基于GA-BP神經網絡的多傳感器軸承故障診斷*

李榮遠 張國銀 王海瑞 王 雪 宋怡然 齊 磊 任玉卿

(昆明理工大學信息工程與自動化學院)

基于GA-BP神經網絡的多傳感器軸承故障診斷*

李榮遠 張國銀 王海瑞 王 雪 宋怡然 齊 磊 任玉卿

(昆明理工大學信息工程與自動化學院)

由于單一傳感器采集滾動軸承的故障信息精度較低，提出基于GA-BP神經網絡的多傳感器信息融合方法。首先使用單一傳感器采集其狀態信息，并采用小波包分析提取軸承故障狀態特征，然后采用遺傳算法(GA)優化BP神經網絡對單傳感器進行滾動軸承故障診斷，接著運用DS證據理論把每一個診斷結果進行信息融合，最終得到診斷結果。仿真實驗結果表明：該方法可提高滾動軸承故障診斷的精確度和效率。

故障診斷 滾動軸承 GA-BP神經網絡 DS證據理論 信息融合

滾動軸承一般由內圈、外圈、滾動體和保持架組成[1]。近年滾動軸承的結構越來越復雜，故障診斷的復雜程度也越來越高[2，3]。運作過程中，由于自然磨損、銹蝕、超負荷運轉、潤滑缺乏、異物進入、過載及自身質量等問題，都可能被損壞[4]，因此對它進行故障診斷至關重要[5]。人工診斷簡單直觀，但由于軸承設計復雜度高，因而可靠性較低[6]。而且滾動軸承的故障類型比較多，僅靠單一故障信息容易出現誤診[7]。目前眾多智能故障診斷中，小波包特征提取和BP神經網絡應用廣泛。但BP神經網絡收斂速度慢且易陷入局部狀態。

筆者提出基于GA-BP神經網絡的多傳感器信息融合方法，搭建信號采集系統，在軸承周圍布置加速傳感器，對軸承在正常工況和異常工況下進行振動信號采集。首先運用小波變換與小波包分析進行信號處理，提取特征向量。然后將特征向量歸一化處理后經BP神經網絡訓練，得到初步故障診斷結果。運用Levenern-Marquardt算法采用GA優化BP神經網絡。采用DS證據理論[8，9]對單一傳感器診斷結果進行融合，最后仿真驗證該方法的有效性。

1 故障診斷特征提取

筆者設計的滾動軸承故障診斷特征提取過程如圖1所示，首選利用布置在滾動軸承不同方向的加速度傳感器采集振動信號，經放大器放大和A/D轉換器轉換為計算機能識別的信號，然后對采集信息進行處理分析，最后診斷出滾動軸承的故障類型。

圖1 滾動軸承故障診斷流程

滾動軸承特征提取是其故障診斷流程的關鍵，小波分析在故障診斷和模式識別中被廣泛應用，是對信號進行時域和頻域分析的方法之一，具有多分辨率分析的特點，同時能提供非平穩信號時域和頻域中的局部信息。小波變換提取特征信息的步驟如下：

a. 對采樣振動信號進行三層小波分解，分別提取各層低頻到高頻的特征信號；

b. 重構小波包分解系數，提取各頻段信號；

c. 求各頻段信號能量；

d. 構造特征向量T=[E30，E31，E32，E33，E34，E35，E36，E37]，當能量較大時對T進行歸一化處理，歸一化向量T′=[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E]。

2 BP神經網絡與改進算法

2.1BP神經網絡

BP神經網絡是一種多層前饋神經網絡(圖2)，其主要訓練算法是誤差反向傳播算法，廣泛應用于眾多領域，如數據壓縮、分類、模式識別和函數逼近。它由3部分組成，即輸入層、隱含層和輸出層[10]。BP神經網絡具有良好的自學習和自適應能力，容錯強、易構建。缺點是收斂速度慢，極易陷入局部極值問題。

圖2 BP神經網絡結構

2.2L-M優化BP

針對傳統BP神經網絡收斂速度慢、易陷入局部的問題，提出多種優化算法，如遺傳算法、自適應學習算法、粒子群優化算法及誤差函數修正算法等[11]。經多文獻研究對比，采用L-M(Levenberg-Marquardt)學習算法更能優化BP神經網絡。L-M學習算法實質上是梯度下降法與高斯-牛頓法的結合。在網絡訓練學習過程中，梯度下降法在之前幾步下降快速，其梯度趨于零時接近最優值。此時目標函數下降緩慢，當接近最優值時牛頓法可以生成一個較好的探索方向。

