一种时序BP网络在飞轮系统齿轮故障诊断中的应用研究.docx

一种时序 - bp网络在飞轮系统齿轮故障诊断中的应用研究蒋宇 1 , 李力 2 , 李志雄 2 , 汤双清 2( 11黄山学院信息工程学院 , 安徽黄山 245013; 21三峡大学机械与材料学院 , 湖北宜昌 443002 )摘要 : 提出了一种基于时序和反向传播网络 (b ack2p rop aga tion n e two rk, b p) 相结合的诊断方法 。通过对飞轮储能系 统 ( fess) 齿轮箱正常和故障运行状态的振动信号进行时序分析 , 利用时序模型提取齿轮不同状态的特征 , 并以其自回归 参数组成特征向量作为 b p网络分类器的输入进行网络训练 , 从而实现了对齿轮正常 、裂纹和剥落状态的识别与诊断 。实 验结果表明 , 基于时序 - b p网络结合的方法对于飞轮系统齿轮故障分类和检测是一种非常有效的诊断手段 。关键词 : 齿轮故障 ; 时序分析 ; b p网络 ; 特征提取中图分类号 : th132 文献标识码 : a文章编号 : 1001 - 3881 ( 2009 ) 3 - 179 - 3s tudy on gea r fa u lt d ia gn o s is in f lywhee l en ergy s tora ge sy stem ba sedon t im e ser ie s ana ly s is an d bp ne twork s m e thodj ian g yu1 , l i l i2 , l i zh ixiong2 , tan g shuangq ing2( 11co llege of info rm a tion enginee ring, ch ina h uangshan u n iv1, h uangshan a nhu i 245013 , ch ina;21co llege of m echan ica l and m a te ria l eng1, ch ina th ree go rge s u n iv1, yichang h ube i 443002 , ch ina)a b stra c t: the tim e se rie s ana lysis com b ined w ith b ack2p rop aga tion ne two rk m e thod wa s p re sen ted fo r flywhee l ene rgy sto rage system ( fess) . the vib ra to ry signa ls in no rm a l and fau lt sta te s we re ana lyzed by tim e se rie s ana lysis. the d iffe ren t sta te fea tu re s we re extrac ted by the tim e se rie s mode l. the au to regre ssive coeffic ien t e igenvec to rs we re trea ted a s inp u ts fo r b p ne two rk tra in ing. d iffe ren t sta te s such a s no rm a l, c rack, and sp a lling e tc. we re iden tified and d iagno sed effec tive ly. the re su lt show s tha t the m e thodba sed on tim e se rie s ana lysis and b p ne two rk is an effec tive m ean s fo r c la ssifica tion and de tec tion in fess.keyword s: gea r fau lts; tim e se rie s ana lysis; b p ne two rk s;fea tu re extrac tion0 前言将飞轮电池应用到电动汽车 、大功率机车等工农 业车辆设备当中 , 充分发挥其能量密度大 、质量轻 、性模式的识别等问题具有较强的分类能力 , 可以实现 5 多故障复杂模式的识别, 将其和时序分析结合可以弥补时序分析的局限 。因此采用时序分析和 b p 神经 网络结合的方法对 fess中齿轮状态进行分类和故障识别 , 对 fess研究应用具有重要意义 。1 时序分析结合 b p神经网络方法的原理111 时序分析方法的原理 1 充电快 、无污染等优点 , 在机车制动 、减速以及能量反馈等工况取得了一定的成效 。然而在这些调节过 程中 , fess给机车系统带来了额外的冲击等外力因子 。