基于MLP網絡軸承故障診斷

張 明，高志彬

（1.濰坊工程職業學院，山東 濰坊 262500；2.青島理工大學，山東 青島 266033）

前言

軸承受載荷作用影響，不同軸承在制造裝配工藝和使用工作環境上有所區別，因此軸承發生故障的時間和表現形式也不同，軸承壽命具有離散性特點，車輛軸承使用中存在提前故障失效的情況，也存在工作時長遠超設計標準的軸承。有效檢測早期的故障缺陷，一方面最大限度發揮軸承的工作潛力，特別是充分利用超過設計時長而正常運轉軸承的工作效能，減少經濟損失；另一方面監視軸承運行工況，及時發現軸承早期故障做到預知性計劃維護，確保軸承和車輛的正常運行。傳統上依靠簡單儀器定期檢修軸承不僅資源投入量大且難以有效檢測早期的故障缺陷，因此必須提升檢修手段和技術。

1 軸承故障診斷發展

機械設備運行狀態監測和故障診斷技術研究起源于20世紀中期航天探索活動，在此背景下首次采用加速度傳感器采集振動信號檢測軸承故障，對比測量信號與標準信號的參數值的峰值統計指標，通過時域分析評估軸承運行狀態，隨后相關技術應用在汽車領域并開發出可多項目檢測的車外診斷設備。基于信號分析策略可以分為時域、頻域和時頻域相關分析[1]。在時域分析中利用RMS值、波峰因子、偏度或峰度等統計參數來測量與軸承缺陷相關的信號不均勻性，這些統計參數容易測量，但在復雜的車輛系統中這些參數對負載和速度變化相當敏感。工業實踐中廣泛應用的軸承狀態監測方法是基于頻率信息進行分析，根據特定幾何參數的軸承，計算不同軸承缺陷條件下的理論特征頻率。

2 多層感知器網絡開發

2.1 理論基礎

故障診斷的本質是在分析故障癥狀的基礎上，由癥狀推斷故障原因，多層感知器（Multi-layer Perceptron）網絡簡稱MLP網絡，模擬生物學人體大腦的推斷功能從而進行故障診斷和模式分類[2]。MLP網絡的建立是為運用計算處理器和邏輯電路實現模式識別功能，因此其感知器單元運算過程與計算機運行原理相似[3]，接收來自外界的輸入值，數據分析后輸出二進制數表是否關系。模式識別的數學分析模型是以多個數值描述某個待識別模式，在軸承故障模式識別中，提取軸承故障信號的模態分量特征值來組成模式矢量，用時域和頻域上的參數值組成矢量來表示一種模式。MLP網絡應用感知器單元學習和存儲有關模式分類的知識，經網絡構架訓練學習和數理推導自動尋找到模式平面內合適的分類曲線[4]，使得不同類別模式矢量分布在該平面不同區域。MLP網絡設定合理數量的感知器單元和有效的映射函數，感知器單元的加權系數與界定系數取值得當，可以輸出任意的模式結果。

2.2 訓練過程

故障特征值由外部輸入初始的感知器單元，數據值首先進行歸一化處理，隨后根據設定參數迭代計算，加權系數是表現某一輸入值在判斷過程的重要性，正值表示增強或負值表示減弱[5]，參數值越大對輸出結果影響越大。界定系數是加權量產生效應的臨界值，可以改變輸出結果，加權系數和界定系數的取值為[0,1]間的隨機數。經過上述運算后的數值可能并非是1或0，因此還要映射函數激活數值，映射函數通過加入非線性因素使得輸出值趨近于兩數值。輸出結果傳 遞至下一個感知器單元做同樣運算，最終經過有限次計算后輸出最終的狀態參量。若MLP網絡輸出結果與預設參量不一致，即MLP網絡根據當前加權系數和界定系數計算出的樣本實際輸出值與期望目標值存在偏差，則MLP網絡根據學習偏差信息前向傳遞[6]動態調整各感知器單元的加權系數和界定系數以期減小輸出與期望偏差值。故障特征值再次進行MLP網絡運算直到訓練樣本輸出的偏差值滿足設定容限，正確的訓練將會強化[7]輸入層反饋產生的預測結果映射路徑。

2.3 應用設計

軸承振動信號來自凱斯西儲大學軸承實驗室公開數據，利用最小熵去卷積法去噪突出故障缺陷脈沖，應用改進極點對稱模態分解方法[8]獲得初始信號模態分量[9]，不同故障類型信號的模態分量均分為四個小節，并分別求出每小節的主要特征參數，任一樣本均由振動信號特征值構成，從軸承三種故障狀態中分別抽取3組共9組數據組成網絡學習數據集，前三小節數據組成的網絡學習或訓練的樣本數據集如表1所示，三種故障狀態最后一小節的特征值數據作為測試數據集如表2所示，其中表1中樣本1～3為軸承外環故障，樣本4～6為軸承內環故障，樣本7～9為軸承滾動體故障。表2中樣本1為軸承外環故障，樣本2為軸承內環故障，樣本3為軸承滾動體故障。

