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套故障轴承 8除 1套。例将正常轴承误判为故障之外，全部与实际情况相符，准确率大于”%。经重新调整初始参数，将该组误判的数据作为训练样本再次训练后，诊断结果正确。归一化处理后的部分输入数据列于表 3表 4,是其相应的诊断结果。

表 1部分训练样本数据编号T1 1厂m s

Kv 1 0 0 . 0 0

C f1 0 0 .0 0O .

Er

Si p0 5 9 . 6 7 00 . 49 5 1 0 0 . 0 00 0 6 . 5 8

p b0 1 5 . 3 1 0 07 7 . 9 0 1 5 . 5 51 0 0 . 0 0

实际状态0 0 3 . 8 0 0 5 0 . 0 0 0 0 6 . 6 10 .

0 2 8 . 6 09户

0 2 5 .5 80 0 2 . 0 01 0 0 . 0 0

0 1 7 . 9 4 0 1 0 . 3 2 0 1 6 . 7 0 0 0 4 . 9 4 0 0 5 . 6 2

内圈故障正常

T TO J

0 1 1 . 5 9

0 1 1 .6 1 0 7 6 . 6 6} C

47 3 4口

0 4 8 .2 2A L

9 7 4 1

内圈故障外圈故障

T T尸匀

0 1 9 . 1 10 .

0 1 2 .5 8 0 1 2 . 0 4 0 2 2 . 5 8 0 2 8 .2 7 0 1 2 . 5 8

0 4 6 .8 7

0 9 2 . 7 7 0 1 0 . 4 6 0 2 7 . 2 1 1 3 6 10 6 6 . 6 9 0 3 3 . 7 4

0

80

2 0 0 3…

0 4 5 .5 4

0 0 3 . 5 1 0 0 9 . 2 90 .

0 0 7 . 8 5 0 3 4 . 1 30 -

0.

40C〕

正常

T月0

0

5 9 7 6

4 2 7 5

0 6 7 .8 40 5 2 . 5 7 0 4 4 . 9 1

0 1 0 . 2 50 1 8 . 7 1 1 0 0 . 0 0 0 4 8 .2 7 0 1 3 . 9 20 1 3 . 1 0 0 6 1 . 1 00 1 0 0 n口 0

0-

69O

T【i

0

0 3 3 9.

6 8 5 6.

62n

综合故障

:

外圈故障

TC O

八〕 O J

3 9 8 9

0

0 3 6 4

0

0 0 7 5

400

T

0 1 09 .20 3 6 . 6 7 0 1 7 . 5 9 0 1 8 . 6 7 0 2 2 . 1 30 1 5 . 4 4

0 4 8 . 0 30 2 2 . 1 6 0 2 9 . 5 5 0 5 6 . 7 0 0 6 0 . 8 2 0 2 5 .0 1} .

8 6 4 30 6 8 . 5 8

0 0 2 . 5 4 . 2 1 8. 49 0

0 0 0 . 9 4

8L匀

滚子故障正常

‘

T1 0 Tl l T1 2 T1 3 T1 4 T1 5 T1 6

0 7 6 . 1 60 5 0 . 0 4

0 1 9 . 0 0 0 2 8 . 2 1

00

,

0 5 3 . 8 8 0 8 1 . 8 1

09臼

保持架故障

:

0 0 3 .6 00 1 9 . 3 1n}:

0 0 5 . 2 2O .

0 1 2 . 5 10 1 5 . 3 4 0 0 9 . 8 8 0 7 7 . 6 2 0 1 0 . 4 1

23

正常

滚子故障内圈故 障正常 外圈故障滚子故障

0 9 7 . 6 1n

4 4 0 5.

