基于MRA和神經(jīng)網(wǎng)絡(luò)的滾動軸承自動診斷

1、機(jī)械系統(tǒng)和信號處理24(2010)289-299-機(jī)械系統(tǒng)和信號處理-實(shí)例歷史：基于MRA和神經(jīng)網(wǎng)絡(luò)的滾動軸承自動診斷MAQLAB Group, Mechanical Dept., Universidad Carlos III, Av. de la Universidad, 30, 28911 Madrid, Spain -文章信息： 文章歷史：2007年11月29日被 2009年6月4日修改被認(rèn)可 2009年6月11日 被公認(rèn) 2009年6月27日在網(wǎng)上公布 關(guān) 鍵 詞：微波 虛擬網(wǎng)絡(luò) 故障診斷 預(yù)前維護(hù) 模糊分類-摘要：任何工業(yè)都需要一個(gè)有效的預(yù)期計(jì)劃來優(yōu)化資源管理，以及通過減少不必要的開

2、支與增強(qiáng)生產(chǎn)安全級別來提高經(jīng)濟(jì)效應(yīng)。生產(chǎn)過程中大部分停機(jī)是軸承導(dǎo)致的。他們在功能周期的早期階段就開始惡化，也被稱為初期階段。本論文開發(fā)了一種基于振動信號的分類與分析的滾動軸承自動診斷方法。這項(xiàng)工作的新穎性在于論文提出的方法應(yīng)用于從工業(yè)機(jī)器采集數(shù)據(jù),在該機(jī)器上為滾動軸承設(shè)計(jì)了徑向與軸向的負(fù)荷。首先，多分辨率分析用于提取信號最有效的特征。然后，所提的特征作為有監(jiān)督神經(jīng)網(wǎng)絡(luò)的輸入并實(shí)現(xiàn)分類。實(shí)驗(yàn)結(jié)果證明了方法的健壯性，該方法可以在早期階段檢測出軸承運(yùn)行的的四種情況（正常，內(nèi)圈故障，外圈故障，滾珠故障）。© 2009 Elsevier Ltd.All rights reserved -1.簡

3、介： 所有的旋轉(zhuǎn)機(jī)器都會產(chǎn)生故障。維護(hù)計(jì)劃包括分析關(guān)鍵部件的外部信息來評估其內(nèi)部狀態(tài)。因此，軸承失效只是旋轉(zhuǎn)機(jī)器停機(jī)最常見的原因。實(shí)時(shí)在線監(jiān)測可以提高早期檢測與故障診斷自動化,但更可靠的及更快的數(shù)學(xué)方法是必需的。 滾動軸承早期故障的分類是研究前沿，與之相關(guān)的研究工作很少。在最近兩年，有名望的雜志僅僅推出了四五篇與滾動軸承初期診斷有關(guān)的論文【1,2,7】。在這些論文中，從實(shí)驗(yàn)室設(shè)備采集數(shù)據(jù)不包括對滾動軸承的設(shè)計(jì)非常重要的徑向載荷，可能最重要的原因之一是在工業(yè)中那些軸是來傳遞能量的。徑向滾動軸承是用于支持在軸上的負(fù)荷傳輸：主要包括連接到軸的不同零件質(zhì)量產(chǎn)生的徑向載荷的(齒輪、曲柄等)、在工業(yè)機(jī)器中

4、是不可忽略的自身質(zhì)量與軸不對中引起的某種程度的軸向載荷。在這篇論文中，滾動軸承載荷的應(yīng)用已經(jīng)包括在試驗(yàn)計(jì)劃中。不同作者的不同觀點(diǎn)導(dǎo)致由于球和環(huán)接觸圓弧而產(chǎn)生的缺陷的分類更加困難。最大限度上的發(fā)展是由Harris 3完成的，接觸面積的寬度和徑向載荷的平方根成正比。那就是說，軸承提供的徑向載荷越大，那么接觸的橢圓面積就越大。假如這樣，那么球和環(huán)的接觸不能被考慮成一個(gè)點(diǎn)，所以潛在故障就會隱埋在這個(gè)接觸面，使得我們難以被發(fā)現(xiàn)他們。 這里有兩個(gè)階段來實(shí)施故障診斷過程：第一，特征提取和噪聲減少的信號處理；第二，在前一階段得到的信號基礎(chǔ)上進(jìn)行分類。大部分與軸承故障診斷的研究同意以此為目的的振動信號，在滾動體

