方　進(jìn),　龔　臖，劉良峰，呂　剛

(北京交通大學(xué) 電氣工程學(xué)院，北京　100044)

?

基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承智能診斷技術(shù)

方進(jìn),龔臖，劉良峰，呂剛

(北京交通大學(xué) 電氣工程學(xué)院，北京100044)

摘要：人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用與研究是近幾年迅速發(fā)展起來(lái)的一個(gè)國(guó)際性前沿研究課題.介紹了人工神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)算法，并對(duì)傳統(tǒng)的BP算法進(jìn)行改進(jìn).建立了基于BP神經(jīng)網(wǎng)絡(luò)動(dòng)車(chē)組傳動(dòng)系統(tǒng)滾動(dòng)軸承智能診斷系統(tǒng)方法，進(jìn)行了狀態(tài)識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試.通過(guò)對(duì)外環(huán)、內(nèi)環(huán)、滾動(dòng)體故障和正常情況下數(shù)據(jù)的計(jì)算、仿真和對(duì)比，分析了四種情況下在不同網(wǎng)絡(luò)設(shè)計(jì)中的識(shí)別效率.基于BP神經(jīng)網(wǎng)絡(luò)測(cè)試的實(shí)際輸出與期望輸出值非常接近，該網(wǎng)絡(luò)具有良好的識(shí)別性能.

關(guān)鍵詞：滾動(dòng)軸承；BP神經(jīng)網(wǎng)絡(luò)；智能方法；故障診斷

引言

鐵路作為國(guó)民經(jīng)濟(jì)發(fā)展的大動(dòng)脈，是社會(huì)發(fā)展的重要基礎(chǔ)設(shè)施.新中國(guó)成立以來(lái)，我國(guó)鐵路獲得了巨大的發(fā)展，為我國(guó)社會(huì)和經(jīng)濟(jì)的發(fā)展做出了巨大貢獻(xiàn)，在今后相當(dāng)長(zhǎng)的歷史期間內(nèi)，鐵路在國(guó)民經(jīng)濟(jì)發(fā)展中仍將起著重要作用.目前，我國(guó)正致力于制定科學(xué)合理、符合我國(guó)國(guó)情的高速鐵路標(biāo)準(zhǔn)，提高國(guó)家的經(jīng)濟(jì)發(fā)展和技術(shù)發(fā)展水平、提高國(guó)家安全水平[1].軸承故障診斷技術(shù)是高速列車(chē)安全運(yùn)行的關(guān)鍵技術(shù)之一.軸承作為動(dòng)車(chē)中重要的旋轉(zhuǎn)零件，也是主要故障源之一.因此，動(dòng)車(chē)組滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)與故障診斷能有效提高高速鐵路的運(yùn)行管理水平，并具有顯著的經(jīng)濟(jì)效益.

從故障機(jī)理分析的角度來(lái)研究軸承故障信號(hào)分析與診斷方法在滾動(dòng)軸承故障診斷中有很好的指導(dǎo)作用，但是這類(lèi)方法要求使用人員必須掌握較多的專(zhuān)業(yè)知識(shí)才能做出準(zhǔn)確的判斷.相比機(jī)理分析方法，智能診斷方法則不需要使用人員有很深的專(zhuān)業(yè)基礎(chǔ)，診斷過(guò)程和結(jié)果簡(jiǎn)便直觀.智能診斷方法有專(zhuān)家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等，本文選擇應(yīng)用較多的人工神經(jīng)網(wǎng)絡(luò)作為軸承的智能診斷方法.

1人工神經(jīng)網(wǎng)絡(luò)概述

圖1　簡(jiǎn)化的神經(jīng)元結(jié)構(gòu)Fig.1　A simplified structure of neurons

人工神經(jīng)網(wǎng)絡(luò)[2]工程技術(shù)模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，是一種大規(guī)模并行的非線(xiàn)性動(dòng)力學(xué)系統(tǒng).它從微觀結(jié)構(gòu)對(duì)人體大腦進(jìn)行抽象化、簡(jiǎn)化，是模擬人類(lèi)智能的一條重要途徑.ANN不僅反映了人腦功能的主要基本特征，而且還具有很強(qiáng)的知識(shí)獲取能力、聯(lián)想記憶能力、并行計(jì)算能力以及良好的容錯(cuò)能力和自適應(yīng)能力.圖1給出了一個(gè)簡(jiǎn)化的神經(jīng)元結(jié)構(gòu).