0 0 6 . 8 0 0 0 6 . 8 0 0 1 1 . 7 20 4 4 . 4 9

0 1 6 . 9 10 1 0 . 4 20 0 3 . 3 2

5 5 4 2口

1 0 2 5

n

0 6 4 9

0 2 9 . 5 8 1 0 0 . 0 0

0 4 7 .7 10 1 5 . 6 7

￣U

8 0 4 5

n

0 1 9 8

0 0 5 . 6 2 0 0 3 . 7 2

0 5 9 . 4 5

0 8 3 . 7 3

0 0 8 . 6 5

神经网络在滚动轴承故障诊断中的应用

增刊

丁福焰等：神经网络在滚动轴承故障诊断中的应用表 2部分训练样本的输出结果

42了

编号T1 T2 T3 T4T5

期望输出

实际输出

输出 1

输出 2

输出 3

输出 4

输出 5

输出 1

输出 2

输出 3

输出 4

输出 5

1 1 0 0 0 . 9 8

0 9 9 0 0 0 0 9 9 . 9 2 . 0 1 0 0 0 . 0 3 0 0 0 . 0 20 0 0 0 0 0 0 0 . 0 5 0 0 0 0 0 1 0 0 0 . 0 4 . 0 2 . 0 7 0 0 1 . 0 1 1 1 0 0 1 0 0 0 9 9 0 0 0 0 .0 0 . 9 2 . 0 4 0 0 0 . 0 1 0 0 7 . 0 7 1 0 1 0 0 9 8 0 0 0 0 . 6 9 . 0 1 0 9 7 0 0 0 . 8 9 . 0 3 0 0 1 . 0 4 0 0 0 0 0 0 4 0 . 1 3 0 0 5 . 0 1 0 0 0 . 0 2 0 0 0 . 0 2 0 0 2 . 0 7 1 0 0 0 0 9 3 0 0 1 0 0 1 0 0 8 0 0 0 0 .6 7 . 0 1 . 1 2 . 0 4 . 0 1 1 0 1 0 0 9 4 0 . 1 0 0 0 0 9 4 9 . 0 0 . 9 0 0 0 2 . 0 4 0 0 0 0 0 .

T6 T7 T8 T9 T1 0 T1 1T1 2

1 0 0 1 0 9 5 0 0 0 0 0 7 0 9 7 0 0 0 0 9 3 . . 0 0 . 0 4 . 4 9 . 0 10 0 0 0 0 0 5 0 0 2 0 0 0 0 0 6 0 0 8 0 .4 5 . 0 1 . 0 0 . 0 4 0 7 .

1

0 0 0 1 . 8 0 0 1 0 0 0 0 0 0 0 9 9 09 1 1 . 0 5 . 0 2 . 0 3 5 9 .0 0 0 0 0 0 3 0 0 0 0 .3 0 . 0 3 0 0 3 0 0 3 . 0 5 . 0 2 0 0 1 2 1 . 1 0 0 1 0 9 0 0 0 1 0 0 1 0 9 4 0 0 0 0 .6 8 . 0 9 . 0 0 . 5 8 . 1 0 1 1 0 0 0 9 2 0 9 5 0 0 0 0 . 7 9 . 7 9 . 0 1 0 0 0 . 0 1 0 0 0 0 0 . 0 0 0 0 0 0 9 0 . 5 0 0 3 0 0 0 0 . 0 4 . 0 3 0 0 0 . 0 1 0 0 3 0 9 . 1 0 1 0 0 9 6 0 0 0 0 . 4 9 . 0 1 0 9 7 . 6 0 0 0 9 . 3 0 0 0 0 . 0 2 1 0 0 1 0 9 9 0 0 2 0 . 8 9 . 0 5 0 0 0 . 0 4 0 9 1 0 0 0 . 2 9 . 0 7

T1 3T1 4 T1 5 T1 6

表 3部分测试样本数据编号S1了了刀 s

Kv

C f0 8 0 .3 3 0 8 9 .4 9 0 5 3 . 3 1 0 6 0 .0 5 0 5 8 .4 3 0 5 7 .1 5 0 8 0 .4 1 0 4 1 .6 5 0 5 7 .0 00 5 0 . 7 40 0 O…

Er0…

Si p0 0 9 .3 1

So p0 8 9 . 9 3 0 1 6 . 4 0 0 0 3 . 0 9

p b0 0 0 .8 8

Sh p0 0 3 .4 5 0 0 3 . 5 7 0 0 4 . 6 90 1 4 . 7 4

0 1 4 . 0 4 0 1 2 . 0 9 0 5 3 . 4 9

0 4 5 .2 6

2 9 2 8

S2 S3 S4

0 5 4 .4 4 0 1 3 . 6 6 0 2 1 . 3 10 1 9 . 2 7

0}U

5 2 3 6

0 3 6 .3 5 0 0 6 .3 60 0 7 .4 1 0 0 3 .6 7 0 3 6 .8 5 0 0 4 .3 1 0 0 7 .3 6 0 0 3 .6 7

