基于BP和RBF神经网络的滚动轴承故障诊断比较_孙大洪

1、ISSN1000-3762轴承 2010年2期53-56CN41-1148/THBearing2010,No.2基于BP和RBF神经网络的滚动轴承故障诊断比较孙大洪,王发展,刘 强,张顾钟,原思聪(西安建筑科技大学 机电工程学院,西安 710055)摘要:通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。关键词:滚动轴承;故障诊断;BP神经网络;RBF神经网络中图分类号:TH133.33;TP183 文献标志码:B 文章编号:1000-3762(2

2、010)02-0053-04ComparativeStudyonFaultDiagnosisofRollingBearingsBasedonBPandRBFNeuralNetworkSUNDa-hong,WANGFa-zhan,LIUQiang,ZHANGGu-zhong,YUANSi-cong(SchoolofMechanicalandElectricalEngineering,XianUniversityofArchitecture&Technology,Xian710055,China)Abstract:TheBPandRBFneuralnetworkintheuseofrollingb

3、earingfaultdiagnosisarecompared,andasimulationexampleispresented.TheresultsshowthatthesimulationeffectforbothBPandRBFnetworkaresatisfactory,butRBFnetworkismoreeasiertobuild,fastandstableintrainingspeed.TheRBFneuralnetworkissuperiortoBPneuralnet2work.Keywords:rollingbearing;faultdiagnosis;BPneuralnet

4、work;RBFneuralnetwork轴承作为旋转机械的重要部件,一旦发生故障,不但会影响设备的正常运行,而且可能引发重大事故,因此对滚动轴承的故障诊断显得尤为重1-2要。轴承的故障诊断过程实质上就是一个模式识别的过程,人工神经网络以其非线性模式分类性能和很强的自组织、自学习能力,在轴承故障3诊断中得到了广泛应用。目前在工程领域中BP和RBF神经网络应用较为广泛,而理论上认为RBF网络更适合于轴承的故障诊断,但是缺乏实证,为此,本文建立了这两种网络的模型,并对轴承故障诊断进行了比较研究。多层)组成,包括正向传播和反向传播两部分(图1)。正向传播用于网络计算,对某一输入求出其输出;反向传播用

5、于逐层传递误差,修改连接权值和阈值4。BP网络把样本的输入、输出问题变成5一个沿梯度下降算法的非线性优化问题,并通过迭代运算求解使得网络具有学习记忆功能。1 BP和RBF网络的基本原理图1 BP网络结构1.1 BP网络BP网络一般由输入层、输出层和隐层(可以是收稿日期:2009-05-06;修回日期:2009-07-06基金项目:陕西省自然科学基金项目(2007E218)作者简介:孙大洪(1981-),男,硕士研究生,主要从事先进制造及其数值模拟研究。E-mai:lsdh19。1.2 RBF网络RBF网络输入层节点只传递输入信号到隐含层,隐含层节点由像Gauss函数那样的辐射状作用函数构成,而

6、输出层节点通常是简单的线性函数。隐层节点中的作用函数(核函数)对输入信号在局部产生响应,即当输入信号靠近核函数的中央范#54#5轴承62010.l.26围时,隐层节点将产生较大的输出构如图2所示。,RBF网络结对参数的计算结果也不会产生明显的影响。因此,通常选用峰值因子、波形因子、脉冲因子、裕度因子和峭度5个无量纲参数作为表征轴承运行状态的特征向量。对轴承的振动信号进行时域处理得到原始数据,归一化后共得到20组样本,其中有15组训练样本和分别从轴承的5种状态:即正常、内圈故障、外圈故障、滚动体故障和保持架故障中随机抽取的5组检验样本,如表1和表2所示。并将这20组样本输入到BP和RBF网络中进

7、行训练和仿9图2 RBF网络结构本文RBF网络隐含层节点的函数采用Gauss函数:U+x-ck+k(x)=-2R2,k式中:ck为RBF的中心;Rk为方差。从理论上讲,RBF网络与BP网络一样可近似为任何的连续非线性函数,但两者也有差别:首先,RBF网络需要比BP网络更多的隐含层神经元来完成工作;BP网络使用sigmoid函数,这样的神经元有很大的输入空间区域,而RBF网络使用的径向基函数输入空间区域较小,导致了在实际需要的输入空间较大时,需要很多的径向基神经元;其次,两者的逼近性质截然不同,BP中的隐含神经元采用的是全局激励函数,因此神经元在很大的输入范围内被激活,得到对函数的全局逼近,而R

