基于GA-BP神经网络的多传感器轴承故障诊断*

李荣远 张国银 王海瑞 王 雪 宋怡然 齐 磊 任玉卿

(昆明理工大学信息工程与自动化学院)

基于GA-BP神经网络的多传感器轴承故障诊断*

李荣远 张国银 王海瑞 王 雪 宋怡然 齐 磊 任玉卿

(昆明理工大学信息工程与自动化学院)

由于单一传感器采集滚动轴承的故障信息精度较低，提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息，并采用小波包分析提取轴承故障状态特征，然后采用遗传算法(GA)优化BP神经网络对单传感器进行滚动轴承故障诊断，接着运用DS证据理论把每一个诊断结果进行信息融合，最终得到诊断结果。仿真实验结果表明：该方法可提高滚动轴承故障诊断的精确度和效率。

故障诊断 滚动轴承 GA-BP神经网络 DS证据理论 信息融合

滚动轴承一般由内圈、外圈、滚动体和保持架组成[1]。近年滚动轴承的结构越来越复杂，故障诊断的复杂程度也越来越高[2，3]。运作过程中，由于自然磨损、锈蚀、超负荷运转、润滑缺乏、异物进入、过载及自身质量等问题，都可能被损坏[4]，因此对它进行故障诊断至关重要[5]。人工诊断简单直观，但由于轴承设计复杂度高，因而可靠性较低[6]。而且滚动轴承的故障类型比较多，仅靠单一故障信息容易出现误诊[7]。目前众多智能故障诊断中，小波包特征提取和BP神经网络应用广泛。但BP神经网络收敛速度慢且易陷入局部状态。

笔者提出基于GA-BP神经网络的多传感器信息融合方法，搭建信号采集系统，在轴承周围布置加速传感器，对轴承在正常工况和异常工况下进行振动信号采集。首先运用小波变换与小波包分析进行信号处理，提取特征向量。然后将特征向量归一化处理后经BP神经网络训练，得到初步故障诊断结果。运用Levenern-Marquardt算法采用GA优化BP神经网络。采用DS证据理论[8，9]对单一传感器诊断结果进行融合，最后仿真验证该方法的有效性。

1 故障诊断特征提取

笔者设计的滚动轴承故障诊断特征提取过程如图1所示，首选利用布置在滚动轴承不同方向的加速度传感器采集振动信号，经放大器放大和A/D转换器转换为计算机能识别的信号，然后对采集信息进行处理分析，最后诊断出滚动轴承的故障类型。

图1 滚动轴承故障诊断流程

滚动轴承特征提取是其故障诊断流程的关键，小波分析在故障诊断和模式识别中被广泛应用，是对信号进行时域和频域分析的方法之一，具有多分辨率分析的特点，同时能提供非平稳信号时域和频域中的局部信息。小波变换提取特征信息的步骤如下：

a. 对采样振动信号进行三层小波分解，分别提取各层低频到高频的特征信号；

b. 重构小波包分解系数，提取各频段信号；

c. 求各频段信号能量；

d. 构造特征向量T=[E30，E31，E32，E33，E34，E35，E36，E37]，当能量较大时对T进行归一化处理，归一化向量T′=[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E]。

2 BP神经网络与改进算法

2.1BP神经网络

BP神经网络是一种多层前馈神经网络(图2)，其主要训练算法是误差反向传播算法，广泛应用于众多领域，如数据压缩、分类、模式识别和函数逼近。它由3部分组成，即输入层、隐含层和输出层[10]。BP神经网络具有良好的自学习和自适应能力，容错强、易构建。缺点是收敛速度慢，极易陷入局部极值问题。

图2 BP神经网络结构

2.2L-M优化BP

针对传统BP神经网络收敛速度慢、易陷入局部的问题，提出多种优化算法，如遗传算法、自适应学习算法、粒子群优化算法及误差函数修正算法等[11]。经多文献研究对比，采用L-M(Levenberg-Marquardt)学习算法更能优化BP神经网络。L-M学习算法实质上是梯度下降法与高斯-牛顿法的结合。在网络训练学习过程中，梯度下降法在之前几步下降快速，其梯度趋于零时接近最优值。此时目标函数下降缓慢，当接近最优值时牛顿法可以生成一个较好的探索方向。

