神经网络在滚动轴承故障诊断中的应用

第 1卷增刊 7 20年 8 04月

振 动工程

学报

Vo. No S l1 7 .

Junl V bai E gnei o ra o i t n i r g f r o n e n

A g 20 . 4 u 0

神经网络在滚动轴承故障诊断中的应用丁福焰‘邵(铁道科学研究机车车辆研究所’

张生玉‘杜永平“.0 0 1 北京交通大学 10 8 ) 2 (北京，0 0 4 104)

摘要简述了神经网络在机械故障诊断中的主要应用方面，提出了训练样本的数量和质量问题，以铁道车辆滚动轴承为例，用大量精选的现场实测数据作为训练样本，对所建立的 B P网络进行训练，将训练好的网络应用于轴承状态分类，取得了很好的诊断效果。关键词：神经网络；滚动轴承；故障诊断中图分类号： H13 263 T 3 s 0 . T P

人工神经网络已在一些科学研究和工程领域中 显示了很大的威力，其应用范围已扩展到诸如语音

1 P网络模型 B神经网络按其拓扑结构可分为前馈网络和反馈 网络两种类型，前馈网络中神经元分层排列，每一层只接受其前一层的输出作为输人， B如 P网络，因其结构简单、易于实现且不存在稳定性问题而得到广泛应用。反馈网络包括局部反馈和全互联网络，如 H pid网络， ofl e双向联想记忆网络， R玻耳兹曼 A T,机等，可以较好地解决非线性可分问题，但结构复杂，存在稳定性问题。 B P算法因其计算简单、易于实现，是迄今为止应用最为广泛的神经网络模型。本文即采用这种网络，作为故障诊断的模式分类器。基于B P网络的故障诊断模型，就是利用 B P网络的泛函逼近能力，逼近故障的分类边界，从而完成特征空间到故障空间的非线性映射。P网络是一种典型的多层感知器结 B构的前馈网络，由输人层、隐层(可有若干层)和输出层组成川。考虑解决故障诊断问题的需要，采用单隐层的 B P网络，其拓扑结构如图 1所示。

与指纹识别、计算机视觉、 N D A序列分析、故障诊断、图象处理、智能控制、通讯、导航、预测与决策、金融分析等重要领域，并且取得了很大成功。由于神经网络具有高度非线性、 并行处理机制、信息的分布存储性、自组织 (自学习)性及容错性等重要特点，因此在故障诊断技术中倍受瞩目，自上世纪 9年代起国内外开展了广泛的应用研究。 0神经网络( N) N在机械故障诊断中的应用主要可分为以下三个方面：

从模式识别的角度，利用 N N作为模式分类器进行状态分类；

从知识处理的角度，建立基于 N N的专家系统进行故障诊断； 从预测的角度，利用 N N作为动态预测模型进行故障发展预测。目前仍以第一方面的应用居多， 即将神经网络作为模式分类器使用。在滚动轴承故障诊断中，很多文献进行了深人研究〔‘有的还将神经网络与模‘〕一，糊数学、小波变换、遗传算法等相结合，产生了多种新型的分类器，应用于滚动轴承和旋转机械的故障诊断[ 6大量研究表明， C1 s。 -神经网络是故障诊断技术的一种有效方法，但由于各种因素的影响，它的实际应用效果还不够理想，而训练样本的数量和质量便是其中的影响因素之一。本文利用典型的现场实测数据作为训练样本，取得了很好的效果。

输入层

隐层

输出层

图 1 P网络拓扑结构 B收稿日期：040-0 20-32

神经网络在滚动轴承故障诊断中的应用

42 6

振

动

工

程

学

报

第1 7卷

2 P网络在故障诊断中的应用 B2 1特征参数的提取 .滚动轴承诊断中所用的状态信号为振动信号， 一般根据经验抽取出一些反映轴承状态的特征参

2 3网络训练 .

神经网络的工作过程分为学习过程和应用过程 两部分，学习过程将训练样本输人网络，对其进行训练，调整网络权值，通过权值的不断变化逐渐逼近期望输出；应用过程则用已经调整好权值的网络对实际测试数据进行分类。训练样本采用铁道车辆轴承

数，以便进行状态识别。选取幅域统计特征参数均方根值( s、 r )峭度系数( v m K )峰值系数(f、、 C )解调幅值( r及频域特征参数解调谱外圈、 E)内圈、滚子、保持架特征值(p,p,p,p ) 8 S oS i bS h共个元素， S组成轴承状态特征向量。其中，解调谱特征值参数用来描述共振解调信号中的故障频率成分，可对包络频谱进行自动识别。

的现场实际数据，轴承型号为 172, 976样本总数 5 4个，其中正常状态样本 4个， 3故障状态样本 1个。 1在选择样本时充分考虑了该类轴承的各种状态和特征参数的差异，使样本具有代表性。将训练样本的特征向量进行归一化处理，处理后的部分数据列于表 1然后输入 B, P网络进行训练， 1表样本的对应输出列于表 2 02 4诊断实例 .

22网络结构与状态编码 .采用三层 网络结构形式，输人层神经元个数为 8对应特征向量的 8,个

元素，隐层神经元 1个。考 5虑到故障类型的多样性和两类以上故障并存的可能

性，采用多值输出网络，输出层神经元设为 5将个，对应状态编码为：正常(, 0 0 0, ( 0, )综合故障 0,, (, 0 0 0, 1 0, )外圈故障(, 0 0 0,,, 1 l, )内圈故，,障(, 1 0 0, 1 0, )滚子故障(, 0 1 0,,, 1 0, )保持，,架故障(, 0 0 10 1 0, ),,

网络训练完成后各连接权值已确定， 应用该网络对同样来自现场实测的 18 4套轴承进行诊断，以验证网络的状态分类能力，其中正常轴承 10, 4套故 …… 此处隐藏：7908字，全部文档内容请下载后查看。喜欢就下载吧 ……