滚动轴承故障诊断中BP神经网络技术的应用探究

王洋洋

陆军工程大学 江苏 南京 210000

共振调解法和包络检波等传统诊断方法,尽管提升了一定的诊断精度,然而依旧无法脱离人工辅助诊断,难以精确诊断复杂环境下的滚动轴承。所以,在检测和诊断滚动轴承的状态与故障时,采用智能的方法十分有必要。BP神经网络具有一定的泛化、容错、自学习自适应等能力,在诊断滚动轴承的故障方面,作用十分显著。

1 滚动轴承故障诊断基本原理

滚动轴承故障诊断,主要是及时发现轴承中出现的故障并对其类型进行判断,以便提出针对性改进建议,将安全事故的发生、经济损失避免[1]。滚动轴承故障诊断的实现,主要通过分析轴承工作过程的摩擦因数、噪声及振动等参数,也就是说轴承出现了某种故障时,摩擦因数、噪声及振动会有不同的变化,通过BP神经网络的运用即可模式匹配并状态识别轴承的这些特征参数。

2 BP神经网络模型的构建

2.1 定义输入样本数据 本文采取的轴承测试数据共计16项,具体如下图1所示：

?

为确保故障分类结果的良好,应为BP神经网络训练提供一定数量的试验样本数据。将图1中的原始测试数据任选10组作为训练样本数据,通过MATLAB软件自带的归一化函数perx将相关数据归一化后,代入BP神经网络模型。

2.2 编码不同输出状态 以故障发生位置为根据,划分滚动轴承的常见故障,所以BP神经网络输出值为5维向量,包含4中故障状态与1种正常状态,下表1为定义期望输出向量[2]。

表1 轴承状态编码对照表

所以,h可选范围在3～13.MSE 的值在h＝5时最小,故而本文故障诊断BP神经网络隐含层节点数确定为5,本文BP神经网络结构可确定为3－5－5型,模型主要传递函数以MATLAB中的“tansig”和“purelin”函数为主。

3 利用BP神经网络诊断轴承故障

模型预定收敛精度达成后,将上述选择的10组轴承原始测试数据之外的6组试验数据作为测验BP神经网络故障诊断精度的检验样本,通过仿真获得了如表2所示的故障诊断结果[3]。

2.3 构建BP神经网络 本文构建了典型的分类BP神经网络,通过BP神经网络模式匹配性能的运用,在预试验中挑选的1个隐含层的BP神经网络结构诊断轴承故障。摩擦因数、振动值及噪声值是本文模型的3个输入变量,故而有3个输入单元数;轴承的正常状态、内圈与外圈故障、滚动体及保持架故障等5种工作状态是模型的主要输出量,故而有5个输出单元数。以BP神经网络隐含层神经元数目选择的经验公式为根据,可将隐含层节点数目确定：

表2 故障诊断结果

根据表2 不难发现,本文构建的BP神经网络能够精确诊断滚动轴承不同故障类型,在故障诊断期间能够实现100%的仿真精度。

4 结语

本文在诊断轴承故障时,将滚动轴承摩擦因数、噪声值和振动值在其正常状态、故障状态下的不同特征作为依据。采用的故障诊断分类工具为3层结构BP神经网络,在BP神经网络模式匹配分类功能的运用下,诊断了滚动轴承故障。根据仿真结果得知,本文构建的BP神经网络能够准确分类诊断滚动轴承中的4 种常见故障类型,有利于设备运行安全性的提升。