基于神经网络的旋转机械振动故障诊断法

1、徐州凯尔农业装备股份有限公司 高晓磊 王敏 2、山东科技大学 王伟

基于神经网络的旋转机械振动故障诊断法

1、徐州凯尔农业装备股份有限公司 高晓磊 王敏 2、山东科技大学 王伟

机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络，对数据进行分析，模拟人类专家进行推理、判断和决策，从而获得分析结论。网络以振动信号的频域特征为输入，以故障模式编码为输出，通过MATLAB7.0人工神经网络工具箱构建网络。仿真结果表明：对训练的特征样本进行模式识别具备了很高的准确率，实现了诊断分析的智能化。

人工神经网络；机械故障；机械振动；人工智能

1 前言

随着机械设备自动化水平和复杂程度的提高，机械设备故障诊断变得越来越重要，因此诊断方法的选择会对诊断结果的精确与否产生重要影响。故障的智能诊断也因此随着计算机的迅猛发展展示出极大的优势。

传统的诊断分析方法是通过检测所获得的数据进行人工分析从而获得结论，这就要求技术人员要有很丰富的诊断经验以及很深厚的理论基础。本文所述的就是一种新的分析实现方法。我们将机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络对数据进行分析，模拟人类专家运用知识和经验进行推理、判断和决策的思维，从而获得诊断结论的一种方法。

2 旋转机械振动分析法

旋转机械的功能主要是由旋转动作来实现的，它的重要部件之一就是转子。当发生故障时常会伴随着噪音和震动异常的现象因此我们将转子的振动信号作为对象进行研究分析。常见的故障及其振动特征如下：

1.由于旋转体轴心本身的质量分布不均匀导致的不平衡，致使在旋转时会产生很大的离心力而出现振动的现象。主要表现在：频谱图中，谐波能量集中于基频左右，幅值相对稳定，转子的轴心轨迹大致为椭圆，振动的时域波形为正弦波。

2.当用联轴节连接两根轴的中心线时往往不重合。主要表现在：振动特性相对稳定，振动二倍频极大，振动方向一般为径向、轴向，相位特征稳定性好，轴心轨迹与双环椭圆拟合，振幅随负荷变化、转速都较为显著。

3.在滑动轴承里面，由于油膜动力效应中油膜阻尼力和涡动力之间的相互作用而引起的一种自激振动。主要表现在：油膜涡动的高频成分较少，主要集中在低频、工频附近的振幅所占比例相对较大，相位特征和振动较为稳定，轴心轨迹大致为双环椭圆，振动主要方向为径向方向。

4.轴承谐波成分丰富，存有缺陷频率，由于存在随机高频振动带，边带成分也很突出，轴承温度较高。

5.振动在超低频分量时经常出现，振动相对不稳定，相位也不稳定，轴心轨迹紊乱，出现喘振现象。

6.轴承座松动的振动往往以垂直振动为主，由频谱图中看出，频谱除基频以外，仍然有很大一部分高频成分及偶次分频，轴心轨迹相当混乱，重心偏移，但其能量主要集中在低于1/2倍频的低频区。

3 人工神经网络

3.1 人工神经网络

人工神经网络（artificialneuralnetwork，ANN）就是在人们还不能清楚认识生物神经网络的基础上，假想出来的能够反映生物神经元基本功能的“人工神经元”，通过某种方式连接起来，就形成了一个能模拟推理、判断和决策能力的智能网络。

3.2 BP神经网络模型及算法概述

本文研究分析所采用的网络为有反馈的前向网络（即BP神经网络）其结构如图3.1所示：

图3 .1人工神经网络模型

网络由输入层、隐含层和输出层构成，相邻层之间的神经元全互连，同一层内的神经元无连接。输入层、中间层和输出层的单元数分别是n，p和q，输入为ah(h=1,2,…n)；中间层输出为 bi(i=1,2,…p)；网络实际输出为cj(j=1,2,…q)。cjk(j=1,2…q)表示训练样本期望输出。输入单元h到中间单元i的权值为Vhi，中间单元i到输出单元j的权值为Wij，用θi和θj分别来表示输出单元和中间单元的阈值。

学习样本提供到相应的网络后，神经元的激活值从输入层通过中间层的作用向输出层传播，输出层的每个神经元得到网络的输入响应后，按照减小实际误差与目标输出的方向，由输出层通过中间层一层一层地修正各连接权值，进而回到输入层，BP网络就是通过这种“误差逆传播算法”。通过误差逆传播修正不断进行，网络对输入模式的响应正确率也不断提高。其学习过程就是通过求实际输出与目标输出的误差来调整权值，再得出新的输出，再通过求输出与目标输出的误差来调整权值周而复始的过程，直到实际输出与目标输出的误差小于一定值。最后形成网络及其能满足要求的各网络权值，以达到模式识别的目的，并通过网络特性具备了一定的容错能力。

4 人工神经网络进行机械振动故障诊断的方法

由前文我们知道，振动的特征对故障形式具有一定的表征作用，主要以振动信号的频域特征作为故障征兆，经归一化处理后作为故障征兆，以10种现场常发生的典型故障作为网络输出，构成一个三层的BP网络，实现故障分析。

4.1 网络结构的设计

采用带一层隐含层的BP网络，特征样本有9个参数输入，得输入层为9个神经元。目标输出有6种代码，得输出层为6个神经元。网络建立后，其训练的精度取决于隐含层神经元个数。由输入层和输出层神经元的个数，初步判断隐含层神经元个数在3-13之间，经过测试程序得到隐含层11个神经元效果较好。

4.2 网络的训练

在MATLAB7.0环境下运用其人工神经网络工具箱训练该网络。得训练曲线如图4.2所示：

图4 .2MATLAB7.0环境下训练曲线

4.3 仿真网络

在MATLAB7.0环境下运用其人工神经网络工具箱仿真网络。得仿真结果如下表所示：

0 1 2 3 4 5样本一 1.00 0.00 0.00 0.00 0.00 0.00样本二 0.00 1.00 0.00 0.00 0.00 0.00样本三 0.00 0.00 1.00 0.00 0.00 0.00样本四 0.00 0.00 0.00 1.00 0.02 0.00样本五 0.00 0.00 0.02 0.00 0.99 0.00样本六 1.00 0.00 0.00 0.00 0.00 0.00

5 结语

仿真结果表明对训练的特征样本进行模式识别具备了很高的准确率。本网络主要是以振动信号的频域特征为输入，以故障模式编码为输出。在运用过程中当输入样本得到的输出量与实际故障不相符时，我们就把该输入加入训练样本，把该故障加入目标向量，将网络重新训练。随着训练样本、识别模式的增加，网络在容错能力以及识别范围上将不断完善。可见，将机械振动故障诊断技术引入人工神经网络后，实现了分析的智能化。

[1]张玲.人工神经网络理论及应用，浙江科学技术出版社，1997年.

[2]周开利、康耀红.神经网络模型及其Matlab仿真程序设计，清华大学出版社，2005年.

[3]李国华，张永忠.机械故障诊断，北京化学工业出版社，1999年.

[4]百木万博等.故障诊断、异常诊断及其对策，振动监测、机械振动讲演文集，机械工业部郑州机械研究所，1984年.

[5]薛小兰，温秀兰，张鹏.基于遗传神经网络的机械振动信号预测，《弹箭与制导学报》，2007（3）.