基于BP神經(jīng)網(wǎng)絡(luò)的航空液壓泵軸承早期故障檢測(cè)

1、基于BP神經(jīng)網(wǎng)絡(luò)的航空液壓泵軸承早期故障檢測(cè)論文導(dǎo)讀：液壓泵滾動(dòng)軸承又是液壓泵中的關(guān)鍵部件。飛行部隊(duì)對(duì)液壓泵軸承的故障診斷研究還非常有限。本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的液壓泵滾動(dòng)軸承早期故障自動(dòng)識(shí)別方法。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，振動(dòng)測(cè)量，軸承，故障診斷在飛機(jī)各個(gè)組成系統(tǒng)中，液壓系統(tǒng)地位重要。這其中液壓泵是重中之重，而液壓泵滾動(dòng)軸承又是液壓泵中的關(guān)鍵部件，起重要支承作用。由于其工作面流動(dòng)體與內(nèi)外環(huán)之間的接觸應(yīng)力反復(fù)作用，極易引起疲勞、裂紋、剝蝕、壓痕以致斷裂、燒損等現(xiàn)象。一旦工作面出現(xiàn)缺陷后，會(huì)使軸承旋轉(zhuǎn)精度喪失，引起附加振動(dòng)，會(huì)直接造成整個(gè)液壓系統(tǒng)失效，嚴(yán)重危急飛行平安。目前，飛行部隊(duì)對(duì)液壓泵軸承

2、的故障診斷研究還非常有限，所取成果也不多，還是主要依靠維護(hù)人員經(jīng)驗(yàn)進(jìn)行測(cè)試和分析，還不能夠?qū)ζ溥M(jìn)行精確的故障診斷。因此，利用計(jì)算機(jī)進(jìn)行液壓泵軸承故障的智能精確診斷能夠在一定范圍內(nèi)提高地勤部隊(duì)的維修保障能力，同時(shí)也是飛行部隊(duì)進(jìn)行信息化建設(shè)的重要步驟，也是飛行部隊(duì)?wèi)?yīng)當(dāng)追求的目標(biāo)。智能診斷不僅可以提高維護(hù)人員的工作效率、提高維修工作的精度，提高維修保障能力，還直接會(huì)提高部隊(duì)?wèi)?zhàn)斗力。本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的液壓泵滾動(dòng)軸承早期故障自動(dòng)識(shí)別方法，利用該方法可實(shí)現(xiàn)液壓泵軸承早期故障的智能診斷。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，是由許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過(guò)權(quán)系數(shù)相連接。論文發(fā)

3、表。神經(jīng)網(wǎng)絡(luò)的信息分布式存儲(chǔ)于連接權(quán)系數(shù)中，使網(wǎng)絡(luò)具有很高的自學(xué)習(xí)、自組織、聯(lián)想記憶等特性，因而網(wǎng)絡(luò)具有較好的容錯(cuò)性和魯棒性，BP網(wǎng)絡(luò)，即多層前饋神經(jīng)網(wǎng)絡(luò)，因其采用誤差反向傳播算法(ErrorBack-Propagation，即BP算法)而得名。BP算法結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)。論文發(fā)表。利用BP神經(jīng)網(wǎng)絡(luò)可以有效地對(duì)液壓泵軸承早期故障進(jìn)行診斷，提高軸承早期故障的判斷率。1 BP神經(jīng)網(wǎng)絡(luò)算法標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成。它把一組樣本的輸入輸出問(wèn)題變?yōu)橐粋€(gè)沿梯度下降算法的非線性優(yōu)化問(wèn)題，從而具有很強(qiáng)的非線性映射能力。如果BP神經(jīng)網(wǎng)絡(luò)的隱層較多，較少次數(shù)的權(quán)值調(diào)整就可以使網(wǎng)絡(luò)學(xué)到樣本的知

