唐立力，呂福起

(重慶工商大學(xué)融智學(xué)院，重慶 400033)

基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷

唐立力，呂福起

(重慶工商大學(xué)融智學(xué)院，重慶 400033)

針對(duì)滾動(dòng)軸承的故障診斷問(wèn)題，提出了一種基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法。以BP神經(jīng)網(wǎng)絡(luò)的誤差為目標(biāo)函數(shù)，利用遺傳算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值優(yōu)化，并用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。通過(guò)MATLAB仿真，結(jié)果表明遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有更好的診斷效率和準(zhǔn)確度。

滾動(dòng)軸承；故障診斷；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)

滾動(dòng)軸承是機(jī)械設(shè)備中最常用的部件，在工作過(guò)程中，由于裝配不當(dāng)、潤(rùn)滑不良、水分和異物侵入、腐蝕或過(guò)載等都可能使軸承損壞。目前，滾動(dòng)軸承故障的智能診斷方法多種多樣，BP神經(jīng)網(wǎng)絡(luò)診斷法是其中一種[1-5]，由于網(wǎng)絡(luò)結(jié)構(gòu)、初始連接權(quán)值和閾值的選擇對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，又無(wú)法準(zhǔn)確獲得，再加上BP神經(jīng)網(wǎng)絡(luò)本身存在學(xué)習(xí)收斂速度慢、容易陷入局部極小點(diǎn)的問(wèn)題，導(dǎo)致診斷精確性降低甚至誤診。為了解決這些問(wèn)題，許多學(xué)者對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)或優(yōu)化，比如將小波分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合[6-7]、對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化[8-12]以及其他一些改進(jìn)方法[13-16]。

本文以某型滾動(dòng)軸承為例，提出了一種基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，得到網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值。利用最優(yōu)值BP神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，加快了收斂的速度，克服了極小點(diǎn)問(wèn)題，提高了滾動(dòng)軸承故障診斷的精度和速度。

1 滾動(dòng)軸承特征參數(shù)提取

選取某型滾動(dòng)軸承的5個(gè)特征參數(shù)，分別是峰值因子、波形因子、脈沖因子、裕度因子和峭度[14]，這5個(gè)參數(shù)組成BP神經(jīng)網(wǎng)絡(luò)的輸入向量。軸承狀態(tài)主要分為正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障、保持架故障5大類，可作為BP神經(jīng)網(wǎng)絡(luò)所要診斷的5種類型。

2 滾動(dòng)軸承故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型

模型采用3層BP神經(jīng)網(wǎng)絡(luò), 輸入層為5個(gè)神經(jīng)元，對(duì)應(yīng)于峰值因子、波形因子、脈沖因子、裕度因子和峭度5個(gè)特征參數(shù)。

隱層神經(jīng)元個(gè)數(shù)根據(jù)Kolmogorov定理確定[17]：

式中：M為隱層神經(jīng)元節(jié)點(diǎn)數(shù)；N為輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，值為5，故M等于11。

網(wǎng)絡(luò)的輸出對(duì)應(yīng)著軸承的5種狀態(tài)，將這5種輸出狀態(tài)分別編碼為：正常(1 0 0 0 0)，內(nèi)圈故障(0 1 0 0 0)，外圈故障(0 0 1 0 0)，滾動(dòng)體故障(0 0 0 1 0)，保持架故障(0 0 0 0 1)。因而輸出層神經(jīng)元節(jié)點(diǎn)數(shù)取為5。

3 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

首先利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值、輸出層閾值進(jìn)行初始優(yōu)化，得到權(quán)值和閾值的較優(yōu)解；再將該較優(yōu)解代入BP神經(jīng)網(wǎng)絡(luò)中，用遺傳算法對(duì)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行迭代計(jì)算、反復(fù)優(yōu)化后得到初始權(quán)值和閾值的最優(yōu)解。具體計(jì)算步驟為：(1)初始化種群，隨機(jī)產(chǎn)生n個(gè)可行解Xi(個(gè)體，i=1,2,…,n)組成初始種群；(2)選擇BP神經(jīng)網(wǎng)絡(luò)測(cè)試誤差的范數(shù)作為遺傳算法的目標(biāo)函數(shù)，再通過(guò)該目標(biāo)函數(shù)計(jì)算種群中個(gè)體的適應(yīng)度值并進(jìn)行選擇操作；(3)按照交叉概率Px進(jìn)行交叉操作；(4)按照變異概率Pm進(jìn)行變異操作；(5)得到新種群并計(jì)算出較優(yōu)解，判斷是否滿足迭代終止條件，若滿足終止條件，則遺傳運(yùn)算結(jié)束，輸出為最優(yōu)解，否則轉(zhuǎn)回步驟(2)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