此时 , 飞轮电池磁力轴承故障破坏情况 、机车轴 承以及机车齿轮磨损疲劳等情况关系到 fess使用寿 命和应用价值 。将这些故障信息提取与分析 , 可以更 全面掌握 fess在实际应用中对机车各方面的影响性 能 , 从而能够解决飞轮电池目前存在的主要问题 , 如设观测数据 x , i = 1, 2, n 是一个平稳 、零均i值的时间序列 , 则可拟合成一个如下形式的差 分 方 6 程:xi - 1 xi - 1 - 2 xi - 2 -( 1 )- p xi - n = ai 2 价格和可靠性, 提高其使用寿命与商业价值 。齿轮及齿轮箱运行状态的正常与否直接关系到整 台机器甚至整套机组的工作状况 , 这使得齿轮模式识 别和故障诊断成为需研究的首要问题 。时序分析方法 是采用参数模型方式对信号进行分析和处理 , 避免了频谱分析加窗处理造成的信息泄露 , 在提取故障特征模型 ( 1 ) 描述的是序列 xt 本身某一时刻取值和前 p个时刻取值之间的相互关系 , 称此模型为 p阶自回归模型 , 记为 a p ( p) 。模型中 i 为自回归系 数 ( i = 1, 2, p) , 表示各时刻取值对 xt 的影响程度 ; at 为白噪声序列 。除了 ar ( p) 模型以外 ,时序 模 型 还 有 m a ( q ) 和 arm a ( p, q ) 模 型 , 由 于ar ( p)模型获取自回归系数的过程是线性回归过程 ,因而计算简单 、速度快 , 在实际应用中最为广泛 。 3 - 4 中有较好的效果, 但当不同的随机序列有一定相似性时 , 其模型的自回归系数所表征的差别细微 , 难以统计和分类诊断 。b p 网络对多维空间模式及非线收稿日期 : 2008 - 03 - 19基金项目 : 湖北省自然科学基金资助项目 ( 2005aba 294 ) ; 黄山学院校级项目资助项目 ( 2008 xk jq009 )作者简介 : 蒋宇 ( 1982 ) , 女 , 辽宁抚顺人 , 硕士 , 主要从事机械故障诊断的研究 。电话 :, e - m a il: b ing heku6 1631com。180机床与液压第 37卷112 b p神经网络的原理b p神经网络是人工神经网络应用最为广泛的一 种网络 , 它属于多层前馈型网络 , 一般 3 层的 b p 网络就可以逼近任意复杂的非线性映射 , 即由输入层 、 隐含层和输出层组成 。b p 网络的训练过程是一个不断修正权值和阈值的过程 , 通过调整使网络的输出误差满足实际要求 。为了防止网络在学习过程中陷入局 部极小值 , 同时加快训练速度 , 通常在梯度下降算法的基础上引入动量因子 , 其调整后的权值和阈值可表性 。测试中两个压电式传感器的测点选择在轴承座附近刚性较好的部位 , 分别布置在中间轴和输出轴的轴 承座外壁上 , 方向均为竖 直 方 向 , 其 布 置 如图 2 所示 。 7 示为:w ij ( m + 1 ) =i xj +w ij ( m )i ( m + 1 ) =i +i ( m )( 2 )式中 : 为学习速率 ; i 为隐含层节点误差 ; w ij为隐含层权值的变化 ; i 为隐含层阈值的变化 ;隐含层的输入 ; m 为训练次数 ; 为动量因子 ,取 0195 左右 。xj 为一般图 2 压电传感器的布置实验 中 采 样 频 率 设 定 为 10 kh z, 数 据 长 度 为12 902 , 分 3 种转速 、3 种承载工况下进行采样 。3 飞轮系统中齿轮故障的分类与诊断311 时序建模提取特征向量以齿轮箱内的故障齿轮为研究对象 , 对正常信号 与两种故障信号分别建立 ar ( p) 模型 , 建模实质上是信息凝聚的过程 , 通过建模获得模型的参数则可以体 现和包含故障的特征信息 。在建模过程中需要考虑所从式 ( 2 ) 可以看出 , 动量因子 越大 , 则通过不断修正网络的权值和偏差 , 使网络输出层实际输出 与期望输出误差平方和达到最小的时间越短 。2 试验装置与信号获取fess齿轮箱的试验装置用齿轮故障实验台来模 拟 , 它是由控制台 、直流电动机 、加载电机 、直流调速加载系统 、齿轮减速器组成 。齿轮减速箱是由三轴 式二级变速器组成 , 输入轴与输出轴上齿轮均为正常齿轮 ( z1 = 26, z4 = 85, m = 2 ) , 中间轴上齿轮为二联齿轮 ( z2 = 64, m = 2 ) 和三联齿轮 ( z3 = 40, m =2 ) , 上面布置有模拟故障 , 故障的变换由齿轮箱前 后两个换档手柄调节 。齿轮箱的传动简图 如图 1 所 示 。建的模型是否适用和完善 ,阶数和参数估计是否恰当 ,模型是否适用是指模型的而模型适用性的检验实质 6 上是定 阶 的 问 题 , 可 以 通 过 fpe 准 则 进 行 检 验。