劉 鑫，賈云獻(xiàn)，孫 磊，劉天斌

(1.軍械工程學(xué)院 裝備指揮與管理系，石家莊 050003;2.陸航研究所 一室，北京 101121; 3.中國人民解放軍94270部隊(duì)， 濟(jì)南 250117)

基于BP神經(jīng)網(wǎng)絡(luò)的變速箱故障診斷方法研究

劉 鑫1，賈云獻(xiàn)1，孫 磊2，劉天斌3

(1.軍械工程學(xué)院 裝備指揮與管理系，石家莊 050003;2.陸航研究所 一室，北京 101121; 3.中國人民解放軍94270部隊(duì)， 濟(jì)南 250117)

針對(duì)變速箱的工作時(shí)間不能真實(shí)反映實(shí)際健康狀況的問題，通過提取變速箱的振動(dòng)信號(hào)作為狀態(tài)參數(shù)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的變速箱故障診斷模型;該模型首先提取振動(dòng)信號(hào)中對(duì)故障反映靈敏的成分作為特征值，獲得BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，并通過對(duì)比確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù);模型訓(xùn)練結(jié)束后，以驗(yàn)證數(shù)據(jù)為例進(jìn)行故障診斷研究，并對(duì)診斷結(jié)果進(jìn)行評(píng)估;評(píng)估結(jié)果表明，該模型準(zhǔn)確度高，具有較好的應(yīng)用和推廣價(jià)值。

BP神經(jīng)網(wǎng)絡(luò);故障診斷;模式識(shí)別;變速箱

0 引言

變速箱是車輛系統(tǒng)的重要部件，主要由齒輪和軸承組成，變速箱在使用過程中，其健康狀況將隨著使用時(shí)間的增長逐漸劣化。由于使用環(huán)境、使用強(qiáng)度及工作地點(diǎn)等因素不盡相同，很難通過使用壽命(摩托小時(shí)或里程等)準(zhǔn)確的反映其實(shí)際的健康狀況[1]。同時(shí)，由于變速箱在底盤中的重要作用，其健康狀況對(duì)車輛的性能有重要的影響，一旦發(fā)生故障將可能導(dǎo)致嚴(yán)重后果。所以，對(duì)變速箱進(jìn)行早期故障診斷具有重要的研究價(jià)值。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)由于具有優(yōu)良的非線性逼近特性、并行式分布結(jié)構(gòu)、較好的容錯(cuò)性以及自適應(yīng)學(xué)習(xí)和歸納能力, 使其在諸如建模、時(shí)間序列分析、模式識(shí)別、信號(hào)處理和工業(yè)控制等領(lǐng)域都得到了廣泛的應(yīng)用[2]。BP神經(jīng)網(wǎng)絡(luò)(back-propagation neural network)是人工神經(jīng)網(wǎng)絡(luò)中最有實(shí)用價(jià)值的部分之一。文獻(xiàn)[1]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于裝甲車輛發(fā)動(dòng)機(jī)的狀態(tài)評(píng)估，文獻(xiàn)[3]中開發(fā)了利用該模型實(shí)現(xiàn)軸承壽命預(yù)測(cè)的應(yīng)用平臺(tái)，文獻(xiàn)[4]利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了襯墊磨損過程中的壽命預(yù)測(cè)。該研究表明BP神經(jīng)網(wǎng)絡(luò)能有效實(shí)現(xiàn)設(shè)備的故障模式識(shí)別與剩余壽命預(yù)測(cè)。

基于以上研究，本文以某型變速箱為研究對(duì)象，測(cè)量變速箱在正常狀態(tài)、齒根裂紋和斷齒狀態(tài)下的振動(dòng)信號(hào)，選取頻譜中對(duì)故障反映靈敏的嚙合頻率及其邊帶成分處的幅值為特征值，建立BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)變速箱的故障診斷，驗(yàn)證了方法的有效性。