0 2 7 .0 50 3 7 .9 6 0 6 3 . 4 2 0 3 4 .9 0

实际状态外圈剥离内圈点蚀

2 3 1 8 1 0 9 40 0 7 4 0 0 9 3

0 4 3 .5 2 0 6 5 .5 30 4 7 . 0 0

0 0 2 .8 60 1 2 . 0 2 0 0 3 . 7 4

S 5S6 S7 S8

0 0 9 .6 60 0 0 .4 9 0 0 6 .8 2 0 0 5 .5 6 0 0 9 .6 6 0 0 2 .8 0

0 1 2 . 6 60 5 4 . 3 6 0 1 1 . 1 4

0 0 0 .8 00 0 4 .8 9 0 0 3 .6 0

滚子蚀坑滚子点蚀滚子碾皮内圈剥离外圈剥离

0 1 6 . 6 9 0 2 1 . 8 4

0 1 8 . 4 5 0 1 0 . 2 7

0 8 5 .9 6 0 0 4 .8 8 0 0 8 .9 60 1 2 . 0 5

S 9S1 0

0 2 8 .6 6 0 1 8 . 9 3 0 2 6 . 7 3 0 2 3 .5 80 2 2 .2 0

0 1 6 . 6 50 1 3 . 9 7

0 2 9 .3 40 0 4 . 6 9

0 2 2 .8 90 0 6 .6 4

0 0 0 .5 5 0 0 3 .3 30 0 6 .4 9

正常正常正常正常正常正常正常外圈剥离

S 1 1S1 2

0 1 7 . 8 50 1 3 . 5 9

0 5 6 .1 8 0 5 6 .6 3 0 5 0 . 0 7 0 4 5 .6 80 5 5 . 8 3

0 1 4 .1 9 0 1 2 . 1 0 0 1 9 . 6 2 0 1 0 .9 90 2 0 . 5 9

0 0 4 .9 2 0 0 2 .8 50 07 0 . 9 0 27 0 . 9 0 8 3 . 2 4

0 0 6 .6 00 0 4 .7 8

0 1 4 . 9 10 1 4 .5 2

S 3 1S1 4S1 5

0 2 4 .0 8 0 1 3 . 3 40 1 2 . 4 7

0 0 4 .4 5 0 0 6? .30 1 4 .5 7

0

0 8 .7 9 0 0 9 .6 40 0 5 . 4 9

0 0 4 .8 9 0 0 4 .5 00 0 6 . 5 9

0 1 6 . 1 90 4 6 . 9 5

表 4测试样本输出编号S 1 S 2 S 3 S 4 S 5 S 6 S 7 S 8S9

输出 10 9 0 . 4 9 0 8 6 .4 0 0 8 7 .7 90 9 5 . 0 7 0 9 . 7 45 0 9 0 . 7 0

输出 20 0 0 .0 1 0 7 6 . 4 50 0 4 .0 2 0 0 0 . 9 0

输出 30 9 8 . 6 90 0 0 .0 0 0 0 0 .0 1 0 0 0 .0 7 0 0 0 .0 1 0 0 0 .0 00 9 9 . 9 4

输出 40 0 0 .0 10 0 0 .0 3

输出 50 0 0 . 4 0 0 0 4 .0 60 0 0 . 0 0

诊断结果

0 9 3 . 5 8 0 9 7 . 9 9 0 9 8 . 3 9 0 0 1 .0 20 0 0 . 0 2

0 0 0 . 0 0 0 0 0 .0 0 0 0 0 .0 1 0 0 0 .0 1 0 0 2 . 7 00 0 2 . 4 0

0 0 2 .9 10 9 5 . 6 9 0 0 0 .0 1 0 0 4 .0 5 0 0 1 .0 7 0 0 5 .0 0 0 0 3 .0 7 0 0 7 . 9 0 0 0 2 . 1 0

