基于BP和WTA神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法研究

李 成 于永斌 王舜燕 徐 斌 金穎濤

(1.武漢理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 武漢 430070) (2.電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054)(3.93534部隊(duì) 天津 301700)

基于BP和WTA神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法研究

李 成1,2,3于永斌2王舜燕1徐 斌3金穎濤3

(1.武漢理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 武漢 430070) (2.電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054)(3.93534部隊(duì) 天津 301700)

論文提出一種基于BP和WTA神經(jīng)網(wǎng)絡(luò)的軸承故障診斷模式識(shí)別新方法,將軸承故障數(shù)據(jù)提取為所需的特征向量,訓(xùn)練BP-WTA,得到基于BP和WTA神經(jīng)網(wǎng)絡(luò)的診斷分類(lèi)器。通過(guò)144組樣本進(jìn)行分類(lèi)識(shí)別軸承損傷程度實(shí)驗(yàn),基于BP和WTA神經(jīng)網(wǎng)絡(luò)方法與傳統(tǒng)BP、HMM方法進(jìn)行對(duì)比,其診斷準(zhǔn)確率達(dá)到100%,驗(yàn)證了該方法在軸承故障診斷中的有效性和實(shí)用性。

BP; WTA; 神經(jīng)網(wǎng)絡(luò); 滾動(dòng)軸承; 故障診斷; 憶阻器

Class Number TP277

1 引言

滾動(dòng)軸承作為機(jī)械設(shè)備中最為關(guān)鍵的部件之一,極易發(fā)生故障,故障一旦發(fā)生,輕則造成設(shè)備停機(jī)維修,重則造成人員傷亡,帶來(lái)巨大的經(jīng)濟(jì)損失,故而,對(duì)于軸承的狀態(tài)監(jiān)測(cè)和故障診斷受到越來(lái)越多研究者的重視。

故障診斷的實(shí)質(zhì)就是對(duì)故障產(chǎn)生的大小和種類(lèi)辨別的一個(gè)過(guò)程,也就是模式識(shí)別分類(lèi)器建立的一個(gè)過(guò)程,用于軸承故障診斷中的模式識(shí)別方法發(fā)展至今,主要包括人工神經(jīng)網(wǎng)絡(luò)的方法(Artificial Neural Network,ANN)[1]、支持向量機(jī)的方法(Support Vector Machine, SVM)[2～3]、隱馬爾可夫模型方法(Hidden Markov Model, HMM)[4～5]、SVM-HMM分類(lèi)方法[6]、基于聚類(lèi)分析的模式識(shí)別方法[7]、案例推理的方法(Case Based Reasoning,CBR)[8]、最近領(lǐng)分類(lèi)的方法(The features selection and nearest neighbors rule)[8]等。即便如此,我們?nèi)匀恍枰剿餍碌哪Ｊ阶R(shí)別方法用于故障診斷,不斷提升診斷的效率和精度。

WTA(Winner-Take-All)神經(jīng)網(wǎng)絡(luò)[10～12]具有選取最大值的功能,且在圖像分類(lèi)、特征提取以及邊緣檢測(cè)中成功應(yīng)用,而B(niǎo)P神經(jīng)網(wǎng)絡(luò)在軸承故障診斷中也有著廣泛應(yīng)用的基礎(chǔ),但至今還未見(jiàn)到結(jié)合BP和WTA神經(jīng)網(wǎng)絡(luò)進(jìn)行軸承故障診斷的相關(guān)研究報(bào)告,本文提出一種基于BP和WTA神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型,用于軸承的故障診斷,并通過(guò)Matlab仿真驗(yàn)證了該模型的有效性。

2 BP和WTA神經(jīng)網(wǎng)絡(luò)分類(lèi)模型設(shè)計(jì)

2.1 分類(lèi)模型設(shè)計(jì)

