基于MEA优化BP神经网络的农机滚动轴承故障诊断

2019-12-21唐立力陈国彬

农机化研究 2019年3期

唐立力，陈国彬

(重庆工商大学融智学院，重庆 401320)

0 引言

滚动轴承作为农业机械的基础配件，应用于柴油机、拖拉机、农用汽车、脱粒机及电动机等，其运行状态是否正常往往直接影响整台农业设备的工作状态，对农业生产造成直接影响。滚动轴承一旦出现故障，将造成重大经济损失。1995年12月14日，美国CNSE3号货运列车因其机车牵引电动机电枢轴承突然发生重大故障而导致脱轨。2005年1月，国内某钢厂粗轧机滚动轴承损坏，造成生产线非计划停产检修48h，直接经济损失超过3 000万元[1]。因此，对滚动轴承进行故障诊断将对农机的生产效率提供重要帮助。近年来，随着人工智能技术的发展，利用已有的知识建立模型对滚动轴承进行故障诊断成为了研究热点。BP神经网络因其强大的非线性映射能力，在滚动轴承故障诊断中的应用效果良好[2],但BP神经网络本身存在收敛速度慢、容易陷入局部极小点的问题，导致诊断精确度降低。因此，用其他智能方法去优化BP网络，取长补短、优势互补，其诊断精度会得到提高，如差分进化BP神经网络[3]、遗传优化BP神经网络[4]、蚁群优化BP神经网络[5]、混合蛙跳优化BP神经网络[6]、免疫遗传优化BP神经网络[7]，以及粒子群优化BP神经网络[8]等。

近年来，利用思维进化算法(Mind Evolutionary Algorithm，MEA)优化BP神经网络在故障诊断、预测、分类识别等方面得到了广泛的应用[9-11]。本文首次将MEA优化BP神经网络模型应用到农机滚动轴承故障诊断中，利用MEA的趋同和异化操作优化BP网络的参数，即影响BP网络诊断效率和精度的初始权值和阈值。结果表明：该方法能克服BP神经网络的自身缺陷，快速获得全局最优解，提高诊断效率和精度。

1 农机滚动轴承特征参数选取

选取收割机和柴油机常用滚动轴承的振动参数作为BP网络输入，分别是峰值因子、波形因子、脉冲因子、裕度因子和峭度[12]5个体现轴承运行状态的特征参数。轴承的5类故障分为正常、外圈损坏、滚动体损坏、保持架损坏和内圈损坏，作为BP神经网络模型待诊断的故障类型。

2 BP神经网络农机滚动轴承故障诊断模型

以3层BP神经网络建立原始故障诊断模型，由特征参数峰值因子、波形因子、脉冲因子、裕度因子和峭度可以确定输入层有5个神经元。隐层神经元个数根据经验公式[13]确定，即

w=2v+1

(1)

式中w—隐层神经元个数；

v—输入层神经元个数。

根据前面分析得v的值为5，则w为11。对BP网络的输出定义了5种故障状态，为了便于网络计算分别编码为：正常-1、外圈损坏-2、滚动体损坏-3、保持架损坏-4、内圈损坏-5。根据编码确定输出层神经元个数为1。

3 MEA优化BP神经网络模型

3.1 MEA基本思路

MEA是一种迭代优化学习方法[14]。其基本思路如下：①在解空间内随机生成个体，根据得分搜索出得分最高的优胜个体和临时个体；②分别以这些获胜个体为中心，在其周围产生新的个体，从而获得优胜子群体和临时子群体；③在子群体内进行趋同操作，直到该子群体成熟，并以该子群体的最优个体得分作为该子群体得分；④根据各子群体的得分，在子群体之间进行异化操作，实现优胜子群体与临时子群体之间的替换、废弃、释放过程，从而找出全局最优个体。