人工神經(jīng)元的結(jié)構(gòu)主要由3個(gè)基本元素組成的，它包括：1)連接權(quán)值，如圖1中的權(quán)值ωij，當(dāng)該值取正值時(shí)表示激活，反之為負(fù)值時(shí)表示抑制；2)加法器，對(duì)輸入信號(hào)對(duì)神經(jīng)元的相應(yīng)突觸加權(quán)之和，如圖中的求和函數(shù)；3)傳遞函數(shù)，用來(lái)限制神經(jīng)元的輸出振幅.三者的關(guān)系可描述為

(1)

yi=f(Ii)

(2)

其中，xj(j=1,2,3，……，N)是從神經(jīng)網(wǎng)絡(luò)的輸入或其他神經(jīng)元傳來(lái)的輸入信號(hào)，bi為神經(jīng)元單元的偏置(閾值)，ωij為第j個(gè)神經(jīng)元到I的連接權(quán)，Ii為輸入信號(hào)線(xiàn)性組合器的輸出，f(.)為傳遞函數(shù)，yi為神經(jīng)元輸出信號(hào).

2BP神經(jīng)網(wǎng)絡(luò)及其算法

2.1BP神經(jīng)網(wǎng)絡(luò)

圖2　三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2　Three layer BP neural networks structure

大量簡(jiǎn)單而高度互連的基本神經(jīng)元組成了神經(jīng)網(wǎng)絡(luò)，各神經(jīng)元之間的連接強(qiáng)度由神經(jīng)網(wǎng)絡(luò)內(nèi)部各節(jié)點(diǎn)之間的權(quán)值決定.誤差反向傳播網(wǎng)絡(luò)(Back-Propagation Neural Network，BP神經(jīng)網(wǎng)絡(luò))是在故障診斷領(lǐng)域應(yīng)用最廣泛、評(píng)價(jià)最高的一種基于BP學(xué)習(xí)算法的前向神經(jīng)網(wǎng)絡(luò).人工神經(jīng)網(wǎng)絡(luò)在機(jī)械設(shè)備故障診斷的實(shí)際工程應(yīng)用中，80%以上采用BP學(xué)習(xí)算法或者其變化形式.

2.2BP算法研究

只有一個(gè)隱層的BP網(wǎng)絡(luò)一般被稱(chēng)為三層BP網(wǎng)絡(luò)，三層分別是輸入層、隱含層和輸出層.輸入層神經(jīng)元的個(gè)數(shù)為輸入向量的維數(shù)，輸出層神經(jīng)元的個(gè)數(shù)為輸出向量的維數(shù).而對(duì)于隱層，在BP神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用中，并沒(méi)有標(biāo)準(zhǔn)確定一個(gè)網(wǎng)絡(luò)應(yīng)該使用幾個(gè)隱層或者各隱層需要多少個(gè)節(jié)點(diǎn)，這需要通過(guò)反復(fù)的實(shí)驗(yàn)或使用經(jīng)驗(yàn)來(lái)確定最優(yōu)BP神經(jīng)網(wǎng)路的結(jié)構(gòu).圖2為三層BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu).

BP算法流程圖如圖3所示[3-4].

圖3　BP算法流程圖Fig.3　Flowchart of BP algorithm

2.3BP算法的改進(jìn)

在實(shí)際應(yīng)用過(guò)程中，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程存在訓(xùn)練時(shí)間長(zhǎng)，收斂慢，甚至不收斂，陷入局部極小等問(wèn)題.由于本文研究的是實(shí)際工程應(yīng)用中的模式識(shí)別問(wèn)題，出于使用方便和降低成本的考慮，要求神經(jīng)網(wǎng)絡(luò)的模式識(shí)別能在普通計(jì)算機(jī)上得以順利實(shí)現(xiàn).本文重點(diǎn)研究BP算法的改進(jìn)算法之一，彈性反饋(Resilient Propagation，RPROP)方法.