作者利用 fpe检验确定模型的阶数为 8 , 采用改进的 协方差算法来估计模型的参数 , 即自回归系数 , 设估ij (计出的各种模型自回归系数为 i = 1, 2, 3 表示状态类型 , j = 1, 2, 8 表示阶数 ) , 将时序模型 8个自回归系数组成 8 维特征向量 , 为 b p 神经网络提供训练样本和测试样本 。312 b p网络的设计与训练首先设计一个 3 层的 b p 神经网络 , 输入层节点 的数目为故障特征矢量的元素数目 , 以时序模型自回归系数构成的 8 维特征向量作为网络的输入向量 , 故输入节点为 8; 隐含层节点数目尚无理论根据 , 可根 据经验或通过训练学习后 , 考虑网络的学习次数和识别率综合比 较 后 选 定 , 隐 含 层 的 节 点 数 确 定 为 20;输出层节点数目等于待分类的故障模式元素数目 , 故 本文中网络的输出节点为 3 个 , 正常 、裂纹和剥落分别对应理想输出为 0 0 1 、 0 1 0 、 1 0 0 。对 于齿轮每种模式均取 6 组信号进行建模 , 而每组信号对应于由 8 个自回归系数组成的 8 维特征向量 , 则总共有 18 8 ( 3 6 8 ) 维特征向量 。将这些特征向 量作为 b p神经网络的输入 , 用来建立和训练调整网络 , 其对应关系可参照表 1。1 电动机传动2 , 6 联轴器3减速器 4 , 5 齿轮图 1 齿轮箱传动简图试验中的测试系统主要包括两个压电式加速度传 感器 (型号为 ca 2yd 2106 配带磁座 ) 、dl f 系列电荷 放大滤 波 器 、 inv306u 智 能 信 号 采 集 处 理 分 析 仪 、 da sp分析软件 、若干信号传输线和用于实时监测的 计算机组成 。压电式传感器是用来测取振动加速度信 号 , 它安装位置的正确与否决定着测试结果的准 确 1994-2013 china academic journal electronic publishing house. all rights reserved. 181第 3期蒋宇 等 : 一种时序 - b p网络在飞轮系统齿轮故障诊断中的应用研究表 1 训练样本及理想输出齿轮运行状态网络输入向量理想输出向量1 j2 j3 j( j = 1, ( j = 1,( j = 1,2,2,2,8)8)8)正常裂纹 剥落0 0 10 1 01 0 0图 3 b p网络训练中的误差曲线313 时序 - b p网络方法诊断齿轮故障训练好 b p 网络后 , 取待测样本检验该网络并对 齿轮的 3 种状态进行分类诊断 , 每种 状 态 取 3 组 信号 , 即组成 9 8 维特征向量作为 b p网络的待测样本 集 。表 2、3 给出了测试样本集及其诊断结果 。网络训练过程中 , 取学习速率 = 0102, 动量因子 = 0195, 误差总平方和 e 0105, 网络经过循环 训练后 , 误差平方和落在所设定的 0105 ( 01049 995 9 )以内 , 并将训练成功的网络权值和偏差保存 , 其训练 过程的误差曲线如图 3 所示 。表 2 b p网络的测试样本集特征向量故障类型i1i2i3 i4i5i6i7i8- 01281 6- 01265 4- 01282 901305 601354 001319 801193 801195 501239 101162 801119 101128 801262 501261 001274 001492 801506 701496 8- 01223 1- 01191 6- 01162 7- 01071 3- 01036 6- 01092 801281 101272 201296 901075 501068 901066 5- 01077 0- 01092 4- 01082 601341 101360 001351 701032 601025 701008 201021 8- 01002 7- 01020 201196 101197 401218 801251 301287 901259 101146 801124 701141 901100 501103 901093 401093 101069 401077 801100 401120 901133 6- 01129 3- 01154 4- 01127 301165 501154 901177 901038 801061 401051 9- 01089 4- 01084 7- 01081 8111222333表 3b p网络的诊断结果输出向量数据序号理想输出诊断结果欧氏距离节点 1输出节点 2输出节点 3输出1234567801001 601000 801001 3- 01002 101001 7- 01019 001963 701981 701000 9- 01004 