4 仿真與分析

4.1BP神經(jīng)網(wǎng)絡(luò)進(jìn)化過(guò)程

以某型滾動(dòng)軸承[14]的5個(gè)特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)軸承狀態(tài)進(jìn)行編碼，所得編碼定義為BP神經(jīng)網(wǎng)絡(luò)期望輸出向量，訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)分別見(jiàn)表1、表2。

由前面分析可知,BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-11-5型，隱層傳遞函數(shù)為S型正切函數(shù)tansig，輸出層傳遞函數(shù)為S型對(duì)數(shù)函數(shù)logsig，訓(xùn)練算法為trainlm(LM算法)，性能函數(shù)為mse(均方誤差)，訓(xùn)練目標(biāo)為0.01。遺傳算法運(yùn)行參數(shù)中種群大小為40，最大遺傳代數(shù)為50，個(gè)體采用二進(jìn)制編碼且長(zhǎng)度為10，交叉概率為0.70，變異概率為0.01，代溝為0.95，適應(yīng)度函數(shù)采用排序的適應(yīng)度分配函數(shù)，選擇算子采用隨機(jī)遍歷抽樣，交叉算子采用單點(diǎn)交叉，變異算子采用離散變異。在MATLAB R2013a上進(jìn)行仿真，得到BP神經(jīng)網(wǎng)絡(luò)的誤差范數(shù)進(jìn)化曲線如圖2所示。

由進(jìn)化結(jié)果得到BP神經(jīng)網(wǎng)絡(luò)的最小誤差范數(shù)為0.113 89，所對(duì)應(yīng)的網(wǎng)絡(luò)權(quán)值和閾值為優(yōu)化后的最優(yōu)值，即BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值(由于數(shù)據(jù)比較多，這里不詳細(xì)列出)。

4.2優(yōu)化前后的BP神經(jīng)網(wǎng)絡(luò)仿真比較

用訓(xùn)練樣本對(duì)隨機(jī)初始權(quán)值和閾值的BP神經(jīng)網(wǎng)絡(luò)(常規(guī)BP神經(jīng)網(wǎng)絡(luò))、最優(yōu)初始權(quán)值和閾值的BP神經(jīng)網(wǎng)絡(luò)(遺傳BP神經(jīng)網(wǎng)絡(luò))分別進(jìn)行訓(xùn)練，得到訓(xùn)練誤差曲線的對(duì)比結(jié)果如圖3所示。

由圖3可以看出，常規(guī)BP神經(jīng)網(wǎng)絡(luò)達(dá)到訓(xùn)練目標(biāo)需要16步，而遺傳BP神經(jīng)網(wǎng)絡(luò)達(dá)到訓(xùn)練目標(biāo)只需要8步，很明顯遺傳BP神經(jīng)網(wǎng)絡(luò)的收斂速度更快；同時(shí)也能看出遺傳BP神經(jīng)網(wǎng)絡(luò)比常規(guī)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度更高，所以遺傳BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果更好。用測(cè)試樣本對(duì)常規(guī)BP神經(jīng)網(wǎng)絡(luò)和遺傳BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行仿真，得到常規(guī)BP仿真的誤差范數(shù)為0.261 37，遺傳BP神經(jīng)網(wǎng)絡(luò)仿真的誤差范數(shù)為0.113 89，兩種網(wǎng)絡(luò)進(jìn)行故障診斷的輸出結(jié)果見(jiàn)表3和表4。

由表3、表4可以看出，優(yōu)化后的遺傳BP神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本誤差范數(shù)由0.261 37減少到0.113 89，診斷效果得到了比較大的改善。

5 結(jié)束語(yǔ)

本文提出了一種基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法。從仿真結(jié)果可以看出，該方法不但克服了常規(guī)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小點(diǎn)的問(wèn)題，而且能提高滾動(dòng)軸承故障診斷的效率和精度。

[1] 蔣康保.神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用[J].裝備制造技術(shù),2010(1):115-117.