2.3GA優化BP神經網絡模型

用GA遺傳算法優化BP神經網絡的初始權值和閾值。主要包括種群初始化、確定適應度函數和選擇交叉變異操作[12]。GA-BP算法流程如圖3所示。

每個個體編碼均為實數編碼，由輸入層和隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值和輸出層閾值組成。

經BP神經網絡訓練后將預測輸出和期望輸出殘差絕對值之和作為適應度分配函數F：

圖3 GA-BP算法流程

(1)

式中k——系數，本實驗該值為1；

n——輸出節點數；

oi——第i點的預測輸出；

yi——BP神經網絡第i點的期望輸出。

本實驗選擇輪盤賭法，每個個體i的概率pi為：

(2)

采用實數交叉法，第k個染色體ak和第l個染色體al在j位的交叉操作如下：

(3)

其中，b是[0，1]間的隨機數。

選擇第i個個體的第j個基因aij進行變異，操作如下：

(4)

f(g)=r′(1-g/Gmax)2

(5)

式中amax——aij的上界；

amin——aij的下界；

g——當前迭代次數；

Gmax——最大進化次數；

r、r′——[0，1]間的隨機數。

2.4DS證據理論

DS證據理論因不確定性等優點被成功應用于多領域。采用DS證據理論對單一傳感器的診斷結果進行融合，其模型如圖4所示。

圖4 滾動軸承故障診斷模型

3 故障診斷實驗結果分析

3.1實驗系統建立

為了驗證BP神經網絡優化后結合DS證據理論對滾動軸承故障診斷的有效性，選用6203-2RS JEM SKF深溝球軸承，采用加速度傳感器采集驅動端和風扇端的數據(數據來源于美國西儲大學實驗室)。采樣頻率12kHz，采樣點12 000個，損傷直徑為0.007英寸(0.007英寸=0.1778mm)，轉速1 772r/min，軸承外圈損傷點為12點鐘。其中軸承的4種狀態(正常、內圈故障、滾動體故障、外圈故障)分別用(1，2，3，4)表示，矩陣形式為(1000，0100，0010，0001)。

3.2特征向量提取

小波提取4種振動信號的過程為：小波分解、信號重構、構造特征向量。

采用db40小波包函數對信號進行三層分解，并對得到的8個頻段小波包進行重構，其中小波包分解形成樹形結構和節點信號，如圖5所示。

圖5 小波包三層樹形結構和節點信號

圖6為一種內圈故障信號分解后各頻段的重構信號。取出各頻段信號，4種重構圖經分析比對可以看出，雖然各種信號之間有差異，但并不直觀，所以很難得出診斷結果。

先計算各頻段的能量，T=[E30，E31，E32，E33，E34，E35，E36，E37]，對T進行歸一化處理，歸一化向量T′=[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E]，作為BP神經網絡及其優化的輸入。

圖6 內圈故障信號分解后各頻段重構信號

3.3網絡訓練與測試

從兩端傳感器數據(共96組，每端48組)中抽取40組作為訓練樣本，8組作為測試樣本，經Matlab R2014a編程，得到的訓練結果如圖7、8所示，梯度下降法BP神經網絡訓練需迭代468次(0.009 953 6)，L-M算法只需3次(0.009 694 7)迭代?？梢姡贚-M優化算法的效率遠高于梯度下降BP神經網絡算法，但診斷率不高。最后用GA結合前兩種方法優化網絡。

訓練結束后，將剩余8組數據作為3種方法的測試數據，測試結果見表2、3。經對比，三者的識別率都為87.5%。但從三者的識別誤差對比(圖9)可以看出，GA-BP識別誤差最小，基于GA的LM-BP算法的實際輸出能夠更加正確地診斷當前軸承的故障狀態。但是單一傳感器信息處理具有偶然性，從圖10可以看出，外圈故障診斷誤差較大，進而需多傳感器進行信息融合，通過DS理論使多傳感器融合提高診斷率。

