优化神经网络在矿用电机轴承故障诊断的应用

2018-08-31周孟然来文豪

安徽理工大学学报（自然科学版） 2018年4期

王煜，周孟然，胡锋，来文豪

(安徽理工大学电气与信息工程学院, 安徽淮南 232001)

矿用机电设备的正常工作极大影响着煤矿工作人员人身安全和煤矿的安全生产，因此对矿用机电设备的故障进行诊断显得十分必要。研究表明，电机中最容易法师故障的零件是滚动轴承，其损坏约占电机故障总数的44%[1]。目前电机的故障检测主要以小波分析为主[2-3]，小波分析可以有效提取出电机的运行特征。文献[4]提出基于专家系统、模糊理论、支持向量机、神经网络等的智能诊断方法是电机故障诊断发展趋势。已有支持向量机[5-7]、盲源分离算法[8-9]、Hilbert变换[10]、总体经验模态分解[11-13]、卷积特征学习[14]等方法被用于电机轴承故障诊断。

上述文献在电机轴承故障诊断中取得了良好的效果，但是电机轴承的故障诊断的识别率还能够进一步提高，可以在判断轴承是否故障的基础上继续细化电机轴承故障类型。本文使用小波包分析预处理数据，采用无监督学习与有监督学习分别进行分类。采用SCG-BP神经网络进行电机轴承故障诊断，可以克服大量非线性元素的互相影响，使电机轴承故障诊断模型具有准确率高、收敛速度快等特点。

1 电机特征提取和故障分析

振动频率是判断电机轴承是否故障的指标。振动频率能反映电机内部零件的受损状况，影响电机的传递函数。本文采用电机的振动频率作为判断电机轴承故障的参数。

1.1 电机轴承的故障分析

保持架、滚动体、外圈和内圈等器件构成了电机的滚动轴承。滚动轴承的核心元件是轴承。轴承发生故障时，振动频率反映轴承的运行状态。根据文献[15]，可以得到各元件故障的特征频率如下：

保持架故障的特征频率

(1)

滚动体故障的特征频率

(2)

外圈故障的特征频率

(3)

内圈故障的特征频率

(4)

式中：N为轴承中滚动体的个数，fr为电动机转子的旋转频率，Dc为轴承节径，α为轴承滚动体的接触角。

对于刚性转子，转子的质量不平衡会使测量所得的幅值随转速增大而增大，在临界转速附近会出现一个相位在临界转速前后相差接近180°的峰值，由此不同频域上的能量图谱会产生相应的变化。

1.2 电机轴承故障的特征提取

电机轴承出现故障时，传递函数会随之发生改变，不同频率成分的相频特性与幅频特性也会随之变化[16]。

使用三层小波包分解对采集到的信号进行能量谱提取，其结构如图1所示。图1中每个节点都能够体现出其信号特征。其中(0，0)表示原始的振动频率信号，(0，1)表示第一层的低频系数，(1，1)表示其高频系数，其他以此类推。

图1 三层小波包分解数

对各层小波包分解后的系数进行重构处理，提取出有价值的信号。用S30表示(3，0)节点，则信号重构为S=S30+S31+S32+S33+S34+S35+S36+S37。

对分解出的能量信号E3i的能量公式为

(5)

式中：xi，k为重构信号Sij的幅值，n为信号的采样点个数。

计算完成后对小包的能量进行归一化。

本文选取第三层的小波包分析后的能量作为输入向量P

P=[E30/E，E31/E，E32/E，E33/E，

E34/E，E35/E，E36/E，E37/E]

(6)

式中：E3j是各子带信号的能量，E为总能量。

2 优化BP神经网络

神经网络在各大领域广泛被应用，主要使用前馈网络进行学习。前馈网络结构通常有单层网络结构和多层网络结构两种。

网络结构为n-m-p的单个隐藏层的前馈网络的输出如下

y=σi(Wix+bi)

(7)

式中：x为输入；y为输出；Wi为隐藏层与输入层之间的权值矩阵；bi为隐含层的偏置权值向量；σi(.)为激活函数。

最速下降法是目前前馈网络最常用的训练方法[17]，也就是根据误差反馈的梯度下降的方法。

本文采用量化共轭梯度下降法(Scaled Conjugate Gradient，SCG)是最速下降法的改进[18]，而将其改编如下

ωk+1=ωk+αkpk

(8)

其中αk的步长如下

(9)

其中：λk为算法的尺度因子，sk是与λk相关的函数。用这种方法改变步长时，可以通过调整尺度因子来实现，从而加快了网络的收敛[19]。

3 结果分析

在淮南某矿采集到电机数据，对采集得到的信号进行三层小波包分析，得到节点(3，0)-(3，7)的小波包分解系数，将0～500Hz平均分为8个频段分别对应小波包分解的每个节点。

采用三层小波包分析提取能量谱，计算各频带能量，并提取小波包能量谱尺度作为输入数据，部分输入数据如表1所示。

表1 部分输入数据

表中1代表正常运行(以下简称情况1)，2代表电机轴承内圈故障(以下简称情况2)，3代表电机轴承滚珠故障(以下简称情况3)，4代表电机轴承外圈故障(以下简称情况4)。

3.1 无监督学习结果

为了使无监督学习效果更好，采用了降维方法对数据线进行处理。使用主成份分析法对电机数据进行降维处理。

将通过主成份分析法计算后的坐标值画图(见图2)。

(a) 正确分类结果

(b) 实际分类结果图2 降维聚类结果

通过图2(a)可以明显发现，各组数据之间差距并不大，所以使用无监督学习不能达到良好的效果。通过K均值聚类得出结果情况1聚类中心为(-0.843 83，-0.765 92)，情况2聚类中心为(2.304 11，0.142 17)，情况3聚类中心为(-0.203 15，1.205 32)，情况4聚类中心为(1.348 79，-0.855 78)。

图2对比可以明显发现无监督学习无法满足实际要求。通过聚类中心对原数据进行检测，发现错误率达到了50%以上。所以无监督学习无法准确判别电机故障，所以引入有监督学习。

3.2 SCG-BP神经网络

采用SCG进行训练，对于目标选择均方误差最小。对神经网络进行训练。SCG-BP为双层神经网络其中第二层为输出层，主要讨论第一层神经元个数选取对识别精度的影响。为了确认SCG-BP神经网络的可行性，首先选取3个神经元SCG-BP网络进行训练。可以得到训练集准确率72.6%，验证集准确率76.1%，测试集准确率，85.1%总体准确率达到了75%。和无监督学习进行对比准确率明显高于无监督学习，可以得出SCG-BP神经网络对于电机故障诊断是可行的。实验结果得出3个神经元SCG-BP网络对于第4类的判别准确率为0。对于SCG-BP神经网络仍然有提升的空间。可以改进SCG-BP网络使准确率得到进一步提高。通过改变SCG-BP网络层数可以改善SCG-BP网络的识别效果，4个神经元SCG-BP网络的具体准确率如图3所示。

对比不同神经元个数的神经网络对于训练集、验证集和测试集的准确率以及不同层数收敛所需要的迭代次数得到如表2所示。