基于神经网络的滚动轴承故障诊断方法的研究

第２期　机械设计与制造　２０１２年２月　Ｍａｃｈｉｎｅｒｙ　Ｄｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ　１８７　文章编号：１００１—３９９７（２０１２）０２—０１８７—０２　基于神经网络的滚动轴承故障诊断方法的研究术　胡耀斌厉善元胡良斌　（南华大学机械工程学院，衡阳４２１００１）　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａＩ　ｎｅｔｗｏｒｋ　ＨＵ　Ｙａｏ－ｂｉｎ，ＬＩ　Ｓｈａｎ－ｙｕａｎ，ＨＵ　Ｌｉａｎｇ－ｂｉｎ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｏｕｔｈ　Ｃｈｉｎａ，Ｈｅｎｇｙａｎｇ　４２１００１，Ｃｈｉｎａ）　【摘要】神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法，　非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一，大约有３０％的故障　是由轴承损坏引起的，提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量　信息作为特征，通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明，该方法对于滚动　轴承的故障诊断具有良好的效果和应用价值，并可方便地推广到其他类似的诊断领域。　关键词：神经网络；故障诊断；滚动轴承　【Ａｂｓｔｒａｃｔ】Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ａ　ｎｏｎ－ｌｉｎｅａｒ　ｉｎｔｅｌｌｉｇｅｎｔ　ｍｅｔｈｏｄ　ｈａｓ　ｔｈｅ　ａｄｖａｎｔａｇｅ　ｏｆ　ａ　ｍａｐｐｉｎｇ　ｃａｐａ—　ｂｉｌｉｔｙ　ａｎｄ　ｓｅｌｆ－ｌｅａｒｎｉｎｇ，ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ，ａｄａｐｔｉｖｅ，ｅｔｃ，ｎａｄ　ｗｈｉｃｈ　ｉｓ　ｉｄｅａｌｆｏｒ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ．　Ｗｅ　ｐｒｏｐｏｓｅｄ　ａ　ｍｅｔｈｏｄ　ｆｏｒ　ｆａｕｌｔ　ｔｅｓｔｉｎｇ　ｏｎ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｎ　ｃｏｎｎｅｃｔｉｏｎ　ｗｉｔｈ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｉｓ　ｉｍｐｏｒｔｎａｔ　ｔｏ　ｍａｃｈｉｅｎｒｙ　ａｎｄ　ｅｑｕｉｐｍｅｎｔ　ｏｆｆｒａｇｉｌｅ　ｐａｒｔｓ　ａｎｄ　ａｐｐｒｏｘｉｍａｔｅｌｙ　３０％ｏｆ　ｗｈｉｃｈ　ｆａｉｌｕｒｅｓ　ａｒｅ　ｃａｕｓｅｄ　ｂｙ　ｂｅａｒｉｎｇｄａｍａｇｅ．Ｔｈｅ　ｍｅｔｈｏｄ　ｕｓｅ　ｔｈｅ　ｅｎｅｒｇｙ　ｉｎｆｏｒｍａｔｉｏｎ＠ｅｒ　ｒｏｌｌｉｎｇｗａｖｅｌｅｔ　ｄｅｃｏｍ－　ｐｏｓｉｔｉｏｎ　ａｓ　ａｌｅａｔｕｒｅ　ａｎｄ　ｔｈｅ　ｎｅｕｒｌａ　ｎｅｔｗｏｒｋ　ａｓ　ｃｌｓａｓｉｉｆｅｒ　ｔｏ　ｉｄｅｎｔｉｆｙ　ａｎｄ　ｄｉｏｇｎｏｓｉｓ　ｔｈｅ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇｆａｕｌｔ．　Ｅｘｐｅｒｉｅｍｎｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｉｓ　ｔｈｅｆａｕｌｔ　ｄｉａｇｎｏｓｉｓｆｏｒ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｗｉｔｈ　ｇｏｏｄ　ｒｅｓｕｌｔｓ　ａｎｄ　ｖａｌｕｅ，ａｎｄ　Ｃａｎ　ｂｅ　ｅａｓｉｌｙ　ｅｘｔｅｎｄｅｄ　ｔｏ　ｏｔｈｅｒ　ｓｉｍｉｌｒａ　ｄｉａｇｎｏｓｔｉｃｓ．　Ｋｅｙ　ｗｏｒｄｓ：Ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ；Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　中图分类号：ＴＨ１６，ＴＨ１３３．３３　文献标识码：Ａ　１引言　动轴承振动频域上的特定分布的方法。　滚动轴承是机械设备重要的易损零件之一，它的运行状态　而小波变换（ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ）是一种新的时频分析方法［２－３１，　直接影响到整个机械设备的状态。由于工作面接触应力的长期反　被誉为分析信号的显微镜，很适合提取非稳态信号。我们采用　复作用，极易引起轴承疲劳、裂纹、压痕等故障，严重的会导致轴　Ｍａｌｌａｔ小波分解算法，对采集到的滚动轴承的加速度信号作三层　承断裂，造成事故。在旋转机械设备故障中，约有３０％的故障是由　分解，将采集到的振动信息划分为８个频带。再依据分解后各频带　轴承损坏引起的。传统的诊断方法如冲击脉冲法［１＿和共振解调法　能量的分布，判断当前信号正显现那种元件（内圈、外圈、滚动体　虽然较大的提高了诊断精度，但是仍然需要人工辅助，难以实现　等）故障时的典型特征频率，从而判断滚动轴承的故障类型及其严　复杂环境下的精确诊断。因此，采用智能方法对滚动轴承进行状　重程度。振动信号经小波包分解后，在某一层次上不同正交小波包　态检测以及故障诊断显得十分必要。而神经网络作为一种应用广　空间上的能量分布，如同滚动轴承的故障特征频率谱一样，反映了　泛的智能方法，具有非线性映射能力强，以及自学习、自组织和自　滚动轴承运行状况的本质特征。特征提取的具体算法如下：　适应的优点，非常适合于滚动轴承的故障诊断。　（１）采用Ｍａｌｌａｔ小波分解算法，将加速度信号进行三层小波　２滚动轴承的特征提取　分解，并进行信号重构，得到８组小波包系数。　Ｍａｌｌａｔ算法可简单表述如下：　滚动轴承在旋转过程中，难免会产生振动。当滚动轴承存在　缺陷时，将会对元件产生冲击，而这种冲击将会进一步引起整个　轴承的振动。对应不同缺陷，这些振动将呈现出不同的特征。从总　＝∑　ｊ－　ｈ　（ｋ＝０，１，２…Ⅳ＿１）　体上可将滚动轴承缺陷的振动，划分为低频诊断和高频诊断，其　＝中低频诊断，主要是针对滚动轴承中，各元件缺陷的旋转特征频　∑　。　率进行的；而高频诊断，则着眼于滚动轴承因存在缺陷时，所激发　式中　—信号的时域波形；　（ｎ），ｇ（ｎ）—共轭镜像滤波器的脉冲　的各元件的固有频率振动。它们在原理上没有太大的区别，滚动　相应；Ⅳ一采样点数　—分解层数；　层的相似系数；　轴承特征提取的原则，就是寻求一种能够表现不同故障类型在滚　层的细节系数。　★来稿Ｅｌ期：２０１１—ｏ４—２５★基金项目：湖南省科技计划项目（２０１１ＧＫ３１８９）　１８８　胡耀斌等：基于神经网络的滚动轴承故障诊断方法的研究　３．