基于MLP網(wǎng)絡(luò)軸承故障診斷

張 明，高志彬

（1.濰坊工程職業(yè)學(xué)院，山東 濰坊 262500；2.青島理工大學(xué)，山東 青島 266033）

前言

軸承受載荷作用影響，不同軸承在制造裝配工藝和使用工作環(huán)境上有所區(qū)別，因此軸承發(fā)生故障的時(shí)間和表現(xiàn)形式也不同，軸承壽命具有離散性特點(diǎn)，車輛軸承使用中存在提前故障失效的情況，也存在工作時(shí)長遠(yuǎn)超設(shè)計(jì)標(biāo)準(zhǔn)的軸承。有效檢測早期的故障缺陷，一方面最大限度發(fā)揮軸承的工作潛力，特別是充分利用超過設(shè)計(jì)時(shí)長而正常運(yùn)轉(zhuǎn)軸承的工作效能，減少經(jīng)濟(jì)損失；另一方面監(jiān)視軸承運(yùn)行工況，及時(shí)發(fā)現(xiàn)軸承早期故障做到預(yù)知性計(jì)劃維護(hù)，確保軸承和車輛的正常運(yùn)行。傳統(tǒng)上依靠簡單儀器定期檢修軸承不僅資源投入量大且難以有效檢測早期的故障缺陷，因此必須提升檢修手段和技術(shù)。

1 軸承故障診斷發(fā)展

機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測和故障診斷技術(shù)研究起源于20世紀(jì)中期航天探索活動(dòng)，在此背景下首次采用加速度傳感器采集振動(dòng)信號(hào)檢測軸承故障，對比測量信號(hào)與標(biāo)準(zhǔn)信號(hào)的參數(shù)值的峰值統(tǒng)計(jì)指標(biāo)，通過時(shí)域分析評估軸承運(yùn)行狀態(tài)，隨后相關(guān)技術(shù)應(yīng)用在汽車領(lǐng)域并開發(fā)出可多項(xiàng)目檢測的車外診斷設(shè)備?；谛盘?hào)分析策略可以分為時(shí)域、頻域和時(shí)頻域相關(guān)分析[1]。在時(shí)域分析中利用RMS值、波峰因子、偏度或峰度等統(tǒng)計(jì)參數(shù)來測量與軸承缺陷相關(guān)的信號(hào)不均勻性，這些統(tǒng)計(jì)參數(shù)容易測量，但在復(fù)雜的車輛系統(tǒng)中這些參數(shù)對負(fù)載和速度變化相當(dāng)敏感。工業(yè)實(shí)踐中廣泛應(yīng)用的軸承狀態(tài)監(jiān)測方法是基于頻率信息進(jìn)行分析，根據(jù)特定幾何參數(shù)的軸承，計(jì)算不同軸承缺陷條件下的理論特征頻率。

2 多層感知器網(wǎng)絡(luò)開發(fā)

2.1 理論基礎(chǔ)

故障診斷的本質(zhì)是在分析故障癥狀的基礎(chǔ)上，由癥狀推斷故障原因，多層感知器（Multi-layer Perceptron）網(wǎng)絡(luò)簡稱MLP網(wǎng)絡(luò)，模擬生物學(xué)人體大腦的推斷功能從而進(jìn)行故障診斷和模式分類[2]。MLP網(wǎng)絡(luò)的建立是為運(yùn)用計(jì)算處理器和邏輯電路實(shí)現(xiàn)模式識(shí)別功能，因此其感知器單元運(yùn)算過程與計(jì)算機(jī)運(yùn)行原理相似[3]，接收來自外界的輸入值，數(shù)據(jù)分析后輸出二進(jìn)制數(shù)表是否關(guān)系。模式識(shí)別的數(shù)學(xué)分析模型是以多個(gè)數(shù)值描述某個(gè)待識(shí)別模式，在軸承故障模式識(shí)別中，提取軸承故障信號(hào)的模態(tài)分量特征值來組成模式矢量，用時(shí)域和頻域上的參數(shù)值組成矢量來表示一種模式。MLP網(wǎng)絡(luò)應(yīng)用感知器單元學(xué)習(xí)和存儲(chǔ)有關(guān)模式分類的知識(shí)，經(jīng)網(wǎng)絡(luò)構(gòu)架訓(xùn)練學(xué)習(xí)和數(shù)理推導(dǎo)自動(dòng)尋找到模式平面內(nèi)合適的分類曲線[4]，使得不同類別模式矢量分布在該平面不同區(qū)域。MLP網(wǎng)絡(luò)設(shè)定合理數(shù)量的感知器單元和有效的映射函數(shù)，感知器單元的加權(quán)系數(shù)與界定系數(shù)取值得當(dāng)，可以輸出任意的模式結(jié)果。