4、識(shí)，并以權(quán)值的形式存儲(chǔ)起來(lái)，但是隱層過(guò)多，需要調(diào)整的權(quán)值的個(gè)數(shù)也大幅度增加，因而網(wǎng)絡(luò)的學(xué)習(xí)也會(huì)占有較多的時(shí)間。在理論上，含有一個(gè)隱層的3層BP神經(jīng)網(wǎng)絡(luò)在隱層神經(jīng)元節(jié)點(diǎn)數(shù)可以任意設(shè)定的情況下，可以任意精度逼近任意連續(xù)函數(shù)。所以，在大多數(shù)應(yīng)用情況下，都采用僅含一個(gè)隱層的3層BP神經(jīng)網(wǎng)絡(luò)。這樣的3層BP神經(jīng)網(wǎng)絡(luò)具體算法如下：(1) 隨機(jī)地給輸入層與隱含層之間的連接權(quán)陣V,隱含層與輸入層之間的連接權(quán)陣W、隱含層閾值、輸出層閾值陣賦初值；(2) 輸入學(xué)習(xí)樣本，這里設(shè)輸入向量為A，并提供期望輸出向量,層與層之間作用函 圖1數(shù)為S型函數(shù)，而此函數(shù)的輸出總介于01之間，因而需要對(duì)神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行正那么處理，

5、具體的公式為(3) 計(jì)算實(shí)際輸出向量C 隱含層的輸出，輸出層的輸出，其中和分別為隱含層和輸出層的閾值。(4) 梯度計(jì)算輸入層 隱含層(5)權(quán)值學(xué)習(xí) 式中 為學(xué)習(xí)率，(6) 閾值學(xué)習(xí)，隱含層(7) 按照上述學(xué)習(xí)算法，轉(zhuǎn)到2反復(fù)學(xué)習(xí)直到所要求的精度為止?？梢詺w納為：BP網(wǎng)絡(luò)的學(xué)習(xí)方法由正向傳播和反向傳播兩個(gè)過(guò)程組成。學(xué)習(xí)開(kāi)始，先隨機(jī)地給各連接權(quán)賦值，權(quán)值在01之間隨機(jī)選取，然后將學(xué)習(xí)樣本的信息輸入輸入層各神經(jīng)元，經(jīng)隱含層計(jì)算出輸出層個(gè)節(jié)點(diǎn)的值，如輸出層不能得到規(guī)定的輸出那么轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原路返回，通過(guò)修改各層神經(jīng)元的權(quán)值使輸出誤差最小。經(jīng)過(guò)一定數(shù)量的樣本訓(xùn)練之后，網(wǎng)絡(luò)的權(quán)矩陣和閾值就穩(wěn)

6、定在一定的狀態(tài)，這樣與系統(tǒng)有關(guān)的故障模式將匹配到其最接近的區(qū)域，神經(jīng)網(wǎng)絡(luò)用于故障診斷的機(jī)理也在于此。其示意圖見(jiàn)圖2圖3。論文發(fā)表。2 液壓泵滾動(dòng)軸承故障特征向量的提取根據(jù)所采用的狀態(tài)變量把滾動(dòng)軸承工作狀況監(jiān)視和故障診斷分為溫度法、油樣分析法和振動(dòng)法。由于液壓泵發(fā)生故障會(huì)引起系統(tǒng)附加振動(dòng)，并且振動(dòng)法具有測(cè)試簡(jiǎn)單、診斷結(jié)果可靠及適用于各種工作環(huán)境，因而在實(shí)際中得到廣泛應(yīng)用。在實(shí)際測(cè)試工作中，主要使用加速度傳感器測(cè)試振動(dòng)信號(hào)，但應(yīng)對(duì)所測(cè)得的信號(hào)進(jìn)行分析處理。提取能夠反響軸承工作狀態(tài)的一些特征向量，用于故障識(shí)別。一般來(lái)說(shuō)，故障軸承的指標(biāo)比正常軸承大。故障越嚴(yán)重，振動(dòng)值越大，波形因子越大;局部缺陷越嚴(yán)重

