基于神经网络的滚动轴承故障诊断方法的研究

第 2期 2 0 1 2年 2月 机械 设 计 与 制造 Ma c h i ne r y De s i g n Ma n u f a c t u r e 1 87 文章编号 1 0 0 1 3 9 9 7 2 0 1 2 0 2 0 1 8 7 0 2 基于神经网络的滚动轴承故障诊断方法的研究 术 胡耀斌厉善元胡良斌 南华大学 机械工程学院 衡 阳 4 2 1 0 0 1 F au l t d i a g n o s i s o f r o l l i n g b e a r i n g b a s e d o n n e u r a I n e t wo r k HU Ya o b i n LI Sh a n y u a n HU Li a n g bi n S c h o o l o f Me c h a n i c a l E n g i n e e r i n g U n i v e r s i t y o f S o u t h C h i n a H e n g y a n g 4 2 1 0 0 1 C h i n a 摘要 神经网络是一种具有非线性映射能力强以及 自 学习 自 组织 自 适应等优点的智能方法 非常适合于滚动轴承的故障诊断 针对滚动轴承是机械设备重要的易损零件之一 大约有 3 0 的故障 是由轴承损坏引起的 提出了基于神经网络的滚动轴承故障诊断方法 以滚动轴承小波分解后的能量 信息作为特征 通过神经网络作为分类器对滚动轴承故障进行识别 诊断 实验表明 该方法对于滚动 轴承的故障诊断具有良好的效果和应用价值 并可方便地推广到其他类似的诊断领域 关键词 神经网络 故障诊断 滚动轴承 A b s t r a c t N e u r a l n e t w o r k is a n o n l i n e a r in t e l l i g e n t m e t h o d h a s t h e a d v a n t a g e o f a m a p p i n g c apa b i l i t y and s e lf l e arn i n g s e lf o r g ani z i n g adapt i v e e t c and w h i c h is i d e a l f o r r o l l i n g b e ari n g f a u l t d i a g n o s i s We p r o p o s e d a me t h o d f o r f aul t t e s t i n g o n r o l l i n g b e ari n g b ase d o n n e u r a l n e t w o r k i n c o n n e c t i o n w i t h r o l l i n g b e ari n g i s i m p o r t ant t o m a c h i ner y and e q u i p me n t off r a g i l e p art s and app r o x i m a t e l y 3 0 of w h i c h f a i l u r e s are c a u s e d b y b e ari n gd a m age T h e me t h o d u s e t h e e n e r g y i n f o r m a t i o n e r r o l l i n gw a v e l e t d e c o m p o s i t i o n as a l e a t u r e and t h e n e u r al n e t w o r k as c l ass ifie r t o i d e n t if y a n d d i o g n o s i s t h e r o l l i n g b e a r i n g f a u l t E x p e r i me n t s s h o w t h at t h e me t h o d i s t h e f a u l t d i a g n o s is f o r r o l l i n g b e ari n g w i t h g o o d r e s u l t s and v al u e a n d C an b e e asi l y e x t e n d e d t o o t h e r s i mi l ar d i a g n o s t i c s Ke y wo r d s Ro l l i ng be a r i ng Ne ur a l ne t wo r k Fa ul t d i a g no s i s 中图分类号 T H1 6 T H1 3 3 3 3 文献标识码 A 1引言 滚动轴承是机械设备重要的易损零件之一 它的运行状态 直接影响到整个机械设备的状态 由于工作面接触应力的长期反 复作用 极易引起轴承疲劳 裂纹 压痕等故障 严重的会导致轴 承断裂 造成事故 在旋转机械设备故障中 约有 3 0 的故障是由 轴承损坏引起的 传统的诊断方法如冲击脉冲法 1 和共振解调法 虽然较大的提高了诊断精度 但是仍然需要人工辅助 难以实现 复杂环境下的精确诊断 因此 采用智能方法对滚动轴承进行状 态检测以及故障诊断显得十分必要 而神经网络作为一种应用广 泛的智能方法 具有非线性映射能力强 以及 自学习 自组织和自 适应的优点 非常适合于滚动轴承的故障诊断 2滚动轴承的特征提取 滚动轴承在旋转过程中 难免会产生振动 当滚动轴承存在 缺陷时 将会对元件产生冲击 而这种冲击将会进一步引起整个 轴承的振动 对应不同缺陷 这些振动将呈现出不同的特征 从总 体上可将滚动轴承缺陷的振动 