基于BP神经网络的圆锥滚子轴承故障诊断

组合机床与自动化加工技术

Modular Machine Tool & Automatic Manufacturing Technique

D01：10. 13462/j. cnki. mmtamt. 2016. 11.028

No. 11

Nov. 2016

文章编号：l〇〇l -2265(2016)11 -0105 -03

基于BP神经网络的圆锥滚子轴承故障诊断

许立\\张宇\\汤武初1>2,施志辉\\张火车1

(1.大连交通大学机械工程学院，辽宁大连116028;2.大连理工大学机械工程学院，辽宁大连 116023)

摘要：圆锥滚子轴承在旋转机械中应用较为广泛，其故障对整机的运行状态将造成极大的影响，因此 对其进行故障诊断十分必要。文中提出了基于神经网络的圆锥滚子轴承故障诊断方法。利用小波 包分解对轴承的振动信号进行分析，将分解后得到的小波包能量矩归一化处理后作为特征向量，用

标准数据的特征向量构成的训练样本对BP神经网络进行训练和测试，达到误差要求后，用该网络对 圆锥滚子轴承的故障仿真实验数据进行故障诊断，诊断结果在误差范围内，达到故障诊断目的，验证 了该方法在圆锥滚子轴承故障诊断中的有效性。关键词：圆锥滚子轴承；小波包分解;BP神经网络 中图分类号:TH165 +. 3 ;TG506

文献标识码:A

The Fault Diagnosis Of Tapered Roller Bearing Based on the BP Neural Network

XU Li1, ZHANG Yu1 ,TANG Wu-chu1'2, SHI Zhi-hui1, ZHANG Huo-che1

(1. College of Mechanical Engineering, Dalian Jiaotong University, Dalian Liaoning 116028 , China；2. College

of Mechanical Engineering, Dalian University of Technology, Dalian Liaoning

116023 , China)

Abstract ： Tapered roller bearings is widely used in rotating machinery, the failure of the bearing will cause

a great impact on the complete machine5 s running status. ,so its fault diagnosis is necessary. In this paper, we put forward a method, which is based on BP neural network , to diagnose the fault of tapered roller bear­ing. Wavelet packet decomposition is used to analyzing vibration signals of the bearings, after the analysis, we get the wavelet packet energy,which can be used as a feature vector after the normalization process. U­sing the feature vectors that contains standard data as the training samples to train and test the BP neural net­work ,after reaching the error requirements, this network is used to diagnose the fault of tapered roller bear­ing ,diagnose results is in the error range, so we achieve the purpose of fault diagnosis, then can also verify the effectiveness of this method that is used to fault diagnosis of the tapered roller bearing.

Key words ： tapered roller bearing ； wavelet packet decomposition ； BP neural network

〇引言

圆锥滚子轴承属于分离型轴承，轴承内、外圈均具

动轴承的故障诊断中，其中利用振动信号的诊断是最 为有效的方法之一[2]。随着小波理论的迅速发展，特 别是人工神经网络技术在故障诊断领域的大量应用， 也将故障诊断技术推向了一个新的高度。由于基于神

经网络的故障诊断方法在系统参数未知的情况下能够 自动建立动态模型，对于线性系统和非线性系统有很 好的跟踪能力，因此可以准确的识别出系统存在的故 障，并且网络内部的传递函数，xt数据有较强的分类能 力，非常适合用于设备的故障诊断。

虽然关于滚动轴承故障诊断的研究已经有了很大 的进展，但是针对某些应用特殊轴承的故障诊断研究 并不完善，比如高速列车上的圆锥滚子轴承。鉴于此，

有锥形滚道。该类轴承按所装滚子列数分为单列、双

列和四列等不同的结构形式。它在机械、铁路、航空航 天以及一些军事工业部门中的应用都非常广泛，也是 比较容易损坏的零件之一，它在机械设备中起着传递 和承受载荷的关键作用，是旋转类机械中必不可少的 一部分[1]。若轴承出现故障，轻则降低机械设备的使 用性能，重则不光会造成极大的财产损失，甚至还危及 人们生命的安全。因此，对圆锥滚子轴承的故障进行 研究，一直是故障诊断中重点发展的技术之一。

近几年来，越来越多的故障诊断方法被应用于滚

收稿日期:2016 -07 -13;修回日期:2016 -08 -06

作者简介:许立（1956—），男，辽宁大连人，大连交通大学教授，研究方向为数字化制造理论及实用技术，（E-mail)xuli@ djtu.edu.cn;通讯作者:

张宇（1990—），女，满族，河北承德人，大连交通大学硕士研究生，研究方向为数字化制造理论及实用技术，（E-mail)597S10341@qq.

