基于神經網絡的滾動軸承故障診斷

□王立鳳

無錫商業職業技術學院物聯網技術學院江蘇無錫214000

基于神經網絡的滾動軸承故障診斷

□王立鳳

無錫商業職業技術學院物聯網技術學院江蘇無錫214000

為對滾動軸承故障進行快速檢測，提出了一種基于神經網絡和軸承振動信號特征參數的滾動軸承故障檢測方法。采用振動信號的特征參數作為反向傳播神經網絡的輸入，為滾動軸承建立動態非線性神經網絡模型，并利用該模型進行在線故障檢測，同時應用反向傳播算法對網絡進行訓練。實踐證明，這一模型能夠滿足對滾動軸承故障進行在線檢測。

神經網絡；滾動軸承；反向傳播；故障

滾動軸承由內環、外環、滾動體和保持架等元件組成，通常情況下，內環與機械傳動軸的軸頸過盈配合連接，工作時與軸一起轉動；外環安裝在軸承座、箱體或其它支撐物上，工作時一般固定，但也有外環回轉、內環不動或內外環分別按不同轉速回轉的情況。滾動體是軸承的核心元件，可使相對運動表面間的滑動摩擦變為滾動摩擦，其形式有球形、圓柱形、圓錐形、鼓形等。在軸承內外環上都有凹槽滾道，起減小接觸應力和限制滾動軸承軸向移動的作用。保持架使滾動體等距離分布，并減小滾動體間的摩擦和磨損。如果沒有保持架，相鄰滾動體將直接接觸，且相對摩擦速度是表面速度的兩倍，發熱和磨損都較大。滾動軸承典型結構如圖1所示。

圖1 滾動軸承典型結構

1 滾動軸承的故障診斷

滾動軸承在工作過程中，由于裝配不當、潤滑不良、水分和異物侵入、腐蝕及過載等都可能發生損傷。軸承主要損傷形式包括磨損失效、疲勞失效、斷裂失效、壓痕失效、膠合失效及保持架損壞等[1]。

滾動軸承故障診斷的目的是保證軸承在工作環境中承受核定荷載，在預期壽命內可靠有效地運行，以保障整臺機器的工作精度[2]。故障診斷通過對能夠反映軸承工作狀態的信號進行觀測、分析和處理，進而識別軸承的工作狀態。所以，從一定程度上說，軸承故障診斷就是軸承運行狀態的識別。

完整的軸承故障診斷過程包括以下五個方面：

（1）信號測取。根據軸承的工作環境和性質，選擇并測量能夠反映工況或狀態的信號。

（2）特征提取。以一定的信號分析與處理方法從測量的信號中抽取出能夠反映軸承運行狀態的有用信息。

（3）狀態識別。簡單判斷軸承在工作時是否有故障。

（4）狀態分析。根據征兆進一步分析相關情況及發展趨勢。當有故障發生時，詳細分析故障類型、性質、部位、產生原因與趨勢等。

（5）決策干預[3]。根據軸承運行狀態及發展趨勢作出決策，如調整、控制或繼續監視等。

軸承故障診斷的實質是從定位故障到確定故障性質，進而確定故障發生的程度。神經網絡由于具有處理復雜多模式情況的能力，以及進行聯想、推測和記憶的功能[4]，因此適于應用在滾動軸承的故障診斷上，診斷過程如圖2所示。

圖2 滾動軸承故障診斷過程

2 滾動軸承特征參數的選取

利用反向傳播神經網絡對石油鉆井的絞車及傳動機組滾動軸承進行故障診斷[5]，能夠在軸承早期故障時發出預警信號，提前對將要發生故障的軸承進行維修或更換，縮短停工停產周期，減少維修費用，從而使石油生產損失降到最低，保證石油生產順利安全進行[6]。

選取某型減速器滾動軸承的四個特征參數[6]，包括均方根值、峭度、諧波指標和均方根偏差參數，這四個參數組成輸入樣本向量，實測數據見表1。

表1 某型減速器滾動軸承的特征參數

3 基于Matlab的反向傳播神經網絡訓練

3.1 樣本輸入

從表1的中組數據中選擇七組作為輸入樣本[7]，在Matlab軟件命令空間中輸入：

3.2 定義期望輸出向量

對輸出狀態進行編碼，輸出為四維向量，見表2。輸入命令：

表2 滾動軸承狀態編碼對照表

3.3 構成反向傳播神經網絡

網絡參數見表3。

表3 反向傳播神經網絡參數設定

應用輸入和輸出樣本向量對網絡進行訓練[8]，輸入命令：

訓練過程中，網絡誤差的變化情況如圖3所示。

圖3 訓練過程中網絡誤差變化曲線

3.4 測試檢驗

利用所有10個樣本對經過訓練的神經網絡進行測試檢驗，輸入命令：

Ptest=[Ptest11 Ptest12 Ptest13 Ptest14 Ptest21 Ptest22 Ptest23 Ptest31 Ptest41 Ptest51];

result_test=sim(net,Ptest)