1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是至今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，其基本思想是，學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成，在正向傳播與反向傳播中，各層的權(quán)值不斷得到調(diào)整，也就是網(wǎng)絡(luò)的訓(xùn)練過程，此過程直到達(dá)到誤差可接受的程度結(jié)束[3]。在多層前饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，以圖1中的單隱層神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為普遍，該神經(jīng)網(wǎng)絡(luò)包括了輸入層、隱含層和輸出層。

設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型時(shí)，主要考慮的是各函數(shù)的選取和各層神經(jīng)元個(gè)數(shù)。對(duì)于一般預(yù)測(cè)模型，選取只包含一個(gè)隱含層的三層BP 神經(jīng)網(wǎng)絡(luò)，假設(shè)輸入層節(jié)點(diǎn)為xi，隱含層節(jié)點(diǎn)為φk，輸出層節(jié)點(diǎn)為yj。輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)的權(quán)值為wik，隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)間的權(quán)值為wkj，輸出層節(jié)點(diǎn)對(duì)應(yīng)輸出的期望值為rj，則:

隱含層節(jié)點(diǎn)輸出為:

(1)

輸出層節(jié)點(diǎn)的輸出為:

(2)

輸出節(jié)點(diǎn)的誤差為:

(3)

在BP神經(jīng)網(wǎng)絡(luò)中若選用sigmoid函數(shù)作為輸出層的傳遞函數(shù)，其輸出值智能在[-1,+1]之間，若選用線性函數(shù)purelin，則可以輸出任意值[5]。

輸入層和輸出層神經(jīng)元個(gè)數(shù)與樣本有關(guān)。BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的難點(diǎn)是確定隱層神經(jīng)元數(shù)目[6]。隱節(jié)點(diǎn)的作用是從樣本中提取并儲(chǔ)存其內(nèi)在的規(guī)律，隱節(jié)點(diǎn)數(shù)量的設(shè)置取決于訓(xùn)練樣本的多少、樣本噪聲的大小以及樣本中蘊(yùn)含規(guī)律的復(fù)雜程度等因素[7]。

在確定各層神經(jīng)元數(shù)量后，依據(jù)公式(1)～(3)，根據(jù)圖2所示流程，可以對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2 數(shù)據(jù)預(yù)處理與程序設(shè)計(jì)

變速箱作為傳動(dòng)機(jī)構(gòu)的關(guān)鍵部件，一旦發(fā)生故障將會(huì)對(duì)整個(gè)系統(tǒng)造成重大影響，所以對(duì)變速箱進(jìn)行準(zhǔn)確的故障診斷，提前發(fā)現(xiàn)故障征兆并采取積極的維修策略，對(duì)預(yù)防重大事故的發(fā)生具有重要的作用[4]?；谏窠?jīng)網(wǎng)絡(luò)的診斷方法就是利用神經(jīng)網(wǎng)絡(luò)對(duì)變速箱的故障進(jìn)行模式分類，此時(shí)，需要選擇相應(yīng)的參數(shù)作為輸入，以故障原因作為輸出，利用模型實(shí)現(xiàn)變速箱的模式分類。其基本步驟為：(1)通過實(shí)驗(yàn)獲得設(shè)定故障和無故障狀態(tài)下的監(jiān)控參數(shù)，經(jīng)預(yù)處理為網(wǎng)絡(luò)的輸入模式；(2)建立神

圖2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練過程

經(jīng)網(wǎng)絡(luò)系統(tǒng)，通過訓(xùn)練網(wǎng)絡(luò)使其達(dá)到預(yù)設(shè)的診斷精度；(3)輸入故障征兆向量進(jìn)行測(cè)試，獲得該狀態(tài)下的網(wǎng)絡(luò)輸出模式，最終得到診斷結(jié)果。