• 106 •

组合机床与自动化加工技术第11期

本文设计圆锥滚子轴承的故障模拟试验，继而进行故 障诊断，为高速列车轴承的故障诊断提供参考。

1提取故障特征

特征提取是基于神经网络进行故障诊断的关键，

提取出的故障特征应该具有较好的典型性和代表性， 使其能够具有表征系统故障状态的能力。此外，该特

征的形式还应该便f后续的诊断处理，以作为网络的训练样本及测试样本t3]。

传统的小波分析只对信号的低频成分进行了较好 的分解，而造成高频成分的时间分辨率高，频率分辨率 低的后果[§但是小波包分析对这一缺点进行了改 进，它能够清晰细致的刻画信号的高频成分，并且能够 根据被分析信号的特征自适应的选择相应频带，从而 提高了B寸频分辨率_。由于圆锥滚子轴承的故障特征 多存在于高频信号中，因而所做的特征提取需要对信 号时高频成分进行较为细致的刻画，为了能够得到准 确完整的故障特征，就需要选用小波包分析对故障信 号进行分析。

1.1利用小波包分解提取故障特征

轴承的振动一般是_外部的振源和轴承本身及存 在的缺陷引起的，轴承在正常情况下运转时，由于I作

条件、安装误差、加工误差等影响，轴承会出现比较平 稳而有规律的振动。但是当轴承出现如剥落、点蚀和 裂纹等故障时，轴承的信号中就会存在冲奇和有特殊 规律的成分，这些特殊信号中就包含着轴承的故障特 征因而对这些信号的准确分析和识别，就成为故障 诊断的前提和基础。运用小波包分解的方法，可以得 出轴承故障信号的特征，为后续故障诊断提供数据。利用小波包分解多分辨率的特点,对轴承的信号 进行三次小波包分解。当轴承出现故障时，各频带内 的信号能量分布会发生变化，因而经过三层小波包分 解后,提取第三层的八个分解系数，用于小波重构后提 取各相应频带范围内的儈号继而求取相应频带内信 号的总能量1,构造特征向!量《

Case Western Reseiive麵中心提供的数据®，对数据进行三层小波包分解， 提取出特征_量5直接求取的关f能童的向量值并不 规范，需要进行一化处理，才能用午后续的神经网络 故障诊断中,13—化处理后的特怔向量如表1所示s

表1

归一化处理后的特征向量

雜酵

轴承槐态

1 1,0.2457, -0.7010, -0.2283, -1,

-0.9614,-0.86

常2 1,0.13, -0.7550, -0.3383, -1, -0.9401, -0.94SI, -0.8509

常3 1,0.6850,-0.7773,-0.96

夕_剥落4 1,0.3627, -0.1943,-0.5801, -0.91, -0.9160, -0.9988, -1 夕_1 落5 1,0.2438, -0.8119, - 0.7424, - 0.9671, - 0. »24, -1, -0.9885 博爾剥落6 1,0.3675,-0,及取,-0.6570,-0.954S，.-0.9182,-1.-0.9沿S 内圈剥落7 1,0.2757,-0:7933,-0.7136,-0.9618,-0.9450广 1 疒 0.9987 滚子剥落8

0.5705，1.,-0,6673.,-0.74,-0:9316,-0.9605,-1,-0.9924

滚子剥落

表1中列出了滚动轴承正常情况、外圈剥落故障、 内圈剥落故障、滚子剥落故障四种情况下的故障特征 向量。运用小波包分解的方法来提取轴承的故障特 征，不需要进行复杂的信号分析过程即可得到比较整 齐的向量数据，简化了特征提取的步骤，提高了效率。特征向量作为神经网络输人向量/•，这就需要设

计网络的输出向讀r,根据上表可知，本文主要研究1 轴承的四种情况，因此设计输出形式如表2所示。

表2

输出向量

正常

外圈剥落

内圈剥落

滚子剥落

(1，0,0,0)

(0，1，0,0)

(0,0，1，0)

(0,0,0，1)