表1 網絡學習數據集

表2 測試樣本

確定多層感知器網絡輸入層和輸出層感知器單元的數目，輸入層感知器單元個數為任一樣本中包含的特征值參數10個，輸出層的維數根據故障類型要求確定，本文模式類別共有3種，則輸出層感知器的個數為3，狀態參量（100）表示軸承外環故障，（010）表示軸承內環故障，（001）表示滾動體故障。反向傳播算法要求映射函數處處可導，因此采用S型正切函數作為感知器映射函數。初始值過大可能導致網絡學習效率降低甚至無效，所以加權系數初始值選取絕對值較小的隨機值。

2.4 訓練結果

故障數據在MLP網絡訓練時按順序從學習數據集中抽取樣本作為輸入，數據集中所有樣本遍歷一次網絡學習調整設定系數，將該加權系數在本輪遍歷時的設定值逐次加上本輪遍歷方法中各次迭代時計算出的該加權系數的調整參數[10]。所有加權系數調整完成后，遍歷訓練次數超過預設上限值或網絡學習偏差小于偏差容限時停止訓練過程[11]，固化并保存MLP網絡的各加權系數的設定值。

MLP網絡學習偏差是指特定的學習數據集實際輸出值與期望值間的差異[12]，學習偏差隨數據集遍歷次數增加而變化的收斂曲線是單調減曲線。圖1所示為一條典型收斂曲線，同時還顯示每一輪網絡學習中樣本的網絡學習偏差的最大值隨輪數增加而變化的情況，初始用時0.35 s梯度達到2.7；第25次迭代運算后用時0.07 s梯度0.101；第50次迭代運算后用時0.067 s梯度達到0.358；完成69次迭代用時0.0098 s網絡學習達到最佳指標，這一過程的最大偏差在e-10，梯度最終達到7.46。MLP網絡對于參數的調整具有隨機性，圖1所示僅是一種學習誤差情形，MLP網絡學習偏差容限的設定 依靠經驗確定，偏差容限過大會提高訓練收斂度，但測試偏差會隨之增大[13]使MLP網絡缺乏可用的泛化能力，因此實際應用中更多是達到要求而非最佳，可以減少不必要的額外網絡學習和測試時間。

圖1 多層感知器網絡學習偏差

將表2測試樣本輸入完成訓練的MLP網絡得到如下測試結果。測試樣本1數據結果（0.99020.00290.0005）分析，樣本1數據來源于軸承外環故障的模態分量特征參數，目標值結果與模式預設參數（100）在偏差允許范圍；測試樣本2數據結果（0.07000.85000.1811）分析，樣本2數據來源于軸承外環故障的模態分量特征參數，目標值結果也在模式預設參數（010）在偏差允許范圍；測試樣本3數據結果（0.00000.29300.9694）分析，樣本3數據來源于軸承外環故障的模態分量特征參數，目標值結果與模式預設參數（001）在偏差允許范圍，因此建立的MLP網絡對軸承故障模式識別準確。將測得的數據輸入MLP網絡進行故障模式分類，網絡不需要重新學習，根據目標值結果準確識別出軸承的狀態。

3 車載系統設計

車載軸承故障監測系統對于車輛安全運行發揮重要作用，車載微處理器運算能力提升以及傳感器的日趨完善，特別是光學振動傳感器測量精度的提升，為車載軸承故障監測系統開發提供可靠的硬件平臺。特種工程車的車輪與車軸間多采用深溝球軸承，軸承承受來自軸向與徑向的復雜交變載荷，并處在高速旋轉的工作環境。軸承發生早期故障后，汽車在高速行駛中出現車軸振動與車輪軸向位移，若駕駛員并未及時發現將會損壞懸架和轉向系統。

將振動傳感器安裝于車輪軸承附近，在不影響車輪及車軸運轉情況下采集軸承振動信號，信號采集指令由車載控制單元發出。振動信號經接口輸入到微處理器，基于車輪軸承運行的復雜工況，有必要對采集的振動信號降噪處理以突出沖擊脈沖，計算振動信號峭度值，當峭度值快速增加且大于3時，應用改進極點模態對稱分解方法對信號波形進行模態分量解析，為適應快速診斷要求僅提取初始模態分量。計算模態分量的故障特征值并與故障數據庫樣本比對得出故障模式，將故障類型及特征值展示在車載顯示屏為駕駛員提供維護信息。故障檢測頻次根據振動信號采樣波形數動態調整，在高速運行或有明顯外力作用時伴隨軸承振動頻率加快系統檢測頻次增加。因信號采集及傳輸過程和微處理器運算速度，故障診斷會出現一定時間的延遲，軸承在發生早期故障后距離失效還有一段工作時長，因此不會對系統可靠性產生影響。

4 總結

本文建立故障模式識別MLP網絡模型，將模態分量特征參數導入訓練，網絡訓練誤差達到預先設定誤差容限得到理想測試結果。應用MLP網絡預測軸承的性能，實現軸承智能狀態監測與故障診斷水平的提高，有很高的應用價值。