7、，沖擊指標(biāo)和峭度越大。通過(guò)試驗(yàn)分析，處于故障早期的滾動(dòng)軸承的幅域指標(biāo)與正常軸承存在較大區(qū)別，適合于故障診斷。通常使用均方根值、峰值、峭度、峰值因子、峭度因子、脈沖因子、裕度因子和波形因子等指標(biāo)。并且這些指標(biāo)根本上不受 圖2圖3載荷和轉(zhuǎn)速等因素的影響,無(wú)須考慮相對(duì)標(biāo)準(zhǔn)值或與以前的數(shù)據(jù)進(jìn)行比照,另外,它不受信號(hào)絕對(duì)水平的影響,即使測(cè)量點(diǎn)同以往的略有不同,對(duì)參數(shù)的計(jì)算結(jié)果也不會(huì)產(chǎn)生明顯的影響。本文將以這些處理過(guò)的參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入層輸入來(lái)對(duì)軸承故障做出診斷。設(shè)采集到的振動(dòng)信號(hào)為(i=1,2,n,n 為采樣點(diǎn)數(shù)),那么均方根值峰值峭度峰值因子峭度因子脈沖因子波形因子裕度因子3 采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)

8、行滾動(dòng)軸承故障診3.1網(wǎng)絡(luò)層次節(jié)點(diǎn)數(shù)目確定模型采用3層BP神經(jīng)網(wǎng)絡(luò)，輸入層相對(duì)于上述6個(gè)處理過(guò)的特征參數(shù)，因而有6個(gè)節(jié)點(diǎn)，在運(yùn)行的柱塞泵滾動(dòng)軸承的6個(gè)測(cè)點(diǎn)安裝傳感器，擬人工設(shè)置三種軸承故障模式：軸承外環(huán)故障、軸承內(nèi)環(huán)故障、滾動(dòng)體故障，故對(duì)應(yīng)于這三種故障輸出層有3個(gè)節(jié)點(diǎn)。陰層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式 來(lái)確定，其中：隱含層神經(jīng)元數(shù)目；輸入層神經(jīng)元數(shù)目；輸出層神經(jīng)元數(shù)目；110之間的整數(shù)。本文選用的隱層節(jié)點(diǎn)數(shù)目是12。如圖1所示3.2網(wǎng)絡(luò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)能力，因而當(dāng)訓(xùn)練樣本到達(dá)一定數(shù)量后，網(wǎng)絡(luò)具有良好的非線性逼近能力，到達(dá)理想的故障模式識(shí)別。但到達(dá)上述效果，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本必須滿足以下

9、倆個(gè)要求：a、樣本足夠數(shù)量多，從而使網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，收斂性良好；b、樣本包含各類(lèi)故障的典型樣本，即要求訓(xùn)練樣本集完整。本文選用的樣本數(shù)據(jù)依據(jù)數(shù)據(jù)性質(zhì)，分為四類(lèi)：軸承正常、外圈劃傷、內(nèi)圈劃傷、滾子劃傷。每類(lèi)數(shù)據(jù)各有20個(gè)樣本，共80個(gè)訓(xùn)練樣本。表1節(jié)選了軸承四種狀態(tài)各5個(gè)共20個(gè)訓(xùn)練樣本。在MatLab環(huán)境下，選用收斂性良好的Levenberg-Marquardt算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，參數(shù)設(shè)定如下：學(xué)習(xí)率0.05；訓(xùn)練步數(shù)100；訓(xùn)練目標(biāo)誤差0.001；通過(guò)調(diào)試可知，Levenberg-Marquardt算法收斂速度很快，因此，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)就是滾動(dòng)軸承早期故障的識(shí)別網(wǎng)絡(luò)。3.3檢驗(yàn)

