基于SOM神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械智能故障診斷*

肖志榮，李 雯，龔永康，杜燦誼，劉利武，喻菲菲

（1.廣東技術(shù)師范大學汽車與交通工程學院，廣州 510665；2.廣東技術(shù)師范大學電子與信息學院，廣州 510665；3.廣東技術(shù)師范大學機電學院，廣州 510665）

0 引言

旋轉(zhuǎn)機械設(shè)備占了機械設(shè)備的80%左右，實際工作中的旋轉(zhuǎn)機械故障原因復雜，信號波動大，故障征兆與故障的關(guān)系具有不確定性。通過單一故障特征來進行診斷的傳統(tǒng)故障診斷分析方法已經(jīng)遠遠不能滿足現(xiàn)代化機械設(shè)備的復雜故障診斷和快速智能識別的需求[1]。神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用為故障診斷問題提供了一種有效的解決途徑，眾多學者在這方面的研究取得了不少成果：葛憲福[2]通過對旋轉(zhuǎn)機械典型故障的振動信號進行時域分析和頻域分析，同時將其應(yīng)用于實際工程中，并證明了僅僅依靠頻譜分析對機械進行診斷會有誤判的風險；王志永等[3]利用時域分析法中的波形診斷方法和數(shù)值分析診斷方法，根據(jù)振動信號的時域分析結(jié)果，得出了機床產(chǎn)生振動的原因；張津等[4]研究了旋轉(zhuǎn)機械振動信號的故障診斷的特征值提取、圖譜分析與故障樹整理，并利用綜合模擬試驗臺對常見的故障進行仿真試驗，從而推導出故障的類型；蘇劍飛等[5]研究了神經(jīng)網(wǎng)絡(luò)技術(shù)的基本原理及在旋轉(zhuǎn)機械故障診斷中的詳細應(yīng)用步驟，同時利用Matlab對BP神經(jīng)網(wǎng)絡(luò)模型進行了仿真，并驗證了其準確性；汪慶華等[6]論述了RBF神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機械（風機）故障診斷中的準確性，從而避免了BP神經(jīng)網(wǎng)絡(luò)的缺點等。綜上所述，通過提取振動信號波形進行分析來診斷，這種方法局限性極大，對于幾種故障的波形差異不大的情況下難以判斷；通過提取振動信號頻域中的譜峰能量、提取時域和頻域信號特征、提取機械的關(guān)鍵參數(shù)和利用小波分析和分型學結(jié)合的提取特征作為輸入進行建模識別是比較有效的方法，但特征參數(shù)的提取過程較繁瑣。

本文提出基于振動信號時域信號特征值作為輸入向量，建立SOM神經(jīng)網(wǎng)絡(luò)模型對旋轉(zhuǎn)機械進行故障診斷方法，實現(xiàn)在不拆卸的情況下，通過建立空間拓撲結(jié)構(gòu)快速確定故障原因，且診斷模型具有自主更新性，有利于實際的應(yīng)用，節(jié)省診斷維修成本。

1 實驗方案與樣本數(shù)據(jù)的制取

1.1 實驗方案

本實驗主要利用臺鉆機等高速旋轉(zhuǎn)機械的表面振動信號進行特征參數(shù)提取，再根據(jù)SOM神經(jīng)網(wǎng)絡(luò)的無監(jiān)督自組織競爭特性，建立診斷模型進行故障診斷，并對比了幾種神經(jīng)網(wǎng)絡(luò)模型方法的優(yōu)劣，實驗具體方案如圖1所示。首先，通過振動傳感器采集不同故障狀態(tài)下的振動時域信號，并將振動信號進行等長度截取，構(gòu)成原始樣本集。然后對樣本集的每段振動時域信號進行時域分析，提取出與故障相關(guān)的表征參數(shù)，輸入到SOM神經(jīng)網(wǎng)絡(luò)模型進行訓練和測試[7]。

