張旭 李捍東

摘要：近些年隨著國家現(xiàn)代化發(fā)展步伐加快，每個人的生活中都會夾雜著機(jī)械元素，小到生活中的機(jī)器人，大到加工大型航空設(shè)備的企業(yè)。所以，機(jī)械動力設(shè)備的故障診斷關(guān)系到整個行業(yè)甚至個人的安全以及經(jīng)濟(jì)效益。當(dāng)滾動軸承在不平衡的載荷條件下工作時它會因為承受交變應(yīng)力而比較容易出現(xiàn)缺陷，而且由于故障與發(fā)出的征兆之間具有非常復(fù)雜的非映射關(guān)系，傳統(tǒng)的依據(jù)人的經(jīng)驗或是根據(jù)振動信號的頻域分析、時域分析已經(jīng)很難完全反映振動的特征。由于神經(jīng)網(wǎng)絡(luò)較強(qiáng)的非映射以及能夠自主學(xué)習(xí)和自適應(yīng)能力，所以本文利用其特點探討并研究了基于BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷。

關(guān)鍵詞：滾動軸承;故障診斷;BP神經(jīng)網(wǎng)絡(luò)

從20世紀(jì)中葉開始，設(shè)備的故障診斷開始逐漸發(fā)展為一門相對完整的學(xué)科，對各個領(lǐng)域的設(shè)備故障診斷方法的發(fā)展速度也越來越快。這可以說對農(nóng)業(yè)、工業(yè)、武器等各類設(shè)備的故障診斷有著諸多好處。比如可以預(yù)防事故等我國制造重大及精密技術(shù)設(shè)備的水平以及對機(jī)械設(shè)備出口的能力與軸承行業(yè)的發(fā)展息息相關(guān)，在國民的生活、經(jīng)濟(jì)和國防建設(shè)中滾動軸承逐漸起著不可替代的作用[1-2]。

據(jù)統(tǒng)計，大約有30%的機(jī)械故障是由于旋轉(zhuǎn)設(shè)備中滾動軸承出現(xiàn)了損傷。滾動軸承和機(jī)械設(shè)備中其他的零部件相比有個一比較大的特點就是它有非常大的離散性壽命。所以建立故障診斷系統(tǒng)對滾動軸承的實時監(jiān)測變得更有必要，因為它可以最大限度的減少甚至是杜絕發(fā)生由于滾動軸承損傷而導(dǎo)致的事故同時也可以最大限度地發(fā)揮軸承的工作潛力，提高經(jīng)濟(jì)效益[3]。由此可見，為了提高機(jī)械設(shè)備的安全性、經(jīng)濟(jì)性對滾動軸承進(jìn)行故障診斷是非常重要且有意義的。

一、BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的工作原理是信號從輸入經(jīng)神經(jīng)元到輸出的前向傳播并且訓(xùn)練誤差反向傳播從而進(jìn)行修正網(wǎng)絡(luò)誤差的三層或多層神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)處在處理各種處理各種線性或者非線性的問題的時候采用分布式的方式進(jìn)行處理，在20世紀(jì)80年代有兩位研究者Rumelhart和Mcclelland，以他們?yōu)槭滋岢隽硕鄬忧梆伨W(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法簡稱BP算法。

（一） BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是由一些神經(jīng)元按照某種方式進(jìn)行的有機(jī)的連接而成，其中最簡單的三層神經(jīng)網(wǎng)絡(luò)中有輸入、隱含、輸出層，其中的節(jié)點代表神經(jīng)元而因為每個神經(jīng)元內(nèi)接受的信號重要度不一定完全相同所它們之間的是通過權(quán)值進(jìn)行相互連接的，通常情況下網(wǎng)絡(luò)輸入層的神經(jīng)元有n個，輸出層中有m個而有些網(wǎng)絡(luò)中會有多個隱含層其中每個隱含層的神經(jīng)元可能會有很多個，其中的n和m均大于等于1。

（二）BP神經(jīng)網(wǎng)絡(luò)工作原理

其工作原理為：訓(xùn)練樣本通過神經(jīng)元進(jìn)入神經(jīng)網(wǎng)絡(luò)，通過輸入層與隱含層以及隱含層與輸出層之間兩個傳遞函數(shù)的運(yùn)算后，運(yùn)算結(jié)果通過m個輸出層神經(jīng)元后輸出出來，此過程叫做信號的向前傳播。而后，將輸出層輸出的結(jié)果和之前設(shè)定的期望值作比較，如果輸出結(jié)果滿足了期望的要求，則停止BP神經(jīng)網(wǎng)絡(luò)，相反，如果它們之間存在著一定的差值那么就要使該差值通過輸出層反向傳遞到BP神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)自身權(quán)值和閾值的調(diào)節(jié)作用后再次計算經(jīng)過調(diào)整后的神經(jīng)網(wǎng)絡(luò)實際輸出值是否能夠滿足要求，如果可以，那么停止訓(xùn)練，否則應(yīng)重復(fù)訓(xùn)練一直到滿足要求為止，這就是誤差反向傳播調(diào)整過程。

二、實驗部分

（一）數(shù)據(jù)選取

在本文中選取滾動軸承的內(nèi)圈故障和正常的數(shù)據(jù)共5200組，每組共采用了200個時間點相應(yīng)的數(shù)據(jù)，所以選擇的輸入節(jié)點為200。

