jié)構(gòu)，比用經(jīng)驗和試驗判斷更能使網(wǎng)絡(luò)參數(shù)合理化，它的交叉因子和變異因子在網(wǎng)絡(luò)陷入局部極值時能很好地跳出來，從而克服網(wǎng)絡(luò)陷入局部最小的缺點，提高網(wǎng)絡(luò)的學(xué)習(xí)精度。

綜上所述，采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的預(yù)測方法對旋轉(zhuǎn)機械進行故障預(yù)測是可行和有效的。

1結(jié)合遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的原理

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是為了得到最佳的網(wǎng)絡(luò)連接權(quán)值和閾值，其原理是把網(wǎng)絡(luò)的初始權(quán)值和閾值作為遺傳種群中的個體，定位出一個理想的搜索解空間。遺傳BP神經(jīng)網(wǎng)絡(luò)(以下簡稱GA-BP)算法的流程如圖1所示。

圖1　GA-BP算法流程

2經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的性能比較

為了驗證GA-BP網(wǎng)絡(luò)預(yù)測準確度高的普適性，我們用MATLAB產(chǎn)生一組呈指數(shù)生長特征的數(shù)據(jù)，加入高斯白噪聲組成原始信號。將這組原始信號依據(jù)當(dāng)前數(shù)值加上前3個時序點的數(shù)值來預(yù)測下一個點的數(shù)值的思想構(gòu)建網(wǎng)絡(luò)的輸入輸出結(jié)構(gòu)，分別輸入BP和GA-BP訓(xùn)練并進行仿真預(yù)測，用預(yù)測值與實際值的均方誤差來評判網(wǎng)絡(luò)模型的泛化水平。

2.1創(chuàng)建神經(jīng)網(wǎng)絡(luò)，確定結(jié)構(gòu)和參數(shù)

2.2確定遺傳算子

在解決一個實際的優(yōu)化問題時，染色體長度由待優(yōu)化參數(shù)的個數(shù)確定并編碼成二進制形式，然后初始化種群大小。神經(jīng)網(wǎng)絡(luò)的各層神經(jīng)元個數(shù)確定后，將產(chǎn)生對應(yīng)的染色體長度和種群大小。本例中遺傳算法染色體長度

s=R×s1+s1×s2+s1+s2=4×4+4×1+4+1=25

R,s1,s2分別為輸入層，中間隱含層和輸出層的神經(jīng)元個數(shù)，種群大小和遺傳代數(shù)分別設(shè)定為50和100。遺傳尋優(yōu)搜索的目的是使神經(jīng)網(wǎng)絡(luò)的輸出誤差最小。交叉概率和變異概率這兩個關(guān)鍵的遺傳參數(shù)是根據(jù)適應(yīng)度的大小進行選擇的。

2.3網(wǎng)絡(luò)的測試及優(yōu)化前后預(yù)測結(jié)果分析

在MATLAB7.0環(huán)境下訓(xùn)練網(wǎng)絡(luò)并進行仿真試驗，檢驗網(wǎng)絡(luò)預(yù)測的準確性。在學(xué)習(xí)參數(shù)和迭代步數(shù)相同的情況下，設(shè)定自學(xué)習(xí)率lr=0.1, 學(xué)習(xí)目標goal (精度)為0.001，用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)。把測試樣本數(shù)據(jù)分別輸入到訓(xùn)練好的GA-BP和BP網(wǎng)絡(luò)中運行程序進行仿真。

將仿真結(jié)果和原始數(shù)據(jù)進行比較(橫軸用數(shù)據(jù)時序模擬時間)，來檢查輸出和實際測量值之間的誤差是否滿足要求。如表1、圖2所示。

圖2　優(yōu)化前后仿真結(jié)果比較

網(wǎng)絡(luò)類型BPGA-BPMSE0.002450.000523

通過比較可以看出，經(jīng)過遺傳算法優(yōu)化，神經(jīng)網(wǎng)絡(luò)預(yù)測的準確度得到了比較大的改善，這也表明將GA-BP應(yīng)用于實際問題中作預(yù)測能夠比較準確地進行故障預(yù)報。

