1、徐州凱爾農(nóng)業(yè)裝備股份有限公司 高曉磊 王敏 2、山東科技大學 王偉

基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械振動故障診斷法

1、徐州凱爾農(nóng)業(yè)裝備股份有限公司 高曉磊 王敏 2、山東科技大學 王偉

機械振動故障診斷技術(shù)引入人工神經(jīng)網(wǎng)絡(luò)，通過一個具有大量專門知識和經(jīng)驗的智能網(wǎng)絡(luò)，對數(shù)據(jù)進行分析，模擬人類專家進行推理、判斷和決策，從而獲得分析結(jié)論。網(wǎng)絡(luò)以振動信號的頻域特征為輸入，以故障模式編碼為輸出，通過MATLAB7.0人工神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建網(wǎng)絡(luò)。仿真結(jié)果表明：對訓練的特征樣本進行模式識別具備了很高的準確率，實現(xiàn)了診斷分析的智能化。

人工神經(jīng)網(wǎng)絡(luò)；機械故障；機械振動；人工智能

1 前言

隨著機械設(shè)備自動化水平和復雜程度的提高，機械設(shè)備故障診斷變得越來越重要，因此診斷方法的選擇會對診斷結(jié)果的精確與否產(chǎn)生重要影響。故障的智能診斷也因此隨著計算機的迅猛發(fā)展展示出極大的優(yōu)勢。

傳統(tǒng)的診斷分析方法是通過檢測所獲得的數(shù)據(jù)進行人工分析從而獲得結(jié)論，這就要求技術(shù)人員要有很豐富的診斷經(jīng)驗以及很深厚的理論基礎(chǔ)。本文所述的就是一種新的分析實現(xiàn)方法。我們將機械振動故障診斷技術(shù)引入人工神經(jīng)網(wǎng)絡(luò)，通過一個具有大量專門知識和經(jīng)驗的智能網(wǎng)絡(luò)對數(shù)據(jù)進行分析，模擬人類專家運用知識和經(jīng)驗進行推理、判斷和決策的思維，從而獲得診斷結(jié)論的一種方法。

2 旋轉(zhuǎn)機械振動分析法

旋轉(zhuǎn)機械的功能主要是由旋轉(zhuǎn)動作來實現(xiàn)的，它的重要部件之一就是轉(zhuǎn)子。當發(fā)生故障時常會伴隨著噪音和震動異常的現(xiàn)象因此我們將轉(zhuǎn)子的振動信號作為對象進行研究分析。常見的故障及其振動特征如下：

1.由于旋轉(zhuǎn)體軸心本身的質(zhì)量分布不均勻?qū)е碌牟黄胶?，致使在旋轉(zhuǎn)時會產(chǎn)生很大的離心力而出現(xiàn)振動的現(xiàn)象。主要表現(xiàn)在：頻譜圖中，諧波能量集中于基頻左右，幅值相對穩(wěn)定，轉(zhuǎn)子的軸心軌跡大致為橢圓，振動的時域波形為正弦波。

2.當用聯(lián)軸節(jié)連接兩根軸的中心線時往往不重合。主要表現(xiàn)在：振動特性相對穩(wěn)定，振動二倍頻極大，振動方向一般為徑向、軸向，相位特征穩(wěn)定性好，軸心軌跡與雙環(huán)橢圓擬合，振幅隨負荷變化、轉(zhuǎn)速都較為顯著。

3.在滑動軸承里面，由于油膜動力效應(yīng)中油膜阻尼力和渦動力之間的相互作用而引起的一種自激振動。主要表現(xiàn)在：油膜渦動的高頻成分較少，主要集中在低頻、工頻附近的振幅所占比例相對較大，相位特征和振動較為穩(wěn)定，軸心軌跡大致為雙環(huán)橢圓，振動主要方向為徑向方向。

4.軸承諧波成分豐富，存有缺陷頻率，由于存在隨機高頻振動帶，邊帶成分也很突出，軸承溫度較高。

5.振動在超低頻分量時經(jīng)常出現(xiàn)，振動相對不穩(wěn)定，相位也不穩(wěn)定，軸心軌跡紊亂，出現(xiàn)喘振現(xiàn)象。

6.軸承座松動的振動往往以垂直振動為主，由頻譜圖中看出，頻譜除基頻以外，仍然有很大一部分高頻成分及偶次分頻，軸心軌跡相當混亂，重心偏移，但其能量主要集中在低于1/2倍頻的低頻區(qū)。

3 人工神經(jīng)網(wǎng)絡(luò)

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN）就是在人們還不能清楚認識生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，假想出來的能夠反映生物神經(jīng)元基本功能的“人工神經(jīng)元”，通過某種方式連接起來，就形成了一個能模擬推理、判斷和決策能力的智能網(wǎng)絡(luò)。

3.2 BP神經(jīng)網(wǎng)絡(luò)模型及算法概述

本文研究分析所采用的網(wǎng)絡(luò)為有反饋的前向網(wǎng)絡(luò)（即BP神經(jīng)網(wǎng)絡(luò)）其結(jié)構(gòu)如圖3.1所示：

