唐立力，陳國彬

(重慶工商大學(xué) 融智學(xué)院，重慶 401320)

0 引言

滾動軸承作為農(nóng)業(yè)機(jī)械的基礎(chǔ)配件，應(yīng)用于柴油機(jī)、拖拉機(jī)、農(nóng)用汽車、脫粒機(jī)及電動機(jī)等，其運(yùn)行狀態(tài)是否正常往往直接影響整臺農(nóng)業(yè)設(shè)備的工作狀態(tài)，對農(nóng)業(yè)生產(chǎn)造成直接影響。滾動軸承一旦出現(xiàn)故障，將造成重大經(jīng)濟(jì)損失。1995年12月14日，美國CNSE3號貨運(yùn)列車因其機(jī)車牽引電動機(jī)電樞軸承突然發(fā)生重大故障而導(dǎo)致脫軌。2005年1月，國內(nèi)某鋼廠粗軋機(jī)滾動軸承損壞，造成生產(chǎn)線非計(jì)劃停產(chǎn)檢修48h，直接經(jīng)濟(jì)損失超過3 000萬元[1]。因此，對滾動軸承進(jìn)行故障診斷將對農(nóng)機(jī)的生產(chǎn)效率提供重要幫助。近年來，隨著人工智能技術(shù)的發(fā)展，利用已有的知識建立模型對滾動軸承進(jìn)行故障診斷成為了研究熱點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性映射能力，在滾動軸承故障診斷中的應(yīng)用效果良好[2],但BP神經(jīng)網(wǎng)絡(luò)本身存在收斂速度慢、容易陷入局部極小點(diǎn)的問題，導(dǎo)致診斷精確度降低。因此，用其他智能方法去優(yōu)化BP網(wǎng)絡(luò)，取長補(bǔ)短、優(yōu)勢互補(bǔ)，其診斷精度會得到提高，如差分進(jìn)化BP神經(jīng)網(wǎng)絡(luò)[3]、遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[4]、蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[5]、混合蛙跳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[6]、免疫遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[7]，以及粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[8]等。

近年來，利用思維進(jìn)化算法(Mind Evolutionary Algorithm，MEA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在故障診斷、預(yù)測、分類識別等方面得到了廣泛的應(yīng)用[9-11]。本文首次將MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到農(nóng)機(jī)滾動軸承故障診斷中，利用MEA的趨同和異化操作優(yōu)化BP網(wǎng)絡(luò)的參數(shù)，即影響B(tài)P網(wǎng)絡(luò)診斷效率和精度的初始權(quán)值和閾值。結(jié)果表明：該方法能克服BP神經(jīng)網(wǎng)絡(luò)的自身缺陷，快速獲得全局最優(yōu)解，提高診斷效率和精度。

1 農(nóng)機(jī)滾動軸承特征參數(shù)選取

選取收割機(jī)和柴油機(jī)常用滾動軸承的振動參數(shù)作為BP網(wǎng)絡(luò)輸入，分別是峰值因子、波形因子、脈沖因子、裕度因子和峭度[12]5個體現(xiàn)軸承運(yùn)行狀態(tài)的特征參數(shù)。軸承的5類故障分為正常、外圈損壞、滾動體損壞、保持架損壞和內(nèi)圈損壞，作為BP神經(jīng)網(wǎng)絡(luò)模型待診斷的故障類型。

2 BP神經(jīng)網(wǎng)絡(luò)農(nóng)機(jī)滾動軸承故障診斷模型

以3層BP神經(jīng)網(wǎng)絡(luò)建立原始故障診斷模型，由特征參數(shù)峰值因子、波形因子、脈沖因子、裕度因子和峭度可以確定輸入層有5個神經(jīng)元。隱層神經(jīng)元個數(shù)根據(jù)經(jīng)驗(yàn)公式[13]確定，即

w=2v+1

(1)

式中w—隱層神經(jīng)元個數(shù)；

v—輸入層神經(jīng)元個數(shù)。

根據(jù)前面分析得v的值為5，則w為11。對BP網(wǎng)絡(luò)的輸出定義了5種故障狀態(tài)，為了便于網(wǎng)絡(luò)計(jì)算分別編碼為：正常-1、外圈損壞-2、滾動體損壞-3、保持架損壞-4、內(nèi)圈損壞-5。根據(jù)編碼確定輸出層神經(jīng)元個數(shù)為1。