划分为低频诊断和高频诊断 其 中低频诊断 主要是针对滚动轴承中 各元件缺陷的旋转特征频 率进行的 而高频诊断 则着眼于滚动轴承因存在缺陷时 所激发 的各元件的固有频率振动 它们在原理上没有太大的区别 滚动 轴承特征提取的原则 就是寻求一种能够表现不同故障类型在滚 来稿E l 期 2 0 1 1 o 4 2 5 基金项目 湖南省科技计划项目 2 0 1 1 G K 3 1 8 9 动轴承振动频域上的特定分布的方法 而小波变换 Wa v e l e t T r a n s f o r m 是一种新的时频分析方法 2 31 被誉为分析信号的显微镜 很适合提取非稳态信号 我们采用 Ma l l a t 小波分解算法 对采集到的滚动轴承的加速度信号作三层 分解 将采集到的振动信息划分为8 个频带 再依据分解后各频带 能量的分布 判断当前信号正显现那种元件 内圈 外圈 滚动体 等 故障时的典型特征频率 从而判断滚动轴承的故障类型及其严 重程度 振动信号经小波包分解后 在某一层次上不同正交小波包 空间上的能量分布 如同滚动轴承的故障特征频率谱一样 反映了 滚动轴承运行状况的本质特征 特征提取的具体算法如下 1 采用 Ma l l a t 小波分解算法 将加速度信号进行三层小波 分解 并进行信号重构 得到8组小波包系数 Ma l l a t 算法可简单表述如下 j h k 0 1 2 1 式中 信号的时域波形 n g n 共轭镜像滤波器的脉冲 相应 一采样点数 分解层数 层的相似系数 层的细节系数 1 8 8 胡耀斌等 基于神经网络的滚动轴承故障诊 断方法的研究 第 2期 重 构 公 式 如 下 所 示 J h 2 求重构后的信号各频段的能量 E 公式如下 二 2 l l 式中 U O 1 7 0 1 n 重构信号离散点的幅值 3 为了更好的反应不同故障带来的固有振动频率的本质 从而获得更具一般I生的特征 最后对各频段能量进行归一化 获 得 特 征 向 量 I n 告 E E E 4 E s 厂 r 一 其 中 E T j o 3神经网络模型及故障诊断网络的构建 3 1故障诊断网络的结构 人工神经网络 是依据生物原理提出的人工智能算法 是对生 物神经元的模拟和简化 从滚动轴承的实际诊断过程可以看出 其 实质是 个模式识别过程 与传统的模式识别方法相比 人工神 经网络能实现任意复杂的判别曲面 具有更强的适应能力 我们采用三层的神经网络结构 如图 1 所示 输 入层 隐藏层 输 出层 图 1滚动轴承故障诊断网络结构 网络的第一层为输入层 输入采用小波分解得到的特征向 量 第二层为隐藏层 b 为偏置 由于输入向量 1 一 范数本身处于 0 1 区间 故隐藏层选用 S i g m o i d激活函数 式中 l I e 一 大于 0的常数 在这里直接取 o t l 而隐藏层神经元的多少 也对网络的识别性能有着重要的影响 如果隐藏层神经元过少 则网络无法有效地对样本信息进行学习 从而大大降低识别效 果 反之 隐藏层神经元过多 则不仅会延长网络训练时间 对样 本数量的要求也会提高 确定隐藏层神经元个数的基本原则是 1 在满足精度要求的前提下 取尽可能紧凑的结构 即取 尽可能少的隐藏层神经元 2 隐藏层神经元个数 必须小于 一 1 其中 为训练样本数 3 训练样本数必须多于网络模型的连 接权数 一般为 2 一 l 0 倍 经过试验测试 我们发现隐藏层选择 l 8 个神经元比较合适 网络的第三层为线性输出层 针对模式识 别的神经网络 输出层采用线性输出比较有利 对应的期望输出 分别为 无故障 1 0 0 0 内圈故障 O 1 0 0 外圈故障 O 0 1 0 和滚动体故障 0 0 0 1 o 3 2神经网络的训练 上世纪 8 0 年代 以 R u m e l h a r t 和 Mc c l e l l a n d为首 提出的多 层前馈网络的反向传播 B a c k P r o p a g a t i o n 学习算法 简记 B P算 法 B P 算法是是非循环多级网络最常用的训练算法 也是一种有 导师的学习算法 具有广泛的适用性I6 1 在这里我们采用 B P算法 对故障诊断网络进行训练 具体的算法流程如下 1 对网络的权 值以及偏置进行随机初始化 使得初始权值的大小在 0 5附近 2 对样本数据随机排序 以提高网络的训练速度 3 按照排序 输入样本 正向计算得到模式识别网络输出 依据期望输出获得 输出层的误差 4 将输出层误差进行反向传播 获得各层局部梯 度 5 依据局部梯度修正各层权值与偏置 6 判断当前样本是 否为最后一个样本 如否则重新执行第 3 步 7 计算当前网络的 总体平均误差 判断是否小于预设值 如否则重新执行第 2步 8 输出训练好的神经网络 4试验与结果 为了检验诊断方法的可靠眭 我们通过实验分别采集了6 3 0 7 滚动轴承无故障 内圈故障 外圈故障和滚动体故障的加速度振动 信号 进行轴承故障的识别验证 诊断测试系统图 如图2 所示 图 2诊断测试系统图 表 1滚动轴承特征向量表 实验采用电机带动滚动轴承转动 电机转速 1 3 8 0 d mi n 传感器 选用B Z 1 1 0 3 加速度传感器 安装在负载上边 传感器经过电荷放 大器连接凌华P C I 9 1 1 8 数据采集卡 采样频率为 1 0 k H z 实验 共 第 2期 2 0 1 2年 2月 机 械 设 计 与 制 造 Ma c h i n e r y De s i g n Ma nu f a c t u r e 1 8 9 文章 编号 1 0 0 1 3 9 9 7 2 0 1 2 0 2 0 1 8 9 0 3 基于特征造型的轴类零件设计 系统 l 程皓亮李 华姚 进 四川大学 制造科学与工程学院 成都 6 1 0 0 6 5 Th e d e s i g n s y s t e m o f s