基于BP神经网络的轴承故障诊断研究

作者:林名润;王杰;闫大鹏;文珊珊;杜明俊 刊名:山东工业技术 上传者:贾学元

【摘要】以四种轴承故障类型为研究对象,对不同故障类型的轴承进行振动测试试验,分别提取特征参数,采用BP神经网络算法,诊断未知轴承的故障类型.试验结果表明,该BP神经网络算法准确地实现对轴承未知故障类型的诊断.

全文阅读

131电子技术 1 引言 轴承当代机械设备中一种重要零部件,它的主要功能是支撑机械 旋转体,降低其运动过程中的摩擦系数,并保证其回转精度。轴承具 有不易磨损、噪声小、传动效率高、精度高、低摩擦等优良性能,已 广泛应用于数控机床、航天航空、重型设备制造业、汽车工业、核工业、 精密仪器等领域 [1]。 轴承作为传动旋转支承的关键部件之一,其出现故障直接影响设 备运行,造成生产产品超差或报废,带来巨大经济损失 [2]。为使传动 部件处于高性能工作状态,需要对轴承状态进行监测。其中,开展轴 承故障诊断技术和方法研究,是行之有效地解决传动部件状态监测、 故障诊断、预防维护的途径之一。 2 BP神经网络原理 BP 神经网络 (Back propagation) 是一种多层前馈神经网络,在 1985 年由 Romelhert 和 Mccleland 提出的 [3],其主要特点是迭代过程前 向传递,误差反向传播。该算法的输入信号在前向传递过程是沿输入 层、隐藏层、输出层逐级处理,将输出误差反向传播修正各层的网络 权值和阈值,使网络预测输出不断逼近期望输出,从而建立系统故障 诊断模型 [4]。BP 神经网络拓扑结构如图 1 所示。 基于 BP 神经网络的轴承故障诊断研究 林名润 , 王 杰 , 闫大鹏 , 文珊珊 , 杜明俊 (上海航天设备制造总厂有限公司 , 上海 200245) 摘 要:以四种轴承故障类型为研究对象,对不同故障类型的轴承进行振动测试试验,分别提取特征参数,采用 BP 神经网络算法,诊断未知 轴承的故障类型。试验结果表明,该 BP 神经网络算法准确地实现对轴承未知故障类型的诊断。 关键词:轴承;神经网络;振动;故障诊断 DOI:10.16640/j.cnki.37-1222/t.2018.09.121 连接权值修正公式为: 式中, ——学习速率; ——误差函数对输出层各神经元的偏导数。 隐含层与输入层各神经元从第 步到第 步的连接权值修正公 式为: 式中, ——误差函数对隐含层各神经元的偏导数。 3 算法建立与分析 3.1 故障类型与特征参数 根据轴承通常失效形式,选取内圈滚道损伤失效 B1、外圈滚道损 伤失效 B2、滚珠损伤失效 B3、滚珠断裂失效 B4 四种典型故障类型作 为研究对象,作为输出节点,并在实验台进行振动测试。选择振动信 号时域和频域特征参数作为输入节点:平均值幅值指标A1、均方根幅 值指标A2、峰值指标 A3、脉冲指标 A4、裕度指标 A5、峭度指标 A6。 3.2 神经网络建立 根据输入层与输出层节点数确定隐含层节点,建立神经网络结构: 输入层节点数为 6,隐含层节点数为 6,输出层节点数为 4。取神经 网络训练误差精度为 10-5,训练次数最大值为 1500 次,通过迭代调整 BP网络的影响因子,使 BP网络逐渐逼近设定的训练数据,并达到精 度要求。由于原始输入输出数据有着不同的可变幅度和物理意义,在 进行网络训练前需要对这些数据进行规范化处理,从而使神经网络发 挥出最优性能。这里采用归一化数据处理方法,将其限制在 [-1,1] 范 围内。 3.3 神经网络诊断 提取待测试故障轴承的特征参数数据,并进行归一化处理,作为 检验 BP网络的归一化测试数据如表 1所示。 假设 BP 神经网络结构为三层网络结构,输入层、隐含层、 输出层节点数分别为 、 、 。定义变量如下:输入层向量为 ;隐含层输入向量为 ;隐含层输出 向量为 ;输出层输入向量为 ;输 出层输出向量为 ;期望输出向量为

参考文献

引证文献

问答

我要提问