2

BP神经网络的圆锥滚子轴承故障诊断

2.1故障诊断流程

随着现代科荸技术水平的不断提高，系统的规模

和复杂程度逐渐增加，这给故障诊断带来了更多的困

难。神经网络技术的出现，为故障诊断提供了一个新 的途径s神经网络是模拟人神经系统的一种数学模 型[|。它有从历史数据中学习，并与当前数据比较以 进行诊断的能力。与此同时它还能够在存在噪声的情 况下得出正确结论2具有分辨故瘅原因及故障类S的 能力[!>]。

B P神经网络是:一种多层前馈神经网络，该网络

的主要特点是信号前向传播，误差反向传播t9]。它 一般由输入层、隐含M和输出M三部分组成d基苄 神经网络的轴承故障诊断流程如图1所示，过程主 要分为两个部分是先运用一定数量的样本集对 神经网络进行训练，得到所希望的故障诊断网络；二 是对诊断原始数据或是测试数据进行诊断。无论是 训练还是诊断的过程，都需要对原始的训练样本数据 及测试数据进行恰当的处理，这部分主要是达到本文 第2节提到的提取特征向量的目的。为了方便信号的 特征提取，还可以进行适\"爾的信号预处理，如信号放 大、滤波、调制与解调等,预处理的情况主要依据数据 的具体特處.而趙6

诊.始断数原据

谢漆样 本数据

图1

基于神经网络的故障诊断流程图

2.2 BP神经网络的构建

创建班5神经网.络的重点:在于确定网络的JB数及 输人层、隐含层和输出雇的节点数W]。输人层的节点 数要根据实际问题的需要来设计,，而输出层则设计成 我们所期望的数据形式即可对于网络层数和隐含层 的节点数的设计，则根据指导原则进行设计，即一般的 模式识别问题，运用网络就可以很好的解决问题，

而且在H层网络中，隐含层神经元的个数％和输入层: 神经元个数〜之间有n2 = + 1的近似关系。根据

2016年11月

许立.，等：基于BP神螯网络的爾锥滚子轴承故障诊断• 107 •

表2列出的特征向暈可知,输入的是一个8维的向量， 因而设计网络的输人层神经元个数为8个。输出的结 果中应包含正常、外圈故障、内圈故障和滚于故障四

类，因而确定输出层神经元个数为4，根据设计原.则可 以得出，隐含层的神经元个数约为17个。.但是隐含层 的神经元个数并不是绝对固定的，需要经过实际的训 .练:和检验来不断调整:。

在创建阿络的过程中，需要定义输人向量.的最大 值和最小值，，由宁数据归一化处理后在区同T -1，:!] 之间，故设计的最大值为1，最小值为-is另外还需 要选择输出层和隐含层的传递函数以及训练函数，本 次设计的神经网络的参数如表3所

表3

BP神经网络的相关参数

输出层

隐含层 传递函数传递函数训练函数学习函数性能函数logsig

tansig

trainlm

leamgdm

mse

参数选择完毕后，运用代码net = newff( threshold,

[17，專-〕，,* tansig ’，■‘ logsig. ’ j , ‘ trainlm ’）；即可在

MATLAB电实现BP神经网络的创蠢6其中变鍾 threshold窠其了输入_向量_最:大値与.最小值^

2.3

BP神经网络的训练与测试

BP神经网络的训练过程是一个对阖值和权值进

行不断修正的过程，通过调整，最终使误差在允许的范 围内，使得网络满足实际的要求。.训练函数trainlm是 利用Leveheig-Marquart算拔对__络进行训练的.，在训 练之前需要对训练次数、训练目标及学石速率等训练 参数进行设置，如表4所示。

表4

训练参数

训练次数

训练目标

学习速率

500

0.001

0.1

设置完训练参数以后，需要运用代码net = train (net，p，r);来实现网络训练，其中和r分别为输人 向震和S标海尸是从表1中得:出.的，.但表:1中H是

列举T一部分，实际过程中需要输人更多的特怔向量:,， 以保障故障特征信息的完整性。r是从表2中得出 的。网络的训练结果如图2所示，可见，经过5次训练 后，、网络就达到了误差要求，收敛速度较快。

