基于BP神經(jīng)網(wǎng)絡(luò)的齒輪設(shè)備故障診斷應(yīng)用

周福來

摘要：本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷模型研究。首先構(gòu)建了基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并設(shè)計(jì)了基于遺傳算法的齒輪故障診斷算法流程;然后，通過案例對(duì)本文構(gòu)建的模型及設(shè)計(jì)的算法進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的模型及算法收斂速度快，故障診斷效果較好，具有較強(qiáng)的使用價(jià)值。

[關(guān)鍵詞]設(shè)備診斷 遺傳算法 BP神經(jīng)網(wǎng)絡(luò) 齒輪箱

1緒論

全球經(jīng)濟(jì)發(fā)展步伐放緩，我國經(jīng)濟(jì)發(fā)展步入新常態(tài)，這為制造企業(yè)的發(fā)展帶來了挑戰(zhàn)。在新的經(jīng)濟(jì)發(fā)展形勢下，制造企業(yè)由傳統(tǒng)的粗放型發(fā)展模式將逐步向精細(xì)化的發(fā)展模式進(jìn)行轉(zhuǎn)型升級(jí)，然而，在生產(chǎn)制造過程中，設(shè)備的故障的難以避免的，當(dāng)設(shè)備發(fā)生故障時(shí)，無疑會(huì)給企業(yè)乃至社會(huì)帶來不必要的損失，然而，傳統(tǒng)的機(jī)械化設(shè)備故障診斷方法以不能滿足現(xiàn)代智能化發(fā)展進(jìn)程中對(duì)生產(chǎn)制造故障維修快速響應(yīng)設(shè)備故障的要求，在此背景下研究設(shè)備故障診斷方法具有重要的現(xiàn)實(shí)意義與使用價(jià)值。

通過國內(nèi)外研究文獻(xiàn)分析整理發(fā)現(xiàn)，當(dāng)前國內(nèi)外研究學(xué)者針對(duì)設(shè)備故障診斷問題展開了大量的研究工作，并取得了一系列的研究成果。王建國提出一種變分模態(tài)分解（VariationalModeDecomposition，VMD）與多特征融合的齒輪故障診斷方法，Shi，Weiwei等提出了一種基于ApacheSpark的綜合數(shù)據(jù)預(yù)處理框架（DPF），以提高數(shù)據(jù)丟失點(diǎn)和分類精度對(duì)噪聲數(shù)據(jù)的預(yù)測精度，滿足大數(shù)據(jù)的需求，主要將數(shù)據(jù)丟失預(yù)測、數(shù)據(jù)融合、數(shù)據(jù)清理和故障類型分類相結(jié)合，對(duì)設(shè)備故障診斷模型進(jìn)行了研究，GuangLi等提出了一種基于數(shù)據(jù)可視化的機(jī)械設(shè)備故障診斷方法，NanZhou等提出了一種基于功率極大似然估計(jì)的局部放電檢測方法，解決了設(shè)備的故障診斷問題，F(xiàn)upingZeng等構(gòu)建了36個(gè)特征量的五個(gè)特征集，用于gie一pd故障診斷，并對(duì)其有效性進(jìn)行了分析，劉涌針等對(duì)航天測控設(shè)備故障診斷難度日益增大的問題，將基于案例推理方法應(yīng)用于設(shè)備故障診斷中，劉繼軍以電工實(shí)驗(yàn)設(shè)備常見的故障為對(duì)象，以小波變換、神經(jīng)網(wǎng)絡(luò)等為技術(shù)手段，對(duì)實(shí)際故障排查進(jìn)行了研究，馮言勇通過大數(shù)據(jù)分析的方式，進(jìn)行精餾塔設(shè)備建模、故障診斷以及應(yīng)用實(shí)施方案的研究，Yi，Gui介紹了一種基于匹配濾波器抗干擾凈化和智能檢測技術(shù)的機(jī)電設(shè)備故障信號(hào)頻譜分析及自適應(yīng)特性方法，GuoSheng提出了一種新的診斷方法，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）直接對(duì)連續(xù)小波變換尺度圖（CWTS）進(jìn)行分類，，對(duì)設(shè)備故障診斷進(jìn)行了研究，牛行通對(duì)傳統(tǒng)鐵路列車無線通信設(shè)備網(wǎng)絡(luò)故障診斷模型結(jié)構(gòu)復(fù)雜，診斷精度不高等問題，運(yùn)用粗糙集理論（RS）、模糊系統(tǒng)（FS）和神經(jīng)網(wǎng)絡(luò)（NN）相融合的方法進(jìn)行鐵路列車無線通信設(shè)備故障診斷研究。