5、運(yùn)行發(fā)生故障時(shí)出現(xiàn)不穩(wěn)定信號的特征。近幾年，不同的技術(shù)被用于處理由動力系統(tǒng)提供的信號。大部分作者用三種方法分析振動信號的分類：基于統(tǒng)計(jì)參數(shù)的時(shí)域，比如，平均值、均方根、方差、峰值等。頻域，在過去這個(gè)是傅里葉變換（FT）和反變換最常用個(gè)地方；時(shí)-頻 分析，比如，小波變換（WT）。這最后一種方法是信號不穩(wěn)定特征最常用的方法。最經(jīng)典的方法是能量光譜密度（PSD）和解調(diào)方法（基于頻域）。第一種方法給我們一個(gè)從快速傅里葉變換（FFT）獲得每個(gè)頻率峰值能量的方法。這個(gè)解調(diào)方法或者軌跡分析是由從當(dāng)時(shí)信號的軌跡所獲得的光譜組成（基于希爾伯特變換）。這些方法在實(shí)驗(yàn)條件下已經(jīng)被證明是有用的來檢測軸承故障（不是在初

6、始階段），當(dāng)那里的其他輸入源的故障被忽略或排除。在這個(gè)實(shí)例的初始階段，這個(gè)光譜的振幅是非常低的并且其他的方法是被需要的。微波變換被成功的用做故障特征提取者根據(jù)好的能量集中性能。Peng et al. In11發(fā)行了一刊關(guān)于微波變換在機(jī)器的檢測和故障診斷應(yīng)用的書籍性的評論。微波變換的主要缺點(diǎn)，和形式轉(zhuǎn)變的基本功能的選擇相分離，那就是他不能夠分離機(jī)器操作失敗信息的高頻段的表現(xiàn)。這個(gè)問題在1997年被Liu et al.提出的微波包變換（WPT）解決了.微波包變換是一個(gè)給出了適當(dāng)頻率段劃分的多分辨率的分析技巧。然而大部分用WT在故障診斷的作者正在開發(fā)一個(gè)方法來摒棄獲得的較少的代表系數(shù)從而到達(dá)下一個(gè)分

7、類階段(例如, Chen et al.開發(fā)的門檻方法)。微波包系數(shù)可以直接作為特征來使用，并且他們具有高的靈敏度來發(fā)生故障。總之, 許多故障特征可以被獲得, 主要是和微波系數(shù)或微波能量。既然微波系數(shù)將會突出那些經(jīng)常預(yù)測故障發(fā)生的信號的變化， 那么微波系數(shù)的基本特征是適合故障檢測。然而，因?yàn)樾盘栁⑷醯淖兓ǔв心芰?，那些變化在微波能量基本特征中將會很容易被掩?所以, 微波能量基本特征不能夠發(fā)現(xiàn)初期的故障。 信號處理是軸承故障診斷系統(tǒng)中一個(gè)非常重要的項(xiàng)目。然而，為了獲得一個(gè)推測一個(gè)獲得旋轉(zhuǎn)要素真實(shí)條件的監(jiān)測系統(tǒng)，一個(gè)分類系統(tǒng)是被需要的。故障診斷的新趨勢是試著去開發(fā)智能的分類系統(tǒng)。初始的研究在被