10

Best Training Performance is 0.0002502 at epoch 5

Iran

9(

s--1o nl)-2

3

OJJHJpo

0sd3csrrBiw

D10\"4t0 ------0.5 '----->1----- '1.5 -------'2 -----•------>-----'5 Epochs

2.5 3 3.5 -------'-----'4 4.5 -------i5

图2训练结果

训练完成后，抽取4组新的数据作为测试数据，测

试的代码为Y = sim(net，P_teSt);测试的结果如表5所 豨《从表中可以看出，这四次的测试误差不大,基本满 足要求。因此可以判定，本文所设计的BP神经网络， 可以达到滚动轴承的故障诊断目的。

表5

测试结果

输出结果

期望输出

诊断结果0.9618,0.0012,0.0030,0.000010 0 0正常0.0075,0. 9658,0.0005,0.00000 10 0外圈故障0.0103,0. 0000,0.9483,0.00000 0 10内圈故障0.0012,0. 0020,0.0006,0.90680 0 0 1

滚子故障

2.4

圆锥滚子轴承的故障诊断

在进行國锥滚爭轴承的故障诊断前，需要获得其 运行时的振动信号，因而设计了圆锥滚子轴承故障模 拟试验，所用轴承类塑为SKF31306 运用小型的轴承试验机搭建试验平台，运用加速度传感器和28个 通道的INV302C ■振动仪采集轴承振动信号^在故 障模拟试验中，尽可能的模仿圆锥滚子轴承的工况，因 而在轴向和径向均施加一定的载荷，以确保所得信号 的准确性。为了得到故庳信号，设计四组试验,分别采 集轴承芷常、外圈故障、内圈故障、滚子故障的信号，.其 中各部分的故障均为人为制造的凹坑。将数据进行简 单的处理后,导人到MATLAB中，进行小波包分析，提 取特征向:量，并进行ft—化，如表6所示s

表6

圆锥滚子轴承故障特征向量

数据

序号特征向量轴承状态

11，-0.1181，-0.8177, -0.4974, -1，-0.9503, -0.9752, -0.9219正常2-0.1258,1, -0.6847, -0.7305, -0.9356, -0.9467, -1, -0.99M外圈故障31,0.9832, - 0.7138, - 0.7057, -0.945, - 0.9498, -1, - 0.973内圈故障4

0.5788,1, -0.7276, -0.7707, -0.9457, -0.956, -1, -0.9988滚子故障

特征坷量求敢完成后，按照网络测试的过程进行 诊断即可,,输出的诊断结果如表7所示从表中可以 着出，.断结果的误差在可接受的范围内。因而判断 运用本文设计的BP神经网络的，可以对圓锥滚子轴 承进行故障诊断，且效果良好。

表7

圆锥滚子轴承故障诊断结果

数据序号

输出结果

诊断结果10.7904,0.0228,0.0044,0.0010正常2

0.0126,0.7452,0.0381,0.0002外圈故障30.0109,0.0252,0.7570,0.0013内圈故障

4

0.0065,0.0196,0.0001,0.7437

滚动体故_障:=

3

结论

用BP神经网络对SKF31306型圆锥滚于轴承进

行了故障诊断，结果表明本文采用的故障诊断方法能

够有效的识别圆锥滚于轴承的故障情况诊断误差 较小，满足实际诊断的需求。

(下转第111瓦）

2016年11月

孙荣俊，等:基于自抗扰控制器的永磁同步电主轴速度扰动控制研究

• 111 •

[a.].篇:;二十六届.中国控制会撳论文蠢[d[]..申'國:自动化

学会控制理论专业委员会,2007 :68 -71.

[3]|銪京清.育抗扰控制技术:估计补偿不确定因素的控制

技术[M].北京遵防工业出版社，2013.

[€顧颖，周波，方斯龜扰动观测器的永磁同歩电 机滑模控爾P1,中眞_机1程学报，2〇1〇,3〇( 9):

80-85.

0.02

0.04

0.06

0.08

时间/s

图7

突加负载的转速响应图的局部放大图I

[5]|鲁文其，胡育文，梁骄雁，等.永磁同步电机饲服系统

抗扰动自适应控制[J ].中_电《1鞔学报，2〇11，幻 (7) ：75 -81.

[6工毋华丽t基于哈密顿系统理论的永磁麗產电动机鲁棒換 制[D:]:L郑州:薄州大学,2013.

[i]i Tin - Tliuy Vli, Han Ho： Choi, Jin - Woo Jung. Certain­

ty equivalence adaptive speed controller for permanent mag­net synchronous motor [ J ]. Mechatronics, 2012, 22 ( 6 )： 811-818.