2.3GA优化BP神经网络模型

用GA遗传算法优化BP神经网络的初始权值和阈值。主要包括种群初始化、确定适应度函数和选择交叉变异操作[12]。GA-BP算法流程如图3所示。

每个个体编码均为实数编码，由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值组成。

经BP神经网络训练后将预测输出和期望输出残差绝对值之和作为适应度分配函数F：

图3 GA-BP算法流程

(1)

式中k——系数，本实验该值为1；

n——输出节点数；

oi——第i点的预测输出；

yi——BP神经网络第i点的期望输出。

本实验选择轮盘赌法，每个个体i的概率pi为：

(2)

采用实数交叉法，第k个染色体ak和第l个染色体al在j位的交叉操作如下：

(3)

其中，b是[0，1]间的随机数。

选择第i个个体的第j个基因aij进行变异，操作如下：

(4)

f(g)=r′(1-g/Gmax)2

(5)

式中amax——aij的上界；

amin——aij的下界；

g——当前迭代次数；

Gmax——最大进化次数；

r、r′——[0，1]间的随机数。

2.4DS证据理论

DS证据理论因不确定性等优点被成功应用于多领域。采用DS证据理论对单一传感器的诊断结果进行融合，其模型如图4所示。

图4 滚动轴承故障诊断模型

3 故障诊断实验结果分析

3.1实验系统建立

为了验证BP神经网络优化后结合DS证据理论对滚动轴承故障诊断的有效性，选用6203-2RS JEM SKF深沟球轴承，采用加速度传感器采集驱动端和风扇端的数据(数据来源于美国西储大学实验室)。采样频率12kHz，采样点12 000个，损伤直径为0.007英寸(0.007英寸=0.1778mm)，转速1 772r/min，轴承外圈损伤点为12点钟。其中轴承的4种状态(正常、内圈故障、滚动体故障、外圈故障)分别用(1，2，3，4)表示，矩阵形式为(1000，0100，0010，0001)。

3.2特征向量提取

小波提取4种振动信号的过程为：小波分解、信号重构、构造特征向量。

采用db40小波包函数对信号进行三层分解，并对得到的8个频段小波包进行重构，其中小波包分解形成树形结构和节点信号，如图5所示。

图5 小波包三层树形结构和节点信号

图6为一种内圈故障信号分解后各频段的重构信号。取出各频段信号，4种重构图经分析比对可以看出，虽然各种信号之间有差异，但并不直观，所以很难得出诊断结果。

先计算各频段的能量，T=[E30，E31，E32，E33，E34，E35，E36，E37]，对T进行归一化处理，归一化向量T′=[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E]，作为BP神经网络及其优化的输入。

图6 内圈故障信号分解后各频段重构信号

3.3网络训练与测试

从两端传感器数据(共96组，每端48组)中抽取40组作为训练样本，8组作为测试样本，经Matlab R2014a编程，得到的训练结果如图7、8所示，梯度下降法BP神经网络训练需迭代468次(0.009 953 6)，L-M算法只需3次(0.009 694 7)迭代。可见，基于L-M优化算法的效率远高于梯度下降BP神经网络算法，但诊断率不高。最后用GA结合前两种方法优化网络。

训练结束后，将剩余8组数据作为3种方法的测试数据，测试结果见表2、3。经对比，三者的识别率都为87.5%。但从三者的识别误差对比(图9)可以看出，GA-BP识别误差最小，基于GA的LM-BP算法的实际输出能够更加正确地诊断当前轴承的故障状态。但是单一传感器信息处理具有偶然性，从图10可以看出，外圈故障诊断误差较大，进而需多传感器进行信息融合，通过DS理论使多传感器融合提高诊断率。