3GA-BP在動力風(fēng)機軸承壽命預(yù)測中的應(yīng)用

3.1試驗數(shù)據(jù)來源

試驗數(shù)據(jù)采集自某環(huán)境模擬試驗系統(tǒng)動力風(fēng)機的深溝球軸承內(nèi)圈損傷尺寸變化監(jiān)測過程。采集故障軸承的振動加速度信號，分別將接觸式傳感器安裝在電動機風(fēng)扇端和驅(qū)動端的軸承座上。對于滾動軸承的全壽命過程，取軸承單點損傷為例，損傷應(yīng)該是逐漸擴大且加深的。我們在這里用1 797 rpm轉(zhuǎn)速下滾軸內(nèi)圈單點損傷直徑為0(正常狀態(tài))、0.007英寸、0.014英寸、0.021英寸、0.028英寸來描述軸承單點損傷的發(fā)展過程，以此來構(gòu)造滾動軸承的全壽命過程。

反映軸承設(shè)備磨損狀況的特征量采用磨損尺寸對應(yīng)的能量值，并設(shè)定一個能量閾值作為故障發(fā)生點，以此為判據(jù)來預(yù)測滾動軸承的壽命。我們采取了3次樣條插值的方法對數(shù)據(jù)進行了插值處理，擴充樣本量。以損傷直徑每增大0.001英寸為一組數(shù)據(jù)，用28段3次多項式在數(shù)據(jù)點之間構(gòu)建一個3次樣條，得到相對于待插值函數(shù)的最小震蕩，插值后共得到29組數(shù)據(jù)，這樣做的目的就是能更詳細地表達故障的程度。擴充后的數(shù)據(jù)樣本如表2所示。

表2　故障預(yù)測的訓(xùn)練樣本

設(shè)計輸入向量矩陣如下[11]：

對應(yīng)的目標輸出向量如下：

3.2軸承磨損趨勢預(yù)測試驗

這里我們做出假設(shè)，假設(shè)損傷直徑變化的每個節(jié)點數(shù)據(jù)采集時間間隔是10小時。這里我們采取的方法是將前25組數(shù)據(jù)能量(前280個小時)歸一化處理后輸入網(wǎng)絡(luò)進行訓(xùn)練，然后利用訓(xùn)練好的網(wǎng)絡(luò)進行外推預(yù)測，對25組之后的30組數(shù)據(jù)進行智能預(yù)測，如圖3所示。

圖3　不同時刻(磨損量)對應(yīng)的能量圖

我們定義某個時間對應(yīng)的磨損量作為軸承故障磨損量的閾值，對應(yīng)圖中的預(yù)測值我們可以看到當(dāng)軸承工作到某個時刻故障對應(yīng)的能量達到我們定義的閾值，此時完成軸承壽命預(yù)測，認為在該點故障發(fā)生。如設(shè)定1 800為極限磨損量對應(yīng)的能量閾值，對照圖中結(jié)果表明，設(shè)備運行大約在第350個小時發(fā)生故障，這種預(yù)測與實際情況比較吻合。

4結(jié)束語

針對大型旋轉(zhuǎn)機械非平穩(wěn)狀態(tài)的趨勢預(yù)測及狀態(tài)維護，提出了基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的預(yù)測方法，研究了GABP神經(jīng)網(wǎng)絡(luò)模型的建模過程。最后，運用某環(huán)境試驗風(fēng)機軸承上的實際振動信號，驗證了預(yù)測結(jié)果的高精確度，它是一種理想的預(yù)測方法。

參考文獻：

[1]周開利，康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M]. 北京：清華大學(xué)出版社，2004.

[2] 秦衡峰.基于神經(jīng)網(wǎng)絡(luò)的設(shè)備狀態(tài)預(yù)測方法研究及在風(fēng)機上的應(yīng)用[D]. 長沙：中南大學(xué)，2004.