表1 部分訓練數據

圖7 梯度下降法BP神經網絡訓練結果

圖8 基于L-M算法的BP神經網絡訓練結果

表2 BP算法測試數據

表3 GA-LM-BP算法測試數據

圖9 3種預測誤差對比

圖10 GA-BP與DS-GA-BP預測誤差對比

4 結束語

筆者運用小波變換與小波包分析對加速度傳感器收集的滾動軸承在4種狀態下的信號特征進行提取，分解重構出特征向量作為BP神經網絡的輸入。多次訓練后初步得出診斷準確率和診斷效率。然后對其缺點進行優化，進一步提出優化BP算法。仿真實驗結果表明：采用GA加L-M優化BP神經網絡能有效提高故障診斷效率和準確率。但單一傳感器具有偶然性，采用DS理論進行多傳感器信息融合，最終的仿真實驗結果提高了效率與診斷率，具有一定的應用價值。

[1] 高鵬云.發動機曲軸滾動軸承的故障分析[J].農機使用與維修,2014,(10):35.

[2] 吳永恒,肖涵.基于自適應非趨勢波動分析的齒輪振動信號特征提取[J].振動與沖擊,2015,34(9)：154～157.

[3] 薩其日拉.基于MFSVD的滾動軸承振動信號故障特征提取方法研究[J].石油化工自動化,2017，53(3):31～36.

[4] 武棟梁.滾動軸承常見故障及其振動信號特征[J].科技資訊,2012,(18):85.

[5] Subanivedhi N K，Rekha M.Concealed Data Aggregation Scheme for Multiple Application in Database as a Service Model[J]. International Journal of Research in Engineering & Advanced Technology, 2013,1(5):1471～1483.

[6] 張彥鐸,姜興渭.多傳感器信息融合及在智能故障診斷中的應用[J].傳感器與微系統,1999,18(3):18～22.

[7] 吳蘇,吳文全,王薇.基于多傳感器數據融合技術的電子設備故障診斷[J].計算技術與自動化,2016,35(1):27～30.

[8] 何立志.基于改進BPNN和DS證據理論的列車走行部故障診斷研究[D].成都:西南交通大學,2014.

[9] 龐圣波,王立宏,王培進.證據理論合成公式的討論及一些修正[J].計算機工程與應用,2007,43(20):56～58.

[10] 謝培甫.基于小波分析和BP神經網絡的滾動軸承的故障診斷[J].農業裝備與車輛工程,2006,(2):45～47.

[11] 司景萍,馬繼昌,牛家驊,等.基于模糊神經網絡的智能故障診斷專家系統[J].振動與沖擊,2017,36(4):164～171.

[12] Liu J F,Zheng J H.Application of Teaching Data Mining Based on Cloud Computing in the Prediction of Learning Achievement[J].International Journal of Database Theoryand Application,2016,9(6):275～284.

[13] 蘇超,肖南峰.基于集成BP網絡的人臉識別研究[J].計算機應用研究,2012,29(11):4334～4337.

[14] 謝春麗,張繼洲.基于遺傳BP神經網絡的電控發動機故障診斷研究[J].湖北汽車工業學院學報,2016,30(2):18～22.

[15] 陳軼,楊奕,包輝慧,等.基于多傳感器信號分析的故障診斷[J].組合機床與自動化加工技術,2016,(9):99～102.

ResearchonMulti-sensorBearingFaultDiagnosisBasedonGA-BPNeuralNetwork

LI Rong-yuan, ZHANG Guo-yin, WANG Hai-rui, WANG Xue,SONG Yi-ran, QI Lei, REN Yu-qing

(FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology)

Considering the low accuracy of making use of single sensor to collect fault information of rolling bearings, a GA-BP neural network-based multi-sensor information fusion method was proposed. Firstly, having the state information collected through a single sensor and the fault state characteristics of the bearing extracted through wavelet packet analysis, and then the genetic algorithm (GA) used to optimize BP neural network for single-sensor rolling bearing fault diagnosis, finally having information fusion of each diagnosis result implemented through DS evidence theory. The simulation result shows that, this method can improve both accuracy and efficiency of rolling bearing fault diagnosis.

fault diagnosis, rolling bearing, GA-BP neural network, DS evidence theory, information fusion

李榮遠(1990-)，碩士研究生，從事故障診斷和傳感器信號處理的研究。

聯系人張國銀(1979-)，副教授，從事計算機應用和智能算法的研究，28292189@qq.com。

TH133.33

A

1000-3932(2017)10-0916-06

2017-05-26，

2017-07-31)