2.2 訓(xùn)練過程

故障特征值由外部輸入初始的感知器單元，數(shù)據(jù)值首先進(jìn)行歸一化處理，隨后根據(jù)設(shè)定參數(shù)迭代計(jì)算，加權(quán)系數(shù)是表現(xiàn)某一輸入值在判斷過程的重要性，正值表示增強(qiáng)或負(fù)值表示減弱[5]，參數(shù)值越大對輸出結(jié)果影響越大。界定系數(shù)是加權(quán)量產(chǎn)生效應(yīng)的臨界值，可以改變輸出結(jié)果，加權(quán)系數(shù)和界定系數(shù)的取值為[0,1]間的隨機(jī)數(shù)。經(jīng)過上述運(yùn)算后的數(shù)值可能并非是1或0，因此還要映射函數(shù)激活數(shù)值，映射函數(shù)通過加入非線性因素使得輸出值趨近于兩數(shù)值。輸出結(jié)果傳 遞至下一個(gè)感知器單元做同樣運(yùn)算，最終經(jīng)過有限次計(jì)算后輸出最終的狀態(tài)參量。若MLP網(wǎng)絡(luò)輸出結(jié)果與預(yù)設(shè)參量不一致，即MLP網(wǎng)絡(luò)根據(jù)當(dāng)前加權(quán)系數(shù)和界定系數(shù)計(jì)算出的樣本實(shí)際輸出值與期望目標(biāo)值存在偏差，則MLP網(wǎng)絡(luò)根據(jù)學(xué)習(xí)偏差信息前向傳遞[6]動(dòng)態(tài)調(diào)整各感知器單元的加權(quán)系數(shù)和界定系數(shù)以期減小輸出與期望偏差值。故障特征值再次進(jìn)行MLP網(wǎng)絡(luò)運(yùn)算直到訓(xùn)練樣本輸出的偏差值滿足設(shè)定容限，正確的訓(xùn)練將會(huì)強(qiáng)化[7]輸入層反饋產(chǎn)生的預(yù)測結(jié)果映射路徑。

2.3 應(yīng)用設(shè)計(jì)

軸承振動(dòng)信號(hào)來自凱斯西儲(chǔ)大學(xué)軸承實(shí)驗(yàn)室公開數(shù)據(jù)，利用最小熵去卷積法去噪突出故障缺陷脈沖，應(yīng)用改進(jìn)極點(diǎn)對稱模態(tài)分解方法[8]獲得初始信號(hào)模態(tài)分量[9]，不同故障類型信號(hào)的模態(tài)分量均分為四個(gè)小節(jié)，并分別求出每小節(jié)的主要特征參數(shù)，任一樣本均由振動(dòng)信號(hào)特征值構(gòu)成，從軸承三種故障狀態(tài)中分別抽取3組共9組數(shù)據(jù)組成網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)集，前三小節(jié)數(shù)據(jù)組成的網(wǎng)絡(luò)學(xué)習(xí)或訓(xùn)練的樣本數(shù)據(jù)集如表1所示，三種故障狀態(tài)最后一小節(jié)的特征值數(shù)據(jù)作為測試數(shù)據(jù)集如表2所示，其中表1中樣本1～3為軸承外環(huán)故障，樣本4～6為軸承內(nèi)環(huán)故障，樣本7～9為軸承滾動(dòng)體故障。表2中樣本1為軸承外環(huán)故障，樣本2為軸承內(nèi)環(huán)故障，樣本3為軸承滾動(dòng)體故障。