圖1 實驗方案

此外，為了驗證SOM神經(jīng)網(wǎng)絡(luò)對旋轉(zhuǎn)機械故障診斷的準確性和穩(wěn)定程度，將其與具有反向誤差傳播的BP神經(jīng)網(wǎng)絡(luò)和以歷史數(shù)據(jù)為基礎(chǔ)的RBF徑向基神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進行對比分析。

1.2 樣本數(shù)據(jù)的制取

利用加速度傳感器采集微型臺鉆正常狀態(tài)、基座松動、傳動帶破損、軸承破損故障等狀態(tài)下的振動加速度信號。基座松動故障通過人為用扳手把基座的螺絲擰至其松動來設(shè)置。由于基座固定轉(zhuǎn)軸，基座松動會使得微型臺鉆在運行時不平穩(wěn)而導致振動信號的波動；傳動帶磨損故障通過人為磨損的傳動帶來設(shè)置。在微型臺鉆運行時，帶輪帶動傳動帶旋轉(zhuǎn)，當遇到磨損的部位振動幅度變大；軸承破損故障通過敲打軸承內(nèi)圈使其破損來設(shè)置。鉆頭隨破損軸轉(zhuǎn)動會造成振動信號的變化。故障設(shè)置具體如圖2所示。

圖2 臺鉆機故障設(shè)置

振動信號采集設(shè)備是ECON AVANT系列數(shù)據(jù)采集分析儀，設(shè)置采樣率為6 400 Hz，采集空載低速的4種狀態(tài)下Z軸方向上的振動加速度信號數(shù)據(jù)（共344 064點），其時域信號波形如圖3所示。

圖3 振動加速度Z向時域信號波形

等間距選取每一種狀態(tài)下的2 048個點作為一組，提取其時域信號峰值、平均值、平均幅值、方根幅值、標準差、峭度指標和偏斜度指標7個參數(shù)。一種狀態(tài)選取130組，總共選取520組；其中，隨機選取400組作為訓練樣本，120組作為測試樣本，部分訓練和測試的樣本數(shù)據(jù)如表1所示。

表1 部分訓練、測試樣本數(shù)據(jù)

樣本分布具體如圖4所示。從4種狀態(tài)的數(shù)據(jù)分布情況可以看出，正常運行和軸承破損故障兩種狀態(tài)的特征樣本差別較為明顯，而基座松動和傳動帶破損兩種故障狀態(tài)的特征樣本之間的差別較小。正常狀態(tài)下的振動比較平穩(wěn)，沖擊變化小；基座松動和傳動帶磨損的振動信號變化很相似；軸承破損故障的振動信號變化最大，可見軸承故障對微型臺鉆的運行影響較大；正常狀態(tài)與基座松動的偏度指標較小，而傳送帶磨損和軸承故障的偏度較大，可見后者不對稱性大。

從表1、圖4可以看出，不同特征的樣本數(shù)值范圍差別較大，而SOM學習算法會將樣本盡量均衡地分配到各個類別去。因此，要樣本數(shù)據(jù)進行歸一化處理。采用mapminmax函數(shù)（xi0=xi-xmin/xmax-xmin）將數(shù)據(jù)歸一化到[0,1]中。xi0為經(jīng)過歸一化后第i個數(shù)據(jù)，xi為原始第i個數(shù)據(jù)，xmin為第i個數(shù)據(jù)中的最小值，xmax為第i個數(shù)據(jù)中的最大值。

圖4 部分訓練樣本數(shù)據(jù)

2 基于SOM神經(jīng)網(wǎng)絡(luò)的故障診斷模型

SOM神經(jīng)網(wǎng)絡(luò)是由輸入層和競爭層組成的神經(jīng)網(wǎng)絡(luò)，其中競爭層也叫輸出層，其輸入層神經(jīng)元與競爭層的每一個神經(jīng)元相聯(lián)接，競爭層中每個神經(jīng)元之間形成側(cè)面聯(lián)系，它們相互競爭[8]，如圖5所示。