[8] Hashemi Z, Mardaneh M, Sha Sadeghi M. High perform­

ance controller for interior permanent magnet synchronous motor drive using artificial intelligence methods [ J ] • Scientia Iranica,2012,19(6) ：1788 -1793.

[9] 刘丽英，许镇琳，梅强.基于线性自抗扰控制器的异步电

5结论

本文在分析速度环PI调节器不足的基础查，利用

自抗扰控制技术设计了速度环ADRC调节器，建立了 一阶速度环ADRC模型，并对其进行T仿真与分析。 仿真结果表明，本文提出的速度环ADRC调节器相较 于经典PI调节器具有更好的动静态特性及更强的鲁 棒性。此外，ADRC的待整定参数相对较多，虽可以利 用性原则按照一定的规律进行参数整定,但需栗 相对较深的理论基础和经验，所以ADRC的参数整定

个难点。但还是有一些ADRC参数整定的优化方 法的，如基于CPSO的ADRC参数整定法M ,基子遗 传基因箅法的ADRC参数整定法[1'基宁粒子群优化 算法的ADRC参数优化啤等。总之，利用整定好参数 的ADRC调节器可以获得比经典PI调节器更佳的性 能。

[参考文献]

机调速系统[J].组合机床与自动化加工技术，2009(5):

56 -60.

[10] 韩京清.一类不确定对象的扩张状态观测器[J].控制

与决策，1995，10(1) :85 -88.[11] 韩京清..非钱性状态读差反馈控制律一NLSEF〇].控

制与:决策，挎95,10( 3) :221 -225.

[W】刘.基于質抗扰控制器的永厳爾獻电机伺服系统:控

制策赂的研究及实现[P].天津:天津大学，2011,

[13] Liu Chunfang, Zang Bin. Application and the parameter

tuning of ADRC based On CPSO [ C ]. Chinese Control and Decision Conference，2012:3277 — 3281.

[14] Zeng Wenfei, Yan Ling. The parameter setting and appli­

cation study of ADRC based on immune genetic algorithm [C]. in 2010 IEEE International Conference on Intelligent Computing and Intelligent Systems, 2010： 183 -186.[15] Ping Wang, Hua Wang, Guoyu Bai, et al. Parameter Opti­

mization of ADRC for Spacecraft Attitude Maneuver Based on Particle Swarm Optimization Algorithm [ C ]. in Sixth Inter­national Conference on IHMSC, 2014： 194 -197.

(.编辑李秀敏)_

[1|场满•，秦冬冬.朦速电主轴的关键技术及发屣趋势

[TJ.伺服控制，2010_(_.2) :34 - 36.[ID :刘志刚,李世华，永磁同#•机的二阶自抗扰控：射寒按

(上接第i〇7页）

[参考文献]

[6 ] Tire Cass Wesfcrii Reaerve； TjHivetsity Bearing Data Center

Website, Bearing Data Coilter Seeded Fault Test Date,[ EB/ OL].2008 -3 -11,

it I王斌基于办波分析和bp神swi各.的滚a轴承敌障修断

方法研究[_.兰韻:兰州交逋大学,2014.11D ■飞思科技..神錢两络理论.与_ MATLAB7实瑰[!£.] . _北京：

[11张进，冯志鹏，褚福■滚动轴承故障■征的时间-小波能

量谱提取方法[J]-机械工程学报，2011，47(: 17) :44 -49. [利何正嘉，陈进，王太勇，等.机械故障诊断理论及应用 [M].北京肩等教育ffi版社，2010.[3 D钟飞，郑K斌,史铁林蓮于对、波神经网络的轴承来知

异常诊断[J:].河南科技大学孪报,2007，28.(4) ;10 -13. [4D襄:德华.基于RBF神经W络的列车滚动轴承故障诊断 [11.现代评露机（专业版），2009(‘ 11):38 -40,76.[利熊萬.基于小被包分解和希尔_伯:特黄变换的滚'动轴承故障珍断P].合肥；中:國科学$术大学，2014.

电子版社:.，2〇〇5.

:[S]史峰.MAILAB神经网1 备30个輩例分析[M].北京;北

京卿5航天大拳，2〇11,

^〇]麵龜_于小波鳌换与：PWN神经网络相结合的滚劫

轴承故障诊断[D]..邯郸:柯程大学32015..

(编辑李秀敏）