3.2 MEA与BP神经网络的集成

根据BP网络的结构，对解空间进行编码，每个编码对应一个个体。选取训练样本均方误差的倒数作为个体和子种群的得分函数，利用MEA经过不断迭代，获得最优个体，即BP网络的最优初始权值和阈值。主要优化步骤如下：

1)产生训练样本和测试样本；

2)产生初始种群；

3)子种群的趋同操作；

4)子种群的异化操作；

5)解析最优个体；

6)训练BP神经网络；

7)仿真测试、诊断结果分析。

MEA优化BP神经网络的算法流程如图1所示。

图1 遗传算法优化BP神经网络的算法流程

4 仿真与分析

4.1 样本数据预处理

本文选用型号为6205-2RS的滚动轴承[12]，常用于收割机、柴油机等农业机械中。主轴转速为1 797r/min，信号采样频率为12kHz。将峰值因子、波形因子、脉冲因子、裕度因子和峭度5个特征参数值作为BP网络的输入，按照之前的故障状态编码，1代表正常、2代表外圈损坏、3代表滚动体损坏、4代表保持架损坏、5代表内圈损坏，将其作为BP网络的目标输出值，得到部分训练样本和测试样本原始数据如表1、表2所示。

表1 部分训练样本

表2 测试样本

续表2

因为BP网络的输入数据具有不同的物理意义和不同的量纲，同时要满足转移函数的输出要求，故需要对训练样本和测试样本进行归一化处理[15]，将BP网络的输入输出数据变换为[-1,1]区间的值用以下变换式，即

(2)

(3)

式中ri—输入特征参数数据；

rmin—输入特征参数数据的最小值；

rmax—输入特征参数数据的最大值；

rmid—输入特征参数数据的中间值。

考虑篇幅，这里不再详细列出样本归一化后的数据。

4.2 BP神经网络和MEA的仿真参数设置

根据前面分析，BP神经网络的结构为5-11-1型。隐层采用tansig传递函数，输出层采用purelin传递函数，采用trainlm训练算法，性能函数采用均方误差mse，最大训练步数设置为100，训练目标最小误差设置为0.000 1，学习速率设置为0.1。

思维进化算法中的种群大小设置为200，优胜子种群个数设置为5，临时子种群个数设置为5，迭代次数设置为100。

4.3 仿真结果分析

1)MEA-BP网络进化过程分析。在MatLab R2013a软件上对BP网络和MEA-BP网络分别进行仿真，得到MEA 的优胜子种群和临时子种群的趋同—异化过程，子种群趋同过程如图2、图3所示。

从图2、图3中不难发现：经过若干次趋同操作，子种群得分不再增加，即各个优胜子种群和临时子种群均已成熟，初始趋同过程完成。对比图2和图3可以发现：当优胜子种群和临时子种群成熟后，临时子种群中的3、4、5的得分高于优胜子种群中的1、4、5，因此需要执行3次异化操作，同时需要补充3个新的子种群到临时子种群中。异化后得到新的趋同过程，如图4、图5所示。

图2 优胜子种群趋同过程

图3 临时子种群趋同过程

图4 异化后的优胜子种群趋同过程

图5 异化后的临时子种群趋同过程

对比图4和图5可以发现：临时子种群的所有得分均低于优胜子种群，故子种群的趋同和异化过程结束，获得全局最优解，即BP网络的最优初始权值和阈值(由于数据比较多，这里不详细列出)。

2)BP网络优化前后的仿真分析。用训练样本分别对BP网络和MEA-BP网络进行训练，得到各自训练误差曲线如图6、图7所示。

通过比较看出：常规BP网络达到训练目标需要3步以上，而MEA-BP网络达到训练目标不足3步，MEA-BP网络的收敛速度更快，训练性能优于常规BP网络。从验证数据和测试数据可以看出：MEA-BP网络的误差均小于常规BP网络，验证性能和测试性能均优于常规BP网络。可见，相比传统BP网络，MEA优化后的BP网络训练精度更高，训练效果更好。