8、發(fā)現(xiàn)在十四十五世紀(jì)。盧、蘇達(dá)權(quán)等在文獻(xiàn)2在軸承中使用了一種模糊分類器的故障診斷,基于用作特征向量發(fā)生器的離散微波變換的應(yīng)用。 Hu et al. 用了一個(gè)支持向量的機(jī)器組在文獻(xiàn)【1】中，并且這個(gè)領(lǐng)域其他的研究人員用了遺傳算法16或神經(jīng)網(wǎng)絡(luò)17,18做為分類的要點(diǎn)。 提出的方法論用直接的方法來執(zhí)行診斷程序，沒有發(fā)展其他作者開發(fā)的探測和識別任務(wù)2,1。在這種意義上，振動信號把那些將要被立刻處理的輸入信號描繪給監(jiān)測系統(tǒng)，為了獲得組件條件和狀態(tài)。隨后，一個(gè)預(yù)先訓(xùn)練好的分類器系統(tǒng)將會提供系統(tǒng)狀態(tài)的診斷。這種方法降低了診斷過程中人為因素的影響。 Fig. 1. 診斷程序流程圖2. 實(shí)驗(yàn)裝置： 獲得的振動信

9、號多虧實(shí)驗(yàn)室后提供的如圖.2,在這個(gè)由UNED機(jī)械部門發(fā)展的實(shí)驗(yàn)室，F(xiàn)AG 7206 B單球軸承進(jìn)行試驗(yàn)研究.在圖中，從右手邊開始，接下來的可以看見的是：軸向和徑向氣缸，軸承裝配，一個(gè)B&K 4383型 8.5千赫帶寬的加速度計(jì)，一個(gè)測量每分鐘多少轉(zhuǎn)的轉(zhuǎn)速儀，一個(gè)傳動皮帶輪直接由V型帶和電機(jī)連接。額外的采集裝置是一個(gè)B&K NEXUS放大器，一個(gè)DAS-1200 Keithley的采集卡。采樣率被設(shè)定在5000HZ，并且每個(gè)被獲得的信號由5120個(gè)點(diǎn)，從這個(gè)試驗(yàn)系統(tǒng)獲得了四套實(shí)驗(yàn)數(shù)據(jù)：1、 在正常條件下；2、 內(nèi)環(huán)故障；3、 外環(huán)故障；4、 球故障；Fig. 2. 軸承試驗(yàn)臺.

10、UNED Lab. Fig. 3. 軸承故障: (a)內(nèi)環(huán); (b)外環(huán)在內(nèi)環(huán)或者外環(huán)上有一個(gè)2mm長的認(rèn)為用電筆留下的凹陷。在這個(gè)例子中的滾球，在其表面形成多重的插槽來模仿flacking現(xiàn)象。軸承破壞的環(huán)如圖.3所示。徑向和軸向的載荷分別為2.5bar和3bar，一共用了196軸承測量獲得，49個(gè)的是在600RPM下進(jìn)行的。平行研究是在1200RPM和1800RPM下進(jìn)行的。正如文獻(xiàn)所說的，每個(gè)類型的故障有他的特征頻率【19】.這個(gè)實(shí)驗(yàn)(FAG 7206B)中用到的球軸承導(dǎo)出球軸承在600RPM運(yùn)行時(shí)的頻率：BPFI (球通過頻率內(nèi) 環(huán)) : 75.39Hz.BPFO (球通過頻率外 環(huán))

11、 : 54.60Hz.BSF (球旋轉(zhuǎn)頻率滾動體) : 23.34Hz. Fig. 4. 實(shí)驗(yàn)數(shù)據(jù)和第一次處理:左、實(shí)驗(yàn)裝置的四個(gè)賦存條件的原始數(shù)據(jù)(加速度m/s2)；右，每個(gè)信號的光譜PSDmV2/HZ. 然而, 那些頻率不能被觀察在軸承惡化發(fā)展的最初階段的光譜圖中，那就是說, 當(dāng)最初的故障發(fā)生時(shí). 另外一方面, 由于不同的連接原理會有不同的頻率在這個(gè)光譜中出現(xiàn)。在圖.4, 從滾動軸承四個(gè)賦存條件的實(shí)驗(yàn)設(shè)施獲得的信號和頻譜被提供。在這個(gè)圖中,一些感興趣的頻率可以被看出，我們需要對原始數(shù)據(jù)的預(yù)，處理來獲得初期故障特征的有用的信息， 主要為了軸承的最后兩個(gè)條件(外環(huán)和內(nèi)環(huán)故障).試驗(yàn)機(jī)器和工業(yè)機(jī)