10、網(wǎng)絡(luò)軸承四種狀態(tài)的期望輸出分別為：正常0 0 0；外圈劃傷1 0 0；內(nèi)圈劃傷0 1 0;滾子劃傷0 0 1。用訓(xùn)練好的網(wǎng)絡(luò)對(duì)待檢樣本進(jìn)行識(shí)別，原理圖見(jiàn)圖3，神經(jīng)網(wǎng)絡(luò)對(duì)滾動(dòng)軸承檢驗(yàn)樣本進(jìn)行診斷的輸出結(jié)果如表2所示，可以看出，神經(jīng)網(wǎng)絡(luò)能根據(jù)早期振動(dòng)測(cè)得的數(shù)據(jù)準(zhǔn)確地判斷軸承的故障類(lèi)型，說(shuō)明神經(jīng)網(wǎng)絡(luò)采用上述算法以及特征參數(shù)能夠較好的對(duì)故障模式進(jìn)行識(shí)別。4 結(jié)論航空液壓泵軸承是液壓泵的重要支撐部件，對(duì)其故障診斷具有重要意義。BP神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶及非線性模式識(shí)別能力，特別適用于多故障、多征兆等復(fù)雜模式的識(shí)別。本文通過(guò)對(duì)軸承振動(dòng)信息處理，提取無(wú)量綱特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入，實(shí)

11、驗(yàn)結(jié)果說(shuō)明，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)航空滾動(dòng)軸承早期故障模式進(jìn)行識(shí)別是可靠與有效的。表一 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本 軸承 峭度 峭度 峰值 脈沖 裕度 波形 狀態(tài) 因子 因子 因子 因子 因子 3.03 2.38 4.26 5.65 6.62 1.21 3.05 2.34 4.08 5.53 6.66 1.25 正常 3.08 2.36 4.19 5.61 6.54 1.26 3.15 2.39 4.25 5.78 6.49 1.25 3.19 2.42 4.31 5.80 6.78 1.28 3.51 18.78 6.46 7.53 9.61 1.28 3.56 14.76 6.02 7.59 9.5

12、3 1.38 外圈 3.66 15.47 6.48 7.63 9.43 1.34 劃傷 3.69 19.39 6.54 7.71 9.37 1.35 3.63 17.82 6.34 7.64 9.52 1.39 4.35 19.32 8.56 10.48 15.87 1.48 4.35 20.68 8.72 10.37 16.20 1.43 內(nèi)圈 4.38 24.78 8.78 10.69 15.52 1.47 劃傷 4.39 22.50 8.64 11.04 16.46 1.51 4.42 19.49 7.74 10.06 16.32 1.46 9.37 27.57 9.56 15.22 2

13、0.42 1.51 9.42 23.47 9.61 15.63 19.34 1.54 滾子 9.56 21.33 9.18 16.21 19.72 1.64 劃傷 9.78 28.79 9.68 16.24 19.82 1.58 9.61 24.93 9.47 15.72 20.21 1.67 表二 BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果 軸承狀態(tài) 正常 外圈劃傷 內(nèi)圈劃傷 滾子劃傷 峭度 3.14 3.58 4.41 9.52 3.25 3.72 5.20 9.82 峭度因子 2.41 15.48 25.46 9.50 2.56 17.94 19.75 9.61 峰值因子 4.54 6.45 8.63 8.2

14、9 4.63 6.32 7.84 9.56 脈沖因子 5.79 7.37 10.59 17.34 6.24 8.12 13.82 14.90 裕度因子 6.74 9.18 16.70 19.70 7.21 10.55 18.22 23.42 波形因子 1.21 1.34 1.44 1.54 1.31 1.39 1.53 1.68 理想輸出 0，0，0 1，0，0 0，1，0 0，0，1 0，0，0 1，0，0 (0，1，0) 0，0，1 實(shí)際輸出 (0.14,0.036,0.008) (0.982,0.017,0.009) (0.034,0.977,0.007) (0.041,0.006,0.

15、957) 0.053，0.024，0.0310.991，0.011，0.0230.020，0.984，0.012 0.027，0.034，0.988 Abstract: By analyzing and processing of the vibration signal ofthe aero ball bearing,the feature parameters which represent operating state ofthe aero ball bearing are extracted,and then input to the BP neural network totrai

16、n the network with BP algorithm.The pattern of aero ball bearing failurecan be identified with the intellectual ability of BP neural network.Thesimulation result shows that the method presented in this paper is practicaland effective.Key words: failure diagnosis; BP neural network; aero ballbearing; vibration signal參考文獻(xiàn)：【1】 朱大奇，史慧，人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用 北京：科學(xué)出版社，2006.【3】 陳向東，