張應(yīng)紅，李聰，景暉，閆建軍

(1.桂林電子科技大學(xué)機(jī)電工程學(xué)院，廣西桂林541004;2.桂林航天工業(yè)學(xué)院機(jī)械工程系，廣西桂林541004;3.中國(guó)煤炭科工集團(tuán)太原研究院，山西太原030006)

礦用皮帶機(jī)是目前煤礦中應(yīng)用較為廣泛的一種運(yùn)輸工具，承擔(dān)著井下煤炭的運(yùn)輸任務(wù)。滾動(dòng)軸承大量地用于皮帶機(jī)，其故障嚴(yán)重影響著井下煤炭運(yùn)輸?shù)恼＿\(yùn)行。現(xiàn)有皮帶機(jī)的故障診斷經(jīng)常是定期檢查或事后診斷。當(dāng)皮帶機(jī)停機(jī)進(jìn)行定期檢查時(shí)，對(duì)于煤礦企業(yè)而言，嚴(yán)重影響其正常的煤炭生產(chǎn)，并且有一些故障的發(fā)生和發(fā)展是比較快的，一般難以通過(guò)定期檢查及時(shí)發(fā)現(xiàn)。一旦皮帶機(jī)軸承出現(xiàn)故障，則會(huì)直接導(dǎo)致皮帶機(jī)停運(yùn)，甚至危及安全生產(chǎn)，造成安全事故，使煤炭生產(chǎn)無(wú)法正常進(jìn)行，給企業(yè)帶來(lái)嚴(yán)重的損失。因此，對(duì)皮帶機(jī)滾動(dòng)軸承快速準(zhǔn)確地進(jìn)行故障診斷具有重要的理論及現(xiàn)實(shí)意義。

近年來(lái)，在滾動(dòng)軸承的故障診斷領(lǐng)域，許多專家學(xué)者進(jìn)行了深入的研究，取得了一系列成果。一般而言，滾動(dòng)軸承的故障診斷方法有很多，如振動(dòng)診斷方法、油液診斷方法、聲發(fā)射診斷方法、光纖診斷方法、熱診斷方法和人工智能診斷等方法。其中，基于振動(dòng)信號(hào)的滾動(dòng)軸承故障診斷方法主要通過(guò)對(duì)設(shè)備運(yùn)行過(guò)程中軸承振動(dòng)信號(hào)的采集和處理來(lái)對(duì)滾動(dòng)軸承運(yùn)行過(guò)程中出現(xiàn)的疲勞剝落、變形、壓痕、裂紋和局部腐蝕等故障進(jìn)行診斷，該方法由于相關(guān)理論和實(shí)際相對(duì)成熟，因此，應(yīng)用比較廣泛［1－5］。

作者首先對(duì)人工神經(jīng)網(wǎng)絡(luò)模型的原理、結(jié)構(gòu)、學(xué)習(xí)算法進(jìn)行了分析，并研究了基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)。最后以礦用皮帶機(jī)滾動(dòng)軸承故障診斷為實(shí)例，進(jìn)行故障診斷。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)是現(xiàn)代人工智能技術(shù)的一個(gè)重要分支。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式由基本處理單元及其互聯(lián)方法決定，其中，連接結(jié)構(gòu)的基本處理單元稱為神經(jīng)元，神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。圖1為一種簡(jiǎn)化的神經(jīng)元結(jié)構(gòu)，該結(jié)構(gòu)是一個(gè)多輸入、單輸出的非線性元件。BP 神經(jīng)網(wǎng)絡(luò)模型是一種較為成熟且應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)把一組訓(xùn)練樣本的輸入輸出問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題。相對(duì)其他傳統(tǒng)模型而言，該網(wǎng)絡(luò)具有較好的持久性、適時(shí)預(yù)報(bào)性和分類能力。BP 神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱層和輸出層組成。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要由前向計(jì)算過(guò)程和誤差反向傳播過(guò)程組成。在正向傳播時(shí)，信息從輸入層輸入，經(jīng)過(guò)隱單元處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只對(duì)下一層的神經(jīng)元的狀態(tài)有影響。如果在輸出層得不到預(yù)期的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的神經(jīng)元連接通路返回。在返回過(guò)程中，網(wǎng)絡(luò)逐一修改各層神經(jīng)元連接的權(quán)值和閾值。重復(fù)迭代以上過(guò)程，使得信號(hào)誤差能夠達(dá)到允許的誤差范圍［6－10］。

