基于BP神经网络的滚动轴承故障诊断

基于BP神经网络的滚动轴承故障诊断刘元是，陈建政（西南交通大学牵引动力国家重点实验室，成都610000）摘要针对滚动轴承的故障损伤难以智能诊断的问题，提出了一种基于Alpha稳定分布参数估计和神经网络的滚动轴承故障诊断方法。首先，对各个状态振动信号进行稳定分布的4参数估计，选取敏感性及稳定性最好的二种参数组成二维故障特征量；然后，可将该二维故障特征量作为BP神经网络的输入参数来识别滚动轴承的故障类型；然后，通过台架试验数据验证了该方法的有效性，并与4个常用的无量纲时域特征参数作为BP神经网络的输入参数的方法的诊断结果进行比较。结果表明：基于Alpha稳定分布参数估计方法可实现对滚动轴承故障位置及的智能诊断，与时域特征参数的方法相比，在更少的参数下实现了更准确更有效的故障识别；最后，应用工程实测数据对该模型进行了验证，结果表明在小样本，低转速条件下该模型也能对滚动轴承不同状态故障进行有效的检测，有望在实际工程中得到应用。关键词：滚动轴承；故障诊断；稳定分布；BP神经网络RollingbearingfaultdiagnosisbasedonBPneuralnetworkLiuyuanshi,Chenjianzheng(TractionPowerStateKeyLaboratoryofSouthwestJiaotTongUniversity,Chengdu610000,China)Abstract:Inthispaper,rollingbearingfaultintelligentdiagnosisofdamagedifficultproblemproposedrollingbearingfaultdiagnosismethodbasedonAlphastabledistributionparameterestimationandneuralnetworks.First,eachstatevibrationsignalstabledistributionfour-parameterestimation,selectthebestsensitivityandstabilityoftwo-dimensionalcompositionfaultcharacteristicparameters;then,thefaultmaybethetwo-dimensionalfeatureamountasinputparametersBPneuralnetworkfailuretoidentifythetypeofrollingbearings;diagnosisandthenbybenchtestdatatoverifytheeffectivenessofthemethod,andwiththefourcommondimensionlesstimedomaincharacteristicparametersasinputparametersBPneuralnetworkmethodwerecompared.Theresultsshowthat:basedonAlphastabledistributionparameterestimationmethodcanberealizedonRollingintelligentdiagnosticsandfaultlocation,comparedwiththetimedomainmethodofcharacteristicparametersinfewerparameterstoachieveamoreaccurateandefficientfaultidentification;Finally,engineeringtestdatatovalidatethemodelresultsshowthatinsmallsamples,low-speedconditionsoftherollingbearingadifferentmodelcaneffectivelydetectthefaultstate,itisexpectedtobeappliedinpracticalengineering.Keywords:Rolling;faultdiagnosis;stabledistribution;BPneuralnetwork引言滚动轴承在机械工业设备中应用非常普遍，但又是非常容易损坏。滚动轴承的运行状态能直接影响整个机器设备的状态。大约有三分之一的旋转机械设备故障是由轴承损坏引起的。传统的诊断方法如包络检波和共振解调法虽然实现了诊断精度的极大提高，但是人工辅助诊断依然不可缺少，对于复杂环境下滚动轴承精确诊断任然难以实现。因此，很有必要使用智能的方法对滚动轴承进行状态检测和故障诊断。从本质上来说，滚动轴承的故障诊断就是对于各种模式的识别过程。BP神经网络拥有比较好的自学习自适应能力，非线性映射能力，容错能力以及泛化能力，能够在滚动轴承的故障诊断中发挥很好的作用。但是，在滚动轴承中故障特征参数的提取方法在很大的程度上决定了诊断的准确性。运用常用的无量纲的时域特征参数作为故障特征参数，可以比较好的对滚动轴承进行故障识别，但也存在着需要参数过多以及准确率不高等问题。稳定分布是一种非常重要的非高斯分布，在描述尖峰脉冲状和有严重拖尾特性的非高斯信号的方面有优良的鲁棒性。稳定分布方法原本主要应用于语音信号处理、生物医学信号处理、通信识别等领域，近些年来也被逐渐运用到旋转机械的故障诊断当中。但是将稳定分布方法与神经网络分类方法结合，从而建立起智能的滚动轴承故障诊断模型的研究还十分少见。文章对稳定分布四类参数进行对比研究分析，并选取了其中敏感性和稳定性都非常优异的两类参数作为二维故障特征量与BP神经网络相结合，建立了一种滚动轴承的故障智能诊断模型，并与常用的无量纲时域特征参数作为故障特征参数进行对比研究。