２神经网络的训练　第２期　重构公式如下所示：　Ｊ＝∑　ｈ　＋∑　（２）求重构后的信号各频段的能量Ｅ，公式如下：　二．　．２　＝　上世纪８０年代，以Ｒｕｍｅｌｈａｒｔ和Ｍｃｃｌｅｌｌａｎｄ为首，提出的多　层前馈网络的反向传播（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）学习算法，简记ＢＰ算　法。ＢＰ算法是是非循环多级网络最常用的训练算法，也是一种有　ｌ　ｌ　式中：　Ｕ＝Ｏ，１，．．．，７；　＝０…１…，ｎ）—重构信号离散点的幅值。　导师的学习算法，具有广泛的适用性Ｉ６１。在这里我们采用ＢＰ算法　（３）为了更好的反应不同故障带来的固有振动频率的本质，　对故障诊断网络进行训练，具体的算法流程如下：（１）对网络的权　从而获得更具一般Ｉ生的特征。最后对各频段能量进行归一化，获　值以及偏置进行随机初始化，使得初始权值的大小在０．５附近；　得特征向量：Ｉｎ＝告［　，Ｅ。，　，Ｅ，，Ｅ４，Ｅｓ，　，　］　厂’ｒ———一　（２）对样本数据随机排序，以提高网络的训练速度；（３）按照排序　输入样本，正向计算得到模式识别网络输出，依据期望输出获得　输出层的误差；（４）将输出层误差进行反向传播，获得各层局部梯　度；（５）依据局部梯度修正各层权值与偏置；（６）判断当前样本是　否为最后一个样本，如否则重新执行第３步；（７）计算当前网络的　总体平均误差，判断是否小于预设值，如否则重新执行第２步；　（８）输出训练好的神经网络。　其中，Ｅ＝＼Ｔ／∑（　　）　ｊ＝ｏ　３神经网络模型及故障诊断网络的构建　３．１故障诊断网络的结构　人工神经网络，是依据生物原理提出的人工智能算法，是对生　物神经元的模拟和简化。从滚动轴承的实际诊断过程可以看出，其　实质是—个模式识别过程。与传统的模式识别方法相比，人工神　经网络能实现任意复杂的判别曲面，具有更强的适应能力　。　我们采用三层的神经网络结构，如图１所示。　４试验与结果　为了检验诊断方法的可靠眭，我们通过实验分别采集了６３０７　滚动轴承无故障、内圈故障、外圈故障和滚动体故障的加速度振动　信号，进行轴承故障的识别验证。诊断测试系统图，如图２所示。　图２诊断测试系统图　表１滚动轴承特征向量表　输入层　隐藏层　输出层　图１滚动轴承故障诊断网络结构　网络的第一层为输入层，输入采用小波分解得到的特征向　量。第二层为隐藏层，ｂ　为偏置。由于输入向量１一范数本身处于　［０，１］区间，故隐藏层选用Ｓｉｇｍｏｉｄ激活函数，（　）＝　ｌ＿Ｉｅ　一，式中：　大于０的常数，在这里直接取ｏｔ＝ｌ。而隐藏层神经元的多少，　也对网络的识别性能有着重要的影响。如果隐藏层神经元过少，　则网络无法有效地对样本信息进行学习，从而大大降低识别效　果；反之，隐藏层神经元过多，则不仅会延长网络训练时间，对样　本数量的要求也会提高。确定隐藏层神经元个数的基本原则是：　（１）在满足精度要求的前提下，取尽可能紧凑的结构，即取　尽可能少的隐藏层神经元；（２）隐藏层神经元个数，必须小于Ⅳ一１　（其中Ⅳ为训练样本数）；（３）训练样本数必须多于网络模型的连　接权数（一般为（２一ｌ０）倍）。经过试验测试，我们发现隐藏层选择　ｌ８个神经元比较合适。网络的第三层为线性输出层，针对模式识　别的神经网络，输出层采用线性输出比较有利。对应的期望输出　０，１，０）和滚动体故障（０，０，０，１　ｏ　实验采用电机带动滚动轴承转动，电机转速１３８０ｄｍｉｎ，传感器　大器连接凌华ＰＣＩ－９１１８数据采集卡，采样频率为１０ｋＨｚ。