圖5 二維陣列SOM神經(jīng)網(wǎng)絡(luò)模型

當測試樣本進入到SOM神經(jīng)網(wǎng)絡(luò)中的競爭層，會被與之映射最為強烈的神經(jīng)元獲得，即為獲勝神經(jīng)元。當參與競爭的神經(jīng)元數(shù)量越多，不同類型的樣本之間的邊界約明顯，拓撲結(jié)構(gòu)越舒展，甚至會出現(xiàn)更多的分類中心；反之，當參與競爭的神經(jīng)元數(shù)量較少時，不同類型樣本之間的邊界越模糊，分類結(jié)果的隨機性越大。

2.1 SOM神經(jīng)網(wǎng)絡(luò)的訓練

SOM網(wǎng)絡(luò)初始化需要用隨機數(shù)設(shè)定輸入層和映射層之間的權(quán)值初始值并對其進行歸一化，m個輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值被賦予較小的權(quán)值。網(wǎng)絡(luò)模型的訓練需要選取輸出神經(jīng)元j個“鄰接神經(jīng)元”的集合Sj，其中，Sj()0表示時刻t=0的神經(jīng)元j的“鄰接神經(jīng)元”的集合，Sj()t Ct表示時刻t的“鄰接神經(jīng)元”的集合，區(qū)域Sj()

t隨著時間的增長而不斷縮小。根據(jù)提取的7個時域信號特征數(shù)，輸入層神經(jīng)元節(jié)點個數(shù)為7個，輸入向量為7維向量，即：

輸入向量輸入到映射層后，計算各神經(jīng)元的權(quán)值向量和輸入向量的歐式距離。映射層的第j個神經(jīng)元和輸入向量的距離，公式如下：

式中：wij為輸入層的i神經(jīng)元和映射層的j神經(jīng)元之間的權(quán)值。

通過計算，得到一個具有最小距離的神經(jīng)元，將其稱為獲勝神經(jīng)元，記為j*，并確定出某個鄰域k，使得對于任意的j，都有dk=min()dj，得到鄰接神經(jīng)元集合，并修正輸出神經(jīng)元j*及其“鄰接神經(jīng)元”的權(quán)值?wij：

式中：η為一個大于0小于1的常數(shù)，隨著時間變化逐漸下降到0。

對于拓撲相關(guān)而形成的神經(jīng)元子集，權(quán)重的更新是相似的。輸出神經(jīng)元Ok的輸出值為：

SOM網(wǎng)絡(luò)中神經(jīng)元的拓撲組織就是它最根本的特征，輸出神經(jīng)元之間根據(jù)距離的遠近決定抑制關(guān)系，最終使連接權(quán)值的統(tǒng)計分布與輸入模式漸趨一致。當輸入新樣本時，網(wǎng)絡(luò)模型會以拓撲結(jié)構(gòu)的形式輸出分類結(jié)果。

訓練結(jié)果分析如下。

本試驗利用2×2基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)對4種故障狀態(tài)的振動參數(shù)數(shù)據(jù)進行自組織競爭運算，訓練其聚類效果，如圖6所示。4種狀態(tài)的訓練樣本能均勻分布在4個競爭層神經(jīng)元區(qū)域，故障的分類和識別有效，其類別中心點分布如圖7所示。

圖6 2×2網(wǎng)絡(luò)分類情況

圖7 類別中心點分布

由此可見，樣本被聚集到4個中心點，基座松動和傳動帶破損兩種故障狀態(tài)的類別中心點靠的比較近，而正常狀態(tài)和軸承破損狀態(tài)兩個類別中心的相對疏遠。為了更好地體現(xiàn)4種故障狀態(tài)樣本數(shù)據(jù)在SOM神經(jīng)網(wǎng)絡(luò)聚集情況和拓撲結(jié)構(gòu)，通過反復嘗試，當競爭層神經(jīng)元的個數(shù)為7×7（二維）時，網(wǎng)絡(luò)有較直觀的診斷效果和較短的分類時間。

