亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于神經(jīng)網(wǎng)絡(luò)分類算法的電機軸承故障檢測方法

        2017-03-09 07:22:42劉國慶史小春
        微特電機 2017年1期
        關(guān)鍵詞:分類器濾波器軸承

        劉國慶,史小春,廖 強

        (1.四川工程職業(yè)技術(shù)學(xué)院,德陽 618000;2.電子科技大學(xué),成都 611731)

        基于神經(jīng)網(wǎng)絡(luò)分類算法的電機軸承故障檢測方法

        劉國慶1,史小春1,廖 強2

        (1.四川工程職業(yè)技術(shù)學(xué)院,德陽 618000;2.電子科技大學(xué),成都 611731)

        針對電機軸承故障的檢測問題,提出一種結(jié)合移除非故障分量(RemovingNon-bearingFaultComponent,RNFC)濾波器和多層感知器(Multi-LayerPerceptron,MLP)神經(jīng)網(wǎng)絡(luò)分類器的電機軸承故障檢測方法。首先,利用神經(jīng)網(wǎng)絡(luò)設(shè)計一種RNFC濾波器,濾除與故障不相干的信號,只輸出各種故障信號分量。然后,利用Levenberg-Marquardt算法訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)來構(gòu)建故障分類器,并從RNFC濾波器輸出的故障信號中提取4種時域特征(均方根、方差、偏度和峰度),作為故障分類器的輸入。最后,實現(xiàn)對內(nèi)圈缺陷、外圈缺陷和滾動體故障的檢測。實驗結(jié)果表明,該方法能夠準(zhǔn)確檢測故障且對環(huán)境噪聲具有魯棒性。

        電機軸承;故障檢測;Levenberg-Marquardt算法;非故障分量濾波器;神經(jīng)網(wǎng)絡(luò)分類器;時域特征

        0 引 言

        異步電動機具有高可靠性和高性能等優(yōu)點,然而也會出現(xiàn)一些故障[1]。軸承故障是大部分機械故障的主要來源[2]。軸承故障產(chǎn)生的振動影響具有相對較低的能量,且往往伴隨著高能量噪聲[3]。

        目前,電機軸承故障檢測技術(shù)主要分為3類:基于信號、基于知識和基于模型技術(shù)[4]。其中,基于信號的故障檢測技術(shù)的基礎(chǔ)是分析測量信號的頻譜分量。常用的頻域分析方法有快速傅立葉變換(FastFourierTransform,FFT)。然而,由于大功率噪聲的存在,常規(guī)FFT方法很難從頻譜中獲得軸承故障信號。為此,形成了多種先進的頻譜分析方法,例如短時傅立葉變換、小波變換(WaveletTransform,WT)和Park矢量法等[5]。為了克服噪聲的影響,學(xué)者們開發(fā)了多種先進的軸承故障檢測方法。例如,文獻[6]對振動信號進行WT頻域分析,提取頻域特征作為神經(jīng)網(wǎng)絡(luò)(NeuralNetwork,NN)輸入來檢測軸承故障。然而,無用信號會降低神經(jīng)網(wǎng)絡(luò)的分類精度。為此,文獻[7]在使用NN進行故障識別前,對振動信號進行維納濾波,以去除噪聲和無用信號,一定程度上提高了NN的分類精度。然而,該方法能夠識別的故障種類很有限。

        本文提出了一種結(jié)合移除非故障分量(RemovingNon-bearingFaultComponent,RNFC)濾波器和多層感知器(MultilayerPerceptron,MLP)神經(jīng)網(wǎng)絡(luò)分類器的電機軸承故障檢測方法。利用RNFC濾波器濾除無關(guān)信號,接著提取4種時域信號特征,并利用Levenberg-Marquardt算法來訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)分類器,對故障進行分類識別。結(jié)果表明,提出的方法具有較高的檢測率,且對環(huán)境噪聲具有魯棒性。

        1 提出的故障檢測方法

        大部分軸承故障檢測方法都是基于振動信號分析,包括健康狀態(tài)時和故障時的信號[8]。但是,分析健康時的信號對故障檢測和分類沒有作用,且浪費計算資源。為了避免分析非軸承故障分量(即健康部分),提高故障檢測效率。本文方法中,首先基于神經(jīng)網(wǎng)絡(luò)設(shè)計一種RNFC濾波器,濾除與故障不相干的信號,只輸出各種故障信號分量。然后,利用MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建故障分類器,從RNFC濾波器輸出的故障信號中提取特征,作為故障分類器的輸入,進而實現(xiàn)對故障的檢測。系統(tǒng)整體結(jié)構(gòu)如圖1所示。

