滾動軸承故障診斷中BP神經網絡技術的應用探究

王洋洋

陸軍工程大學 江蘇 南京 210000

共振調解法和包絡檢波等傳統診斷方法,盡管提升了一定的診斷精度,然而依舊無法脫離人工輔助診斷,難以精確診斷復雜環境下的滾動軸承。所以,在檢測和診斷滾動軸承的狀態與故障時,采用智能的方法十分有必要。BP神經網絡具有一定的泛化、容錯、自學習自適應等能力,在診斷滾動軸承的故障方面,作用十分顯著。

1 滾動軸承故障診斷基本原理

滾動軸承故障診斷,主要是及時發現軸承中出現的故障并對其類型進行判斷,以便提出針對性改進建議,將安全事故的發生、經濟損失避免[1]。滾動軸承故障診斷的實現,主要通過分析軸承工作過程的摩擦因數、噪聲及振動等參數,也就是說軸承出現了某種故障時,摩擦因數、噪聲及振動會有不同的變化,通過BP神經網絡的運用即可模式匹配并狀態識別軸承的這些特征參數。

2 BP神經網絡模型的構建

2.1 定義輸入樣本數據 本文采取的軸承測試數據共計16項,具體如下圖1所示：

?

為確保故障分類結果的良好,應為BP神經網絡訓練提供一定數量的試驗樣本數據。將圖1中的原始測試數據任選10組作為訓練樣本數據,通過MATLAB軟件自帶的歸一化函數perx將相關數據歸一化后,代入BP神經網絡模型。

2.2 編碼不同輸出狀態 以故障發生位置為根據,劃分滾動軸承的常見故障,所以BP神經網絡輸出值為5維向量,包含4中故障狀態與1種正常狀態,下表1為定義期望輸出向量[2]。

表1 軸承狀態編碼對照表

所以,h可選范圍在3～13.MSE 的值在h＝5時最小,故而本文故障診斷BP神經網絡隱含層節點數確定為5,本文BP神經網絡結構可確定為3－5－5型,模型主要傳遞函數以MATLAB中的“tansig”和“purelin”函數為主。

3 利用BP神經網絡診斷軸承故障

模型預定收斂精度達成后,將上述選擇的10組軸承原始測試數據之外的6組試驗數據作為測驗BP神經網絡故障診斷精度的檢驗樣本,通過仿真獲得了如表2所示的故障診斷結果[3]。

2.3 構建BP神經網絡 本文構建了典型的分類BP神經網絡,通過BP神經網絡模式匹配性能的運用,在預試驗中挑選的1個隱含層的BP神經網絡結構診斷軸承故障。摩擦因數、振動值及噪聲值是本文模型的3個輸入變量,故而有3個輸入單元數;軸承的正常狀態、內圈與外圈故障、滾動體及保持架故障等5種工作狀態是模型的主要輸出量,故而有5個輸出單元數。以BP神經網絡隱含層神經元數目選擇的經驗公式為根據,可將隱含層節點數目確定：

表2 故障診斷結果

根據表2 不難發現,本文構建的BP神經網絡能夠精確診斷滾動軸承不同故障類型,在故障診斷期間能夠實現100%的仿真精度。

4 結語

本文在診斷軸承故障時,將滾動軸承摩擦因數、噪聲值和振動值在其正常狀態、故障狀態下的不同特征作為依據。采用的故障診斷分類工具為3層結構BP神經網絡,在BP神經網絡模式匹配分類功能的運用下,診斷了滾動軸承故障。根據仿真結果得知,本文構建的BP神經網絡能夠準確分類診斷滾動軸承中的4 種常見故障類型,有利于設備運行安全性的提升。