实验—共　　１０３加速度传感器，安装在负载上边。传感器经过电荷放　分别为：无故障（１，０，０，０）、内圈故障（Ｏ，１，０，０）、外圈故障（Ｏ，　选用ＢＺ１第２期　机械设计与制造　２０１２年２月　Ｍａｃｈｉｎｅｒｙ　Ｄｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ　１８９　文章编号：１００１—３９９７（２０１２）０２—０１８９—０３　基于特征造型的轴类零件设计系统　：ｌ＝　程皓亮李华姚进　（四川大学制造科学与工程学院，成都６１００６５）　Ｔｈｅ　ｄｅｓｉｇｎ　ｓｙｓｔｅｍ　ｏｆ　ｓｈａｆｔ　ｐａｒｔｓ　ｂａｓｅｄ　ｏｎ　ｆｅａｔｕｒｅ　ｍｏｄｅｌｉｎｇ　ＣＨＥＮＧ　Ｈａｏ－ｌｉａｎｇ，ＬＩ　Ｈｕａ，ＹＡＯ　Ｊｉｎ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍａｎｕｆａｃｔｕｒｉｎｇ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｉｃｈｕａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ　６１００６５，Ｃｈｉｎａ）　【摘要】以特征造型思想为基础，用ＶＢ　６．０和Ａｃｃｅｓｓ　２００３为开发工具对Ａｕｔｏｄｅｓｋ　Ｉｎｖｅｎｔｏｒ进行｛　二次开发，开发出轴类零件设计系统。系统采用模块化结构，主要阐述了信息输入及处理模块、特征造｛　型模块、工程图绘制模块等主要模块及其实现方法。系统能够对不同形状的轴类零件进行计算机辅助ｉ　设计并生成工程图，具有记录建模过程并实现人机交互功能的特点，显著的提高了设计效率。　｛　关键词：特征造型；轴类零件；Ｉｎｖｅｎｔｏｒ二次开发　ｉ　【Ａｂｓｔｒａｃｔ】Ｂａｓｅｄ　ｏｎ　ｆｅａｔｕｒｅ　ｍｏｄｅｌｉｎｇ，ｕｓｉｎｇ　ＶＢ６．０　ａｎｄ　Ａｃｃｅｓｓ　２００３　ａｓ　ｔｏｏｌｓ，ｎ　ｄｅｓｉｇｎ　ｓｙｓｔｅｍ　ｆｏｒ｛　ｓ　ｐａｒｔｓ　ｈａｓ　ｂｅｅｎ　ａｃｃｏｍｐｌｉｓｈｅｄ　ｗｉｔｈ　ｔｈｅ　ｆｕｒｔｈｅｒ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　Ａｕｔｏｄｅｓｋ　Ｉｎｖｅｎｔｏｒ．Ｏｎ　ｔｈｅ　ｃｏｎｃｅｐｔ　ｏｆ　２　ｏｍｄｕｌｅ　ｓｔｒｕｃｔｕｒｅ，ｔｈｉｓ　ｓｙｓｔｅｍ　ｓｉ　ｃｏｍｐｏｓｅｄ　ｆｏ　ｔｈｒｅｅ　ｍａｉｎ　ｍｏｄｕｌｅｓ　ｗｈｉｃｈ　ａｒｅ　ｍｏｄｕｌｅ　ｆｏ　ｄａｔａ　ｉｎｐｕｔ　ａｎｄ　ｐｒｏ一《　ｃｅｓｓｉｎｇ，ｍｏｄｕｌｅ　ｆｏｆｅｔａｕｒｅ　ｏｍｄｅｌｉｎｇ，ａｎｄ　ｏｍｄｕｌｅｆｏｒｐｒｏｊｅｃｔ　ｄｒａｗｉｎｇｐｌｏｔｔｉｎｇ．Ｔｈｉｓ　ｓｙｓｔｅｍ　ｃｎａｆａｃｉｌｉｔｔａｅ　ｄｅ—ｉ　ｓｉｎｇ　ｆｏａｌｌ　ｋｉｎｄｓ　ｏｆｓ　ｐａｒｔｓ　ｗｉｔｈ　ｖａｒｉｅｄ　ｓｈａｐｅｓ　ａｎｄ　ｐｒｏｊｅｃｔ　ｄｒａｗｉｎｇ　ｓｉ　ｇｅｎｅｒｔａｅｄ，ｗｈｉｃｈ　ｈａｖｅ　ｔｈｅ　ａｄｖａｎ一《　ｔａｇｅ　ｆｏｒｅｃｏｒｄｉｎｇ　ｏｍｄｅｌｉｎｇｐｒｏｃｅｓｓ　ｎａｄ　ｈｕｍａｎ－－ｃｏｍｐｕｔｅｒ　ｉｎｔｅｒａｃｔｉｏｎ，ｉｍｐｒｏｖｅｄ　ｔｈｅ　ｄｅｓｉｎｇ　ｅｆｉｆｃｉｅｎｃｙ　ｓｗｉｌｒ—ｉ　ｃａｎ　；　Ｋｅｙ　ｗｏｒｄｓ：Ｆｅａｔｕｒｅ　ｍｏｄｅｌｉｎｇ；Ｓｈａｆｔ　ｐａｒｔｓ；Ｉｎｖｅｎｔｏｒ　ｓｅｃｏｎｄａｒｙ　ｄｅｖｅｌｏｐｍｅｎｔ　５　中图分类号：ＴＨ１６，ＴＨ１３文献标识码：Ａ　己Ｉ言　速器造型方法跟本系统类似，但是其生成的二维图无法标注，且设　的轴类零件设计占用了设计人员　计力１１速器没有记十　的功能。