表1 網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)集

表2 測試樣本

確定多層感知器網(wǎng)絡(luò)輸入層和輸出層感知器單元的數(shù)目，輸入層感知器單元個(gè)數(shù)為任一樣本中包含的特征值參數(shù)10個(gè)，輸出層的維數(shù)根據(jù)故障類型要求確定，本文模式類別共有3種，則輸出層感知器的個(gè)數(shù)為3，狀態(tài)參量（100）表示軸承外環(huán)故障，（010）表示軸承內(nèi)環(huán)故障，（001）表示滾動(dòng)體故障。反向傳播算法要求映射函數(shù)處處可導(dǎo)，因此采用S型正切函數(shù)作為感知器映射函數(shù)。初始值過大可能導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)效率降低甚至無效，所以加權(quán)系數(shù)初始值選取絕對值較小的隨機(jī)值。

2.4 訓(xùn)練結(jié)果

故障數(shù)據(jù)在MLP網(wǎng)絡(luò)訓(xùn)練時(shí)按順序從學(xué)習(xí)數(shù)據(jù)集中抽取樣本作為輸入，數(shù)據(jù)集中所有樣本遍歷一次網(wǎng)絡(luò)學(xué)習(xí)調(diào)整設(shè)定系數(shù)，將該加權(quán)系數(shù)在本輪遍歷時(shí)的設(shè)定值逐次加上本輪遍歷方法中各次迭代時(shí)計(jì)算出的該加權(quán)系數(shù)的調(diào)整參數(shù)[10]。所有加權(quán)系數(shù)調(diào)整完成后，遍歷訓(xùn)練次數(shù)超過預(yù)設(shè)上限值或網(wǎng)絡(luò)學(xué)習(xí)偏差小于偏差容限時(shí)停止訓(xùn)練過程[11]，固化并保存MLP網(wǎng)絡(luò)的各加權(quán)系數(shù)的設(shè)定值。

MLP網(wǎng)絡(luò)學(xué)習(xí)偏差是指特定的學(xué)習(xí)數(shù)據(jù)集實(shí)際輸出值與期望值間的差異[12]，學(xué)習(xí)偏差隨數(shù)據(jù)集遍歷次數(shù)增加而變化的收斂曲線是單調(diào)減曲線。圖1所示為一條典型收斂曲線，同時(shí)還顯示每一輪網(wǎng)絡(luò)學(xué)習(xí)中樣本的網(wǎng)絡(luò)學(xué)習(xí)偏差的最大值隨輪數(shù)增加而變化的情況，初始用時(shí)0.35 s梯度達(dá)到2.7；第25次迭代運(yùn)算后用時(shí)0.07 s梯度0.101；第50次迭代運(yùn)算后用時(shí)0.067 s梯度達(dá)到0.358；完成69次迭代用時(shí)0.0098 s網(wǎng)絡(luò)學(xué)習(xí)達(dá)到最佳指標(biāo)，這一過程的最大偏差在e-10，梯度最終達(dá)到7.46。MLP網(wǎng)絡(luò)對于參數(shù)的調(diào)整具有隨機(jī)性，圖1所示僅是一種學(xué)習(xí)誤差情形，MLP網(wǎng)絡(luò)學(xué)習(xí)偏差容限的設(shè)定 依靠經(jīng)驗(yàn)確定，偏差容限過大會(huì)提高訓(xùn)練收斂度，但測試偏差會(huì)隨之增大[13]使MLP網(wǎng)絡(luò)缺乏可用的泛化能力，因此實(shí)際應(yīng)用中更多是達(dá)到要求而非最佳，可以減少不必要的額外網(wǎng)絡(luò)學(xué)習(xí)和測試時(shí)間。