一般情況下，BP神經(jīng)網(wǎng)絡(luò)隱含層的激活函數(shù)采用Sigmoid函數(shù).如果輸入變量很大，Sigmoid函數(shù)的斜率將會(huì)變得非常小，以至于接近0，以達(dá)到映射目的，這將導(dǎo)致BP網(wǎng)絡(luò)訓(xùn)練中出現(xiàn)梯度下降的問(wèn)題.權(quán)值修正量的大小不僅依賴(lài)于學(xué)習(xí)速率，還依賴(lài)于t時(shí)刻誤差函數(shù)對(duì)權(quán)值的導(dǎo)數(shù)，所以梯度一旦有變化，即使是很小的變化，也會(huì)引起權(quán)重的變化，使它遠(yuǎn)離最優(yōu)值[5].Martin Riedmiller和Heinrich Braun鑒于此在他們的論文中提出彈性BP方法[6].在彈性BP方法中，

(3)

(4)

RPROP的基本原理是對(duì)權(quán)值修正量的直接修正，它和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)以學(xué)習(xí)速率為基礎(chǔ)的算法不同.因此，修正結(jié)果不會(huì)被不可預(yù)見(jiàn)的梯度變化影響.由于RPROP學(xué)習(xí)規(guī)律的清楚和簡(jiǎn)單，和傳統(tǒng)的反傳算法比較，在計(jì)算上僅有少量的耗費(fèi)，而且不需要參數(shù)的選擇以得到最優(yōu)或者至少接近最優(yōu)收斂時(shí)間.這些優(yōu)點(diǎn)使得RPROP在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)中得到廣泛地應(yīng)用.

3基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)車(chē)組傳動(dòng)系統(tǒng)滾動(dòng)軸承智能診斷

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、非線(xiàn)性映射能力強(qiáng)以及工作狀態(tài)穩(wěn)定，是最常用的網(wǎng)絡(luò)結(jié)構(gòu).基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)車(chē)組傳動(dòng)系統(tǒng)軸承故障診斷系統(tǒng)結(jié)構(gòu)圖如下所示：

圖4　基于BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承智能診斷系統(tǒng)結(jié)構(gòu)Fig.4　intelligent diagnostic system architecture of rolling bearing based on BP neural networks

圖4基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷過(guò)程分為兩步.首先，對(duì)系統(tǒng)地采集到一定數(shù)量的訓(xùn)練樣本數(shù)據(jù)進(jìn)行EEMD分解得到8個(gè)基本模函數(shù)，將各基本模函數(shù)的能量作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量，將輸入特征向量歸一化處理后對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到期望的診斷網(wǎng)絡(luò)；其次，將當(dāng)前診斷振動(dòng)數(shù)據(jù)信號(hào)輸入計(jì)算出特征輸入向量，輸入到訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)中，并對(duì)網(wǎng)絡(luò)輸出進(jìn)行分析得到診斷結(jié)果.

3.1隱層數(shù)與隱層節(jié)點(diǎn)的確定[7]

單隱層的感知器可以映射所有連續(xù)函數(shù)，當(dāng)單隱層的隱節(jié)點(diǎn)數(shù)很多且仍然不能改善網(wǎng)絡(luò)性能時(shí)，才考慮增加第二個(gè)隱層.對(duì)于一些實(shí)際問(wèn)題，單隱層增加隱節(jié)點(diǎn)仍然不能明顯降低訓(xùn)練誤差的情況，可以嘗試增加一個(gè)隱層的多層感知器.

隱節(jié)點(diǎn)的作用是從樣本中提取并存儲(chǔ)其內(nèi)在規(guī)律，每個(gè)隱節(jié)點(diǎn)有若干個(gè)權(quán)值，而每個(gè)權(quán)值都是增強(qiáng)網(wǎng)絡(luò)映射能力的一個(gè)參數(shù).隱節(jié)點(diǎn)的數(shù)量設(shè)置與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)量、樣本噪聲以及樣本中蘊(yùn)含規(guī)律的復(fù)雜程度有關(guān).對(duì)于波動(dòng)次數(shù)多，幅度變化大的非線(xiàn)性函數(shù)要求網(wǎng)絡(luò)具有較多的隱節(jié)點(diǎn)來(lái)增強(qiáng)其映射能力.目前，常用以下三個(gè)公式之一來(lái)確定隱含層節(jié)點(diǎn)數(shù)的初始值，然后逐步增加隱含層節(jié)點(diǎn)數(shù)到合適為止.

(5)

nh=log2ni

(6)

(7)

其中nh為隱藏層的節(jié)點(diǎn)數(shù)，ni為輸入層的節(jié)點(diǎn)數(shù)，n0為輸輸出層節(jié)點(diǎn)數(shù).a為1-10之間的常數(shù).