8、BF函数中的隐含神经元采用的是局部激励函数,神经元的输出在输入距激励函数接受场中心比较远时很快下降,也即在给定输入较小的范围内才被激活,因此具有局部学习的功能,能得到良好的细节逼近效果7。2 实例分析2.1 轴承特征向量的提取采用振动法对加速度传感器测得的振动信号进行分析处理,提取出能够反映轴承工作状态的一些特征向量,用于轴承的故障识别8。由于传感器测得的信号随机性比较强,因此可以通过对轴承振动信号的参数进行统计计算,把这些参数转换成能够反映轴承运行状态的特征向量。由于有量纲的参数指标依赖历史数据并对载荷和转速等因素变化比较敏感;而无量纲的参数指标基本上不受载荷和转速等因素的影响,无需考虑相对

9、标准值或与以前的数据进行对比,另外,它不受信号绝对水平的影响,即使测量点同以往略有不同,真。由于网络的输出对应着轴承的5种状态,将这5种输出状态分别编码为:正常(10000);内圈故障(01000);外圈故障(00100);滚动体故障(00010);保持架故障(00001),并以此作为BP和RBF网络的理想输出。表1 训练样本轴承状态峰值因子波形因子脉冲因子裕度因子峭度000.001300正常0.00740.03350.00150.00320.01060.00430.022300.00470.00530.55200.30170.25810.30940.2316内圈故障0.54520.27930

10、.26110.29880.20360.55020.24580.27170.31150.23470.24620.15080.09470.09640.0999外圈故障0.25350.10610.09680.09710.08100.26650.08940.09370.09940.0908滚动体0.66150.52510.51950.47101.0000故障0.67380.44130.52250.47320.96670.66650.47490.52550.47690.9758保持架1.00001.00000.98121.00000.8206故障0.97970.97771.00000.99600.775

11、90.98460.97270.98470.98570.7600表2 检验样本轴承状态峰值因子波形因子脉冲因子裕度因子峭度正常0.00310.02350.00050.00300.0045内圈故障0.54930.26260.26590.30880.2221外圈故障0.25720.10060.09580.09810.0890滚动体故障0.67040.49720.52350.47410.9791保持架故障0.99200.98990.99790.99370.79792.2 神经网络的算法比较BP网络实质上是把一组样本的输入、输出问题转变为非线性优化问题,采用沿梯度下降算法,迭代调整权值和阈值,可以实现任

12、意线性或非线性的映射。但是,由于BP网络是基于梯度下降的误差反向传播算法进行学习的,所以BP网络存在局部极小及学习算法收敛速度慢等问题。特别是当训练模式多,样本维数大时,网络常常出现麻痹和振荡现象,甚至不能收敛,以致有时对大型复杂孙大洪等:基于BP和RBF神经网络的滚动轴承故障诊断比较#55#结构工程问题的求解失去实用意义。RBF网络是一种局部逼近网络,问题有唯一确定的解,不存在BP网络中所遇到的局部极小值问题2.3 神经网络的构建比较将峰值因子、波形因子、脉冲因子、裕度因子和峭度5个参数作为网络的输入量,把轴承的正常、内圈故障、外圈故障、滚动体故障和保持架故障5种状态作为神经网络的输出量,因

13、此,设定输入层和输出层节点数均为5。10。BP网络隐层单元数采用m=+A来计算隐层单元数,其中,m为隐层单元数;n为输入层单元数;l为输出层单元数;A为110之间的整数。经反复试验,当m=15,网络的训练效果最好,因此,最终确定建立一个5-15-5型的3层BP神经网络11。采用函数newff创建一个BP网络,隐层的传递函数为正切S形函数;输出层传递函数为对数S形函数;训练函数为traingdx。训练次数取2000,训练目标为0.000001,其余参数取默认值。RBF网络构建非常方便,只需要一条语句就可完成。采用函数newrb创建一个RBF网络,均方误差取0.000001,经反复试验,径向基函数

