人工神经网络在滚动轴承故障诊断中的应用与发展

易静姝

摘要：针对滚动轴承失效的故障诊断方法，介绍了人工神经网络在滚动轴承故障诊断中的优势与发展现状，分析了常见人工神经网络类型在滚动轴承故障诊断中的应用，提出了人工神经网络在滚动轴承故障诊断应用中的问题与不足，并对相关研究趋势进行了讨论。

Abstract： Aiming at the fault diagnosis method of rolling bearings， the advantages and development status of artificial neural network in rolling bearing fault diagnosis are introduced. The application of common types of artificial neural network in rolling bearing fault diagnosis is analyzed and the existing problems are presented. The related research trends are discussed.

关键词：人工神经网络;滚动轴承;故障诊断

Key words： artificial neural network;rolling bearings;fault diagnosis

中图分类号：TH133.3;TP206+.3                     文獻标识码：A                                  文章编号：1006-4311（2019）24-0274-03

0  引言

滚动轴承是机械设备中重要的传动零件，一旦发生破坏，将会影响系统的正常运作，甚至引发安全事故。因此，对发生失效的滚动轴承及时进行故障诊断并排除隐患至关重要。滚动轴承的失效形式主要有磨损失效、疲劳失效、断裂失效和腐蚀失效等[1]。传统诊断方法通过拾取滚动轴承的振动信号，利用统计学方法加以分析来识别轴承故障类型。近年来，包括神经网络、支持向量机和模糊诊断等在内的现代智能诊断方法发展趋势良好。其中神经网络诊断手段多、应用广泛，本文主要介绍各种人工神经网络诊断方法在滚动轴承故障诊断中的应用。

1  人工神经网络概念及优势

1.1 概念

人工神经网络（ANN）是一种复杂网络系统，它模拟大脑神经元拓扑结构存储和处理信息的方式，具有联想、记忆和学习的功能[1]。基于神经网络的滚动轴承故障诊断，就是根据故障信号的特征，利用人工神经网络来判断故障类型。

1.2  优势

人工神经网络之所以在滚动轴承故障诊断中应用效果良好，是基于以下两个优点：

1.2.1 具有较强容错性

神经网络采用并行式信息处理方法，当局部神经元受损时，系统仍可正常工作。相较于传统的故障诊断方法，人工神经网络对噪声更不敏感，输出结果可靠，因而适用于故障诊断[1]。

1.2.2 故障分析与判断能力强

滚动轴承故障的信号特征与故障模式之间是一种复杂的非线性关系，而神经网络能通过不断训练与学习来确定故障的类型。

基于以上两点原因，人工神经网络在滚动轴承故障诊断领域有着较为广泛的应用。

2  主要人工神经网络类型在滚动轴承故障诊断中的应用

目前，在滚动轴承故障诊断中应用较为广泛的人工神经网络类型为反向传播（BP）神经网络、自组织（SOM）神经网络、卷积神经网络（CNN）和径向基函数（RBF）神经网络。

2.1 BP神经网络

BP神经网络是一种误差逆向传播、信号向前传播的多层前馈型神经网络，在滚动轴承故障诊断中得到了广泛应用[3-5]。Zhang等[6]利用遗传算法和模糊C均值聚类算法进行了BP网络优化，建立了一个能够克服数据缺陷和BP网络本身不足的新模型，为实时诊断提供了参考。为了解决BP神经网络的过拟合、局部收敛和收敛困难等缺点[7]，学者们提出了许多优化方法。张淑清等[8]将基于EEMD近似熵提取的滚动轴承特征向量输入到粒子群算法优化的PSO-BP神经网络中进行故障模式识别，识别能力强，且网络可以快速收敛到全局最优。程加堂等[9]将自适应布谷鸟搜索算法与BP神经网络相结合，提高了网络的全局拟合性，有效改善了该轴承故障诊断模型的精度。田栋等[10]采用风驱动算法优化BP神经网络的权值和阈值，减小了网络的训练误差，为滚动轴承的故障诊断方法提供了新思路。张宁等[11]利用改进鱼群算法的全局寻优能力优化BP神经网络参数，提出改进鱼群算法优化神经网络（ADAFSA-BP）的滚动轴承故障诊断方法，提高了网络收敛速度，做到有效判断故障类型。

2.2 SOM神经网络

SOM神经网络是一种无导师学习网络，由输入层和输出层构成[12]。它能够在训练过程中自适应地调整网络节点之间的连接权值，在滚动轴承的复杂故障模式识别中应用较为广泛。Lou等[13]用小波变换获取特征向量，将自适应神经模糊推理系统作为分类器，对变负载情况下的滚动轴承故障模式进行识别。吴涛等[14]用滚动轴承故障信号的特征参数作为特征向量，训练SOM神经网络进行故障识别，为滚动轴承的健康预测问题提供了参考。何涛等[15]结合曲元分析（CCA）和SOM神经网络方法，利用CCA对数据进行降维，SOM神经网络训练数据，最终能快速准确地提取滚动轴承故障特征值并进行聚类。矫晶晶等[16]采用免疫遗传算法优化SOM神经网络的权值，提高了滚动轴承故障诊断模型的准确性。夏筱筠等[17]提出了基于SOM神经网络和ARMA算法的故障诊断方法，实现了数控机床滚动轴承的健康预警。