12、器主要的不同是前者被考慮到通過實(shí)體的成型加工， 沒有摩擦和完美的配合與平衡, 但在現(xiàn)實(shí)機(jī)器的實(shí)例中, 這是不真實(shí)的. 真如圖.4, 軸承條件特征頻率, 通常,一個(gè)非常低的振幅在初期, 并且由于噪聲和其他機(jī)器的振動可能被掩蓋。3. 信號處理工作： 在這個(gè)原稿, 功率譜密度（PSD ）的分析和軌跡被畫出 ( Fig. 4). 這個(gè)結(jié)果不是讓我們預(yù)知潛在的隱患, 由于周圍頻率提出的頻率的數(shù)值。 在評估這個(gè)結(jié)果后, 我們推斷, 當(dāng)一個(gè)工業(yè)機(jī)器在運(yùn)行，有很多因素來增加振動信號，一個(gè)排除沒用信號的濾波器是不容易落實(shí)的。一個(gè)微波變換讓我們作為第一個(gè)濾波器把不穩(wěn)定特征加給信號。細(xì)節(jié)級別獲得的參數(shù)讓我們產(chǎn)生一種

13、模式分類問題上的興趣。這個(gè)被推薦的方法讓我們自動化的完成維修過程在真正的生產(chǎn)中。 為了信號處理目的的一些見解被暫時(shí)提出。微波分析對不穩(wěn)定信號有更好的性能優(yōu)點(diǎn)，一套微波代表一段時(shí)間信號. 他們組成一個(gè)功能來自于叫微波母函數(shù)的信號函數(shù)的家庭,通過擴(kuò)張和轉(zhuǎn)化處理. 擴(kuò)張和大小有關(guān), 并且他被認(rèn)為是一個(gè)尺度參數(shù)當(dāng)轉(zhuǎn)化是所選微波的時(shí)軸的位置變化時(shí)。Fig. 5. 頻帶編碼通過兩個(gè)頻道 通過應(yīng)用分析方程WT幾乎不能被用到；因此，一個(gè)離散化方法是被需要的。給出數(shù)組fn,這個(gè)離散的信號被分析了，仿真的DWT被給出通過： (1)當(dāng) 微波母函數(shù)時(shí).根據(jù)二階比例Eq.2中出現(xiàn)的參數(shù)t和s是清晰的，j表示分解的級別和

14、k轉(zhuǎn)化的因數(shù)。 (2) 多分解分析是非常適合的方法來執(zhí)行離散化9.他由遞歸濾波器應(yīng)用組成，有一個(gè)帶有脈沖響應(yīng)hn的單向低通濾波器的應(yīng)用開始，過濾器適合信號的數(shù)學(xué)卷積和過濾器的脈沖響應(yīng)，排除所有最大的信號頻率的成分。MRA分解信號在不同的頻率段，但是不同的分辨率把信號分成兩個(gè)不同的數(shù)據(jù)：近似信息和詳細(xì)的信息。兩個(gè)功能組被用來描述這個(gè)信息。他們分別被稱作與低通和高通濾波器有關(guān)聯(lián)的比例函數(shù)（）和微波函數(shù)（）.經(jīng)過濾波后,同樣數(shù)量的樣品將會被獲得,但是只有一半的頻率段.通過應(yīng)用尼奎斯特定理,一半的樣品被證明是沒有丟失信息的。這個(gè)步驟是第一個(gè)分解級（level 1）并且能夠被表達(dá)成數(shù)學(xué)形式如下： （3）

