張 明，高志彬

（1.濰坊工程職業(yè)學(xué)院，山東 濰坊 262500；2.青島理工大學(xué)，山東 青島 266033）

前言

軸承受載荷作用影響，不同軸承在制造裝配工藝和使用工作環(huán)境上有所區(qū)別，因此軸承發(fā)生故障的時(shí)間和表現(xiàn)形式也不同，軸承壽命具有離散性特點(diǎn)，車輛軸承使用中存在提前故障失效的情況，也存在工作時(shí)長(zhǎng)遠(yuǎn)超設(shè)計(jì)標(biāo)準(zhǔn)的軸承。有效檢測(cè)早期的故障缺陷，一方面最大限度發(fā)揮軸承的工作潛力，特別是充分利用超過(guò)設(shè)計(jì)時(shí)長(zhǎng)而正常運(yùn)轉(zhuǎn)軸承的工作效能，減少經(jīng)濟(jì)損失；另一方面監(jiān)視軸承運(yùn)行工況，及時(shí)發(fā)現(xiàn)軸承早期故障做到預(yù)知性計(jì)劃維護(hù)，確保軸承和車輛的正常運(yùn)行。傳統(tǒng)上依靠簡(jiǎn)單儀器定期檢修軸承不僅資源投入量大且難以有效檢測(cè)早期的故障缺陷，因此必須提升檢修手段和技術(shù)。

1 軸承故障診斷發(fā)展

機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)研究起源于20世紀(jì)中期航天探索活動(dòng)，在此背景下首次采用加速度傳感器采集振動(dòng)信號(hào)檢測(cè)軸承故障，對(duì)比測(cè)量信號(hào)與標(biāo)準(zhǔn)信號(hào)的參數(shù)值的峰值統(tǒng)計(jì)指標(biāo)，通過(guò)時(shí)域分析評(píng)估軸承運(yùn)行狀態(tài)，隨后相關(guān)技術(shù)應(yīng)用在汽車領(lǐng)域并開發(fā)出可多項(xiàng)目檢測(cè)的車外診斷設(shè)備?；谛盘?hào)分析策略可以分為時(shí)域、頻域和時(shí)頻域相關(guān)分析[1]。在時(shí)域分析中利用RMS值、波峰因子、偏度或峰度等統(tǒng)計(jì)參數(shù)來(lái)測(cè)量與軸承缺陷相關(guān)的信號(hào)不均勻性，這些統(tǒng)計(jì)參數(shù)容易測(cè)量，但在復(fù)雜的車輛系統(tǒng)中這些參數(shù)對(duì)負(fù)載和速度變化相當(dāng)敏感。工業(yè)實(shí)踐中廣泛應(yīng)用的軸承狀態(tài)監(jiān)測(cè)方法是基于頻率信息進(jìn)行分析，根據(jù)特定幾何參數(shù)的軸承，計(jì)算不同軸承缺陷條件下的理論特征頻率。

2 多層感知器網(wǎng)絡(luò)開發(fā)

2.1 理論基礎(chǔ)

故障診斷的本質(zhì)是在分析故障癥狀的基礎(chǔ)上，由癥狀推斷故障原因，多層感知器（Multi-layer Perceptron）網(wǎng)絡(luò)簡(jiǎn)稱MLP網(wǎng)絡(luò)，模擬生物學(xué)人體大腦的推斷功能從而進(jìn)行故障診斷和模式分類[2]。MLP網(wǎng)絡(luò)的建立是為運(yùn)用計(jì)算處理器和邏輯電路實(shí)現(xiàn)模式識(shí)別功能，因此其感知器單元運(yùn)算過(guò)程與計(jì)算機(jī)運(yùn)行原理相似[3]，接收來(lái)自外界的輸入值，數(shù)據(jù)分析后輸出二進(jìn)制數(shù)表是否關(guān)系。模式識(shí)別的數(shù)學(xué)分析模型是以多個(gè)數(shù)值描述某個(gè)待識(shí)別模式，在軸承故障模式識(shí)別中，提取軸承故障信號(hào)的模態(tài)分量特征值來(lái)組成模式矢量，用時(shí)域和頻域上的參數(shù)值組成矢量來(lái)表示一種模式。MLP網(wǎng)絡(luò)應(yīng)用感知器單元學(xué)習(xí)和存儲(chǔ)有關(guān)模式分類的知識(shí)，經(jīng)網(wǎng)絡(luò)構(gòu)架訓(xùn)練學(xué)習(xí)和數(shù)理推導(dǎo)自動(dòng)尋找到模式平面內(nèi)合適的分類曲線[4]，使得不同類別模式矢量分布在該平面不同區(qū)域。MLP網(wǎng)絡(luò)設(shè)定合理數(shù)量的感知器單元和有效的映射函數(shù)，感知器單元的加權(quán)系數(shù)與界定系數(shù)取值得當(dāng)，可以輸出任意的模式結(jié)果。