（二）確定各層節(jié)點

1輸出層節(jié)點選取

用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的時候可以從輸出的結(jié)果來判斷軸承是否故障以及其類型[7]，本文的輸出選用二進(jìn)制編碼，根據(jù)軸承工作時的兩種狀態(tài)規(guī)定正常狀態(tài)為0故障狀態(tài)為1，以為本文選取了兩種狀態(tài)所以網(wǎng)絡(luò)輸出層的節(jié)點1個即可。

2隱層及隱層的節(jié)點數(shù)

對于一個三層的BP神經(jīng)網(wǎng)絡(luò)它可以以任意的精度逼近所有從n維連續(xù)函數(shù)映射到m維因此本文就選用了傳統(tǒng)的三層BP神經(jīng)網(wǎng)絡(luò)，而關(guān)于如何選擇隱含層的節(jié)點則是根據(jù)所需學(xué)習(xí)迭代次數(shù)以及識別率等綜合考慮進(jìn)行選擇。以下幾種公式是目前選取神經(jīng)元數(shù)目的經(jīng)驗公式：

其中a為隱層神經(jīng)元數(shù)目，b為輸入神經(jīng)元數(shù)目，c為輸出神經(jīng)元數(shù)目，本文中選取隱層節(jié)點數(shù)為10，隱層神經(jīng)元激活函數(shù)是S型正切函數(shù)tansig，輸出層激活函數(shù)采用S型對數(shù)函數(shù)logsig。

三、軸承故障診斷結(jié)果分析

在前面對滾動軸承故障特征參數(shù)分析的基礎(chǔ)上，本文選取了正常軸承和內(nèi)圈故障軸承共5200組，每組采用200個時間點收集的訓(xùn)練樣本，正常軸承輸出均為0，故障軸承訓(xùn)練樣本的輸出均為1。

運(yùn)用matlab構(gòu)建 MyNeuralNetworkFunction（神經(jīng)網(wǎng)絡(luò)函數(shù)）帶入訓(xùn)練樣本以及輸出目標(biāo)共5200列，經(jīng)過網(wǎng)絡(luò)的處理得到了5200個輸出即為判斷結(jié)果。但是，輸出結(jié)果不會完全和理想輸出一致，會出現(xiàn)誤差，所以誤差精度設(shè)為0.0001。對于一些輸出沒有達(dá)到理目標(biāo)的結(jié)果這里取一個判別區(qū)間（0.1，0.9），將輸出結(jié)果與判別區(qū)間相比較，若輸出結(jié)果小于0.1則判定為0.若輸出結(jié)果大于0.9則判定為1，若處在區(qū)間內(nèi)則視為無效。將得到的輸出結(jié)果與理想結(jié)果相減取絕對值，得到的結(jié)果最大誤差為0.0483，可以看出結(jié)果基本符合理想輸出，因此可以看出神經(jīng)網(wǎng)絡(luò)可以很好地診斷出滾動軸承是否出現(xiàn)了故障。同時它也有很強(qiáng)的學(xué)習(xí)能力，通過不斷的學(xué)習(xí)完善自己從而實時監(jiān)測滾動軸承的狀態(tài)。

四、總結(jié)與展望

社會已經(jīng)越來越現(xiàn)代化，隨之而來的就是大規(guī)模的機(jī)械化，因此滾動軸承的應(yīng)用也越來越廣泛。在滾動軸承的生命周期內(nèi)由于個體差異或者各種各樣的外界條件很有可能導(dǎo)致軸承發(fā)生故障，而傳統(tǒng)的機(jī)械故障診斷技術(shù)很難滿足人們對軸承系統(tǒng)是否可靠的要求，隨著人工智能的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)智能診斷技術(shù)不斷完善，成為了滾動軸承故障診斷系統(tǒng)重點發(fā)展方向，因此本文采用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行滾動軸承的故障診斷研究，具體研究內(nèi)容包括以下幾個方面。

（1）對滾動軸承的故障模式進(jìn)行分析，以及如何選取故障特征參數(shù)來保證系統(tǒng)可靠的運(yùn)行。了解BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及其中的學(xué)習(xí)算法，本文中選擇了梯度下降法進(jìn)行研究。

（2）建立故障診斷神經(jīng)網(wǎng)絡(luò)模型，根據(jù)特征參數(shù)分析取足夠的樣本進(jìn)行學(xué)習(xí)、診斷。

這只是對人工智能故障診斷初步的實踐，還是有很多地方需要完善。隨著智能化的不斷發(fā)展多種系統(tǒng)相結(jié)合進(jìn)行故障診斷不斷更新、完善，這些知識都是需要以后進(jìn)一步的學(xué)習(xí)并實踐掌握。

參考文獻(xiàn)：

[1] 姜鳴. 循環(huán)統(tǒng)計量理論及其在滾動軸承故障診斷中的應(yīng)用研究. 上海交通大學(xué)， 2002.

[2] 劉橋方，嚴(yán)楓.我國軸承制造技術(shù)的現(xiàn)狀及其發(fā)展趨勢.軸承2005，（6）：43—45.

[3]沈水福，高大勇.設(shè)備故障診斷技術(shù).北京：科學(xué)出版社1996.

作者簡介：

李捍東（1995—），男，籍貫：遼寧省，鐵嶺市。學(xué)歷：碩士研究生，主要研究方向為阻燃材料制備及性能研究。單位：沈陽市，沈陽航空航天大學(xué)