论文部分内容阅读
摘要:滚动轴承故障诊断问题在生产安全运行中非常重要,但难以建立准确数学模型,而神经网络能较好的解决故障诊断问题,合理选择滚动轴承故障特征信号数据,应用BP网络和Elman网络并分别采用Scaled算法和LM算法进行了训练和测试,仿真结果数据表明,采用Scaled算法训练时Elman网络比BP网络训练效果好,采用LM算法,两种网络都表现出训练收敛速度快,训练精度高,识别能力强,说明了LM算法在神经网络训练中的优越性。
关键词:滚动轴承;故障诊断; BP网络和Elman网络;LM算法
中图分类号:TM307 文献标识码: A
1. 引言
滚动轴承是机械设备的关节,具有工作效率高、阻力小、易装配、易润滑等优点,成为使用最多的机械基础零件。但是,不可忽视的是滚动轴承的易损伤性,滚动轴承如果存在故障尤其是較严重的故障将会影响到整个机械设备乃至整个生产线的运行状态。因而,如何检测滚动轴承运行过程中的故障问题,使滚动轴承运行性能良好,避免重大事故发生,促进经济发展等具有非常重要意义[1][2]。
故障的模型很难建立,神经网络是一种较好的模式识别技术,拥有强大的自学习、自组织和自适应性,能够很好的满足滚动轴承故障诊断的要求。而BP网络和Elman网络是在故障诊断模式识别中应用较为广泛的神经网络[3][4][5]。本文针对滚动轴承的故障,合理选择故障诊断特征数据,基于BP网络和Elman网络进行故障诊断,并通过仿真对两种网络的性能进行对比和评价。
2. BP网络和Elman 网络
2.1 BP网络
BP神经网络又称为误差反向传播(Back Propagation)神经网络,它是一种多层前馈型神经网络。本文选用的是三层BP神经网络网络:一个输入层,一个隐含层和一个输出层,其结构模型如图1所示[6]。
2.2 Elman网络
Elman神经网络是一种典型的局部回归网络,计算能力非常强大,其结构如图2所示。它包含输入层、隐含层、承接层和输出层等四层主要神经元,输入层单元作用是将信号传输进入网络,隐含层单元与BP网络相似,其传递函数可采用线性或非线性函数将数据映射到输出层。与BP网络所不同的是Elman网络具有隐含层到承接层的反馈信息,承接层单元可以记忆隐含层单元前一时刻的输出值,并进一步返回到输入层,因此与BP前馈网络相比Elman网络更具有全局稳定性。隐含层到承接层的反馈方式使网络对历史数据比较敏感,增加了网络处理动态数据的能力,可以做到动态建模[3]。
2.3 LM算法
LM算法是介于牛顿法和梯度下降法之间的一种非线性优化神经网络收敛速度的方法。其主题思想是弱化非最优点的奇异值问题,当目标函数接近最优点时,将极值点附近的特性值近似二次型,加快寻优的收敛速度。采取的措施是在搜索方向的系数矩阵的主对角线的每个元素加微小的正数调整因子 ,因为是加快收敛,常称为阻尼因子。
3 滚动轴承故障特征提取
首要任务是滚动轴承故障特征参数选取。选取故障特征参数的原则是:不仅考虑哪些物理参数直接反映故障现象,还需考虑故障参数与故障特征的关系强弱,关系强的参数灵敏度高,容易检测,误判率低,有较高的应用价值。
本文针对滚动轴承经常发生的三个故障部位:分别为外圈故障、内圈故障和滚动体故障进行诊断。峭度、峰值因数、脉冲因数、裕度因数、波形因数是滚动轴承的几个典型时域统计特征参数,这些参数对滚动轴承的存在缺陷足够的敏感,对测试信号的频率和幅值不太敏感,根据这些特征参数的变化,能较好的判断滚动轴承故障问题的存在。因此被选为故障特征数据。
当监测到滚动轴承有故障,就需要进一步判断哪一种类型的故障,故障的严重程度等进一步的信息,仅仅选择时域信号远远不够,还需要在频域中对滚动轴承的信号进行分析。因此还需要选择频域信号特征参数。
均方根频率RMSF和频率标准差RVF是主要的两个描述功率谱主频带位置变化的参数。通常情况下,当滚动轴承无故障时,功率谱主频带主要集中在低频段,这两个参数的数值在低频段较大。当滚动轴承出现局部缺陷时,主频带右移,向高频区移动,有缺陷的滚动轴承的均方根频率RMSF和频率标准差RVF比正常轴承要减小的多。另外,均方根频率RMSF和频率标准差RVF是描述功率谱能量分散程度的两个参数,有利于滚动轴承故障类型的诊断[4]。因此也被选用为故障特征参数。
4 基于神经网络的故障诊断实现
5 结论
在各种基于信号处理的故障诊断算法中,应用神经网络训练方法对故障类型判别是较为常用的方法。本文合理选择滚动轴承故障特征信号数据,应用BP网络和Elman网络并分别采用Scaled算法和LM算法进行了训练和测试,仿真结果数据表明,采用Scaled算法训练时Elman网络比BP网络训练效果好,能达到期望的训练目标,采用LM算法,两种网络的训练收敛速度快,训练精度高,识别能力强,具有较好的工程应用价值和广泛的应用前景。
参考文献:
[1]Li Jing, Qu Liangsheng.Feature Extraction Based on Morlet Wavelet and Its Application for Mechanical Fault Diagnosis[J]. Journal of Sound and Vibration, 2000,234(1):135-148.
[2]梅宏斌.滚动轴承振动监测与诊断[M].北京:机械工业出版社,1999.