2.2 訓(xùn)練過(guò)程

故障特征值由外部輸入初始的感知器單元，數(shù)據(jù)值首先進(jìn)行歸一化處理，隨后根據(jù)設(shè)定參數(shù)迭代計(jì)算，加權(quán)系數(shù)是表現(xiàn)某一輸入值在判斷過(guò)程的重要性，正值表示增強(qiáng)或負(fù)值表示減弱[5]，參數(shù)值越大對(duì)輸出結(jié)果影響越大。界定系數(shù)是加權(quán)量產(chǎn)生效應(yīng)的臨界值，可以改變輸出結(jié)果，加權(quán)系數(shù)和界定系數(shù)的取值為[0,1]間的隨機(jī)數(shù)。經(jīng)過(guò)上述運(yùn)算后的數(shù)值可能并非是1或0，因此還要映射函數(shù)激活數(shù)值，映射函數(shù)通過(guò)加入非線性因素使得輸出值趨近于兩數(shù)值。輸出結(jié)果傳 遞至下一個(gè)感知器單元做同樣運(yùn)算，最終經(jīng)過(guò)有限次計(jì)算后輸出最終的狀態(tài)參量。若MLP網(wǎng)絡(luò)輸出結(jié)果與預(yù)設(shè)參量不一致，即MLP網(wǎng)絡(luò)根據(jù)當(dāng)前加權(quán)系數(shù)和界定系數(shù)計(jì)算出的樣本實(shí)際輸出值與期望目標(biāo)值存在偏差，則MLP網(wǎng)絡(luò)根據(jù)學(xué)習(xí)偏差信息前向傳遞[6]動(dòng)態(tài)調(diào)整各感知器單元的加權(quán)系數(shù)和界定系數(shù)以期減小輸出與期望偏差值。故障特征值再次進(jìn)行MLP網(wǎng)絡(luò)運(yùn)算直到訓(xùn)練樣本輸出的偏差值滿足設(shè)定容限，正確的訓(xùn)練將會(huì)強(qiáng)化[7]輸入層反饋產(chǎn)生的預(yù)測(cè)結(jié)果映射路徑。

2.3 應(yīng)用設(shè)計(jì)

軸承振動(dòng)信號(hào)來(lái)自凱斯西儲(chǔ)大學(xué)軸承實(shí)驗(yàn)室公開數(shù)據(jù)，利用最小熵去卷積法去噪突出故障缺陷脈沖，應(yīng)用改進(jìn)極點(diǎn)對(duì)稱模態(tài)分解方法[8]獲得初始信號(hào)模態(tài)分量[9]，不同故障類型信號(hào)的模態(tài)分量均分為四個(gè)小節(jié)，并分別求出每小節(jié)的主要特征參數(shù)，任一樣本均由振動(dòng)信號(hào)特征值構(gòu)成，從軸承三種故障狀態(tài)中分別抽取3組共9組數(shù)據(jù)組成網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)集，前三小節(jié)數(shù)據(jù)組成的網(wǎng)絡(luò)學(xué)習(xí)或訓(xùn)練的樣本數(shù)據(jù)集如表1所示，三種故障狀態(tài)最后一小節(jié)的特征值數(shù)據(jù)作為測(cè)試數(shù)據(jù)集如表2所示，其中表1中樣本1～3為軸承外環(huán)故障，樣本4～6為軸承內(nèi)環(huán)故障，樣本7～9為軸承滾動(dòng)體故障。表2中樣本1為軸承外環(huán)故障，樣本2為軸承內(nèi)環(huán)故障，樣本3為軸承滾動(dòng)體故障。