圖1 神經(jīng)元結(jié)構(gòu)模型

2 礦用皮帶機(jī)滾動(dòng)軸承故障特征分析

滾動(dòng)軸承主要由內(nèi)圈、外圈、滾動(dòng)體和保持架4種元件組成，如圖2所示。軸承內(nèi)圈與傳動(dòng)軸的軸頸通常采用過(guò)盈配合聯(lián)接，工作時(shí)隨軸一起轉(zhuǎn)動(dòng)。而軸承外圈通常安裝在軸承座上，工作時(shí)固定或相對(duì)固定。滾動(dòng)體是滾動(dòng)軸承的核心元件，它使相對(duì)運(yùn)動(dòng)的元件表面間的滑動(dòng)摩擦變?yōu)闈L動(dòng)摩擦。滾動(dòng)體的形式有球形、圓柱形、鼓形、圓錐形等。通常，在滾動(dòng)軸承內(nèi)、外圈上都有凹槽滾道。滾道的主要作用是降低接觸應(yīng)力和限制滾動(dòng)軸承軸向移動(dòng)等。保持架的作用在于使?jié)L動(dòng)體等距離分布并減少滾動(dòng)體間的摩擦和磨損。滾動(dòng)軸承故障特征頻率計(jì)算如下［4］:

z 個(gè)滾動(dòng)體與外圈上某一固定點(diǎn)接觸的頻率為:

z 個(gè)滾動(dòng)體與內(nèi)圈上某一固定點(diǎn)接觸的頻率為:

滾動(dòng)體某一固定點(diǎn)與外圈或內(nèi)圈接觸的頻率為:

其中，假設(shè)軸承外圈固定，內(nèi)圈旋轉(zhuǎn)頻率為fs，滾動(dòng)體直徑為d，軸承節(jié)徑為D，接觸角為α，滾動(dòng)體個(gè)數(shù)為z，這里假定滾動(dòng)體與內(nèi)外圈之間為純滾動(dòng)接觸。fo、fi和fr分別稱為外圈、內(nèi)圈和滾動(dòng)體的故障特征頻率。

圖2 滾動(dòng)軸承結(jié)構(gòu)圖

3 基于BP 網(wǎng)絡(luò)的礦用皮帶機(jī)滾動(dòng)軸承故障診斷技術(shù)

基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷技術(shù)，就是通過(guò)對(duì)機(jī)械故障信息和診斷經(jīng)驗(yàn)的訓(xùn)練學(xué)習(xí)，然后利用分布在網(wǎng)絡(luò)內(nèi)部的連接權(quán)值來(lái)表達(dá)所學(xué)習(xí)的故障診斷知識(shí)。因此，該方法具有對(duì)故障模式的聯(lián)想記憶、模式匹配和相似歸納能力，從而實(shí)現(xiàn)故障與征兆之間復(fù)雜的非線性映射關(guān)系。以下結(jié)合BP 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及滾動(dòng)軸承故障診斷的要求，設(shè)計(jì)了基于BP 神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷系統(tǒng)。該系統(tǒng)的主要診斷步驟如下:

(1)對(duì)故障信息進(jìn)行采集并預(yù)處理，建立網(wǎng)絡(luò)訓(xùn)練樣本集。

(2)BP 網(wǎng)絡(luò)模型的建立及訓(xùn)練;

(3)測(cè)試樣本檢測(cè)。

4 故障診斷實(shí)例分析

下面以皮帶機(jī)滾動(dòng)軸承故障診斷為例，進(jìn)行故障模式識(shí)別。同時(shí)將最為常見的內(nèi)圈故障、外圈故障、滾子故障等3 種故障征兆參數(shù)進(jìn)行測(cè)量，作為故障診斷依據(jù)，如表1所示。具體診斷步驟如下:

(1)輸出、輸入向量的確定及征兆/故障樣本集的設(shè)計(jì)。根據(jù)皮帶機(jī)滾動(dòng)軸承工作過(guò)程中的理論分析和實(shí)際經(jīng)驗(yàn)，可以確定滾動(dòng)軸承各個(gè)部件可能出現(xiàn)故障的類型，作為故障輸出，即BP 神經(jīng)網(wǎng)絡(luò)的輸出。分別見表1 和表2。

表1 測(cè)試樣本表

在表1 中，選擇滾動(dòng)軸承常見的3 種典型故障進(jìn)行研究:軸承內(nèi)圈故障、軸承滾動(dòng)體故障和軸承外圈故障。為提高訓(xùn)練效果，每種故障模式采集3 列的向量數(shù)據(jù)。由于數(shù)據(jù)量比較大，故表1 只給出了部分?jǐn)?shù)據(jù)。