圖1 多層感知器網(wǎng)絡(luò)學(xué)習(xí)偏差

將表2測試樣本輸入完成訓(xùn)練的MLP網(wǎng)絡(luò)得到如下測試結(jié)果。測試樣本1數(shù)據(jù)結(jié)果（0.99020.00290.0005）分析，樣本1數(shù)據(jù)來源于軸承外環(huán)故障的模態(tài)分量特征參數(shù)，目標(biāo)值結(jié)果與模式預(yù)設(shè)參數(shù)（100）在偏差允許范圍；測試樣本2數(shù)據(jù)結(jié)果（0.07000.85000.1811）分析，樣本2數(shù)據(jù)來源于軸承外環(huán)故障的模態(tài)分量特征參數(shù)，目標(biāo)值結(jié)果也在模式預(yù)設(shè)參數(shù)（010）在偏差允許范圍；測試樣本3數(shù)據(jù)結(jié)果（0.00000.29300.9694）分析，樣本3數(shù)據(jù)來源于軸承外環(huán)故障的模態(tài)分量特征參數(shù)，目標(biāo)值結(jié)果與模式預(yù)設(shè)參數(shù)（001）在偏差允許范圍，因此建立的MLP網(wǎng)絡(luò)對軸承故障模式識(shí)別準(zhǔn)確。將測得的數(shù)據(jù)輸入MLP網(wǎng)絡(luò)進(jìn)行故障模式分類，網(wǎng)絡(luò)不需要重新學(xué)習(xí)，根據(jù)目標(biāo)值結(jié)果準(zhǔn)確識(shí)別出軸承的狀態(tài)。

3 車載系統(tǒng)設(shè)計(jì)

車載軸承故障監(jiān)測系統(tǒng)對于車輛安全運(yùn)行發(fā)揮重要作用，車載微處理器運(yùn)算能力提升以及傳感器的日趨完善，特別是光學(xué)振動(dòng)傳感器測量精度的提升，為車載軸承故障監(jiān)測系統(tǒng)開發(fā)提供可靠的硬件平臺(tái)。特種工程車的車輪與車軸間多采用深溝球軸承，軸承承受來自軸向與徑向的復(fù)雜交變載荷，并處在高速旋轉(zhuǎn)的工作環(huán)境。軸承發(fā)生早期故障后，汽車在高速行駛中出現(xiàn)車軸振動(dòng)與車輪軸向位移，若駕駛員并未及時(shí)發(fā)現(xiàn)將會(huì)損壞懸架和轉(zhuǎn)向系統(tǒng)。

將振動(dòng)傳感器安裝于車輪軸承附近，在不影響車輪及車軸運(yùn)轉(zhuǎn)情況下采集軸承振動(dòng)信號(hào)，信號(hào)采集指令由車載控制單元發(fā)出。振動(dòng)信號(hào)經(jīng)接口輸入到微處理器，基于車輪軸承運(yùn)行的復(fù)雜工況，有必要對采集的振動(dòng)信號(hào)降噪處理以突出沖擊脈沖，計(jì)算振動(dòng)信號(hào)峭度值，當(dāng)峭度值快速增加且大于3時(shí)，應(yīng)用改進(jìn)極點(diǎn)模態(tài)對稱分解方法對信號(hào)波形進(jìn)行模態(tài)分量解析，為適應(yīng)快速診斷要求僅提取初始模態(tài)分量。計(jì)算模態(tài)分量的故障特征值并與故障數(shù)據(jù)庫樣本比對得出故障模式，將故障類型及特征值展示在車載顯示屏為駕駛員提供維護(hù)信息。故障檢測頻次根據(jù)振動(dòng)信號(hào)采樣波形數(shù)動(dòng)態(tài)調(diào)整，在高速運(yùn)行或有明顯外力作用時(shí)伴隨軸承振動(dòng)頻率加快系統(tǒng)檢測頻次增加。因信號(hào)采集及傳輸過程和微處理器運(yùn)算速度，故障診斷會(huì)出現(xiàn)一定時(shí)間的延遲，軸承在發(fā)生早期故障后距離失效還有一段工作時(shí)長，因此不會(huì)對系統(tǒng)可靠性產(chǎn)生影響。

4 總結(jié)

本文建立故障模式識(shí)別MLP網(wǎng)絡(luò)模型，將模態(tài)分量特征參數(shù)導(dǎo)入訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練誤差達(dá)到預(yù)先設(shè)定誤差容限得到理想測試結(jié)果。應(yīng)用MLP網(wǎng)絡(luò)預(yù)測軸承的性能，實(shí)現(xiàn)軸承智能狀態(tài)監(jiān)測與故障診斷水平的提高，有很高的應(yīng)用價(jià)值。