表1 網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)集

表2 測(cè)試樣本

確定多層感知器網(wǎng)絡(luò)輸入層和輸出層感知器單元的數(shù)目，輸入層感知器單元個(gè)數(shù)為任一樣本中包含的特征值參數(shù)10個(gè)，輸出層的維數(shù)根據(jù)故障類型要求確定，本文模式類別共有3種，則輸出層感知器的個(gè)數(shù)為3，狀態(tài)參量（100）表示軸承外環(huán)故障，（010）表示軸承內(nèi)環(huán)故障，（001）表示滾動(dòng)體故障。反向傳播算法要求映射函數(shù)處處可導(dǎo)，因此采用S型正切函數(shù)作為感知器映射函數(shù)。初始值過(guò)大可能導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)效率降低甚至無(wú)效，所以加權(quán)系數(shù)初始值選取絕對(duì)值較小的隨機(jī)值。

2.4 訓(xùn)練結(jié)果

故障數(shù)據(jù)在MLP網(wǎng)絡(luò)訓(xùn)練時(shí)按順序從學(xué)習(xí)數(shù)據(jù)集中抽取樣本作為輸入，數(shù)據(jù)集中所有樣本遍歷一次網(wǎng)絡(luò)學(xué)習(xí)調(diào)整設(shè)定系數(shù)，將該加權(quán)系數(shù)在本輪遍歷時(shí)的設(shè)定值逐次加上本輪遍歷方法中各次迭代時(shí)計(jì)算出的該加權(quán)系數(shù)的調(diào)整參數(shù)[10]。所有加權(quán)系數(shù)調(diào)整完成后，遍歷訓(xùn)練次數(shù)超過(guò)預(yù)設(shè)上限值或網(wǎng)絡(luò)學(xué)習(xí)偏差小于偏差容限時(shí)停止訓(xùn)練過(guò)程[11]，固化并保存MLP網(wǎng)絡(luò)的各加權(quán)系數(shù)的設(shè)定值。

MLP網(wǎng)絡(luò)學(xué)習(xí)偏差是指特定的學(xué)習(xí)數(shù)據(jù)集實(shí)際輸出值與期望值間的差異[12]，學(xué)習(xí)偏差隨數(shù)據(jù)集遍歷次數(shù)增加而變化的收斂曲線是單調(diào)減曲線。圖1所示為一條典型收斂曲線，同時(shí)還顯示每一輪網(wǎng)絡(luò)學(xué)習(xí)中樣本的網(wǎng)絡(luò)學(xué)習(xí)偏差的最大值隨輪數(shù)增加而變化的情況，初始用時(shí)0.35 s梯度達(dá)到2.7；第25次迭代運(yùn)算后用時(shí)0.07 s梯度0.101；第50次迭代運(yùn)算后用時(shí)0.067 s梯度達(dá)到0.358；完成69次迭代用時(shí)0.0098 s網(wǎng)絡(luò)學(xué)習(xí)達(dá)到最佳指標(biāo)，這一過(guò)程的最大偏差在e-10，梯度最終達(dá)到7.46。MLP網(wǎng)絡(luò)對(duì)于參數(shù)的調(diào)整具有隨機(jī)性，圖1所示僅是一種學(xué)習(xí)誤差情形，MLP網(wǎng)絡(luò)學(xué)習(xí)偏差容限的設(shè)定 依靠經(jīng)驗(yàn)確定，偏差容限過(guò)大會(huì)提高訓(xùn)練收斂度，但測(cè)試偏差會(huì)隨之增大[13]使MLP網(wǎng)絡(luò)缺乏可用的泛化能力，因此實(shí)際應(yīng)用中更多是達(dá)到要求而非最佳，可以減少不必要的額外網(wǎng)絡(luò)學(xué)習(xí)和測(cè)試時(shí)間。