通過對(duì)國內(nèi)外關(guān)于設(shè)備故障診斷研究成果分析發(fā)現(xiàn)，當(dāng)前，國內(nèi)外研究學(xué)者針對(duì)設(shè)備故障診斷的方法、技術(shù)、方案等進(jìn)行了大量的研究，亦取得了一系列研究成果，然而，針對(duì)汽車齒輪箱故障診斷的相關(guān)研究成果較少，然而，齒輪作為汽車的核心零部件，通過合適的方法對(duì)其診斷以實(shí)現(xiàn)事先維護(hù)對(duì)于降低其故障率具有重要的作用，基于此，本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的齒輪設(shè)備故障診斷應(yīng)用研究。

2問題描述

在汽車零部件中，齒輪屬于其核心的零部件之一，但是由于汽車行駛條件及環(huán)境復(fù)雜，極易造成齒輪的損壞而導(dǎo)致車輛發(fā)生故障，因此，導(dǎo)致齒輪發(fā)生故障的原因也形形色色，如何對(duì)齒輪的故障進(jìn)行診斷，以達(dá)到事先預(yù)防性維護(hù)的效果，對(duì)于減少由于故障而導(dǎo)致的成本損失具有重要的使用意義。

然而，對(duì)于齒輪的故障診斷問題可以根據(jù)齒輪發(fā)生故障時(shí)的特征值進(jìn)行描述，例如當(dāng)齒輪發(fā)生故障時(shí)，如檢測到發(fā)生故障時(shí)的齒輪出現(xiàn)了裂紋，則可以歸結(jié)為由于齒輪的裂紋而導(dǎo)致齒輪出現(xiàn)故障，此時(shí)就可以重點(diǎn)對(duì)齒輪的裂紋實(shí)施預(yù)防性維護(hù)。但是，由于導(dǎo)致齒輪故障原因有許多，對(duì)每一次的齒輪故障都進(jìn)行原因分析，將無疑增加企業(yè)的成本，此外，對(duì)所有故障齒輪原因進(jìn)行統(tǒng)計(jì)分析也不現(xiàn)實(shí)。然而BP神經(jīng)網(wǎng)絡(luò)可以根據(jù)少量的樣本數(shù)據(jù)來推測出預(yù)期結(jié)果，無需事先確定輸入與輸出之間映射關(guān)系，因此，BP神經(jīng)網(wǎng)絡(luò)在用于齒輪故障診斷問題中具有一定優(yōu)越性，本文將重點(diǎn)研究BP神經(jīng)網(wǎng)絡(luò)模型在齒輪故障診斷中的應(yīng)用。

3模型及算法設(shè)計(jì)

采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法流程主要包括神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)的確定，神經(jīng)網(wǎng)絡(luò)中閾值及權(quán)重的計(jì)算，對(duì)種群進(jìn)行編碼生產(chǎn)初始種群，誤差分析，種群進(jìn)化的適應(yīng)度函數(shù)值設(shè)計(jì)，交叉操作，變異操作等步驟，其中，本文設(shè)計(jì)的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型求解算法步驟如圖1所示。