3.2輸入層、輸出層節(jié)點(diǎn)數(shù)與樣本選擇

網(wǎng)絡(luò)輸入為基于基本模函數(shù)能量的特征向量，對(duì)于優(yōu)化后的EEMD所輸出的8個(gè)IMF，其經(jīng)過(guò)能量計(jì)算和歸一化處理后，是一個(gè)8維的向量，即輸入層節(jié)點(diǎn)數(shù)為8個(gè).

輸出層節(jié)點(diǎn)數(shù)為滾動(dòng)軸承工作狀態(tài)類(lèi)別數(shù)，一個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)一種工作狀態(tài).本文將根據(jù)滾動(dòng)軸承的4工作狀態(tài)分成4類(lèi).識(shí)別檢驗(yàn)或?qū)嶋H樣本的輸出時(shí)，考查各節(jié)點(diǎn)的輸出值最大的那個(gè)節(jié)點(diǎn)與目標(biāo)輸出中元素1對(duì)應(yīng)，并判定成相應(yīng)的工作狀態(tài)類(lèi)別.在某些情況下，如果輸出特征向量中最大的節(jié)點(diǎn)數(shù)值與其他節(jié)點(diǎn)的數(shù)值的差較小，不能明顯地分辨故障時(shí)，可以拒絕識(shí)別.

網(wǎng)絡(luò)訓(xùn)練中滾動(dòng)軸承狀態(tài)與基本模函數(shù)的能量對(duì)應(yīng)規(guī)律都體現(xiàn)在樣本中，因此樣本必須要有一定的代表性.同時(shí)，為了保證各類(lèi)訓(xùn)練樣本的均衡，應(yīng)盡量使每個(gè)類(lèi)別的樣本數(shù)量相近或相等，本文對(duì)4種滾動(dòng)軸承狀態(tài)分別選取30組樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.在樣本的選取中，除了數(shù)量盡量多，對(duì)于同一類(lèi)樣本也要照顧到樣本的多樣性和均勻性，訓(xùn)練樣本時(shí)，不同類(lèi)別的樣本交叉輸入或隨機(jī)選擇輸入，增加神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確度.

4狀態(tài)識(shí)別神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

4.1狀態(tài)識(shí)別神經(jīng)網(wǎng)絡(luò)的建立

圖5　軸承故障智能診斷系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5　Neural network structure of rolling bearing intelligent fault diagnosis system

將BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)置為10000，進(jìn)一步限制網(wǎng)絡(luò)的訓(xùn)練時(shí)間.訓(xùn)練精度設(shè)置為0.0001，學(xué)習(xí)速度設(shè)置為0.05.BP神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為三層，如圖5所示，其中輸入向量P有8個(gè)節(jié)點(diǎn)，分別為狀態(tài)信號(hào)EEMD分解后得到的前8個(gè)IMF的歸一化能量分布特征向量，目標(biāo)輸出向量T含有4個(gè)節(jié)點(diǎn)([1 0 0 0]代表軸承外環(huán)故障，[0 1 0 0]代表軸承內(nèi)環(huán)故障，[0 0 1 0]代表軸承滾動(dòng)體故障，[0 0 0 1]代表軸承正常)，隱含層節(jié)點(diǎn)個(gè)數(shù)將在4.2中通過(guò)試驗(yàn)確定；隱含層為雙曲正切S型激活函數(shù)，輸出層采用線(xiàn)性激活函數(shù).

4.2狀態(tài)識(shí)別神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試結(jié)論分析

根據(jù)4.2中所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練仿真.試驗(yàn)中一共使用訓(xùn)練樣本120個(gè)，外環(huán)故障、內(nèi)環(huán)故障、滾動(dòng)體故障和正常軸承的訓(xùn)練樣本交替出現(xiàn).測(cè)試樣本共40個(gè)，其中每種狀態(tài)類(lèi)別分別為10個(gè).根據(jù)公式(6)計(jì)算得到初始隱層節(jié)點(diǎn)數(shù)應(yīng)設(shè)為6，圖6為隱層節(jié)點(diǎn)數(shù)分別為6、7時(shí)，神經(jīng)網(wǎng)絡(luò)不同的訓(xùn)練過(guò)程.可見(jiàn)，在保證訓(xùn)練后網(wǎng)絡(luò)輸出的均方誤差(Mean Squared Error，MSE)小于0.0001的前提下，隨著隱層節(jié)點(diǎn)數(shù)的增加，網(wǎng)絡(luò)訓(xùn)練需要的迭代次數(shù)越來(lái)越少，論文僅列出隱層節(jié)點(diǎn)為6、7時(shí)的訓(xùn)練迭代次數(shù)與網(wǎng)絡(luò)輸出均方誤差的關(guān)系圖.