1- 01012 411007 201976 201967 6- 01009 101013 811001 801981 201945 4- 01000 101009 7- 01008 101036 101001 5001001001010010010100100正常正常 正常裂纹裂纹 裂纹剥落剥落01002 601019 301056 001007 501025 801038 401051 901022 901064 2 9 01937 1 01003 7 - 01012 6 100 剥落从诊断结果表 3 中可以很清楚地看到 , 用训练好的 b p网络进行齿轮 3 种状态的分类与诊断 , 网络 3个节点的实际输出向量基本与理想输出向量相吻合 ,并且两者之间的欧氏距离均较小 , 网络诊断的结果与利用 ar 模型的自回归系数提取故障特征 , 并将其组成特征向量作为 b p网络的训练样本和测试样本 , 进 行故障的分类和诊断 。故障诊断结果分析表明 , 该方法能有效地识别出齿轮箱的多种故障 , 是一种有效的诊断手段 , 对 推 动 fess 实 用 化 提 供 有 力 的 技 术 支 撑 。参考文献【1】褚海英 , 范瑜 . 飞轮电池磁悬浮控制系统的仿真和实 验研究 j . 系统仿真学报 , 2007, 19 ( 23 ) : 5473 -5476.(下转第 190页 )故障齿轮实际运行状态一致 ,的模式识别能力 。4 结论因此 b p 网络具有较高利用时序分析和 b p 网络相结合的诊断技术 ,针对 fess在电动汽车 、大功率机车等工农业车辆设备应用中对机器齿轮箱的冲击破坏问题 , 进行实验分析 与研究 。通过对采集的齿轮振动信号进行时序分析 , 1994-2013 china academic journal electronic publishing house. all rights reserved. 190机床与液压第 37卷为 641h z, 轴 的 旋 转 频 率 为 24165h z ) , 而 且 在6421244h z两侧存在一系列的边频 (图 5 ) , 边 频 的 大小为 2417hz, 综合分析 , 充分说明这是由轴的旋 转频率经过第一对齿轮啮合频率调制所得 。经 过 检查 , 发现第一对齿轮啮合 ( 26 /54 ) 中有一齿轮基节误差过大 , 并且齿轮有一定的点蚀 , 每一圈均在此齿 处产生猛烈冲击一次造成的 。( 2 ) 另外 还 发 现 在 1 0021956hz (主 轴 转 速 为500 r /m in 时 , 23 /23 啮 合 频 率 498172hz 的 一 倍 频 ,见表 2 ) 的两侧也存在边频 23 26h z (与此轴的转 动频率 241936hz相近 , 见表 1 ) , 说明 23 /23 这对齿轮同样有问题 , 检查后发现安装万能铣头时略有松动(由于篇幅有限 , 不再另附图来说明 ) 。( 3 ) 在万能铣头上选择这些点是为了更好地分析影 响加工精度的因素 , 在此次实验中 , 222hz附近的幅值相对也比较大 , 这主要是由二、三轴齿轮啮合 ( 16 /39、19 /36、22 /33, 见表 2) 振动造成的 , 但总体所占比例相 对较小。检查或修理后对机床有很大的好处。5 结束语( 1 ) 应 用 振 动 信 号 的 频 谱 分 析 方 法 进 行 机 床(特别对于齿轮的研究 ) 故障诊断简单易行 。同时 ,对频率范围进行细化分析 , 提取准确的边频值 , 就能 准确对分析故障产生的部位和原因 。( 2 ) 应用振动信号频谱分析对机床进行故障诊断 ,不需要另加激振源和停机测试 , 可以直接在现场进行 动态测试 、实时分析 , 得出数据 , 当发现有故障后进 行检修 , 从而保证了机床总是处于最佳工作状态 。参考文献【1】李润方 , 林腾蛟 , 陶泽光 . 齿轮箱振动和噪声实验研究 j . 机械设计与研究 , 2003 , 19 ( 5 ) : 63 - 65.【2】屈维德 , 唐 恒 龄 . 机 械 振 动 手 册 m . 北 京 : 机 械图 5将各测点记录的振动信号回放后 , 使通过测试 ,用 da sp软件进行频谱分析后 , 得到各个工况下各点的频谱图 200 余副 , 图 4 所示为 75 r /m in 时第 5 号点 的频谱图和幅值相对比较大的点的数据图 。从图 4 可 知 , 图中频谱峰值比较突出 , 振动出现较大信号峰值的频率有 222188h z、 42124h z, 900 1 000h z。分析所有的频谱图可以看出 : 在 642124h z附近的幅值都 是比较大的 , 占有一定的地位 ; 主要分析这一范围的频谱 , 由于频率分辨率太低 , 因此挑选能够反应这个 特性的信号重新进行细化分析 。图 5 所示 为主 轴 在