基于BP和WTA神經(jīng)網(wǎng)絡(luò)分類(lèi)模型設(shè)計(jì)如圖1所示。

圖1 BP和WTA神經(jīng)網(wǎng)絡(luò)分類(lèi)模型

由圖1知,該模型主要由三部分組成,分別為BP神經(jīng)網(wǎng)絡(luò)、轉(zhuǎn)換器和基于憶阻器陣列的WTA神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)采用5-18-4的單隱層設(shè)計(jì)結(jié)構(gòu),5-18-4分別代表輸入層、隱含層和輸出層神經(jīng)元的個(gè)數(shù),X1～X5為輸入向量,Y1～Y4為輸出向量,wij,wjk為各層之間的連接權(quán)值；轉(zhuǎn)換器為一種簡(jiǎn)單的隔離驅(qū)動(dòng)電路；基于憶阻器的WTA神經(jīng)網(wǎng)絡(luò)為4個(gè)神經(jīng)元組成,每個(gè)神經(jīng)元由3個(gè)憶阻器、3個(gè)MOS管、3個(gè)直流電源、一個(gè)電阻以及一個(gè)電容組成,其中每個(gè)憶阻器的一端接地,另外一端與其它3個(gè)神經(jīng)元的輸入相連,每個(gè)MOS管的源極連接到輸入端,柵極連接到其它3個(gè)神經(jīng)元的輸入端,漏極與直流電源串聯(lián)后接地,電阻與電容并聯(lián),一端連接到輸入端,另外一端接地。該WTA的網(wǎng)絡(luò)輸入為I1～I(xiàn)4,輸出為Y1′～Y4′。

2.2 分類(lèi)模型算法

基于BP和WTA神經(jīng)網(wǎng)絡(luò)分類(lèi)模型算法如圖2所示。

圖2 BP和WTA神經(jīng)網(wǎng)絡(luò)分類(lèi)模型算法

由圖2可知,該算法主要分為以下六步進(jìn)行,分別是網(wǎng)絡(luò)初始化、隱含層輸出計(jì)算、輸出層預(yù)測(cè)輸出計(jì)算、誤差計(jì)算、網(wǎng)絡(luò)權(quán)值向量更新和WTA網(wǎng)絡(luò)分類(lèi)。

步驟4 誤差計(jì)算。根據(jù)網(wǎng)絡(luò)實(shí)際輸出Xout,k和期望輸出dout,k(第k個(gè)訓(xùn)練模式的期望輸出),計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差eout,k。其計(jì)算公式為：eout,k=dout,k-Xout,k,k=1,2,…,4,從而獲得誤差矩陣e=(eout,1,eout,2,eout,3,eout,4)T。

其中c>0,d>0,根據(jù)MOS管的特性,得到WTA神經(jīng)網(wǎng)絡(luò)抑制函數(shù)

+h(v2,v4)+3v2W(φ2)

+h(v3,v4)+3v3W(φ3)

+h(v4,v3)+3v4W(φ4)

對(duì)上述公式進(jìn)行移項(xiàng)可得到WTA分類(lèi)網(wǎng)絡(luò)中用于輸入分類(lèi)的通用表達(dá)式：

其中C為電容,G為電導(dǎo),φi為第i個(gè)神經(jīng)元所對(duì)應(yīng)的憶阻器的磁通量,N為神經(jīng)元個(gè)數(shù)。本文中WTA神經(jīng)網(wǎng)絡(luò)的輸入為I1～I(xiàn)4,WTA分類(lèi)后的選擇輸出結(jié)果是V1～V4(Y1′～Y4′)中的最大值。

3 故障診斷

3.1 故障診斷框圖

基于BP和WTA神經(jīng)網(wǎng)絡(luò)的軸承故障診斷框圖如圖3所示。

圖3 BP和WTA神經(jīng)網(wǎng)絡(luò)故障診斷流程

3.2 故障數(shù)據(jù)

本文軸承故障診斷數(shù)據(jù)采用美國(guó)凱斯西儲(chǔ)大學(xué)(Case Western Reserve University)所提供的軸承故障數(shù)據(jù)[17],該數(shù)據(jù)包含的內(nèi)容為軸承振動(dòng)加速度信號(hào)。本文建立兩個(gè)故障數(shù)據(jù)集,使用文件名為100,112,125,138的數(shù)據(jù)文件作為數(shù)據(jù)集1、文件名為100,112,177,217的數(shù)據(jù)文件作為數(shù)據(jù)集2。數(shù)據(jù)集1完成軸承內(nèi)圈、外圈及滾動(dòng)體故障診斷(軸承損傷直徑0.007英寸)；數(shù)據(jù)集2完成軸承內(nèi)圈故障時(shí)軸承損傷程度(損傷直徑0.007/0.014/0.021英寸)的診斷。本文數(shù)據(jù)的分類(lèi)方法采取將每個(gè)數(shù)據(jù)文件中的加速度信號(hào)轉(zhuǎn)換成118個(gè)樣本,每個(gè)樣本的采樣點(diǎn)數(shù)4096[3],在所得的每472個(gè)訓(xùn)練樣本中隨機(jī)選取400個(gè)樣本作為BP和WTA分類(lèi)庫(kù)的學(xué)習(xí)樣本,剩余的72個(gè)樣本作為待測(cè)樣本,用以檢測(cè)本模型下故障診斷方法的有效性。故障數(shù)據(jù)在載荷3馬力,轉(zhuǎn)速1730轉(zhuǎn)/分,采樣頻率48KHz下獲得。