圖1 多層感知器網(wǎng)絡(luò)學(xué)習(xí)偏差

將表2測(cè)試樣本輸入完成訓(xùn)練的MLP網(wǎng)絡(luò)得到如下測(cè)試結(jié)果。測(cè)試樣本1數(shù)據(jù)結(jié)果（0.99020.00290.0005）分析，樣本1數(shù)據(jù)來(lái)源于軸承外環(huán)故障的模態(tài)分量特征參數(shù)，目標(biāo)值結(jié)果與模式預(yù)設(shè)參數(shù)（100）在偏差允許范圍；測(cè)試樣本2數(shù)據(jù)結(jié)果（0.07000.85000.1811）分析，樣本2數(shù)據(jù)來(lái)源于軸承外環(huán)故障的模態(tài)分量特征參數(shù)，目標(biāo)值結(jié)果也在模式預(yù)設(shè)參數(shù)（010）在偏差允許范圍；測(cè)試樣本3數(shù)據(jù)結(jié)果（0.00000.29300.9694）分析，樣本3數(shù)據(jù)來(lái)源于軸承外環(huán)故障的模態(tài)分量特征參數(shù)，目標(biāo)值結(jié)果與模式預(yù)設(shè)參數(shù)（001）在偏差允許范圍，因此建立的MLP網(wǎng)絡(luò)對(duì)軸承故障模式識(shí)別準(zhǔn)確。將測(cè)得的數(shù)據(jù)輸入MLP網(wǎng)絡(luò)進(jìn)行故障模式分類，網(wǎng)絡(luò)不需要重新學(xué)習(xí)，根據(jù)目標(biāo)值結(jié)果準(zhǔn)確識(shí)別出軸承的狀態(tài)。

3 車載系統(tǒng)設(shè)計(jì)

車載軸承故障監(jiān)測(cè)系統(tǒng)對(duì)于車輛安全運(yùn)行發(fā)揮重要作用，車載微處理器運(yùn)算能力提升以及傳感器的日趨完善，特別是光學(xué)振動(dòng)傳感器測(cè)量精度的提升，為車載軸承故障監(jiān)測(cè)系統(tǒng)開發(fā)提供可靠的硬件平臺(tái)。特種工程車的車輪與車軸間多采用深溝球軸承，軸承承受來(lái)自軸向與徑向的復(fù)雜交變載荷，并處在高速旋轉(zhuǎn)的工作環(huán)境。軸承發(fā)生早期故障后，汽車在高速行駛中出現(xiàn)車軸振動(dòng)與車輪軸向位移，若駕駛員并未及時(shí)發(fā)現(xiàn)將會(huì)損壞懸架和轉(zhuǎn)向系統(tǒng)。

將振動(dòng)傳感器安裝于車輪軸承附近，在不影響車輪及車軸運(yùn)轉(zhuǎn)情況下采集軸承振動(dòng)信號(hào)，信號(hào)采集指令由車載控制單元發(fā)出。振動(dòng)信號(hào)經(jīng)接口輸入到微處理器，基于車輪軸承運(yùn)行的復(fù)雜工況，有必要對(duì)采集的振動(dòng)信號(hào)降噪處理以突出沖擊脈沖，計(jì)算振動(dòng)信號(hào)峭度值，當(dāng)峭度值快速增加且大于3時(shí)，應(yīng)用改進(jìn)極點(diǎn)模態(tài)對(duì)稱分解方法對(duì)信號(hào)波形進(jìn)行模態(tài)分量解析，為適應(yīng)快速診斷要求僅提取初始模態(tài)分量。計(jì)算模態(tài)分量的故障特征值并與故障數(shù)據(jù)庫(kù)樣本比對(duì)得出故障模式，將故障類型及特征值展示在車載顯示屏為駕駛員提供維護(hù)信息。故障檢測(cè)頻次根據(jù)振動(dòng)信號(hào)采樣波形數(shù)動(dòng)態(tài)調(diào)整，在高速運(yùn)行或有明顯外力作用時(shí)伴隨軸承振動(dòng)頻率加快系統(tǒng)檢測(cè)頻次增加。因信號(hào)采集及傳輸過(guò)程和微處理器運(yùn)算速度，故障診斷會(huì)出現(xiàn)一定時(shí)間的延遲，軸承在發(fā)生早期故障后距離失效還有一段工作時(shí)長(zhǎng)，因此不會(huì)對(duì)系統(tǒng)可靠性產(chǎn)生影響。

4 總結(jié)

本文建立故障模式識(shí)別MLP網(wǎng)絡(luò)模型，將模態(tài)分量特征參數(shù)導(dǎo)入訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練誤差達(dá)到預(yù)先設(shè)定誤差容限得到理想測(cè)試結(jié)果。應(yīng)用MLP網(wǎng)絡(luò)預(yù)測(cè)軸承的性能，實(shí)現(xiàn)軸承智能狀態(tài)監(jiān)測(cè)與故障診斷水平的提高，有很高的應(yīng)用價(jià)值。