0 9 9 .8 5 0 0 4 .1 50 0 3 . 6 0 0 01 2 . 4 0 01 6 . 1

0 0 0 .0 2 0 0 0 .0 10 0 0 .0 5

0 0 0 .0 2 0 0 4 .1 7

S0 1S1 1

0 0 0 .0 10 0 0 . 0 2

0 0 1 .0 7 0 0 2 .0 0 0 0 2 . 0 0 0 0 2 .0 3

0 0 0 .0 30 0 0 .0 2

S 2 1S1 3

0 0 8 .1 1 0 0 8 .2 5 0 0 0 .6 80 9 3 . 9 9

0 0 0 .0 2

0 0 0 .0 1

0 0 0 .0 20 0 0 .0 0

S4 1 S 5 1

0 0 0 .0 20 0 0 . 0 0

0 0 2 .1 90 9 9 .9 1

0 0 0 . 9 00 0 0 .0 1

0 0 0 .0 5

外圈故障内圈故障滚子故障滚子故障滚子故障内圈故障外圈故障正常正常正常正常正常正常正常外圈故障

神经网络在滚动轴承故障诊断中的应用

4 8 2

振

动

工

程

学4 7 6

报

第 1卷 7

3结

论

2

潘紫微，徐金梧.基于神经网络的自适应故障模式分类方法.北京科技大学学报，951()24 6 19;73:5-29王太勇，李书明，郭红旗等.神经网络多参数

诊断法及其应用研究.机械工程学报，983 ()10 0,1 19;4 1:0-13 10谭工.神经网络在轴承故障诊断中的应用.模糊系统与数学，9593:9 3 19;()8-9P y B, st, d M M. t ia n ua n t aa A E a I B i N Aric l rl - I a fi e e

本文应用 P神经网络对滚动轴承故障诊断中 B的模式分类问题进行了研究，由于训练样本采用现场实际数据，对象及工况均与实际情况相同，且样本数量很大，基本包含了被测轴承的各种状态信息，因此应用效果令人满意，说明了训练样本对网络应用的重要性。B P神经网络具有很强的分类能力，只要设计得当，结构合理，有足够多的高质量训练样本，就可以在实际现场应用。若再采用某些改进算法或与遗传算法、模糊数学等相结合，则会产生更好的诊断效果。

3

4

5

w r bsd ld g ot s rtt g ci r ui ok e f t n sc o oai m hn y n a a i u a i f n a e s g w vl t nfr a a poesr Mehncl tm ae t s m percso. cai S s e r o s r a a ye6

ad nl cs n, 71()71 6 n S a Poes g 19;15:5一75 i g r i 9 G oe u V,C o Moye erl uz ss m od P l h w -u. ua F zy t s a N/ yefr ii t l dtcin id cin tr. o o ic e fut et i n ut moos r- npn a e o n o P

cei s te t A n a Itrai a C neeco ed g o h 1 h ul ent n l frnen n f 9 n n o oI d sr l lcrnc, C n r l a d sr me tt n, n u ti E e to i a s o to, n I tu n ai n o US A,1 9:3 - 3 7 9332 3

参

考

文

献

7

钟秉林，黄社，9 8 19

仁.机械故障诊断学.北京：机械工业出版

1严新民，马建仓，磊.P神经网络在滚动轴承早期故罗 B障诊断中的应用. 机械科学与技术，961()44 19;53:6-

A pi t n N ua N t ok F ut g oi o R l r aig p l ai o erl w r i al D an s f l B r c o f e n i s

o e e nDn F y n ho ' hn S egu u npn 2 i ua ' a J n g S u Z ag ny ' Y g i h D o g( h a ae o R i a Si cs ei, 001 ( ei J oo g i rt B i g 104) ' i A dmy aw y e e C n c f l c n B i g 108) ' i g tn U v sy ei, 004 j n B j i n a nei j n A s at a api t n o nua nt ok m cai l ld g oiae e d T e b m qaty qat bt c M i plai s erl w r i ehn a f t ns r bie. po l o uni ad ly r n c o f e n c a i u a s r f h r e f t n u i o t iig l ip i e o t L re o ns dt o ri a cr l baig aue a se ae e a t ii f nn smpe s n d . g a u t o aa a w y rl r r mesrd i s u d r nn r a a s o t u a m f f l a oe e n t r s s t a g sm l t t i or ntok T e w r iape t bai f ld goi, n te u istfd a p s r n B e r. nt ok pld er g t ns ad rsl s ii . e o a u P w h e s i o n a i u a s h e t a se K y rs nua nt ok rlr r g f ld goi e w d: er ew r; o e bai; t ns o l l e n a i u a s

第一作者 T福焰男，副研究员， 6年6 1 3月生。电话： 1)1433Em if i@rI cm c. 9 ( 05898;-a:d g as o . 0 Iy n i. n