圖6　隱藏層節(jié)點(diǎn)數(shù)為6、7時(shí)均方誤差和與訓(xùn)練次數(shù)的關(guān)系Fig.6　Relationship between MSE and training epochs when hidden layer node is 6 and 7

當(dāng)隱層節(jié)點(diǎn)數(shù)大于7時(shí)，網(wǎng)絡(luò)訓(xùn)練到其輸出均方誤差小于0.0001所用訓(xùn)練迭代次數(shù)統(tǒng)計(jì)如表2所示.每次網(wǎng)絡(luò)訓(xùn)練完畢后，我們使用訓(xùn)練樣本和測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真測(cè)試.表2列出了隱含層不同節(jié)點(diǎn)下訓(xùn)練得到的網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)和樣本數(shù)據(jù)的測(cè)試結(jié)果，由結(jié)果可以明顯地發(fā)現(xiàn)，當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4時(shí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練迭代次數(shù)較少，但是測(cè)試精確度最高，其訓(xùn)練樣本學(xué)習(xí)正確率為93.33%，仿真樣本識(shí)別率為87.5%.

通過(guò)表2的比較，對(duì)于該軸承的故障診斷，應(yīng)采用8-10-4的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，在較少的訓(xùn)練時(shí)間內(nèi)，網(wǎng)絡(luò)的識(shí)別效果最好.對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行

表2　不同結(jié)構(gòu)BP神經(jīng)網(wǎng)路的訓(xùn)練和測(cè)試結(jié)果對(duì)比

測(cè)試，輸入一個(gè)測(cè)試樣本，可以得到一個(gè)輸出向量，將輸出向量與網(wǎng)絡(luò)訓(xùn)練時(shí)各狀態(tài)類(lèi)別所對(duì)應(yīng)的期望輸出作比較，哪一狀態(tài)類(lèi)最接近測(cè)試樣本的輸出，則該測(cè)試向量就代表哪類(lèi)軸承運(yùn)行狀態(tài).本例中我們通過(guò)比較網(wǎng)絡(luò)輸出的四維向量，使測(cè)試樣本輸出中的最大值和期望輸出中的1對(duì)應(yīng)，識(shí)別該測(cè)試樣本的故障類(lèi)別.

表3-6分別列出了RPROP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4時(shí)部分樣本的測(cè)試結(jié)果，由于測(cè)試樣本較多，每種故障類(lèi)別僅列舉2個(gè)測(cè)試結(jié)果：

表3　網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4時(shí)外環(huán)故障軸承部分測(cè)試結(jié)果

表4　網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4時(shí)內(nèi)環(huán)故障軸承部分測(cè)試結(jié)果

表5　網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4時(shí)滾動(dòng)體故障軸承部分測(cè)試結(jié)果

表6　網(wǎng)絡(luò)結(jié)構(gòu)為8-10-4時(shí)正常軸承部分測(cè)試結(jié)果

經(jīng)過(guò)統(tǒng)計(jì)分析，這四種不同狀態(tài)的滾動(dòng)軸承樣本測(cè)試結(jié)果中，正常軸承的識(shí)別結(jié)果正確率最高，外環(huán)故障軸承次之，再次是內(nèi)環(huán)故障軸承，而滾動(dòng)體的識(shí)別正確率最低.這是由于軸承振動(dòng)信號(hào)是通過(guò)固定在電機(jī)外殼上的傳感器獲取得到，相比滾動(dòng)體故障和內(nèi)環(huán)故障的振動(dòng)沖擊信號(hào)在機(jī)械傳播過(guò)程中的衰減而導(dǎo)致振動(dòng)信號(hào)中信噪比較低，外環(huán)故障獲得的沖擊振動(dòng)能量更大，使其各頻率段的能量分布區(qū)分度更加明顯.因而在EEMD分解后，各頻段能量分布較為規(guī)律和固定，在神經(jīng)網(wǎng)絡(luò)的測(cè)試過(guò)程中識(shí)別成功率也就變高.而正常信號(hào)在各頻段的分布都比較均衡，能量分布更加固定，故神經(jīng)網(wǎng)絡(luò)更容易識(shí)別.