(2)利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)造神經(jīng)網(wǎng)絡(luò)，即構(gòu)造:BP 神經(jīng)網(wǎng)絡(luò)，用學(xué)習(xí)樣本對(duì)其進(jìn)行學(xué)習(xí)訓(xùn)練，確定其結(jié)構(gòu)參數(shù)。

(3)以待診斷故障數(shù)據(jù)樣本作為測(cè)試樣本，輸入到已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，輸出的診斷結(jié)果如表3所示。輸出向量為3 類故障模式，當(dāng)對(duì)應(yīng)上述3 類故障時(shí)，矩陣表示為1，否則為0。數(shù)值越接近1，證明是這種故障的概率越大，反之亦然。

表3 樣本測(cè)試結(jié)果表

利用上述數(shù)據(jù)對(duì)應(yīng)關(guān)系，對(duì)建立好的網(wǎng)絡(luò)對(duì)進(jìn)行訓(xùn)練。訓(xùn)練結(jié)果如圖3 和表4所示。

圖3 中，橫軸代表迭代次數(shù)，縱軸代表收斂誤差;黑色粗實(shí)線代表實(shí)際計(jì)算的系統(tǒng)收斂誤差，虛線代表設(shè)定的目標(biāo);當(dāng)系統(tǒng)收斂誤差到達(dá)設(shè)定的目標(biāo)值時(shí)，表示系統(tǒng)訓(xùn)練完成，達(dá)到預(yù)期效果。當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后，將采集到的實(shí)際故障數(shù)據(jù)輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)迅速輸出結(jié)果，如表4所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖

表4 實(shí)際故障采樣表及診斷結(jié)果

表4 給出了3 種不同的故障模式輸入情況下的網(wǎng)絡(luò)輸出。從診斷結(jié)果可以看出，網(wǎng)絡(luò)判斷結(jié)果正確。

5 結(jié)束語(yǔ)

文中充分利用神經(jīng)網(wǎng)絡(luò)優(yōu)秀的聯(lián)想記憶、模式匹配和相似歸納能力等優(yōu)點(diǎn)，將其應(yīng)用在礦用皮帶機(jī)滾動(dòng)軸承的故障診斷中。通過(guò)對(duì)滾動(dòng)軸承的故障進(jìn)行實(shí)例分析，表明了該診斷方法可以有效地查找到故障，縮短維修周期，對(duì)故障原因復(fù)雜的礦用皮帶機(jī)滾動(dòng)軸承系統(tǒng)有一定的使用價(jià)值。

【1】陳進(jìn).機(jī)械設(shè)備振動(dòng)監(jiān)測(cè)與故障診斷［M］.上海:上海交通大學(xué)出版社，1999.

【2】屈梁生，何正嘉.機(jī)械故障診斷學(xué)［M］.上海:上?？茖W(xué)技術(shù)出版社，1986.

【3】李俊卿.滾動(dòng)軸承故障診斷技術(shù)及其工業(yè)應(yīng)用［D］.鄭州:鄭州大學(xué)碩士學(xué)位論文，2010.

【4】蘇文勝.滾動(dòng)軸承信號(hào)處理及特征提取方法研究［D］.大連:大連理工大學(xué)博士學(xué)位論文，2010.

【5】TANDON N A，CHOUDHURY A B.A Review of Vibration and Acoustic Measurement Methods for Detection of Defects in Rolling Element Bearing ［J］.Tribology International，1999，32(8):469－480.

【6】宗群，王中海，羅欣宇.神經(jīng)網(wǎng)絡(luò)技術(shù)在電梯故障診斷中的應(yīng)用［J］.計(jì)算機(jī)應(yīng)用，2003，23(8):78－80.

【7】順廷虎，鐘來(lái)林，黃仁.BP 神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用［J］.東南大學(xué)學(xué)報(bào)，1993，23(5):16－20.

【8】胡守仁，余少波，戴葵.神經(jīng)網(wǎng)絡(luò)導(dǎo)論［J］.長(zhǎng)沙:國(guó)防科技出版社，1992.

【9】梁武科，趙道利，馬薇等.基于粗糙－BRF 神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷［J］.儀器儀器學(xué)報(bào)，2007，28(10):1806－1810.

【10】呂俊峰，陳小安，趙孟娜.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的少齒差行星齒輪參數(shù)優(yōu)化設(shè)計(jì)［J］.重慶理工大學(xué)學(xué)報(bào):自然科學(xué)版，2012，26(2):55－59.