2.2 SOM神經(jīng)網(wǎng)絡(luò)的測試與結(jié)果分析

經(jīng)過訓練網(wǎng)絡(luò)使其達到期望效果后，將測試數(shù)據(jù)輸入到網(wǎng)絡(luò)中進行識別分類，得到如圖8、圖9結(jié)果。從圖8中可以看出，網(wǎng)絡(luò)共有49個神經(jīng)元；圖9中顏色越深，代表相鄰兩個神經(jīng)元之間的距離越遠，越不可能是同一類型[9]。

圖8 SOM網(wǎng)絡(luò)網(wǎng)絡(luò)拓撲學結(jié)構(gòu)

圖9 臨近神經(jīng)元之間的距離情況

輸出結(jié)果如圖10、圖11所示，每一組輸出都會在獲勝神經(jīng)元相對應(yīng)編號的位置上顯示為1，其余都顯示為0，診斷時間為1′57"。

圖10 獲勝神經(jīng)元的分布情況

圖11 測試樣本的分類情況

根據(jù)獲勝神經(jīng)元的分布情況，找出每一種狀態(tài)下與其他狀態(tài)不一樣的神經(jīng)元編碼，即為該狀態(tài)下的聚類結(jié)果。得到各種狀態(tài)下的獲勝神經(jīng)元如表2所示。

測試結(jié)果根據(jù)各狀態(tài)下的獲勝神經(jīng)元的位置以及臨近神經(jīng)元之間的距離情況來判斷的[10]，得到的結(jié)果如下。

（1）正常：3+2+2+6+4+7+4+1+1+1=31

（2）基座松動：3+1+6+3+2+5+1+1+4+4=30

（3）傳動帶破損：2+1+1+1+3+4+2+2+4+2+7=29

（4）軸承破損：19+2+5+3+1=30

因此，只有一組故障沒有正確分類，正確率達到了99.17%，正常狀態(tài)下、基座松動以及軸承破損狀態(tài)下的識別正確率達到了100%，只有傳動帶破損故障的識別出現(xiàn)錯誤，正確率為96.67%。不管是與傳遞函數(shù)采用高斯函數(shù)，輸出層傳遞函數(shù)采用線性函數(shù)[11]的RBF神經(jīng)網(wǎng)絡(luò)相比較，還是與沿誤差性能函數(shù)梯度反向修改權(quán)值學習方法[12]的BP神經(jīng)網(wǎng)絡(luò)相比，其正確識別率都要高。

3 結(jié)束語

SOM神經(jīng)網(wǎng)絡(luò)是模擬大腦神經(jīng)系統(tǒng)自組織特征映射的功能，是一種競爭性學習網(wǎng)絡(luò)，且在學習過程中能夠無導師進行自組織學習。通過實驗測試與分析可知，神經(jīng)網(wǎng)絡(luò)能夠有效地診斷出故障類型，精度較高。SOM神經(jīng)網(wǎng)絡(luò)相比于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)更有優(yōu)勢，其最大特點是保持輸入向量特征的拓撲結(jié)構(gòu)不變，當輸入向量比較相似時，它們相對應(yīng)的輸出神經(jīng)元在輸出層的位置也很接近，可以通過其空間位置來判斷其故障類別，當SOM神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，不同區(qū)域的神經(jīng)元分工也會有差異，各區(qū)域?qū)斎肽Ｊ接兄煌捻憫?yīng)特點，這個過程都是自組織完成的。除此之外，SOM神經(jīng)網(wǎng)絡(luò)不需要設(shè)置輸出模式，需要的參數(shù)較少，通過無監(jiān)督的形式進行故障分類和識別，更加方便快捷。