圖3 .1人工神經(jīng)網(wǎng)絡(luò)模型

網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，相鄰層之間的神經(jīng)元全互連，同一層內(nèi)的神經(jīng)元無連接。輸入層、中間層和輸出層的單元數(shù)分別是n，p和q，輸入為ah(h=1,2,…n)；中間層輸出為 bi(i=1,2,…p)；網(wǎng)絡(luò)實際輸出為cj(j=1,2,…q)。cjk(j=1,2…q)表示訓練樣本期望輸出。輸入單元h到中間單元i的權(quán)值為Vhi，中間單元i到輸出單元j的權(quán)值為Wij，用θi和θj分別來表示輸出單元和中間單元的閾值。

學習樣本提供到相應(yīng)的網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層通過中間層的作用向輸出層傳播，輸出層的每個神經(jīng)元得到網(wǎng)絡(luò)的輸入響應(yīng)后，按照減小實際誤差與目標輸出的方向，由輸出層通過中間層一層一層地修正各連接權(quán)值，進而回到輸入層，BP網(wǎng)絡(luò)就是通過這種“誤差逆?zhèn)鞑ニ惴ā?。通過誤差逆?zhèn)鞑バ拚粩噙M行，網(wǎng)絡(luò)對輸入模式的響應(yīng)正確率也不斷提高。其學習過程就是通過求實際輸出與目標輸出的誤差來調(diào)整權(quán)值，再得出新的輸出，再通過求輸出與目標輸出的誤差來調(diào)整權(quán)值周而復始的過程，直到實際輸出與目標輸出的誤差小于一定值。最后形成網(wǎng)絡(luò)及其能滿足要求的各網(wǎng)絡(luò)權(quán)值，以達到模式識別的目的，并通過網(wǎng)絡(luò)特性具備了一定的容錯能力。

4 人工神經(jīng)網(wǎng)絡(luò)進行機械振動故障診斷的方法

由前文我們知道，振動的特征對故障形式具有一定的表征作用，主要以振動信號的頻域特征作為故障征兆，經(jīng)歸一化處理后作為故障征兆，以10種現(xiàn)場常發(fā)生的典型故障作為網(wǎng)絡(luò)輸出，構(gòu)成一個三層的BP網(wǎng)絡(luò)，實現(xiàn)故障分析。

4.1 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計

采用帶一層隱含層的BP網(wǎng)絡(luò)，特征樣本有9個參數(shù)輸入，得輸入層為9個神經(jīng)元。目標輸出有6種代碼，得輸出層為6個神經(jīng)元。網(wǎng)絡(luò)建立后，其訓練的精度取決于隱含層神經(jīng)元個數(shù)。由輸入層和輸出層神經(jīng)元的個數(shù)，初步判斷隱含層神經(jīng)元個數(shù)在3-13之間，經(jīng)過測試程序得到隱含層11個神經(jīng)元效果較好。

4.2 網(wǎng)絡(luò)的訓練

在MATLAB7.0環(huán)境下運用其人工神經(jīng)網(wǎng)絡(luò)工具箱訓練該網(wǎng)絡(luò)。得訓練曲線如圖4.2所示：

圖4 .2MATLAB7.0環(huán)境下訓練曲線

4.3 仿真網(wǎng)絡(luò)

在MATLAB7.0環(huán)境下運用其人工神經(jīng)網(wǎng)絡(luò)工具箱仿真網(wǎng)絡(luò)。得仿真結(jié)果如下表所示：

0 1 2 3 4 5樣本一 1.00 0.00 0.00 0.00 0.00 0.00樣本二 0.00 1.00 0.00 0.00 0.00 0.00樣本三 0.00 0.00 1.00 0.00 0.00 0.00樣本四 0.00 0.00 0.00 1.00 0.02 0.00樣本五 0.00 0.00 0.02 0.00 0.99 0.00樣本六 1.00 0.00 0.00 0.00 0.00 0.00

5 結(jié)語

仿真結(jié)果表明對訓練的特征樣本進行模式識別具備了很高的準確率。本網(wǎng)絡(luò)主要是以振動信號的頻域特征為輸入，以故障模式編碼為輸出。在運用過程中當輸入樣本得到的輸出量與實際故障不相符時，我們就把該輸入加入訓練樣本，把該故障加入目標向量，將網(wǎng)絡(luò)重新訓練。隨著訓練樣本、識別模式的增加，網(wǎng)絡(luò)在容錯能力以及識別范圍上將不斷完善。可見，將機械振動故障診斷技術(shù)引入人工神經(jīng)網(wǎng)絡(luò)后，實現(xiàn)了分析的智能化。

[1]張玲.人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用，浙江科學技術(shù)出版社，1997年.

[2]周開利、康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計，清華大學出版社，2005年.

[3]李國華，張永忠.機械故障診斷，北京化學工業(yè)出版社，1999年.

[4]百木萬博等.故障診斷、異常診斷及其對策，振動監(jiān)測、機械振動講演文集，機械工業(yè)部鄭州機械研究所，1984年.

[5]薛小蘭，溫秀蘭，張鵬.基于遺傳神經(jīng)網(wǎng)絡(luò)的機械振動信號預測，《彈箭與制導學報》，2007（3）.