h a f t p a r t s b a s e d o n f e a t u r e mo d e l i n g CHENG Ha o l i a n g L I Hu a YAO J i n S c h o o l o f Ma n u f a c t u r i n g S c i e n c e a n d E n g i n e e r i n g S i c h u a n U n i v e r s i t y C h e n g d u 6 1 0 0 6 5 C h i n a 摘要 以特征造型思想为基础 用V B 6 0 和A c c e s s 2 0 0 3 为开发工具对A u t o d e s k I n v e n t o r 进行 二次开发 开发出轴类零件设计系统 系统采用模块化结构 主要阐述了信息输入及处理模块 特征造 型模块 工程图绘制模块等主要模块及其实现方法 系统能够对不同形状的轴类零件进行计算机辅助 i 设计并生成工程图 具有记录建 模过程并实 现人机交互功能的特点 显著的提高了 设计效率 关键词 特征造型 轴类零件 In v e n t o r 二次开发 i A b s t r a c t B a s e d o n f e a t u r e m o d e l i n g u s i n g V B 6 0 a n d A c c e s s 2 0 0 3 as t o o l s n d e s i g n s y s t e m f o r s p a r t s h as b e e n a c c o m p l is h e d w i t h t h e f u rt h e r d e v e lo p m e n t of A u t o d e s k I n v e n t o r O n t h e c o n c e p t of 2 mod u l e s t r u c t u r e th is s y s te m is c o m p o s e d of t h r e e m a i n m o d u l e s w h i c h a r e m o d u l e of d a t a i n p u t a n d p r o 一 c e s s i n g m o d u l e off e at u r e mod e l in g a n d mod u l e f o r p r o j e c t d r a w in g p l o t t i n g T h is s y s t e m c anf ac i l i t at e d e i s i gn ofa l l k i n d s ofs p a r ts w i t h v arie d s h a p e s a n d p r o j e c t d r a w i n g is g e n e r at e d w h i c h h a v e t h e a d v an一 t a g e ofr e c o r d i n g mod e l i n g p r o c e s s and h u m a n c o m p u te r i n t e r a c t io n i m p r o v e d t h e d e s ign e f fi c i e n c y s wirl i can Ke y w o r d s F e a t u r e mo d e li n g S h a f t p a r t s I n v e n t o r s e c o n d a r y d e v e l o p m e n t 5 中图分类号 T H1 6 T H1 3 文献标识码 A 己I 言 速器造型方法跟本系统类似 但是其生成的二维图无法标注 且设 的轴类零件设计占用了设计 人 员 大量的时间和精力 因此 如何将轴类零件设计简易化一直是国内 外学者较为关注的研究课题 目 前 提高轴类零件建模效率的常用 方法是轴的参数化造型 这种方法用尺寸驱动的功能可以得到不同 尺寸的轴 但无法改变轴的特征形状 I n v e n t o r自带的轴的设计加 计力 11 速器没有记十 的功能 特征的造型方法 被工程设计人员广泛的接受和使用 而I n v e n t o r 的设计思想就是基 于特征的造型方法 鉴于轴类零件自身的特 和I n v e n t o r 良好的二 次开发接口功能 系统利用 V B对 I n v e n t o r 进行二次开发 实现了 可选择化轴特征建模 来稿 日 期 2 0 1 1 0 4 2 5 基金项目 四川省科技支撑计划项目 2 0 1 0 G Z 0 1 7 3 和生成工程图 采集了 1 6 0 个样本 每种类型4 0个 其 个用来i 儿 陈 部 向量 如表 1 所示 2 0 诊断的成功经验 如同时引入温度 加速度 声发射器信号 7 是下 学习后 对所有的 车 递珩 了检测 检测的结果 如表2 所示 表 2滚动轴承故障神经网络诊断结果 5结束语 滚动轴承的故障检测 是一项重要的研究课题 提出的采用 神经网络进行滚动轴承故障诊断的方法 经过实验验证 具有 良 好的识别效果 而且具有再学习方便 识别速度快 可进行在线诊 断且便于推广的优点 但是由于实验室采集到的滚动轴承运行状 态相对简单 且故障较明显 复杂运行环境下的滚动轴承故障检 测 仍需要进一步的研究 如何能更好的引入传统轴承故障故障 一 步研究工作的方向 参考文献 l 1 J R Ma r t i n D e t e c t i o n o f B a l l B e a r i n g Ma l f u n c t i o n J I n s t r u m e n t s a n d C