根據(jù)以上步驟，選取某型裝備的變速箱為研究對(duì)象，該變速箱主要由齒輪和軸承組成，在工作中其故障主要是由于齒輪的裂紋或者斷齒造成，所以將其故障類型分為齒根裂紋和斷齒兩種情況。由于振動(dòng)信息中包含著豐富的工作狀態(tài)信息和故障特征信息，可以有效的識(shí)別變速箱的狀態(tài)[8]，所以分別獲取變速箱在正常狀態(tài)、齒根裂紋和斷齒狀態(tài)下的振動(dòng)信號(hào)，通過快速傅里葉變換，取頻譜中對(duì)故障反映靈敏的嚙合頻率及其邊帶成分處的幅值為特征值，最后得到每種狀態(tài)下的四組數(shù)據(jù)。選取前3組數(shù)據(jù)為模型的訓(xùn)練樣本P，最后一組數(shù)據(jù)為驗(yàn)證樣本，訓(xùn)練樣本P如表1所示。

表1 模型訓(xùn)練樣本

通過實(shí)驗(yàn)采集的振動(dòng)信息，建立基于振動(dòng)信號(hào)的變速箱故障診斷神經(jīng)網(wǎng)絡(luò)模型。設(shè)定故障類型為1則為發(fā)生相應(yīng)故障，則變速箱正常、齒根裂紋和斷齒3種狀態(tài)分別對(duì)應(yīng)向量(1 0 0)T、(0 1 0)T和(0 1 0)T，則定義預(yù)期輸出向量為:

圖3 不同隱層節(jié)點(diǎn)下的誤差變化

在此基礎(chǔ)上，建立3層BP神經(jīng)網(wǎng)絡(luò)，輸入點(diǎn)設(shè)15個(gè)神經(jīng)元，隱含層有9個(gè)神經(jīng)元；輸出層有3個(gè)神經(jīng)元，對(duì)應(yīng)著變速箱無故障、齒根裂紋和斷齒3個(gè)狀態(tài)。選擇隱含層傳遞函數(shù)為對(duì)數(shù)S型(logsig)，輸出層的傳遞函數(shù)為線性傳遞函數(shù)(purelin)，設(shè)定誤差目標(biāo)為10-4，利用Trainlm算法訓(xùn)練BP網(wǎng)絡(luò)。程序的主要部分為：

net=newff(minmax(P),[9,3],{'logsig','purelin'},'trainlm')

net.trainParam.show=100,

net.trainParam.epoch=2000.

net.trainParam.goal=1e-4,

[net,tr]=train(net,P,t),

3 變速箱模式識(shí)別研究

圖4 神經(jīng)網(wǎng)絡(luò)運(yùn)行結(jié)果

在以上分析的基礎(chǔ)上，通過MATLAB運(yùn)行程序，得到結(jié)果如圖4所示，可以清楚的看到程序運(yùn)行的基本信息和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括系統(tǒng)迭代步數(shù)、訓(xùn)練時(shí)間和系統(tǒng)精度等等。圖5顯示僅經(jīng)過4次迭代網(wǎng)絡(luò)就達(dá)到了期望的誤差目標(biāo)。圖6則是訓(xùn)練過程中的狀態(tài)變化。

圖5 訓(xùn)練過程中誤差變化曲線

圖6 訓(xùn)練狀態(tài)變化

在第二節(jié)數(shù)據(jù)處理中，選取了四組觀測(cè)數(shù)據(jù)中的前三組用來進(jìn)行模型訓(xùn)練，第四組作為驗(yàn)證樣本用來進(jìn)行模型的驗(yàn)證，如表2所示。

表2 模型驗(yàn)證樣本

建立網(wǎng)絡(luò)模型后，將驗(yàn)證樣本數(shù)據(jù)輸入模型，對(duì)其診斷結(jié)果的準(zhǔn)確性進(jìn)行驗(yàn)證，所得的診斷結(jié)果如表3所示?？梢姡\斷結(jié)果與實(shí)際故障是完全一致的，并且具有較高的精度，誤差極小，該結(jié)果表明運(yùn)用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷以實(shí)現(xiàn)模式識(shí)別是十分有效的，同時(shí)也驗(yàn)證了理論方法的正確性。