        圖1 提出的故障檢測方法結(jié)構(gòu)圖

        1.1 非故障分量濾波器

        移除非軸承故障分量(RNFC)濾波器框圖如圖2所示,變量名定義如下:

        x(n):電機振動信號;y(n):估計的振動信號中與故障不相關(guān)的部分(非軸承故障分量);e(n):振動信號中的故障部分;n0:數(shù)據(jù)樣本數(shù)。

        圖2 移除非軸承故障分量(RNFC)濾波器

        多種算法可用于設(shè)計RNFC濾波器,例如自適應(yīng)橫向濾波器、經(jīng)典最小均方(LeastMeanSquare,LMS)算法、有限脈沖響應(yīng)/無限脈沖響應(yīng)、維納濾波算法、遞歸最小二乘算法(RecursiveLeastSquare,RLS)和神經(jīng)網(wǎng)絡(luò)(NN)算法[9]。本文基于一種自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)構(gòu)建RNFC濾波器,其具有purelin激勵函數(shù),結(jié)構(gòu)如圖3所示。運用監(jiān)督訓(xùn)練方法獲取目標(biāo)(非故障部分),網(wǎng)絡(luò)輸入p和目標(biāo)t如下:

        圖3 自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

        式中:shealthy(k)為健康異步電機的采樣振動信號(k為樣本數(shù))。

        為了實現(xiàn)更好的性能,將輸入向量歸一化到[0,1]范圍內(nèi),將均方差作為神經(jīng)網(wǎng)絡(luò)的性能指標(biāo),并在訓(xùn)練過程中最小化該指標(biāo)。這個過程中,由LMS算法獲得神經(jīng)網(wǎng)絡(luò)參數(shù)(權(quán)重(w)和偏置(b)),并構(gòu)建成參數(shù)向量X[10],神經(jīng)網(wǎng)絡(luò)的輸入向量Z定義:

        (1)

        基于式(2),將方差總和作為成本函數(shù):

        (2)

        式中:

        E[t2]-2XTE[tZ]+XTE[ZZT]X

        (3)

        (4)

        則有:

        (5)

        最后通過下式獲得權(quán)重和偏置:

        (6)

        利用健康和各種故障條件下的信號數(shù)據(jù)集來訓(xùn)練RNFC濾波器中的自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)。訓(xùn)練完成后,當(dāng)輸入的振動信號包括健康和故障部分,該神經(jīng)網(wǎng)絡(luò)濾波器會識別健康部分,然后從輸入振動信號中除去。RNFC濾波器的輸出僅包括故障部分的信息,用于后續(xù)電機故障的檢測和分類。但是,該信息的僅能檢測故障,不能確定故障類型。為此,本文將構(gòu)建第2個神經(jīng)網(wǎng)絡(luò)來識別故障。

        1.2 基于MLP神經(jīng)網(wǎng)絡(luò)的故障分類

        軸承狀態(tài)分成4類[11]:(1) 健康狀態(tài);(2) 內(nèi)圈缺陷故障;(3) 外圈缺陷故障;(4) 滾動體故障。文獻[12]比較了用于軸承故障檢測的徑向基函數(shù)、MLP和概率神經(jīng)網(wǎng)絡(luò),結(jié)果表明MLP在檢測率方面較優(yōu)且速度快。因此,本文采用MLP神經(jīng)網(wǎng)絡(luò)作分類器,其結(jié)構(gòu)如圖4所示。

        圖4 多層感知器網(wǎng)絡(luò)的結(jié)構(gòu)

        需要從RNFC濾波器輸出的故障信號中提取適當(dāng)?shù)奶卣?,來?xùn)練基于MLP神經(jīng)網(wǎng)絡(luò)的分類器。本文選擇4個時域特征,分別為:均方根、方差、偏度和峰值,來作為MLP神經(jīng)網(wǎng)絡(luò)故障分類器的輸入特征,輸入特征為:

        (7)

        均方根計算式:

        (8)

        式中:N為樣本總數(shù),μi為第i段的平均值,定義為:

        (9)

        方差計算式:

        (10)

        偏度計算式:

        (11)

        峰度計算式:

        (12)

        本文采用Levenberg-Marquardt算法來訓(xùn)練該網(wǎng)絡(luò),Levenberg-Marquardt算法是一種求解非線性最小二乘問題的有效方法,用來實現(xiàn)權(quán)值和閾值的調(diào)整。該算法的性能指標(biāo)為方差總和:

        (13)

        根據(jù)參數(shù)向量X最小化性能指標(biāo):

        (14)

        (15)

        (16)

        式中:

        (17)

        雅可比矩陣J(X)定義:

        (18)

        另一方面,根據(jù)高斯-牛頓算法可省略式(16)右側(cè)第二項,即R(X),因此,Hessian矩陣變?yōu)椋?/p>

        (19)

        最終Levenberg-Marquardt參數(shù)的更新公式變?yōu)椋?/p>

        (20)

        注意,μnI加入到JT(X)J(X),作為修正項,防止Hessian矩陣病變。μn為學(xué)習(xí)因子,μn越小,Levenberg-Marquardt算法與高斯-牛頓算法越相似。Levenberg算法的優(yōu)勢是高速收斂性[13]。

        2 實驗及分析

        采用1.2kW,380V,1 500r/min,4極的三相異步電機[14]作為實驗平臺,軸端和風(fēng)扇端軸承均為6205-2Z。振動信號由研華PCI-1711數(shù)據(jù)采集卡采集,使用B&K4395加速度計,采樣頻率為32kHz。實驗裝置如圖5所示。由于提出的方法不依賴于特征缺陷頻率,所以能夠在不同負(fù)載條件下使用。

        采樣640個周期的振動信號樣本,用來訓(xùn)練RNFC濾波器。RNFC濾波器設(shè)計中,設(shè)定一個單位的采樣數(shù)據(jù)延遲(n0=1),因此輸入原型定義:

        目標(biāo)為:

        訓(xùn)練完成后,RNFC濾波器從采樣的振動信號中提取出故障數(shù)據(jù),以ptest形式表示。

        將不同時期的故障振動信號作為RNFC濾波器的輸入,然后從RNFC濾波器的輸出中隨機選擇157個周期故障信號,來訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)分類器。

        圖5 軸承故障檢測實驗裝置

        四類不同故障狀態(tài)下的RNFC濾波器輸出波形如圖6所示。可以看出,正常情況下,輸出信號幅值幾乎為0,這也驗證了RNFC濾波器的性能。

        圖6 四類故障的RNFC濾波器輸出

        將濾波器輸出的20個周期的信號作為一組,并計算4種時域特征。將特征輸入到MLP故障分類器,分類器的四個輸出向量定義為[0 0]T,[0 1]T,[1 0]T,[1 1]T,分別對應(yīng)于健康、外圈缺陷、內(nèi)圈缺陷和滾動體故障。所以,對于MLP神經(jīng)網(wǎng)絡(luò)分類器,其輸入層神經(jīng)元數(shù)量為4,輸出層神經(jīng)元數(shù)量為2。表1描述了測試數(shù)據(jù)中提取的各種時域特征。

        表1 測試數(shù)據(jù)中提取的各種時域特征

        本文MLP分類器采用具有“tansig”傳遞函數(shù)的隱層和“satins”激勵函數(shù)的輸出層,用來檢測軸承故障類型??梢酝ㄟ^適當(dāng)增加隱層神經(jīng)元數(shù)量和隱層數(shù)量來提高模式識別性能,但隱藏層數(shù)過高也會導(dǎo)致網(wǎng)絡(luò)過度訓(xùn)練。

        對于MLP神經(jīng)網(wǎng)絡(luò),構(gòu)建4種具有不同隱層神經(jīng)元數(shù)和隱層數(shù)的結(jié)構(gòu),其中隱層的數(shù)量分別為1,1,2和3。表2給出了具備RNFC濾波器和MLP神經(jīng)網(wǎng)絡(luò)分類器的故障檢測結(jié)果。表3給出了無RNFC濾波器時的故障檢測結(jié)果。

        表2 具有RNFC濾波器的故障檢測

        表3 直接故障檢測(無RNFC濾波器)

        通過比較表2和表3中的故障檢測結(jié)果可以看出,無RNFC濾波器的檢測系統(tǒng)的檢測率明顯較低,從而驗證了提出方法的有效性。另外,還可以看出,當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)為[4 10 3 5 2],即隱層數(shù)量為3時,分類器幾乎無法工作。這是因為該分類器的輸入和輸出類別都較少,過多的隱層數(shù)導(dǎo)致過度訓(xùn)練,從而使其無法工作。