[2] 胡靖,楊曙年.基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷研究[J].機(jī)械與電子,2006(4):9-11.

[3] 舒服華.基于BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷[J].裝備維修技術(shù),2005(3):54-57.

[4] 胡耀斌,厲善元,胡良斌.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法的研究[J].機(jī)械設(shè)計(jì)與制造,2012(2):187-189.

[5] 張振飛,夏利民.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷智能方法[J].信息技術(shù),2008(8):53-55.

[6] 丁慶喜,田福慶,羅榮.基于小波包和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J].現(xiàn)代電子技術(shù),2013,36(8):53-55.

[7] 姜濤,袁勝發(fā).基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,33(1):131-136.

[8] 陶海龍,辜琳麗,張勝召.改進(jìn)粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)在機(jī)車(chē)滾動(dòng)軸承故障診斷中的應(yīng)用[J].鐵路計(jì)算機(jī)應(yīng)用,2012,21(2):9-16.

[9] 林遠(yuǎn)艷,王斌武.基于SAPSO優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用[J].煤礦機(jī)械,2009,30(10):228-230.

[10] 李虎成,邱建東.基于粗糙集-BP神經(jīng)網(wǎng)絡(luò)的機(jī)車(chē)滾動(dòng)軸承故障診斷[J].計(jì)算機(jī)與數(shù)字工程,2014(3):526-530.

[11] 邵國(guó)友,方軍,周德廉.基于粗糙集理論優(yōu)化神經(jīng)網(wǎng)絡(luò)方法的軸承故障診斷[J].煤礦機(jī)械,2005(11):171-172.

[12] 程加堂,艾莉,熊偉.基于蟻群神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].軸承,2012(2):34-36.

[13] 戚曉利,潘紫微.高階模糊BP神經(jīng)網(wǎng)絡(luò)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J].安徽工業(yè)大學(xué)學(xué)報(bào),2004,21(3):254-256.

[14] 孫大洪，王發(fā)展，劉強(qiáng)，等.基于BP和RBF神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷比較[J].軸承,2010(2):53-56.

[15] 徐衛(wèi)曉,宋平,譚繼文.基于KPCA-BP網(wǎng)絡(luò)模型的滾動(dòng)軸承故障診斷方法研究[J].煤礦機(jī)械,2014,35(8):265-267.

[16] 王敬濤,鄧東花.基于概率神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].現(xiàn)代電子技術(shù),2010(20):147-149.

[17] 王紅君,劉冬生,岳有軍.基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究[J].現(xiàn)代電子技術(shù),2010(20):147-149.

Fault diagnosis for rolling bearing based on BP neural network of genetic algorithm

TANG Lili, LV Fuqi

(Chongqing Technology and Business University, Chongqing, 400033, China)

It establishes an BP neural network of genetic algorithm method to achieve fault diagnosis for rolling bearings. Taking the error as objective function, it optimizes the weights and biases of BP neural network with genetic algorithm, and accomplishes the fault diagnosis via the optimized BP neural network. This genetic algorithm optimization of BP network has better diagnostic efficiency and accuracy compared to traditional BP network in simulation results by MATLAB.

rolling bearing; fault diagnosis; genetic algorithm; BP neural network

10.3969/j.issn.2095-509X.2015.03.014

2015-02-06

重慶工商大學(xué)融智學(xué)院培育項(xiàng)目(20140205)

唐立力(1983—)，男，重慶人，重慶工商大學(xué)融智學(xué)院講師，碩士，主要研究方向?yàn)橹悄芸刂啤⒅悄苄畔⑻幚怼?/p>

TP183

A

2095-509X(2015)03-0065-04