由于采用神經(jīng)網(wǎng)絡(luò)算法對(duì)一般模式識(shí)別問題的求解中，三層網(wǎng)絡(luò)可以較好地實(shí)現(xiàn)樣本的快速訓(xùn)練，因此，本文在設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)層次時(shí)，選擇使用三層網(wǎng)絡(luò)來設(shè)計(jì)基于遺傳算法的神經(jīng)網(wǎng)絡(luò)求解結(jié)構(gòu)。其中，適應(yīng)度函數(shù)值用衡量個(gè)體在交叉、變異進(jìn)化過程中的適應(yīng)能力，適應(yīng)度函數(shù)值越大表示該個(gè)體越優(yōu)。

4案例應(yīng)用

在汽車齒輪箱的生產(chǎn)制造過程中，時(shí)常會(huì)發(fā)生生產(chǎn)出的齒輪箱不合格，經(jīng)過對(duì)不合格的齒輪箱統(tǒng)計(jì)分析發(fā)現(xiàn)，造成齒輪箱不合格約65%的原因是因?yàn)辇X輪故障產(chǎn)生的，所以，在對(duì)齒輪箱不合格進(jìn)行診斷時(shí)，本文主要是針對(duì)齒輪進(jìn)行診斷。在對(duì)齒輪進(jìn)行故障診斷時(shí)，本文選取了能夠代表齒輪故障的頻域中選取幾個(gè)特征向量，而齒合頻率處的邊緣帶上極易出現(xiàn)故障，因此，本文選擇在1，2，3檔時(shí)在1，2，3軸的邊頻帶族f。土nf。處的振幅值A(chǔ)j;、Aj：2、Ai3作為特征值，其中f表示齒合頻率，fo表示轉(zhuǎn)頻。由于表征齒輪故障的不同特征值屬于不同的量綱，因此，經(jīng)過歸一化處理后得到的齒輪箱狀態(tài)樣本數(shù)據(jù)如表1所示。

由于齒輪的故障狀態(tài)存在三種狀態(tài)，即正常，裂紋，斷齒，因此，本文采用數(shù)量向量形式對(duì)其進(jìn)行表達(dá)，即用[100]表示合格，[010]表示裂紋，[001]表示斷齒，為了對(duì)訓(xùn)練好的數(shù)據(jù)進(jìn)行更好地測試，現(xiàn)給出三種用于網(wǎng)絡(luò)測試的新數(shù)據(jù)如表2所示。

使用本文設(shè)計(jì)的基于遺傳算法BP神經(jīng)網(wǎng)絡(luò)算法對(duì)上述問題進(jìn)行求解，在Matlab中設(shè)定初始參數(shù)，對(duì)算法進(jìn)行運(yùn)行，得到的樣本性能測試圖如圖2所示。

根據(jù)圖2可知，最佳的測試值為0.25167，其中圖2中展示了訓(xùn)練值，驗(yàn)證值，測試值，最佳值，全局值，從圖2中可以看出，采用本文設(shè)計(jì)的算法可以較好地滿足對(duì)齒輪箱故障診斷樣本值的測試。采用BP神經(jīng)網(wǎng)絡(luò)得到的訓(xùn)練值與目標(biāo)值曲線如圖3所示。

圖3反映了在不同的R訓(xùn)練取值下，目標(biāo)值與各類訓(xùn)練值之間的關(guān)系，包括訓(xùn)練值、驗(yàn)證值、測試值等。其中使用隨機(jī)權(quán)值與閾值得到的測試樣本預(yù)測結(jié)果如下所示：

Y1=

0.50050.50000.5006

0.55110.50830.5001

0.51350.50010.5417

根據(jù)運(yùn)行結(jié)果可知，測試樣本的仿真誤差值為1.0232，訓(xùn)練樣本的仿真誤差值為1.441。這表明了本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)算法能夠基本滿足對(duì)生產(chǎn)制造過程中齒輪箱故障的診斷與預(yù)測問題。

