论文部分内容阅读
摘要：近些年随着国家现代化发展步伐加快，每个人的生活中都会夹杂着机械元素，小到生活中的机器人，大到加工大型航空设备的企业。所以，机械动力设备的故障诊断关系到整个行业甚至个人的安全以及经济效益。当滚动轴承在不平衡的载荷条件下工作时它会因为承受交变应力而比较容易出现缺陷，而且由于故障与发出的征兆之间具有非常复杂的非映射关系，传统的依据人的经验或是根据振动信号的频域分析、时域分析已经很难完全反映振动的特征。由于神经网络较强的非映射以及能够自主学习和自适应能力，所以本文利用其特点探讨并研究了基于BP神經网络的滚动轴承故障诊断。
关键词：滚动轴承;故障诊断;BP神经网络
从20世纪中叶开始，设备的故障诊断开始逐渐发展为一门相对完整的学科，对各个领域的设备故障诊断方法的发展速度也越来越快。这可以说对农业、工业、武器等各类设备的故障诊断有着诸多好处。比如可以预防事故等我国制造重大及精密技术设备的水平以及对机械设备出口的能力与轴承行业的发展息息相关，在国民的生活、经济和国防建设中滚动轴承逐渐起着不可替代的作用[1-2]。
据统计，大约有30%的机械故障是由于旋转设备中滚动轴承出现了损伤。滚动轴承和机械设备中其他的零部件相比有个一比较大的特点就是它有非常大的离散性寿命。所以建立故障诊断系统对滚动轴承的实时监测变得更有必要，因为它可以最大限度的减少甚至是杜绝发生由于滚动轴承损伤而导致的事故同时也可以最大限度地发挥轴承的工作潜力，提高经济效益[3]。由此可见，为了提高机械设备的安全性、经济性对滚动轴承进行故障诊断是非常重要且有意义的。
一、BP神经网络
BP神经网络的工作原理是信号从输入经神经元到输出的前向传播并且训练误差反向传播从而进行修正网络误差的三层或多层神经网络，这种网络处在处理各种处理各种线性或者非线性的问题的时候采用分布式的方式进行处理，在20世纪80年代有两位研究者Rumelhart和Mcclelland，以他们为首提出了多层前馈网络的反向传播学习算法简称BP算法。
（一） BP神经网络结构
BP神经网络是由一些神经元按照某种方式进行的有机的连接而成，其中最简单的三层神经网络中有输入、隐含、输出层，其中的节点代表神经元而因为每个神经元内接受的信号重要度不一定完全相同所它们之间的是通过权值进行相互连接的，通常情况下网络输入层的神经元有n个，输出层中有m个而有些网络中会有多个隐含层其中每个隐含层的神经元可能会有很多个，其中的n和m均大于等于1。
（二）BP神经网络工作原理
其工作原理为：训练样本通过神经元进入神经网络，通过输入层与隐含层以及隐含层与输出层之间两个传递函数的运算后，运算结果通过m个输出层神经元后输出出来，此过程叫做信号的向前传播。而后，将输出层输出的结果和之前设定的期望值作比较，如果输出结果满足了期望的要求，则停止BP神经网络，相反，如果它们之间存在着一定的差值那么就要使该差值通过输出层反向传递到BP神经网络中，在神经网络自身权值和阈值的调节作用后再次计算经过调整后的神经网络实际输出值是否能够满足要求，如果可以，那么停止训练，否则应重复训练一直到满足要求为止，这就是误差反向传播调整过程。
二、实验部分
（一）数据选取
在本文中选取滚动轴承的内圈故障和正常的数据共5200组，每组共采用了200个时间点相应的数据，所以选择的输入节点为200。
（二）确定各层节点
1输出层节点选取
用BP神经网络进行故障诊断的时候可以从输出的结果来判断轴承是否故障以及其类型[7]，本文的输出选用二进制编码，根据轴承工作时的两种状态规定正常状态为0故障状态为1，以为本文选取了两种状态所以网络输出层的节点1个即可。
2隐层及隐层的节点数
对于一个三层的BP神经网络它可以以任意的精度逼近所有从n维连续函数映射到m维因此本文就选用了传统的三层BP神经网络，而关于如何选择隐含层的节点则是根据所需学习迭代次数以及识别率等综合考虑进行选择。以下几种公式是目前选取神经元数目的经验公式：
其中a为隐层神经元数目，b为输入神经元数目，c为输出神经元数目，本文中选取隐层节点数为10，隐层神经元激活函数是S型正切函数tansig，输出层激活函数采用S型对数函数logsig。
三、轴承故障诊断结果分析