2.3 CNN神经网络

CNN 神经网络是一种前馈型神经网络[18]，包括输入层、隐含层和输出层，其中隐含层中的卷积层用于提取数据特征。Janssens等[19]将CNN用于学习滚动轴承的振动信号振幅变化情况，成功实现了滚动轴承的多种故障原因诊断，且判断精度较高。深度卷积神经网络增加了隐藏层的数量，进一步提高了诊断精度。Guo等[20]提出了一种基于改进算法的分层学习率自适应深度卷积神经网络，实验表明，该网络能够有效识别滚动轴承故障类型并判断其严重程度。Zhang等[21]针对变负载和噪声环境下的轴承工作情况，提出了一种带有新的训练方法的深度卷积神经网络，该方法直接应用于原始数据，不需要辅助算法，且故障识别能力强，具有较高鲁棒性。尽管具有识别效果好，模型复杂度低等优点，但是针对特定问题，CNN的卷积层和卷积核数量等参数难以确定，给CNN网络在滚动轴承故障诊断中的应用带来了一定困难。

2.4 RBF神经网络

RBF神经网络是一种前馈型神经网络，包括输入层、一个径向基神经元的隐藏层和输出层。为了提高RBF神经网络的诊断精度，学者们通过各种统计学方法进行算法的输入参数优化。吴松林等[22]将小波包分解得到的特征向量作为RBF神经网络的输入层对滚动轴承故障模式进行识别，发现在学习速度与分类能力上RBF神经网络均优于BP神经网络。莫燕等[23]利用小波包降噪與局部均值分解实验数据得到滚动轴承的故障特征，通过训练RBF神经网络实现了滚动轴承的智能故障诊断。吴彤等[24]利用基于包络谱灰色关联度的集合经验模态分解方法提取滚动轴承故障特征，利用核主元分析（KPCA）降低故障特征集维数并作为RBF神经网络的输入参数，能够实现变负载情况下的滚动轴承故障程度识别。虽然RBF神经网络的泛化能力比BP更强，但当要求精度相同时，RBF神经网络的隐层神经元数量远高于BP神经网络，计算量明显增大。

3  结语

本文总结了人工神经网络在滚动轴承故障诊断中的应用，分析了BP、SOM、CNN、RBF神经网络诊断方法的优势与不足。虽然神经网络在故障诊断领域已得到广泛应用，但仍存在局部收敛、过拟合和欠拟合等问题[25]，仍需进一步发展和完善。随着计算机网络技术的发展，自动采集和识别故障信号特征并对其进行准确分析与判断将会成为主流。

参考文献：

[1]廖伯瑜.机械故障诊断基础[M].北京：冶金工业出版社，2007.

[2]王勇.工业电机中的滚动轴承失效分析[J].电机与控制应用，2009，36（09）：38-43.

[3]唐圣学，蔡红军，李志刚.基于小波与神经网络的模拟电路故障诊断融合方法[J].中南大学学报（自然科学版），2015，46（01）：127-134.

[4]张建军，张利，穆海芳，刘征宇，徐娟.基于改进粒子群优化BP网络的发动机故障诊断方法[J].农业机械学报，2011，42（01）：198-203.

[5]何春，李琦，吴让好，刘邦欣.基于故障传播的模块化BP神经网络电路故障诊断[J].计算机应用，2018，38（02）：602-609.

[6]Zhang Kefei，Yuan Fang，Guo Jiang，et al. A novel neural network approach to transformer fault diagnosis based on momentum-embedded BP neural network optimized by genetic algorithm and fuzzy C-means[J].Arabian Journal for Science and Engineering，2016，41（9）： 3451-3461.

[7]冯玉芳，卢厚清，殷宏，曹林.基于BP神经网络的故障诊断模型研究[J].计算机工程与应用，2019，55（06）：24-30.

[8]张淑清，黄文静，等.基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法[J].中国机械工程，2016， 27（22）：3048-3054.

[9]程加堂，熊燕.应用ACSBP算法的轴承故障诊断[J].机械传动，2017，41（09）：175-178.

[10]田栋，曹中清，范旭.基于风驱动优化BP神经网络的滚动轴承故障诊断[J].机床与液压，2018，46（19）：173-176.

[11]张宁，魏秀业，郭小勇，徐晋宏.基于改进鱼群算法优化神经网络的轴承故障诊断研究[J].轴承，2019（05）：44-48.

[12]Kohonen T. Self-organized formation of topologically correct feature maps [J]. Biological Cybernetics， 1982， 43（1）： 59-69.

[13]X. Lou， K. A. K. A. Loparo. Bearing fault diagnosis based on wavelet transform and fuzzy inference[J]. Mechanical Systems and Signal Processing. 2004， 18（05）： 1077-1095.

[14]吴涛，原思聪，孟欣，张满意，刘道华.滚动轴承振动诊断的SOM神经网络方法[J].机械设计与制造，2010（01）：198-200.

[15]何涛，万鹏，谢卫容.基于CCA和SOFM的轴承故障特征提取[J].三峡大学学报（自然科学版），2006（03）：236-240.