3.3 信號(hào)特征提取

由3.2節(jié)可知,軸承故障數(shù)據(jù)為振動(dòng)的加速度信號(hào),該信號(hào)無(wú)法直接作為特征向量輸入BP和WTA神經(jīng)網(wǎng)絡(luò),故需對(duì)加速度信號(hào)進(jìn)行特征提取,提取所得的特征向量作為本模型(圖1)前端BP神經(jīng)網(wǎng)絡(luò)的輸入。運(yùn)用時(shí)域/頻域中的特征信號(hào)提取方法[1,8],給出如下特征向量的提取公式：

1) 時(shí)域特征提?。?/p>

2) 頻域特征提?。?/p>

頻率方差：VF=MSF-(FC)2

其中,φ(i)=x(i)-x(i-1)/Δ,Δ為采樣周期,Nr為采樣點(diǎn)數(shù)。

3.4 訓(xùn)練仿真分析與對(duì)比

當(dāng)BP神經(jīng)網(wǎng)絡(luò)的輸入向量為X1=(xrms,xv,xske,xkur)T、X2=(xrms,xv,xske,xkur,γ)T時(shí),其診斷結(jié)果與傳統(tǒng)BP方法[1]比較如表1所示,其對(duì)軸承故障類(lèi)型的分類(lèi)結(jié)果如表2,表3所示；當(dāng)BP神經(jīng)網(wǎng)絡(luò)的輸入向量為X′=(xr,xrms,xv,xcv,xs,FC,VF)T時(shí),其診斷結(jié)果與HMM方法[5]的診斷結(jié)果比較如表4所示,其對(duì)軸承損傷程度的分類(lèi)結(jié)果如表5所示。

表1 BP-WTA與BP診斷結(jié)果對(duì)比

表2 軸承故障類(lèi)型分類(lèi)結(jié)果

表3 軸承故障類(lèi)型分類(lèi)結(jié)果

表4 BP-WTA與HMM診斷結(jié)果對(duì)比

表5 軸承損傷類(lèi)型分類(lèi)結(jié)果

4 結(jié)語(yǔ)

Levenberg-Marquardt BP算法能夠有效解決傳統(tǒng)BP算法容易陷入局部極小點(diǎn),收斂速度慢的缺點(diǎn),能夠有效的減少訓(xùn)練過(guò)程中的迭代次數(shù),能夠使網(wǎng)絡(luò)訓(xùn)練在最短的時(shí)間內(nèi)完成,本文在結(jié)合已有的BP和 WTA神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)之上,并加入憶阻器陣列,提出的一種全新的基于BP和 WTA神經(jīng)網(wǎng)絡(luò)的故障診斷方法,在進(jìn)行軸承故障診斷時(shí),通過(guò)相應(yīng)的時(shí)頻域信號(hào)特征提取方法,既能對(duì)軸承故障類(lèi)型又能對(duì)其損傷程度進(jìn)行診斷。3.4中仿真對(duì)比表明本文提出的基于BP和WTA神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法針對(duì)軸承單一類(lèi)型故障,具有較好的診斷效果。本文中未使用此方法對(duì)混合故障進(jìn)行診斷,針對(duì)此問(wèn)題需要進(jìn)行進(jìn)一步的研究。

[1] Samanta B, Al-Balushi K R. Artificial neural network based fault diagnostics of rolling element bearings using time-domain features[J]. Mechanical Systems and Signal Processing,2003,17(2):317-328.

[2] Rojas A.Nandi A. K. Practical scheme for fast detection and classification of rolling element bearing faults using support vector machines[J].Mechanical Systems and Signal Processing, 2006, 20 (7):1523-1536.

[3] Yang J, Zhang Y, Zhu Y. Intelligent fault diagnosis of rolling element bearing based on SVMs and fractal dimension [J]. Mechanical Systems and Signal Processing, 2007, 21(5): 2012-2024.

[4] Ocak H.,Loparo K. A. HMM-based fault detection and diagnosis scheme for rolling element bearings[J].Journal of Vibration and Acoustics,2005,127(4):299-306.

[5] 李力,王紅梅.滾動(dòng)軸承故障程度診斷的HMM方法研究[J].軸承,2012,6:42-45. LI Li, WANG Hongmei. HMM in Fault Severity Diagnosis for Rolling Bearings[J].BEARING,2012,6:42-45.

