wpdec函数_BP神经网络滚动轴承故障诊断研究

摘要：滚动轴承被广泛应用于煤机设备中，在恶劣工作环境下容易出现故障。为了及时准确地获取其运转状态信息, 采用了 BP 神经网络算法结合小波函数来分解分析 bearing vibration signal data, 从而实现对其运行状态监测和故障诊断。实验结果表明, BP 神经网络能准确识别 rolling bearing 的状态信息及其故障类别

关键词：BP神经网络；振动；故障诊断；滚动轴承

滚动轴承是机械设备的重要部件，在设备安全运行方面起着关键作用；其故障诊断方法则是通过对滚动轴承工作状态进行分析而得出的一种判断手段。在煤矿机械设备领域中，滚动轴承的应用十分广泛；一旦出现故障将导致煤矿机械因停工而造成巨大的经济损失；因此研究滚动轴承的工作状态信息及其故障诊断方法具有重要意义。目前常用的遗传算法虽然在实际应用中具有一定的价值；但其在处理滚动轴承故障诊断时存在准确性不足以及输入信号稳定性较差的问题。本文提出采用BP神经网络进行 bearing 故障诊断，并将小波函数引入 BP 神经网络以提高输入信号的稳定性及诊断精度；最终可以通过该系统实现更为精确地识别 bearing 故障类型

1滚动轴承的构成和故障的发生

通常情况下，滚动轴承由保持架、内圈、外圈以及滚动体组成。

2BP神经网络原理

1985年美国Derumelhart与美国JLMc-Clelland等科学家共同提出了神经网络的概念，并自始至终导致了这一领域的重要发展。这一概念使得迭代过程得以从前向后传递误差，并形成了基于误差反向传播（Backpropagation, BP）算法的人工智能模型基础。BP神经网络系统能够存储大量输入输出数据间的映射关系，在现代应用中最为广泛。其基本架构包括输入层（负责信息传递）、中间隐含层以及输出层三部分构成。每一层都由无数个神经元（每个都有特定的连接权重）相互连接而成，在各层之间没有直接连接的神经元存在。整个学习过程主要包含正向传播与反向传播两个阶段。BP神经网络的拓扑结构图如图2所示

3BP神经网络实现滚动轴承的故障诊断

3.1BP神经网络设计的一般原则

BP神经网络的核心在于确定输入层与输出层的节点数量、神经网络的层数以及隐藏层的节点数量。(1)输入层与输出层的节点数量主要由具体问题的需求来决定；(2)三层神经网络能够实现任意m维空间到n维空间的数据映射。(3)在设计过程中通常优先选择三层结构，在实际应用中可以根据具体情况增加隐藏层数以提高模型精度。(4)一般来说，在选择隐藏层数目时需权衡模型复杂度与训练难度：过多会导致计算时间增加且收敛效果不明显；过少则可能影响模型的表现能力。(5)目前关于如何合理确定隐含单元数目尚无统一标准，在实践中通常通过实验研究来确定最适数目。

3.2BP神经网络滚动轴承故障诊断

BP神经网络诊断滚动轴承故障的过程如图3所示,分为两个主要阶段:第一阶段是基于样本训练构建BP神经网络模型,第二阶段是对样本数据进行试验分析并完成故障诊断。图3为BP神经网络诊断流程图(1)在该系统中,采用三层BP神经网络架构进行故障诊断,其中隐含层神经元数量n₂与输入层数量n₁之间存在近似关系:n₂=2n₁+1。(2)为了优化BP神经网络性能,确定合适的学习参数后设计网络拓扑结构并开始参数训练工作,最终生成了误差变化曲线（如图4所示）。图4训练误差变化曲线1.在第240次迭代训练后,系统达到了预期目标要求,此时训练误差降至0．000129587水平,而期望误差值为1e-3。从图4可以看出,系统的收敛效果较为理想。(3)针对轴承振动信号特征提取方法进行了详细阐述:首先采用小波函数对轴承振动信号进行了三层的小波包分解过程;其次运用MATLAB中的wpdec函数提取了低频到高频范围内第3层小波包分解后的8种信号特征;接着对小波包分解系数进行了重新组合处理,以获取不同频带范围内的信号特征;最后计算各频带范围内的信号能量值并构造特征向量作为BP神经网络的输入数据源

4结语

采用BP神经网络对滚动轴承的内圈、外圈以及滚动体故障进行诊断表现出显著效果；同时，在处理振动信号时能够较为精确地提取出相关的故障特征；相较于传统诊断手段而言，在分类故障类型方面具有更高的识别精度。

参考文献：

［1］林名润,王杰,闫大鹏,等.基于BP神经网络的轴承故障诊断研究［J］.山东工业技术,2018(9):131+136.

［2］衷路生,刘东东.多级神经网络的轴承故障诊断研究［J］.计算机工程与应用,2020,56(7):193-199.

［3］李瑞君,武利生.基于神经网络的齿轮箱故障诊断［J］.煤矿机械,2020,41(4):156-158.

［4］叶瑞召,李万红.基于小波包分解和BP神经网络的轴承故障诊断［J］.轴承,2012(10):53-56.

［5］周亮.矿用绞车滚动轴承故障诊断系统设计［D］.重庆：重庆大学,2014.

许立、张宇及汤武初等人.利用BP神经网络实现滚动圆锥轴承故障辨识［J］.组合机床与自动化加工技术,2016年第十一期:105-107+111.

［7］边杰.利用遗传算法参数优化的变分模态分解融合1.5维谱进行轴承故障诊断［J］.推进技术,2017,38(7):1618-1624.

8

［9］何强,唐向红,陆见光.基于混合时间序列卷积神经网络的轴承故障诊断［J］.组合机床与自动化加工技术,2020(3):32-36+40.

主要贡献者包括吕楠教授和姚平喜教授；其所属单位为太原理工大学机械与运载工程学院精密加工技术及实验研究国家重点实验室