林名潤 王杰 閆大鵬 文珊珊 杜明俊

摘 要：以四種軸承故障類型為研究對象，對不同故障類型的軸承進行振動測試試驗，分別提取特征參數(shù)，采用BP神經(jīng)網(wǎng)絡算法，診斷未知軸承的故障類型。試驗結(jié)果表明，該 BP神經(jīng)網(wǎng)絡算法準確地實現(xiàn)對軸承未知故障類型的診斷。

關(guān)鍵詞：軸承；神經(jīng)網(wǎng)絡；振動；故障診斷

DOI：10.16640/j.cnki.37-1222/t.2018.09.121

1 引言

軸承當代機械設備中一種重要零部件，它的主要功能是支撐機械旋轉(zhuǎn)體，降低其運動過程中的摩擦系數(shù)，并保證其回轉(zhuǎn)精度。軸承具有不易磨損、噪聲小、傳動效率高、精度高、低摩擦等優(yōu)良性能，已廣泛應用于數(shù)控機床、航天航空、重型設備制造業(yè)、汽車工業(yè)、核工業(yè)、精密儀器等領(lǐng)域[1]。

軸承作為傳動旋轉(zhuǎn)支承的關(guān)鍵部件之一，其出現(xiàn)故障直接影響設備運行，造成生產(chǎn)產(chǎn)品超差或報廢，帶來巨大經(jīng)濟損失[2]。為使傳動部件處于高性能工作狀態(tài)，需要對軸承狀態(tài)進行監(jiān)測。其中，開展軸承故障診斷技術(shù)和方法研究，是行之有效地解決傳動部件狀態(tài)監(jiān)測、故障診斷、預防維護的途徑之一。

2 BP神經(jīng)網(wǎng)絡原理

BP神經(jīng)網(wǎng)絡（Back propagation）是一種多層前饋神經(jīng)網(wǎng)絡，在1985年由Romelhert和Mccleland提出的[3]，其主要特點是迭代過程前向傳遞，誤差反向傳播。該算法的輸入信號在前向傳遞過程是沿輸入層、隱藏層、輸出層逐級處理，將輸出誤差反向傳播修正各層的網(wǎng)絡權(quán)值和閾值，使網(wǎng)絡預測輸出不斷逼近期望輸出，從而建立系統(tǒng)故障診斷模型[4]。BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)如圖 1所示。

假設BP神經(jīng)網(wǎng)絡結(jié)構(gòu)為三層網(wǎng)絡結(jié)構(gòu)，輸入層、隱含層、輸出層節(jié)點數(shù)分別為、、。定義變量如下：輸入層向量為；隱含層輸入向量為；隱含層輸出向量為；輸出層輸入向量為；輸出層輸出向量為；期望輸出向量為。輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值分別為、，隱含層和輸出層各神經(jīng)元的閾值分別為、。樣本個數(shù)為，激活函數(shù)為，誤差函數(shù)為：

3 算法建立與分析

3.1 故障類型與特征參數(shù)

根據(jù)軸承通常失效形式，選取內(nèi)圈滾道損傷失效B1、外圈滾道損傷失效B2、滾珠損傷失效B3、滾珠斷裂失效B4四種典型故障類型作為研究對象，作為輸出節(jié)點，并在實驗臺進行振動測試。選擇振動信號時域和頻域特征參數(shù)作為輸入節(jié)點：平均值幅值指標A1、均方根幅值指標A2、峰值指標A3、脈沖指標A4、裕度指標A5、峭度指標A6。

3.2 神經(jīng)網(wǎng)絡建立

根據(jù)輸入層與輸出層節(jié)點數(shù)確定隱含層節(jié)點，建立神經(jīng)網(wǎng)絡結(jié)構(gòu)：輸入層節(jié)點數(shù)為6，隱含層節(jié)點數(shù)為6，輸出層節(jié)點數(shù)為4。取神經(jīng)網(wǎng)絡訓練誤差精度為10-5，訓練次數(shù)最大值為1500次，通過迭代調(diào)整BP網(wǎng)絡的影響因子，使BP網(wǎng)絡逐漸逼近設定的訓練數(shù)據(jù)，并達到精度要求。由于原始輸入輸出數(shù)據(jù)有著不同的可變幅度和物理意義，在進行網(wǎng)絡訓練前需要對這些數(shù)據(jù)進行規(guī)范化處理，從而使神經(jīng)網(wǎng)絡發(fā)揮出最優(yōu)性能。這里采用歸一化數(shù)據(jù)處理方法，將其限制在[-1，1]范圍內(nèi)。

3.3 神經(jīng)網(wǎng)絡診斷

提取待測試故障軸承的特征參數(shù)數(shù)據(jù)，并進行歸一化處理，作為檢驗BP網(wǎng)絡的歸一化測試數(shù)據(jù)如表1所示。

預期輸出與實際診斷結(jié)果如表2所示，試驗結(jié)果表明，針對不同故障類型該BP神經(jīng)網(wǎng)絡均作為出準確診斷。

4 結(jié)論

以軸承故障失效為研究對象，通過不同故障類型的測試試驗，提取各種故障狀態(tài)下的信號特征參數(shù)作為樣本數(shù)據(jù)；通過 BP神經(jīng)網(wǎng)絡算法，對已知樣本進行訓練，并驗證該算法的故障診斷能力。通過試驗結(jié)果表明，該算法準確地診斷出軸承的故障類型。

參考文獻：

[1]林治起，林高林，叢日超.關(guān)于軸承與軸承座高效自動壓裝機的工業(yè)設計[J].山東工業(yè)技術(shù)，2017（05）：46-47.

[2]康文龍，張偉，李巖.間隙和剛度對數(shù)控機床伺服進給系統(tǒng)精度影響[J].遼寧工程技術(shù)大學學報（自然科學版），2016，35（03）：300-303.

[3]J. Zap?ata. Measurements of Temperature of CNC Machine Tool Ball Screw Utilising IR Method[J]. International Journal of Applied Mechanics and Engineering，2017，22（03）：769-777.

[4]劉智斌，曾曉勤，劉惠義，儲榮.基于BP神經(jīng)網(wǎng)絡的雙層啟發(fā)式強化學習方法[J].計算機研究與發(fā)展，2015，52（03）：579-587.

作者簡介：林名潤（1985-），男，上海人，碩士，工程師，主要研究方向：機電一體化裝備。