特征的造型方法　大量的时间和精力，因此，如何将轴类零件设计简易化一直是国内　被工程设计人员广泛的接受和使用，而Ｉｎｖｅｎｔｏｒ的设计思想就是基　外学者较为关注的研究课题。目前，提高轴类零件建模效率的常用　于特征的造型方法。鉴于轴类零件自身的特｜　和Ｉｎｖｅｎｔｏｒ良好的二　方法是轴的参数化造型，这种方法用尺寸驱动的功能可以得到不同　次开发接口功能，系统利用ＶＢ对Ｉｎｖｅｎｔｏｒ进行二次开发，实现了　尺寸的轴，但无法改变轴的特征形状。Ｉｎｖｅｎｔｏｒ自带的轴的设计加　可选择化轴特征建模、｛　和生成工程图。　★来稿日期：２０１　１－０４—２５　★基金项目：四川省科技支撑计划项目（２０１０ＧＺ０１７３）　采集了１６０个样本，每种类型４０个，其　２０　诊断的成功经验，如同时引入温度、加速度、声发射器信号［７】，是下　个用来ｉ儿陈。部　向量，如表１所示。　一步研究工作的方向。　学习后，对所有的　车递珩了检测。检测的结果，如表２所示。　参考文献　表２滚动轴承故障神经网络诊断结果　ｌ　１　Ｊ　Ｒ．Ｍａｒｔｉｎ．Ｄｅｔｅｃｔｉｏｎ　ｏｆＢａｌｌ　Ｂｅａｒｉｎｇ　Ｍａｌｆｕｎｃｔｉｏｎ［Ｊ］．Ｉｎｓｔｒｕｍｅｎｔｓ　ａｎｄ　Ｃｏｎｔ—　ｒｏｌ　Ｓｙｓｔｅｍｓ，１９７０（１２）：７９—８２．　［２］杨国安，钟秉林，黄仁．机械故障信号小波包分解的时域特征提取方法　研究［Ｊ］．振动与冲击，２００１，２０（２）：２７—３０．　［３］李世玲，李治，李合生．基于小波包能量特征的滚动轴承故障监测方法　［Ｊ］＿系统仿真学报，２００３，１５（１）：７８—８２．　１４　Ｊ　ＳｉｍｏｎＨａｙｋｉｎ．Ｎｅｕｒｌａｎｅｔｗｏｒｋｓａｃｏｍｐｒｅｈｅｎｓｉｖｅｆｏｕｎｄａｔｉｏｎ［Ｍ　Ｊ．Ｂｅｉｊｉｎｇ：　５结束语　Ｃｈｉｎａ　Ｍａｃｈｉｎｅ　Ｐｒｅｓｓ，２００３．　［５］李萌，陆爽．基于小波神经网络的滚动轴承智能故障诊断系统［Ｊ］．仪　滚动轴承的故障检测，是一项重要的研究课题。提出的采用　器仪表学报，２００５，２６（８）：６０９－６１０．　神经网络进行滚动轴承故障诊断的方法，经过实验验证，具有良　［６］周昌雄，陈迅．基于关联维数与ＢＰ神经网络的滚动轴承故障诊断［Ｊ］．　好的识别效果，而且具有再学习方便、识别速度快、可进行在线诊　轴承：２００３（９）：３２－３４．　断且便于推广的优点。但是由于实验室采集到的滚动轴承运行状　［７］Ｄ．Ｍｂａ，Ｒａｊ　Ｂ．Ｋ．Ｎ．Ｒａｏ．Ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ａｃｏｕｓｔｉｃ　ｅｍｉｓｓｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ　ｆｏｒ　ｃｏｎｄｉｔｉｏｎ　ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｒｏｔａｔｉｎｇ　ｍａｃｈｉｎｅｓ：ｂｅａｒｉｎｇｓ，ｐｕｍｐ　态相对简单，且故障较明显，复杂运行环境下的滚动轴承故障检　Ｓ，ｇｅａｒｂｏｘｅｓ，ｅｎｇｉｎｅｓ　ａｎｄ　ｏｒｔａｔｉｎｇ　ｓｔｕｒｃｔｕｒｅｓ［Ｊ］　ｅ　ｓｈｏｃｋ　ａｎｄ　ｖｉｂｒａｔｉｏｎ　测，仍需要进一步的研究。如何能更好的引入传统轴承故障故障　ｄｉｇｅｓｔ，２００６，３８（１）：３一ｌ６．