在前面对滚动轴承故障特征参数分析的基础上，本文选取了正常轴承和内圈故障轴承共5200组，每组采用200个时间点收集的训练样本，正常轴承输出均为0，故障轴承训练样本的输出均为1。
运用matlab构建 MyNeuralNetworkFunction（神经网络函数）带入训练样本以及输出目标共5200列，经过网络的处理得到了5200个输出即为判断结果。但是，输出结果不会完全和理想输出一致，会出现误差，所以误差精度设为0.0001。对于一些输出没有达到理目标的结果这里取一个判别区间（0.1，0.9），将输出结果与判别区间相比较，若输出结果小于0.1则判定为0.若输出结果大于0.9则判定为1，若处在区间内则视为无效。将得到的输出结果与理想结果相减取绝对值，得到的结果最大误差为0.0483，可以看出结果基本符合理想输出，因此可以看出神经网络可以很好地诊断出滚动轴承是否出现了故障。同时它也有很强的学习能力，通过不断的学习完善自己从而实时监测滚动轴承的状态。
四、总结与展望
社会已经越来越现代化，随之而来的就是大规模的机械化，因此滚动轴承的应用也越来越广泛。在滚动轴承的生命周期内由于个体差异或者各种各样的外界条件很有可能导致轴承发生故障，而传统的机械故障诊断技术很难满足人们对轴承系统是否可靠的要求，随着人工智能的发展，人工神经网络智能诊断技术不断完善，成为了滚动轴承故障诊断系统重点发展方向，因此本文采用神经网络方法进行滚动轴承的故障诊断研究，具体研究内容包括以下几个方面。
（1）对滚动轴承的故障模式进行分析，以及如何选取故障特征参数来保证系统可靠的运行。了解BP神经网络结构以及其中的学习算法，本文中选择了梯度下降法进行研究。
（2）建立故障诊断神经网络模型，根据特征参数分析取足够的样本进行学习、诊断。
这只是对人工智能故障诊断初步的实践，还是有很多地方需要完善。随着智能化的不断发展多种系统相结合进行故障诊断不断更新、完善，这些知识都是需要以后进一步的学习并实践掌握。
参考文献：
[1] 姜鸣. 循环统计量理论及其在滚动轴承故障诊断中的应用研究. 上海交通大学， 2002.
[2] 刘桥方，严枫.我国轴承制造技术的现状及其发展趋势.轴承2005，（6）：43—45.
[3]沈水福，高大勇.设备故障诊断技术.北京：科学出版社1996.
作者简介：
李捍东（1995—），男，籍贯：辽宁省，铁岭市。学历：硕士研究生，主要研究方向为阻燃材料制备及性能研究。单位：沈阳市，沈阳航空航天大学
关键词：滚动轴承;故障诊断;BP神经网络
从20世纪中叶开始，设备的故障诊断开始逐渐发展为一门相对完整的学科，对各个领域的设备故障诊断方法的发展速度也越来越快。这可以说对农业、工业、武器等各类设备的故障诊断有着诸多好处。比如可以预防事故等我国制造重大及精密技术设备的水平以及对机械设备出口的能力与轴承行业的发展息息相关，在国民的生活、经济和国防建设中滚动轴承逐渐起着不可替代的作用[1-2]。
据统计，大约有30%的机械故障是由于旋转设备中滚动轴承出现了损伤。滚动轴承和机械设备中其他的零部件相比有个一比较大的特点就是它有非常大的离散性寿命。所以建立故障诊断系统对滚动轴承的实时监测变得更有必要，因为它可以最大限度的减少甚至是杜绝发生由于滚动轴承损伤而导致的事故同时也可以最大限度地发挥轴承的工作潜力，提高经济效益[3]。由此可见，为了提高机械设备的安全性、经济性对滚动轴承进行故障诊断是非常重要且有意义的。
一、BP神经网络
BP神经网络的工作原理是信号从输入经神经元到输出的前向传播并且训练误差反向传播从而进行修正网络误差的三层或多层神经网络，这种网络处在处理各种处理各种线性或者非线性的问题的时候采用分布式的方式进行处理，在20世纪80年代有两位研究者Rumelhart和Mcclelland，以他们为首提出了多层前馈网络的反向传播学习算法简称BP算法。
（一） BP神经网络结构
BP神经网络是由一些神经元按照某种方式进行的有机的连接而成，其中最简单的三层神经网络中有输入、隐含、输出层，其中的节点代表神经元而因为每个神经元内接受的信号重要度不一定完全相同所它们之间的是通过权值进行相互连接的，通常情况下网络输入层的神经元有n个，输出层中有m个而有些网络中会有多个隐含层其中每个隐含层的神经元可能会有很多个，其中的n和m均大于等于1。