總的來(lái)說(shuō)，基于BP神經(jīng)網(wǎng)絡(luò)測(cè)試的實(shí)際輸出與期望輸出值非常接近，說(shuō)明該網(wǎng)絡(luò)具有良好的識(shí)別性能.使用該神經(jīng)網(wǎng)絡(luò)對(duì)軸承的振動(dòng)信號(hào)基于EEMD的能量分布特征向量計(jì)算后進(jìn)行狀態(tài)識(shí)別，可以準(zhǔn)確的判斷出軸承的工作狀態(tài).因此，選擇BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行振動(dòng)信號(hào)的動(dòng)車(chē)組傳動(dòng)系統(tǒng)軸承故障診斷是可行的.

5結(jié)論

本文通過(guò)介紹神經(jīng)網(wǎng)絡(luò)的基本單元和結(jié)構(gòu)，引申出在故障診斷領(lǐng)域應(yīng)用十分廣泛的BP神經(jīng)網(wǎng)絡(luò).接著討論了BP神經(jīng)網(wǎng)絡(luò)的特性，并逐步完成神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)設(shè)計(jì).完成BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)以后，使用基于EEMD的基本模函數(shù)的能量分布作為神經(jīng)網(wǎng)絡(luò)的特征輸入，設(shè)計(jì)好相應(yīng)的類(lèi)別輸出.對(duì)滾動(dòng)軸承四種工作狀態(tài)下的特征向量訓(xùn)練網(wǎng)絡(luò)，使用訓(xùn)練好的網(wǎng)絡(luò)分別對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行測(cè)試.結(jié)果表明，采用彈性BP神經(jīng)網(wǎng)絡(luò)的軸承狀態(tài)識(shí)別器對(duì)滾動(dòng)軸承故障的智能診斷有較好的效果.

參考文獻(xiàn)：

[1]徐安華.我國(guó)高速鐵路技術(shù)標(biāo)準(zhǔn)的幾點(diǎn)思考[J].世界標(biāo)準(zhǔn)化與質(zhì)量管理，2004，(8):43-45.

[2]沈功田,段慶儒,周裕峰.壓力容器聲發(fā)射信號(hào)人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法研究[J].無(wú)損檢測(cè),2001,23(4):144-149.

[3]李家林,董運(yùn)朝.聲發(fā)射源特性的神經(jīng)網(wǎng)絡(luò)模式識(shí)別研究[J].無(wú)損檢測(cè),2001,23(6):231-233.

[4]劉樂(lè)平,林鳳濤.基于小波包特征向量與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].軸承,2008,12(4):46-48.

[5]袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京:清華大學(xué)出版社,1999:131-273.

[6]MARTIN R, HEINRICH B. A direct adaptive method for faster back-propagation learning: the RPROP algorithm[A]. Proceedings of the IEEE International Conference on Neural Networks (ICNN)[C]. IEEE Press, New York， 1993:586-591.

[7]張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2009：57.

Rolling Intelligent Diagnostic Technology Based on BP Neural Network

FANG Jin,GONG Jun，LIU Liang-feng，LV Gang

(School of Electric Engineering, Beijing Jiao-tong University, Beijing 100044, China)

Abstract:Application of artificial neural networks has been at the cutting edge of international research in recent years. Artificial neural network and BP(Back-Propagation) neural network algorithm were described, and traditional BP algorithm has been improved. The paper builds an intelligent diagnostic systems approach of EMU transmission rolling based on BP neural network. State recognition neural network has been trained and tested. It analyses the recognition efficiency from four working states (inner ring fault, outer ring fault, roller fault and normal bearing)by calculation, simulation and comparison.The actual output based on the BP neural network test is very close to the expected output value. Good recognition performance of the network is demonstrated.

Key words:rolling bearing； BP neural network； intelligent methods； fault diagnosis

中圖分類(lèi)號(hào)：U269.5+5

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-2443(2016)02-0103-06

作者簡(jiǎn)介：方進(jìn)(1963-)，男，安徽壽縣人，安徽師范大學(xué)物理系1980級(jí)校友.教授，博士生導(dǎo)師.

基金項(xiàng)目：國(guó)家工信部重大專(zhuān)項(xiàng)：“典型負(fù)載電機(jī)匹配以及效率優(yōu)化技術(shù)”(E13B500010).

收稿日期：2016-01-19

DOI：10.14182/J.cnki.1001-2443.2016.02.001

引用格式：方進(jìn)，龔魾，劉良峰，等.基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承智能診斷技術(shù)[J].安徽師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，39(1)：103-108.