        表4給出了存在低質(zhì)量采樣信號時,即存在環(huán)境噪聲,有和沒有RNFC濾波器時的故障檢測結(jié)果。注意,表4中只列出了前3種網(wǎng)絡(luò)結(jié)構(gòu),這是因為從上述實驗得知,當(dāng)網(wǎng)絡(luò)中隱含層數(shù)為3時,分類器無法工作。

        表4 采樣信號中存在噪聲時的故障檢測

        從表4中可以看出,當(dāng)采樣信號中存在噪聲信號時,具有RNFC濾波器的故障檢測系統(tǒng)能夠明顯提高檢測性能。這是因為,RNFC濾波器中的自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)能夠分類出故障和非故障信號,非故障信號包含了正常和噪聲信號,并進行移除。使后續(xù)的特征提取和故障分類過程不受噪聲影響,提高了對采樣信號質(zhì)量的魯棒性,因此可以用于嘈雜工業(yè)環(huán)境中進行高性能故障檢測。

        3 結(jié) 語

        本文提出了一種用于電機軸承故障檢測和分類的方法,首先利用神經(jīng)網(wǎng)絡(luò)設(shè)計一種移除非軸承故

        3 結(jié) 語

        障分量(RNFC)濾波器,從采樣信號中濾去非軸承故障分量。然后,利用多層感知(MLP)神經(jīng)網(wǎng)絡(luò)構(gòu)建故障分類器,從RNFC濾波器輸出的信號中提取時域特征,作為MLP神經(jīng)網(wǎng)絡(luò)的輸入,從而檢測軸承故障。構(gòu)建實驗平臺進行實驗,在不同MLP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下,比較了使用和不使用RNFC濾波器時的檢測結(jié)果。結(jié)果表明,本文提出的結(jié)合RNFC濾波器和MLP分類器的方法具有優(yōu)良的檢測性能,且對環(huán)境噪聲具有魯棒性。

        未來工作中,將考慮將本文方法應(yīng)用到其它電機故障檢測中,例如轉(zhuǎn)子斷條或定子故障等。

        [1] 劉長良,武英杰,甄成剛.基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J].中國電機工程學(xué)報,2015,35(13):3358-3365.

        [2] 李珂,邰能靈,張沈習(xí).基于小波包熵和概率神經(jīng)網(wǎng)絡(luò)的微特電機軸承故障監(jiān)控[J].微特電機,2016,44(4):37-39.

        [3]TIANJ,MORILLOC,AZARIANMH,etal.Motorbearingfaultdetectionusingspectralkurtosis-basedfeatureextractioncoupledwithk-nearestneighbordistanceanalysis[J].IEEETransactionsonIndustrialElectronics,2016,63(3):1793-1803.

        [4] 張登峰,張志飛,章兢.基于非線性映射的分類器及其在變壓器故障診斷中的應(yīng)用研究[J].湘潭大學(xué)自然科學(xué)學(xué)報,2015,37(3):82-92.

        [5]JENAD,SINGHM,KUMARR.Radialballbearinginnerracedefectwidthmeasurementusinganalyticalwavelettransformofacousticandvibrationsignal[J].MeasurementScienceReview,2012,12(4):141-148.

        [6]ZAREIJ.Inductionmotorsbearingfaultdetectionusingpatternrecognitiontechniques[J].ExpertsystemswithApplications,2012,39(1):68-73.

        [7]ABBASIR,GHAZALM,KAZEMIMG.Statorwindingfaultdetectionininductionmotorsusingwienerfilter[J].InternationalReviewofElectricalEngineering,2012,7(4):4800-4807.

        [8] 謝國民,佟瑩,陸文斌.小波在采煤機異步電動機故障診斷中的應(yīng)用[J].控制工程,2013,20(4):711-714.

        [9]CHENGS,HABETLERTG,MAYORJR,etal.Generalizedbearingroughnessfaultdetectioninclaw-polegenerators[C]//2013IEEEEnergyConversionCongressandExposition.IEEE,2013:4432-4437.

        [10]ZHONGF,LIH,WUQ,etal.AfaultdetectionalgorithmforturbopumpbasedonliftingwaveletandLMS[C]//2013IEEEInternationalConferenceonMechatronicsandAutomation(ICMA).IEEE,2013:348-353.

        [11] 趙志宏,楊紹普.基于小波包變換與樣本熵的滾動軸承故障診斷[J].振動、測試與診斷,2012,32(4):640-644.

        [12]SAMANTAB,AL-BALUSHIKR,AL-ARAIMISA.Artificialneuralnetworksandgeneticalgorithmforbearingfaultdetection[J].SoftComputing,2012,10(3):264-271.