试验分析表明，此方法可实现滚动轴承不同的故障位置（正常、外圈、内圈、滚动体）的智能诊断，且基于稳定分布的方法能够实现使用较少参数并得到更高的诊断准确率，有望在工程实际中得到应用。1稳定分布参数估计1.1稳定分布基本理论稳定分布是1925年由Levy在研究广义中心极限定理时率先提出，是一种广义化的高斯分布，比高斯分布具有更加广泛的应用。除少数特例外，稳定分布的概率密度函数没有统一的封闭表达式，通常它的特征函数被用来描述它的统计特性：（1）其中：（2）可知，稳定分布是由四个参数决定的。其中，，，。是特征指数控制随机过程的脉冲程度，越小，脉冲性越强，其拖尾也越长，意味着原理中心位置的随机变量概率越大。当时，稳定分布对应着高斯分布。当，时，稳定分布对应着柯西分布。是尺度参数，与高斯分布的方差相类似，其取值为正。是对称参数，决定着分布的倾斜度。时，表示其对称分布。当时，和分别对应着向右和向左倾斜分布。当时，则情况相反。是位置参数，对应着稳定分布的均值和中值，可以为任意实数。2BP神经网络2.1BP神经网络简介人工神经网络，是依据生物原理提出的一种人工智能算法，是对生物神经元的模拟以及简化[6]。从滚动轴承的实际诊断过程能够看出，它的实质是一个模式识别的过程[7]。与传统的模式识别方法比较，人工神经网络可以实现任意复杂的判别曲面，具有更加强大的适应能力。BP神经网络在1986年被提出，是一种按照误差逆传播算法进行训练的多层前馈神经网络，在目前是应用最为广泛的神经网络模型之一[8]。BP神经网络可以学习和存贮大量的输入-输出模式映射关系，而且毋须提前揭示描述该映射关系的数学方程。BP神经网络的学习规则是使用最快梯度下降法，使用反向传播来不断的调整网络权值以及阈值，达到网络的误差平方和最小的目标。BP神经网络模型的三层拓扑结构为输入层、隐层以及输出层。2.2BP神经网络模型的构建文章采用三层的BP神经网络结构，网络的第一层为输入层，选取四组稳定分布特征向量之中敏感度以及稳定性最好的两组特征向量作为其输入向量。网络的第二层为隐藏层，隐藏层一般为一层，在处理复杂问题时可取两层。隐藏层神经元的数量也对网络识别的性能有重要影响。神经元过多，会延长网络训练的时间，对样本数量也提出了更高的要求。神经元过少，网络不能有效的对样本进行学习，会让识别的效果降低。经过验证，我们选择隐藏层10个神经元的结构。网络的第三层为线性输出层，故障模式的个数决定了神经网络输出中的神经元个数。本文的输出矩阵状态编码为：无故障(0,0,0)，内圈故障(0,0,1)，外圈故障(0,1,0)，滚动体故障(1,0,0)。诊断流程如图1：,()exp[||]ttittB,1sgn()tan(),1221sgn()lg||,1titBitt0201121001001图1故障诊断流程3试验结果3.1数据来源使用凯斯西储大学轴承数据中心数据作为实验数据，该数据通过恒转速台架试验获得。试验轴承为SKF6205-2RSJEM型深沟球轴承，轴承转速为1797r/min，采样频率为12KHz。选择正常，内圈故障，外圈故障，滚动体故障这4种状态的数据来验证所提出方法的有效性。各状态时域波形如图2：图2四种状态振动信号的时域波形3.2稳定分布参数估计与特征量提取将各个状态的数据样本取前120000个数据，把其平均分为20段，每段长度为6000个数据。在20段数据中随机的选取其中10段作为训练样本，利用经验特征函数方法进行稳定分布参数估计。得到4种状态信号的参数估计结果，如表1所示（每种轴承状态取前5个数据）。表1四种状态振动信号的参数估计结果故障类型特征指数对称参数分散系数位置参数正常轴承2.0000-1.00000.04540.00992.0000-1.00000.04630.00962.0000-1.00000.04610.00882.0000-1.00000.04720.01012.0000-1.00000.04550.01101.5126-0.00050.25590.01501.4861-0.03350.23610.0073内圈故障1.52140.00310.25930.01391.5329-0.01000.26970.01141.52470.00350.26690.0108外环故障1.11490.01520.20670.04701.1359-0.01610.20090.01981.11370.01900.20540.04501.13280.00070.21370.02761.12790.02770.20550.0499滚动体故障1.78280.05821.32770.01251.82570.06361.2874-0.01981.88690.10291.39920.01661.83460.07001.30010.02641.85240.08871.31170.0311从表1可知，4个分布参数在不同状态下的估计值均不同。正常信号等于2，可认为其为服从正态分布的高斯信号；故障信号小于2，是非高斯信号；通过参数的取值，可以分辨故障产生的位置（正常＞滚子故障＞内环故障＞外环故障），除正常信号之外，其余所有信号的值也都近似于零，说明正常轴承信号的概率密度函数和所有故障信号的概率密度函数都具有对称性，这与轴承实际的结构对称性相符。由表1可知4种参数在4种状态下均具有一定的稳定性和敏感性。其中及两类参数的稳定性和敏感性最好，基本能够区分各个状态。3.3智能诊断将3.2节中已构建的二维故障特征输入到BP神经网络分类器中进行训练。训练次数设为1000次，训练误差为0.001。同时，把各状态下剩余的10段数据作为测试样本，分别进行稳定分布参数估计，得到二维特征量，输入到已经训练好的BP神经网络模型中进行分类。编码为：第1到4列分别对应轴承的正常状态，内圈故障，外圈故障以及滚动体故障。为了验证alpha稳定分布参数估计方法在滚动轴承故障智