輸出結果為：

診斷結果見表4。

表4 診斷結果

可以看到，第三個正常樣本與外圈嚴重裂紋樣本的診斷出現了錯誤，均誤判為類別5。在訓練樣本中加入這兩個樣本，重新對進行網絡訓練后再診斷，同時改變網絡參數，設置中間層為10個神經元[9]。

再次進行訓練，網絡誤差曲線如圖4所示。

訓練經過66次迭代后達到了期望誤差極限[10]，對樣本重新進行診斷，結果見表5。

可以看到，重新訓練改進后，神經網絡對各個樣本的診斷結果均正確。

圖4 再次訓練過程中誤差變化曲線

表5 再次診斷結果

4 結論

筆者通過軸承故障試驗，提取故障特征信息，應用MATLAB軟件，構建人工神經網絡模型對提取的特征信息進行診斷，實現軸承故障模式的識別。神經網絡具有獨特的結構和處理信息的方法，將其應用至滾動軸承故障模式識別中，可以提高軸承故障診斷的效率，具有廣闊的應用前景。

[1]徐勝利,周娟利,李春玲,等.橢球形零件拉深成形失穩點的力學分析和實驗研究[J].機械制造,2014,52（10）: 80-82.

[2]汪偉,趙又群,黃超，等.新型機械彈性車輪的建模與通過性研究[J].中國機械工程,2013,24（6）:724-729.

[3]羅鈞,李研.具有混沌搜索策略的蜂群優化算法[J].控制與決策,2010，25（12）：1913-1916.

[4]季忠,黃捷,秦樹人.提升小波在齒輪箱故障診斷中的應用[J].振動.測試與診斷，2010，30（3）：291-294.

[5]李奇,李祥松.礦用液壓支架的整機有限元分析與加載試驗[J].機械制造,2015，53（5）:73-75.

[6]王鐵成,陳國平,馬方,等.部件柔性對含間隙多體系統動力特性的影響[J].振動.測試與診斷，2016，36（3）: 449-555.

[7]劉曉妍,李祥松.基于計算智能的損傷檢測研究[J].裝備機械,2016（1）:1-5.

[8]段建國.系統仿真在機械類產品試驗中的應用初探[J].裝備機械,2013（4）:7-13.

[9]馬為功,李德武,馬小虎.基于Matlab神經網絡工具箱的隧道位移反分析研究[J].蘭州交通大學學報,2010，29（4）：84-87.

[10]羅成漢，基于MATLAB神經網絡工具箱的BP網絡實現[J].計算機仿真,2004，21（5）：109-111.

（編輯：丁罡）

上海電氣成全球最大海上風機制造商

據《中國能源報》報道，日前，彭博新能源財經發布2016年全球風電整機制造商排名。金風科技、聯合動力、遠景能源和明陽風電躋身全球陸上風電整機制造商前十，上海電氣則憑借西門子的技術許可成為2016年全球最大海上風機整機制造商。

彭博新能源財經的報告稱，2016年，維斯塔斯和通用電氣位列陸上風電整機制造商排名前兩名，中國整機制造商金風科技排名第三，新增裝機規模依次為8.7 GW、6.5 GW和6.4 GW。

在海上風電方面，2016年全球海上風電新增裝機規模僅為832 MW，較2015年的4.2 GW大幅回落，其中大部分的新增裝機來自于亞洲。彭博新能源財經稱，中國風電整機制造商上海電氣風電集團公司得益于在中國本土市場許可銷售西門子技術風機，成為2016年全球最大海上風機整機制造商，其2016年在海上風電市場新增裝機容量達489 MW，其中101 MW的項目使用自有技術，其余388 MW裝機容量使用西門子技術。

In order todetect the faults ofrollingbearingquickly,a fault detection method based on the neural network and characteristic parameters of bearing vibration was proposed.This methoid adopts the characteristic parameters of the vibration signal as input to the back propagation neural network in order to establish a kinematic nonlinearity neural network model for the rolling bearing.The model was used for on-line fault detection and at the same time the back propagation algorithm was used to train the network.Practice proves that this model can satisfy the on-line detection of rolling bearing fault.

NeuralNetwork；Rolling Bearing；Back Propagation；Fault

TH122;TH707

A

1672-0555（2017）01-064-04

2016年9月

王立鳳（1977—），女，碩士，講師，主要研究方向為控制理論與控制工程