        [13]ZHANGX,XIAOL,KANGJ.ApplicationofanimprovedLevenberg-Marquardtbackpropagationneuralnetworktogearfaultlevelidentification[J].JournalofVibroengineering,2014,16(2):855-868.

        [14] 張帥,袁敏,孔令波,等.高效三相異步電動機性能測試與數(shù)據(jù)分析[J].微特電機,2015,43(3):22-26.

        MotorBearingFaultDetectionMethodBasedonNeuralNetworkClassificationAlgorithm

        LIU Guo-qing1,SHI Xiao-chun1,LIAO Qiang2

        (1.SichuanEngineeringTechnicalCollege,Deyang618000,China;2.UniversityofElectronicScienceandTechnologyofChina,Chengdu611731,China)

        Fortheissuesthatthemotorbearingfaultdetection,amotorbearingfaultdetectionmethodbasedonremovingnon-bearingfaultcomponent(RNFC)filterandmultilayerperceptron(MLP)neuralnetworkclassifierwasproposed.First,itbuiltaRNFCfilterbasedonneuralnetworktoremovethesignalwhichhasnothingtodowiththefault,onlyoutputofvariousfaultsignalcomponents.Then,itconstructedafaultclassifierbasedonMLPneuralnetworkwhichtrainedbyLevenberg-Marquardtalgorithm.Thefourfeatures(RMS,variance,skewnessandkurtosis)wereextractedfromthefaultsignaloutputofRNFCfilter,astheinputoffaultclassifier.Finally,thedetectionoftheinnerring,theouterringandtherollingelementfaultwasrealized.Theexperimentalresultsshowthatproposedmethodcanaccuratelydetectfaultandrobusttonoise.

        motorbearing;faultdiagnosis;Levenberg-Marquardtalgorithm;removingnon-bearingfaultcomponentfilter;neuralnetworkclassifier;timedomainfeatures

        周璞,碩士,高級工程師,研究方向為船舶輔機。

        2016-07-15

        四川省科技廳計劃項目(2015JY0178)

        TM

        A

        1004-7018(2017)01-0030-04

        猜你喜歡
        分類器濾波器軸承
        基于無擾濾波器和AED-ADT的無擾切換控制
        軸承知識
        哈爾濱軸承(2022年2期)2022-07-22 06:39:32
        軸承知識
        哈爾濱軸承(2022年1期)2022-05-23 13:13:24
        軸承知識
        哈爾濱軸承(2021年2期)2021-08-12 06:11:46
        軸承知識
        哈爾濱軸承(2021年1期)2021-07-21 05:43:16
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        開關(guān)電源EMI濾波器的應(yīng)用方法探討
        電子制作(2018年16期)2018-09-26 03:26:50
        BP-GA光照分類器在車道線識別中的應(yīng)用
        電子測試(2018年1期)2018-04-18 11:52:35
        加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
        結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
        香港三级日本三韩级人妇久久| 亚洲国产成人片在线观看无码| 色妞色视频一区二区三区四区| 无码精品日韩中文字幕| 亚洲AV永久青草无码性色av| 在线亚洲AV不卡一区二区| 日本一区二区在线播放| 成人日韩熟女高清视频一区| 亚洲国产成人精品无码区在线秒播 | 成人性生交大片免费看96| 亚洲欧美日韩高清专区一区| 亚洲区精品久久一区二区三区女同| 极品尤物在线精品一区二区三区 | 国产自产二区三区精品| 人妻少妇乱子伦精品| 99国产精品视频无码免费 | 日韩亚洲在线一区二区| 性色av色香蕉一区二区蜜桃| 亚洲性无码一区二区三区| 免费精品一区二区三区第35| 久久中文字幕av一区二区不卡| 亚洲视频在线播放免费视频| 国内精品亚洲成av人片| 西西大胆午夜人体视频| 久久久久中文字幕精品无码免费| 日本成年少妇人妻中文字幕 | 国产又色又爽又高潮免费视频麻豆 | 国产高潮刺激叫喊视频| 91精品人妻一区二区三区蜜臀 | 精品久久久久久无码专区| 亚洲乱码日产精品bd在线观看| 久久91精品国产91久久麻豆| 久久99免费精品国产| 国产大片内射1区2区| 亚洲另类自拍丝袜第五页| 蜜桃视频一区二区三区在线| 蜜臀av一区二区三区免费观看 | 国产三级国产精品国产专播| 亚洲乱色伦图片区小说| 亚洲一级毛片免费在线观看| 亚洲精品综合一区二区|