5結(jié)論

本文基于遺傳算法設(shè)計(jì)了用于齒輪故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型、算法，最后以案例對(duì)本文設(shè)計(jì)的模型算法進(jìn)行了驗(yàn)證，在特征向量方面，本文選擇了可以描述齒輪故障的15個(gè)特征向量，并選擇了10個(gè)統(tǒng)計(jì)樣本，對(duì)這10個(gè)齒輪故障統(tǒng)計(jì)樣本采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了訓(xùn)練，其研究結(jié)果表明，本文設(shè)計(jì)基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法可以較好地滿足齒輪故障的診斷，這說明本文研究方法具有一定實(shí)用性。

參考文獻(xiàn)

[1]王建國，陳帥，張超。基于VMD與多特

征融合的齒輪故障診斷方法[J].機(jī)械傳動(dòng)，2017（03）：165-170.

[2]王泓然，張濤.BP神經(jīng)網(wǎng)絡(luò)下的航空發(fā)動(dòng)

機(jī)維修決策系統(tǒng)[J/0L].電子技術(shù)與軟件工程，2019（07）：174.

[3]ShiW， Zhu Y， ， Huang T et al.An Integrated Data PreprocessingFramework Based on Apache Spark for Fault Diagnosis of Power GridEquipment[J]. Journal of Signa 1Processing Systems， 201 7， 86（2-3）： 221-236.

[4]陳志文，劉立，基于BP神經(jīng)網(wǎng)絡(luò)的

PM2.5預(yù)測[J].電子技術(shù)與軟件工程，2019（05）：143-144.

[5] Li G Li M Liu D，et al. Faultdiagnosis of mechanical equipmentbased on data visualization[C]//International Congress on Image &Signal Process ing. IEEE，2018.

[6]孟文曄.基于神經(jīng)網(wǎng)絡(luò)的無人機(jī)傳感器故障識(shí)別[J].電子技術(shù)與軟件工程，2019（03）：90.

[7]ZhouN ， Luo L ， Sheng G， ， ， et al.High Accuracy Insulation Faul tDiagnosis Method of Power EquipmentBased on Power Maximum LikelihoodEstimation [J] . IEEE Transactions onPower Delivery， 2018， PP（99）： 1-1.

[8]張釗，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)

價(jià)中的應(yīng)用[J].電子技術(shù)與軟件工程，2019（03）：176.

[9] Zeng F ， Wu S ， Yang X ， et al.Fault . Diagnosis and ConditionDivision Criterion of DC GasInsulating Equipment based on SF6Partial Discharge DecompositionCharacteristics[J]. IEEE Access，2019，PP （99）： 1-1.

[10]孔峻，深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用[J].電子技術(shù)與軟件工程，2018（21）：130-131.

[11]劉涌，李海潮，弓喜忠，etal.基于案例推理的航天測控設(shè)備故障診斷[J].電訊技術(shù)，2017（02）.

[12]劉繼軍，電氣設(shè)備故障診斷方法和技術(shù)研究[J].機(jī)電工程技術(shù)，2017（01）.

[13]馮言勇，劉桐杰，李昱，etal.通過大

數(shù)據(jù)分析進(jìn)行設(shè)備故障診斷的技術(shù)研究[J].自動(dòng)化博覽，2017（12）：72-77.

[14]Yi， Gui. [IEEE 2017 InternationalConference on Robots & IntelligentSystems （ICRIS）-Huai＼" an（2017.10.15-2017. 10.16） ] 2017International Conference on Robots& Intelligent System （ICRIS）-AntiInterference Purification Recognitionand Optimization of ElectromechanicalEquipment Fault Signals[C] //International Conference on Robots &IntelligentSystem.IEEE，2017：50-53.

[15] Sheng G ， Tao Y ， Wei G ， et al.A Novel Fault Diagnosis Methodfor Rotating Machinery Based on aConvolutional Neural Network [J] .Sensors，2018， 18（5）： 1429.

[16]牛行通，鄭云水，康毅軍，基于粗糙集與模糊神經(jīng)網(wǎng)絡(luò)的車一地?zé)o線通信設(shè)備故障診斷研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2017（06）：183-187.