3 MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

3.1 MEA基本思路

MEA是一種迭代優(yōu)化學(xué)習(xí)方法[14]。其基本思路如下：①在解空間內(nèi)隨機(jī)生成個體，根據(jù)得分搜索出得分最高的優(yōu)勝個體和臨時個體；②分別以這些獲勝個體為中心，在其周圍產(chǎn)生新的個體，從而獲得優(yōu)勝子群體和臨時子群體；③在子群體內(nèi)進(jìn)行趨同操作，直到該子群體成熟，并以該子群體的最優(yōu)個體得分作為該子群體得分；④根據(jù)各子群體的得分，在子群體之間進(jìn)行異化操作，實(shí)現(xiàn)優(yōu)勝子群體與臨時子群體之間的替換、廢棄、釋放過程，從而找出全局最優(yōu)個體。

3.2 MEA與BP神經(jīng)網(wǎng)絡(luò)的集成

根據(jù)BP網(wǎng)絡(luò)的結(jié)構(gòu)，對解空間進(jìn)行編碼，每個編碼對應(yīng)一個個體。選取訓(xùn)練樣本均方誤差的倒數(shù)作為個體和子種群的得分函數(shù)，利用MEA經(jīng)過不斷迭代，獲得最優(yōu)個體，即BP網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值。主要優(yōu)化步驟如下：

1)產(chǎn)生訓(xùn)練樣本和測試樣本；

2)產(chǎn)生初始種群；

3)子種群的趨同操作；

4)子種群的異化操作；

5)解析最優(yōu)個體；

6)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；

7)仿真測試、診斷結(jié)果分析。

MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程

4 仿真與分析

4.1 樣本數(shù)據(jù)預(yù)處理

本文選用型號為6205-2RS的滾動軸承[12]，常用于收割機(jī)、柴油機(jī)等農(nóng)業(yè)機(jī)械中。主軸轉(zhuǎn)速為1 797r/min，信號采樣頻率為12kHz。將峰值因子、波形因子、脈沖因子、裕度因子和峭度5個特征參數(shù)值作為BP網(wǎng)絡(luò)的輸入，按照之前的故障狀態(tài)編碼，1代表正常、2代表外圈損壞、3代表滾動體損壞、4代表保持架損壞、5代表內(nèi)圈損壞，將其作為BP網(wǎng)絡(luò)的目標(biāo)輸出值，得到部分訓(xùn)練樣本和測試樣本原始數(shù)據(jù)如表1、表2所示。

表1 部分訓(xùn)練樣本

表2 測試樣本

續(xù)表2

因?yàn)锽P網(wǎng)絡(luò)的輸入數(shù)據(jù)具有不同的物理意義和不同的量綱，同時要滿足轉(zhuǎn)移函數(shù)的輸出要求，故需要對訓(xùn)練樣本和測試樣本進(jìn)行歸一化處理[15]，將BP網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)變換為[-1,1]區(qū)間的值用以下變換式，即

(2)

(3)

式中ri—輸入特征參數(shù)數(shù)據(jù)；

rmin—輸入特征參數(shù)數(shù)據(jù)的最小值；

rmax—輸入特征參數(shù)數(shù)據(jù)的最大值；

rmid—輸入特征參數(shù)數(shù)據(jù)的中間值。

考慮篇幅，這里不再詳細(xì)列出樣本歸一化后的數(shù)據(jù)。

4.2 BP神經(jīng)網(wǎng)絡(luò)和MEA的仿真參數(shù)設(shè)置

根據(jù)前面分析，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-11-1型。隱層采用tansig傳遞函數(shù)，輸出層采用purelin傳遞函數(shù)，采用trainlm訓(xùn)練算法，性能函數(shù)采用均方誤差mse，最大訓(xùn)練步數(shù)設(shè)置為100，訓(xùn)練目標(biāo)最小誤差設(shè)置為0.000 1，學(xué)習(xí)速率設(shè)置為0.1。

思維進(jìn)化算法中的種群大小設(shè)置為200，優(yōu)勝子種群個數(shù)設(shè)置為5，臨時子種群個數(shù)設(shè)置為5，迭代次數(shù)設(shè)置為100。