[3] 林香，姜青山，熊騰科. 一種基于遺傳 B P 神經(jīng)網(wǎng)絡(luò)的預(yù)測模型[J]. 計算機研究與發(fā)展，2006,43 (S):338-343.

[4] 徐小力,許寶杰，張森. 機械設(shè)備趨勢預(yù)測與神經(jīng)網(wǎng)絡(luò)預(yù)測方法的研究[J]. 現(xiàn)代機械，2000(1):62-64.

[5] Peck Loo Kiew. A hybrid of back propagation neural network and genetic algorithm for optimization of collagen extraction from Malaysian cultured catfish[J]. Biotechnology and Bioprocess Engineering, 2013, 18:257-265.

[6] Nasseri M, Asghari K. Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network[J]. Expert Systems with Applications, 2008，35：1415-1421.

[7] 羅小榮，吳亞鋒，魏文德. 滾動轉(zhuǎn)子式壓縮機故障的在線檢測[J]. 壓縮機技術(shù)， 2005(1):22-24.

[8] 李長征，雷勇. 航空發(fā)動機氣路故障診斷[J]. 測控技術(shù)， 2005,25(8):21-24.

[9] 張新海，雷勇. BP神經(jīng)網(wǎng)絡(luò)在機械故障診斷中的應(yīng)用[J]. 噪聲與振動控制，2008(5)：95-97.

[10] 吳今培.智能故障診斷與神經(jīng)網(wǎng)絡(luò)[M]. 北京：科學(xué)出版社，1997.

[11] 姜旭峰，費逸偉，王惠，等. 基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)在航空發(fā)動機磨損預(yù)測中的應(yīng)用[J]. 潤滑與密封, 2007,32(2):168-170.

[12] 張緒錦，譚劍波，韓江洪. 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J]. 系統(tǒng)工程理論與實踐，2002(6):22-24.

[13] 李鋒，湯寶平，劉文藝. 遺傳算法優(yōu)化最小二乘支持向量機的故障診斷[J]. 重慶大學(xué)學(xué)報，2020,33(12).

Research on Mechanical Fault Prediction Based on Improved Neural Network

Zhang Qi1,Wu Yafeng1, Li Feng2

(1. School of Power and Energy, Northwestern Polytechnical University, Xi’an710072, China；2.Department of Environment Simulation, Huayin Ordinance Test Centre, Huayin714200, China)

Abstract:The representative characteristics of large-scale rotating machine in operation are non-stationary and nonlinear, and also influenced by sudden and accidental factors, thus the difficulty in condition monitoring and fault prediction based on vibration signal analysis is great. Artificial neural networks, which perform a nonlinear mapping between inputs and outputs, are widely used in fault prediction, but easy to fall into local optimal solution and converge with slow speed or even diverge. In this paper, aimed at this problem, the dynamic prediction model is studied，in which back propagation(BP) algorithm coupled with genetic algorithm(GA) will be used to train and optimize the networks. BP of ANN has been recognized as a powerful mapping approach to model extremely complex nonlinear process while GA for global search ability was used in various diverse optimization systems. Owing to complementary advantages of both merged, the accuracy of the GA-BP networks is improved significantly. The final goal is to improve the performance of GA-BP network in predicting faulty and estimating residual life for rotating machinery. Ultimately, verification of the optimization was showed at the bearing wear data from the power fan of a environmental simulation test system.

Keywords：genetic algorithm; back-propagation neural network; wear; prediction

文章編號：1671-4598(2016)02-0011-03

DOI：10.16526/j.cnki.11-4762/tp.2016.02.003

中圖分類號：TP183

文獻標識碼：A

作者簡介：張琪(1984-)，女，陜西咸陽人，碩士研究生，主要從事智能診斷與預(yù)測方向的研究。吳亞鋒(1961-)，男，陜西渭南人，教授，博士研究生導(dǎo)師，主要從事現(xiàn)代信號處理理論與方法及振動噪聲分析與控制方向的研究。

收稿日期：2015-09-07；修回日期：2015-09-29。