（二）BP神经网络工作原理
其工作原理为：训练样本通过神经元进入神经网络，通过输入层与隐含层以及隐含层与输出层之间两个传递函数的运算后，运算结果通过m个输出层神经元后输出出来，此过程叫做信号的向前传播。而后，将输出层输出的结果和之前设定的期望值作比较，如果输出结果满足了期望的要求，则停止BP神经网络，相反，如果它们之间存在着一定的差值那么就要使该差值通过输出层反向传递到BP神经网络中，在神经网络自身权值和阈值的调节作用后再次计算经过调整后的神经网络实际输出值是否能够满足要求，如果可以，那么停止训练，否则应重复训练一直到满足要求为止，这就是误差反向传播调整过程。
二、实验部分
（一）数据选取
在本文中选取滚动轴承的内圈故障和正常的数据共5200组，每组共采用了200个时间点相应的数据，所以选择的输入节点为200。
（二）确定各层节点
1输出层节点选取
用BP神经网络进行故障诊断的时候可以从输出的结果来判断轴承是否故障以及其类型[7]，本文的输出选用二进制编码，根据轴承工作时的两种状态规定正常状态为0故障状态为1，以为本文选取了两种状态所以网络输出层的节点1个即可。
2隐层及隐层的节点数
对于一个三层的BP神经网络它可以以任意的精度逼近所有从n维连续函数映射到m维因此本文就选用了传统的三层BP神经网络，而关于如何选择隐含层的节点则是根据所需学习迭代次数以及识别率等综合考虑进行选择。以下几种公式是目前选取神经元数目的经验公式：
其中a为隐层神经元数目，b为输入神经元数目，c为输出神经元数目，本文中选取隐层节点数为10，隐层神经元激活函数是S型正切函数tansig，输出层激活函数采用S型对数函数logsig。
三、轴承故障诊断结果分析
在前面对滚动轴承故障特征参数分析的基础上，本文选取了正常轴承和内圈故障轴承共5200组，每组采用200个时间点收集的训练样本，正常轴承输出均为0，故障轴承训练样本的输出均为1。
运用matlab构建 MyNeuralNetworkFunction（神经网络函数）带入训练样本以及输出目标共5200列，经过网络的处理得到了5200个输出即为判断结果。但是，输出结果不会完全和理想输出一致，会出现误差，所以误差精度设为0.0001。对于一些输出没有达到理目标的结果这里取一个判别区间（0.1，0.9），将输出结果与判别区间相比较，若输出结果小于0.1则判定为0.若输出结果大于0.9则判定为1，若处在区间内则视为无效。将得到的输出结果与理想结果相减取绝对值，得到的结果最大误差为0.0483，可以看出结果基本符合理想输出，因此可以看出神经网络可以很好地诊断出滚动轴承是否出现了故障。同时它也有很强的学习能力，通过不断的学习完善自己从而实时监测滚动轴承的状态。
四、总结与展望
社会已经越来越现代化，随之而来的就是大规模的机械化，因此滚动轴承的应用也越来越广泛。在滚动轴承的生命周期内由于个体差异或者各种各样的外界条件很有可能导致轴承发生故障，而传统的机械故障诊断技术很难满足人们对轴承系统是否可靠的要求，随着人工智能的发展，人工神经网络智能诊断技术不断完善，成为了滚动轴承故障诊断系统重点发展方向，因此本文采用神经网络方法进行滚动轴承的故障诊断研究，具体研究内容包括以下几个方面。
（1）对滚动轴承的故障模式进行分析，以及如何选取故障特征参数来保证系统可靠的运行。了解BP神经网络结构以及其中的学习算法，本文中选择了梯度下降法进行研究。
（2）建立故障诊断神经网络模型，根据特征参数分析取足够的样本进行学习、诊断。
这只是对人工智能故障诊断初步的实践，还是有很多地方需要完善。随着智能化的不断发展多种系统相结合进行故障诊断不断更新、完善，这些知识都是需要以后进一步的学习并实践掌握。
参考文献：
[1] 姜鸣. 循环统计量理论及其在滚动轴承故障诊断中的应用研究. 上海交通大学， 2002.
[2] 刘桥方，严枫.我国轴承制造技术的现状及其发展趋势.轴承2005，（6）：43—45.
[3]沈水福，高大勇.设备故障诊断技术.北京：科学出版社1996.
作者简介：
李捍东（1995—），男，籍贯：辽宁省，铁岭市。学历：硕士研究生，主要研究方向为阻燃材料制备及性能研究。单位：沈阳市，沈阳航空航天大学