4.3 仿真結(jié)果分析

1)MEA-BP網(wǎng)絡(luò)進(jìn)化過程分析。在MatLab R2013a軟件上對BP網(wǎng)絡(luò)和MEA-BP網(wǎng)絡(luò)分別進(jìn)行仿真，得到MEA 的優(yōu)勝子種群和臨時子種群的趨同—異化過程，子種群趨同過程如圖2、圖3所示。

從圖2、圖3中不難發(fā)現(xiàn)：經(jīng)過若干次趨同操作，子種群得分不再增加，即各個優(yōu)勝子種群和臨時子種群均已成熟，初始趨同過程完成。對比圖2和圖3可以發(fā)現(xiàn)：當(dāng)優(yōu)勝子種群和臨時子種群成熟后，臨時子種群中的3、4、5的得分高于優(yōu)勝子種群中的1、4、5，因此需要執(zhí)行3次異化操作，同時需要補(bǔ)充3個新的子種群到臨時子種群中。異化后得到新的趨同過程，如圖4、圖5所示。

圖2 優(yōu)勝子種群趨同過程

圖3 臨時子種群趨同過程

圖4 異化后的優(yōu)勝子種群趨同過程

圖5 異化后的臨時子種群趨同過程

對比圖4和圖5可以發(fā)現(xiàn)：臨時子種群的所有得分均低于優(yōu)勝子種群，故子種群的趨同和異化過程結(jié)束，獲得全局最優(yōu)解，即BP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)。

2)BP網(wǎng)絡(luò)優(yōu)化前后的仿真分析。用訓(xùn)練樣本分別對BP網(wǎng)絡(luò)和MEA-BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到各自訓(xùn)練誤差曲線如圖6、圖7所示。

通過比較看出：常規(guī)BP網(wǎng)絡(luò)達(dá)到訓(xùn)練目標(biāo)需要3步以上，而MEA-BP網(wǎng)絡(luò)達(dá)到訓(xùn)練目標(biāo)不足3步，MEA-BP網(wǎng)絡(luò)的收斂速度更快，訓(xùn)練性能優(yōu)于常規(guī)BP網(wǎng)絡(luò)。從驗(yàn)證數(shù)據(jù)和測試數(shù)據(jù)可以看出：MEA-BP網(wǎng)絡(luò)的誤差均小于常規(guī)BP網(wǎng)絡(luò)，驗(yàn)證性能和測試性能均優(yōu)于常規(guī)BP網(wǎng)絡(luò)。可見，相比傳統(tǒng)BP網(wǎng)絡(luò)，MEA優(yōu)化后的BP網(wǎng)絡(luò)訓(xùn)練精度更高，訓(xùn)練效果更好。

圖6 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線

圖7 MEA-BP網(wǎng)絡(luò)訓(xùn)練誤差曲線

用測試樣本分別對BP網(wǎng)絡(luò)和MEA-BP網(wǎng)絡(luò)進(jìn)行仿真，得到常規(guī)BP網(wǎng)絡(luò)仿真的均方誤差為0.029 2，MEA-BP網(wǎng)絡(luò)仿真的均方誤差為0.008 7，MEA-BP網(wǎng)絡(luò)的故障診斷結(jié)果如表3所示。

表3 MEA-BP網(wǎng)絡(luò)故障診斷結(jié)果

從仿真結(jié)果可以看出：MEA-BP網(wǎng)絡(luò)的故障診斷結(jié)果正確，診斷誤差小于常規(guī)BP網(wǎng)絡(luò)，克服了BP網(wǎng)絡(luò)的缺陷，提高了農(nóng)機(jī)滾動軸承故障診斷的精度，改善了診斷效果。

5 結(jié)論

利用思維進(jìn)化算法去優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的重要參數(shù)，提出一種農(nóng)機(jī)滾動軸承故障診斷新方法。仿真結(jié)果表明：優(yōu)化后的BP網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練速度更快，故障診斷精度更高，克服了常規(guī)BP網(wǎng)絡(luò)自身的缺陷，提高了農(nóng)機(jī)滾動軸承故障診斷的可靠性和準(zhǔn)確性，可以推廣到其他農(nóng)業(yè)機(jī)械設(shè)備的故障診斷中。