表3 診斷結(jié)果

4 結(jié)論

本文通過建立基于振動(dòng)信號(hào)的變速箱故障診斷神經(jīng)網(wǎng)絡(luò)模型，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于某變速箱的故障模式識(shí)別研究，并取得了比較理想的實(shí)驗(yàn)結(jié)果。通過實(shí)驗(yàn)和計(jì)算分析可以看出:(1)將BP神經(jīng)網(wǎng)絡(luò)用于變速箱的故障診斷，可以十分有效的利用其振動(dòng)信號(hào)，從而便于故障的模式識(shí)別；(2)通過實(shí)驗(yàn)研究，驗(yàn)證了上述方法在變速箱故障診斷中的有效性和工程中的實(shí)用性，效果十分明顯，準(zhǔn)確率高，并且易于實(shí)現(xiàn)，表明該方法也可應(yīng)用于其他機(jī)械裝備的故障診斷，具有較好的推廣價(jià)值。

[1] 曹艷華，陳春良，齊蘊(yùn)光，等. 基于PCA-PB神經(jīng)網(wǎng)絡(luò)的裝甲車輛柴油機(jī)狀態(tài)評(píng)估[J]. 計(jì)算機(jī)測(cè)量與控制，2012,20(7)：1892-1894.

[2] 楊 梅，卿曉霞，王 波. 基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J]. 計(jì)算機(jī)仿真，2009,26(5)：198-201.

[3] 寧武龍. 基于BP神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測(cè)平臺(tái)開發(fā)[D]. 成都：西南交通大學(xué)，2014.

[4] Farzaneh Ahmadzadeh, Jan Lundberg. Remaining useful life prediction of grinding mill liners using an artificial neural network[J].Minerals Engineering, 2013(53):1-8.

[5] 燕學(xué)智，錢耀義. 基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)動(dòng)機(jī)故障診斷系統(tǒng)[J]. 內(nèi)燃機(jī)工程，2001,22(1):78-81.

[6] 寧武龍，劉桓龍，彭衛(wèi)池,等. 基于BP神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測(cè)程序設(shè)計(jì)[J]. 現(xiàn)代機(jī)械，2014(3)：7-10.

[7] 施 彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M],北京：北京郵電大學(xué)出版社，北京.

[8] 黃 強(qiáng)，高世倫，賓鴻贊,等. 基于分形和神經(jīng)網(wǎng)絡(luò)的柴油機(jī)振動(dòng)診斷方法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005,33(9)：68-70.

[9] 何正嘉，陳 進(jìn)，王太勇,等. 機(jī)械故障診斷理論及應(yīng)用[M].北京：高等教育出版社，2012.

[10] Abd Kadir Maham, Sharifah Saon, Takashi Hiyama. Predicting remaining useful life of rotating machinery based on artificial neural network[J]. Computers and Mathematics with Applications, 2010(60): 1078-1087.

A Research of Gearbox Fault Diagnosis Based on BP Neural Network

Liu Xin1, Jia Yunxian1，Sun Lei2，Liu Tianbin3

(1.Department of Equipment Command and Management，Ordnance Engineering College，Shijiazhuang 050003，China; 2.Army Aviation Institute, Beijing 101121, China; 3.94270 Unit, PLA，Jinan 250117，China)

The useful life of gearbox can not truly reflect its healthy condition. Aiming at this problem and choosing appropriate condition parameter which is the vibration data of the gearbox, a model of gearbox fault diagnosis based on BP neural network is established. This model needs to extract the Eigen value of vibration signal which is sensitive to fault firstly, and the training data for BP neural network can be got. The optimal number of hidden nodes is determined by comparing each other, then the structural parameters of BP neural network is determined. When the model training is over, the research on fault diagnosis is carried out using the test data and to evaluate the result of diagnosis. The application shows that the model runs accurately, and it is practical and worthy of using abroad.

back-propagation neural network; fault diagnosis; pattern recognition; gearbox

2016-07-06；

2016-08-31。

國家自然科學(xué)基金項(xiàng)目(71401173)。

劉 鑫(1989-)男，山東淄博人，博士研究生，主要從事裝備維修理論與應(yīng)用方向的研究。

賈云獻(xiàn)(1963-)男，河北唐山人，教授，主要從事可靠性，維修理論方向的研究。

1671-4598(2017)01-0012-04

10.16526/j.cnki.11-4762/tp.2017.01.004

TH17

A