[6] Bin Wu,Shanping Yu,Yuegang Luo,et al. Rolling Bearing Faults Diagnosis Method Based on SVM-HMM[C]//2010 International Conference on Measuring Technology and MechatronicsAutomation,Changsha,2010:295-298.

[7] Lei Y, He Z, Zi Y, et al. New clustering algorithm-based fault diagnosis using compensation distance evaluation technique[J]. Mechanical Systems and Signal Processing,2008, 22(2):419-435.

[8] 付新哲,張優(yōu)云,朱永生.滾動(dòng)軸承故障診斷的案例推理方法[J].西安交通大學(xué)學(xué)報(bào),2011,45(11):79-84. FU Xingzhe, ZHANG Youyun, ZHU Yongsheng. Rolling Bearing Fault Diagnosis Approach Based on Case-Based Reasoning[J]. Journal of Xi’an Jiaotong University,2011,45(11):79-84.

[9] Casimir R, Boutleux E, Clerc G, et al. The use of features selection and nearest neighbors rule for faults diagnostic in induction motors[J]. Engineering Applications of Artificial Intelligence, 2006,19(2):169-177.

[10] J. A. Feldman, D. H. Ballard.Connectionist models and their properties[J].Cognitive Science, 1982,6:205-254.

[11] V.E.Neagoe and A.D.Ropot.Concurrent self-organizing maps for pattern classification[C]//Proceedings of the First IEEE International Conference on Cognitive Informatics, Calgary, Alberta, Canada,2002:304-312.

[12] Shimeng Yu.Orientation classification by a winner-take-all network with oxide rram based synaptic devices[C]//2014IEEE International Symposium on Circuits & Systems, Melbourne VIC,2014:1058-1061.

[13] Y. Fang, M. A. Cohen, T. G. Kincaid. Dynamic analysis of a general class of winner-take-all competitive neural networks[J]. IEEE transactions on neural networks,2010,21(5):771-783.

[14] Leon O. Chua. Memristor-The Missing Circuit Element[J].IEEE Transction on Circuit Theory Theory,1971,18(5):504- 519.

[15] D. B. Strukov, G. S. Snider, D. R. Stewart, R. S. Williams. The missing memristor found[J]. Nature, 2008,453:80-83.

[16] Makoto Itoh, Leon O.Chua. Memristor Oscillators[J].International Journal of Bifurcation and Chaos,2008, 18(11):3183-3206.

[17] Case Western Reserve University.Bearing Data Center Website[EB/OL]. http://csegroups.case.edu/bearingdatacenter/home.

Fault Diagnosis Method of Rolling Bearing Used BP and WTA Neural Networks

LI Cheng1,2,3YU Yongbin2WANG Shunyan1XU Bin3JIN Yingtao3

(1. School of Computer Science and Technology, Wuhan University of Technology, Wuhan 430070)(2. School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054) (3. No.93534 Troops of PLA, Tianjin 301700)

This paper presents a novel pattern recognition method of fault diagnosis of rolling bearing which is based on BP and WTA neural networks. In the course of fault diagnosis, data on rolling bearing fault is transformed into desired feature vector to input to train BP-WTA, and diagnostic classification of BP and WTA neural network is obtained. By 144 experimental group samples to classify the degree of bearing damage, the diagnostic accuracy is expected to be 100% compared the BP and WTA Neural Networks with traditional method of BP and HMM, which shows that the proposed method is effective and practical in bearing fault diagnosis.

BP, WTA, neural networks, rolling bearing, fault diagnosis, memristor

2016年8月13日,

2016年9月21日

國(guó)家自然科學(xué)基金(編號(hào):61370202;61550110248); 中央高校基本業(yè)務(wù)費(fèi)(編號(hào):ZYGX2013J041)資助。

李成,男,碩士研究生,助理工程師,研究方向:測(cè)控、神經(jīng)網(wǎng)絡(luò)、憶阻器。于永斌,男,博士,副教授,研究方向:VLSI電路的物理設(shè)計(jì)、非線性電路與系統(tǒng)、憶阻器、現(xiàn)代控制理論及其應(yīng)用。王舜燕,男,博士,教授,研究方向:計(jì)算機(jī)網(wǎng)絡(luò)、數(shù)據(jù)庫(kù)集成技術(shù)與信息系統(tǒng)。徐斌,男,工程師,研究方向:計(jì)算機(jī)應(yīng)用，信息集成技術(shù)與系統(tǒng)，指揮自動(dòng)化。金穎濤,男,助理工程師,研究方向:設(shè)備故障診斷。

TP277

10.3969/j.issn.1672-9722.2017.02.018