14、扩展速度(spread)取0.4。相比BP网络,RBF网络的构建要简单得多。2.4 神经网络的训练比较将训练样本输入BP网络进行训练时,为使训练效果最佳,需要不断地改变网络的参数,如隐层的神经元个数,隐层的传递函数,输出层的传递函数,训练函数,以及训练次数等等。由于需要调试的参数很多,不能很快达成一致,所以需要花费很长时间。而RBF网络只需要改变一个参数spread,模型就能够自动地调整网络结构,直至达到最佳状态。对比BP和RBP网络的训练效果(图3),两网络设计的精度均为0.000001,由图可知:BP网络达到训练目标需要377步,而RBF网络只需14步就达到所设定的精度要求,甚至远远超过了

15、所要达到的训练目标,由此可见,RBF网络的训练效果要明显好于BP网络。在训练的过程中,即使BP网络的所有参数都已确定,每次的训练结果(网络输出和误差等)仍有所不同,而RBF网络在网络参数确定的情况下,每次的训练结果都是一样的,相比之下,RBF网络较稳定一些。图3 BP和RBP网络的训练效果对比2.5 神经网络的仿真结果比较将检验样本输入BP和RBF网络进行仿真时,由于检验样本为从轴承的5种状态中随机抽取的5组数据,具有一定的代表性,所以能够较准确地反映轴承的状态,比较表3、表4可以看出,RBF和BP网络的实际输出与理想输出十分的接近,若以0.99为评判标准,两网络均能准确地识别出轴承的5种状态

16、,没有出现误判。表3 RBF网络的实际输出网络输出序号正常内圈故障外圈故障滚动体保持架故障故障11.00400.00160.0048-0.0007 020.00191.0050-0.00190.000903-0.0070 -0.00450.99990.000904-0.0004 0.00010.00081.00180.000850.0015-0.0022 -0.0037 -0.00300.9992表4 BP网络的实际输出网络输出序号正常内圈故障外圈故障滚动体保持架故障故障10.99890.00000.00110020.00080.99850.00140.00080.001030.00170.0

17、0120.99850.00010.001040.00090.00060.00000.99870.001250.00060.00010.00000.00090.9992比较表3和图4以及表4和图5不难看出,表中的数据与图中的曲线是相对应的,曲线1-5#56#5轴承62010.l.2(1)正常;2)内圈故障;3)外圈故障;4)滚动体故障;5)保持架故障)为5组检验样本输入到两网络中所得到的网络输出误差曲线,且一组检验样本对应一组网络输出。对比图4和图5可以看出,BP和RBF网络的输出误差属于同一个数量级(10),而且都比较小,可见两网络都能较好地对检验样本进行仿真,仿真效果相差无几。-3络训练结果

18、不稳定,经常会出现变化;而RBF网络则构建简单,网络结构和参数调整方便,训练时间短,网络训练结果稳定,不存在局部极小等问题,具有良好的局部逼近能力,体现了RBF网络的优越性。参考文献:1 王国栋,张建宇,高立新,等.小波包神经网络在轴承故障模式识别中的应用J.轴承,2007(1):31-34.2 李 力,唐 茗.滚动轴承故障程度诊断方法研究J.轴承,2009(4):42-46.3 杨 宇,于德介,程军圣.基于EMD与神经网络的滚动轴承故障诊断方法J.振动与冲击,2005,24(1):85-88.4 方莉俐,张兵临,禹建丽,等.用人工神经网络预测电铸自支撑金刚石-镍复合膜沉积结果J.稀有金属材料与工程,2006,35(4):638-641.5 张 军,陆森林,和卫星,等.基于小波包能量法的滚动轴承故障诊断J.农业机械学报,2007,38(10):178-181.6 马书民,刘思东,张卓勇,等.径向基函数网络-红外光谱法用于中药大黄样品的真伪分类J.光谱学与光谱分析,2005,25(6):874-877.7 李自珍,白 玫,黄 颖.BP网络和RBF网络在期货预测中的比较研究J.数学的实