表1 部分训练数据

图7 梯度下降法BP神经网络训练结果

图8 基于L-M算法的BP神经网络训练结果

表2 BP算法测试数据

表3 GA-LM-BP算法测试数据

图9 3种预测误差对比

图10 GA-BP与DS-GA-BP预测误差对比

4 结束语

笔者运用小波变换与小波包分析对加速度传感器收集的滚动轴承在4种状态下的信号特征进行提取，分解重构出特征向量作为BP神经网络的输入。多次训练后初步得出诊断准确率和诊断效率。然后对其缺点进行优化，进一步提出优化BP算法。仿真实验结果表明：采用GA加L-M优化BP神经网络能有效提高故障诊断效率和准确率。但单一传感器具有偶然性，采用DS理论进行多传感器信息融合，最终的仿真实验结果提高了效率与诊断率，具有一定的应用价值。

[1] 高鹏云.发动机曲轴滚动轴承的故障分析[J].农机使用与维修,2014,(10):35.

[2] 吴永恒,肖涵.基于自适应非趋势波动分析的齿轮振动信号特征提取[J].振动与冲击,2015,34(9)：154～157.

[3] 萨其日拉.基于MFSVD的滚动轴承振动信号故障特征提取方法研究[J].石油化工自动化,2017，53(3):31～36.

[4] 武栋梁.滚动轴承常见故障及其振动信号特征[J].科技资讯,2012,(18):85.

[5] Subanivedhi N K，Rekha M.Concealed Data Aggregation Scheme for Multiple Application in Database as a Service Model[J]. International Journal of Research in Engineering & Advanced Technology, 2013,1(5):1471～1483.

[6] 张彦铎,姜兴渭.多传感器信息融合及在智能故障诊断中的应用[J].传感器与微系统,1999,18(3):18～22.

[7] 吴苏,吴文全,王薇.基于多传感器数据融合技术的电子设备故障诊断[J].计算技术与自动化,2016,35(1):27～30.

[8] 何立志.基于改进BPNN和DS证据理论的列车走行部故障诊断研究[D].成都:西南交通大学,2014.

[9] 庞圣波,王立宏,王培进.证据理论合成公式的讨论及一些修正[J].计算机工程与应用,2007,43(20):56～58.

[10] 谢培甫.基于小波分析和BP神经网络的滚动轴承的故障诊断[J].农业装备与车辆工程,2006,(2):45～47.

[11] 司景萍,马继昌,牛家骅,等.基于模糊神经网络的智能故障诊断专家系统[J].振动与冲击,2017,36(4):164～171.

[12] Liu J F,Zheng J H.Application of Teaching Data Mining Based on Cloud Computing in the Prediction of Learning Achievement[J].International Journal of Database Theoryand Application,2016,9(6):275～284.

[13] 苏超,肖南峰.基于集成BP网络的人脸识别研究[J].计算机应用研究,2012,29(11):4334～4337.

[14] 谢春丽,张继洲.基于遗传BP神经网络的电控发动机故障诊断研究[J].湖北汽车工业学院学报,2016,30(2):18～22.

[15] 陈轶,杨奕,包辉慧,等.基于多传感器信号分析的故障诊断[J].组合机床与自动化加工技术,2016,(9):99～102.

ResearchonMulti-sensorBearingFaultDiagnosisBasedonGA-BPNeuralNetwork

LI Rong-yuan, ZHANG Guo-yin, WANG Hai-rui, WANG Xue,SONG Yi-ran, QI Lei, REN Yu-qing

(FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology)

Considering the low accuracy of making use of single sensor to collect fault information of rolling bearings, a GA-BP neural network-based multi-sensor information fusion method was proposed. Firstly, having the state information collected through a single sensor and the fault state characteristics of the bearing extracted through wavelet packet analysis, and then the genetic algorithm (GA) used to optimize BP neural network for single-sensor rolling bearing fault diagnosis, finally having information fusion of each diagnosis result implemented through DS evidence theory. The simulation result shows that, this method can improve both accuracy and efficiency of rolling bearing fault diagnosis.

fault diagnosis, rolling bearing, GA-BP neural network, DS evidence theory, information fusion

李荣远(1990-)，硕士研究生，从事故障诊断和传感器信号处理的研究。

联系人张国银(1979-)，副教授，从事计算机应用和智能算法的研究，28292189@qq.com。

TH133.33

A

1000-3932(2017)10-0916-06

2017-05-26，

2017-07-31)