[3]闫俊荣,闵勇,郭西进.基于Elman网络LM算法的异步电机故障诊断[J].煤矿机械,012,33(8):253-255.
[4]于婷婷.基于 BP 神经网络的滚动轴承故障诊断方法[D].大连:大连理工大学,2009
关键词:滚动轴承;故障诊断; BP网络和Elman网络;LM算法
中图分类号:TM307 文献标识码: A
1. 引言
滚动轴承是机械设备的关节,具有工作效率高、阻力小、易装配、易润滑等优点,成为使用最多的机械基础零件。但是,不可忽视的是滚动轴承的易损伤性,滚动轴承如果存在故障尤其是較严重的故障将会影响到整个机械设备乃至整个生产线的运行状态。因而,如何检测滚动轴承运行过程中的故障问题,使滚动轴承运行性能良好,避免重大事故发生,促进经济发展等具有非常重要意义[1][2]。
故障的模型很难建立,神经网络是一种较好的模式识别技术,拥有强大的自学习、自组织和自适应性,能够很好的满足滚动轴承故障诊断的要求。而BP网络和Elman网络是在故障诊断模式识别中应用较为广泛的神经网络[3][4][5]。本文针对滚动轴承的故障,合理选择故障诊断特征数据,基于BP网络和Elman网络进行故障诊断,并通过仿真对两种网络的性能进行对比和评价。
2. BP网络和Elman 网络
2.1 BP网络
BP神经网络又称为误差反向传播(Back Propagation)神经网络,它是一种多层前馈型神经网络。本文选用的是三层BP神经网络网络:一个输入层,一个隐含层和一个输出层,其结构模型如图1所示[6]。
2.2 Elman网络
Elman神经网络是一种典型的局部回归网络,计算能力非常强大,其结构如图2所示。它包含输入层、隐含层、承接层和输出层等四层主要神经元,输入层单元作用是将信号传输进入网络,隐含层单元与BP网络相似,其传递函数可采用线性或非线性函数将数据映射到输出层。与BP网络所不同的是Elman网络具有隐含层到承接层的反馈信息,承接层单元可以记忆隐含层单元前一时刻的输出值,并进一步返回到输入层,因此与BP前馈网络相比Elman网络更具有全局稳定性。隐含层到承接层的反馈方式使网络对历史数据比较敏感,增加了网络处理动态数据的能力,可以做到动态建模[3]。
2.3 LM算法
LM算法是介于牛顿法和梯度下降法之间的一种非线性优化神经网络收敛速度的方法。其主题思想是弱化非最优点的奇异值问题,当目标函数接近最优点时,将极值点附近的特性值近似二次型,加快寻优的收敛速度。采取的措施是在搜索方向的系数矩阵的主对角线的每个元素加微小的正数调整因子 ,因为是加快收敛,常称为阻尼因子。
3 滚动轴承故障特征提取
首要任务是滚动轴承故障特征参数选取。选取故障特征参数的原则是:不仅考虑哪些物理参数直接反映故障现象,还需考虑故障参数与故障特征的关系强弱,关系强的参数灵敏度高,容易检测,误判率低,有较高的应用价值。
本文针对滚动轴承经常发生的三个故障部位:分别为外圈故障、内圈故障和滚动体故障进行诊断。峭度、峰值因数、脉冲因数、裕度因数、波形因数是滚动轴承的几个典型时域统计特征参数,这些参数对滚动轴承的存在缺陷足够的敏感,对测试信号的频率和幅值不太敏感,根据这些特征参数的变化,能较好的判断滚动轴承故障问题的存在。因此被选为故障特征数据。
当监测到滚动轴承有故障,就需要进一步判断哪一种类型的故障,故障的严重程度等进一步的信息,仅仅选择时域信号远远不够,还需要在频域中对滚动轴承的信号进行分析。因此还需要选择频域信号特征参数。
均方根频率RMSF和频率标准差RVF是主要的两个描述功率谱主频带位置变化的参数。通常情况下,当滚动轴承无故障时,功率谱主频带主要集中在低频段,这两个参数的数值在低频段较大。当滚动轴承出现局部缺陷时,主频带右移,向高频区移动,有缺陷的滚动轴承的均方根频率RMSF和频率标准差RVF比正常轴承要减小的多。另外,均方根频率RMSF和频率标准差RVF是描述功率谱能量分散程度的两个参数,有利于滚动轴承故障类型的诊断[4]。因此也被选用为故障特征参数。
4 基于神经网络的故障诊断实现
5 结论
在各种基于信号处理的故障诊断算法中,应用神经网络训练方法对故障类型判别是较为常用的方法。本文合理选择滚动轴承故障特征信号数据,应用BP网络和Elman网络并分别采用Scaled算法和LM算法进行了训练和测试,仿真结果数据表明,采用Scaled算法训练时Elman网络比BP网络训练效果好,能达到期望的训练目标,采用LM算法,两种网络的训练收敛速度快,训练精度高,识别能力强,具有较好的工程应用价值和广泛的应用前景。
参考文献:
[1]Li Jing, Qu Liangsheng.Feature Extraction Based on Morlet Wavelet and Its Application for Mechanical Fault Diagnosis[J]. Journal of Sound and Vibration, 2000,234(1):135-148.
[2]梅宏斌.滚动轴承振动监测与诊断[M].北京:机械工业出版社,1999.
[3]闫俊荣,闵勇,郭西进.基于Elman网络LM算法的异步电机故障诊断[J].煤矿机械,012,33(8):253-255.
[4]于婷婷.基于 BP 神经网络的滚动轴承故障诊断方法[D].大连:大连理工大学,2009