15、 （4）yhigh和ylow 是分別是低的（h）和高的（g）段的輸出濾波器；因素2k用二階方法判定替代的樣品,n是最初的樣品數(shù)量.這個(gè)方法,也被稱作替代法,表達(dá)如圖Fig. 5, 并且他可能被重復(fù)為了額外的分解。 3.1. MRA 為了提取特征： 在這部作品中,母小波Daubechies-6已經(jīng)被選來處理每個(gè)由49個(gè)信號的條件。 Fig. 6 表明了正常條件下和內(nèi)環(huán)故障時(shí)信號的區(qū)別。這個(gè)近似法L（a5),并且五個(gè)細(xì)節(jié)層次(d1d5)被給出來說明每個(gè)信號。基于這個(gè)情節(jié),內(nèi)環(huán)故障和正常條件顯示了幾個(gè)重要的不同點(diǎn)在不同的頻率段,就像d3,d4 和 d5.相同的結(jié)果被獲得為了球和外環(huán)故障。第五層的細(xì)節(jié)

16、系數(shù)(cD5)被選擇作為性能特點(diǎn)20 。然而以為分類任務(wù)，虛擬神經(jīng)網(wǎng)絡(luò)(ANN)需要盡可能少的系數(shù)，最后的分解級給出了比其他較少的系數(shù)(18)。除此之外,這個(gè)頻率在每個(gè)頻率段明顯的不同。特征向量被后處理通過標(biāo)準(zhǔn)向量-1,1并且他們屬于頻率段(78.125156.25Hz).一般說來, 每個(gè)離散信號fn我們都有一個(gè)Eq.(5)的特征向量Vcfn （5）4. 分類系統(tǒng) ： 在故障診斷方法20的發(fā)展中模式分類理論已經(jīng)成為一個(gè)重要的方法. 一些過程監(jiān)控的分類方法利用一套模式和沒有建立內(nèi)部過程或者明確的結(jié)構(gòu)故障類型。當(dāng)今,虛擬神經(jīng)網(wǎng)絡(luò)（）是最流行的方法。ANN是一種啟發(fā)于生物神經(jīng)系統(tǒng)的信息處理范例。人類

17、學(xué)習(xí)過程也許部分是自動化的隨著ANN的發(fā)展，那些可能形成一個(gè)特殊的應(yīng)用,比如模式識別或者數(shù)據(jù)分類，通過學(xué)習(xí)過程，一個(gè)神經(jīng)單位由一套接受和轉(zhuǎn)化信息的關(guān)系式組成,并且一個(gè)收集信號的網(wǎng)絡(luò)功能(一般作為一個(gè)線性組合 權(quán)重×輸入偏差) 并且把這個(gè)信號送到一個(gè)處理他并產(chǎn)生輸出的傳遞函數(shù)。一般神經(jīng)元的基礎(chǔ)部分如插圖Fig. 7. Fig. 6. 微波在第五級被分解。Normal標(biāo)準(zhǔn)軸承(A30602)和內(nèi)環(huán)故障的軸承(I10601)以上,原始信號；a5-第五級近似值(078.125Hz),d1d5:五個(gè)層次,d1(12502500Hz),d2(6251250Hz),d3(312.5625Hz),d

18、4(156.25312.5Hz)和d5 (78.125156.25Hz). Fig. 7. 虛擬神經(jīng)元圖解 在ANN's應(yīng)用中主要有兩個(gè)階段:學(xué)習(xí)或訓(xùn)練階段和測試階段。 學(xué)習(xí)階段是至關(guān)重要的,因?yàn)樗鼪Q定了網(wǎng)絡(luò)能夠解決未來任務(wù)的類型。一旦這個(gè)網(wǎng)絡(luò)是被訓(xùn)練過的，這個(gè)測試階段就要跟著，輸入信號的典型特征在那里被處理。在計(jì)算網(wǎng)絡(luò)權(quán)重之后，神經(jīng)元最后一層的值和期望的輸出比較來核實(shí)設(shè)計(jì)的適合性。 4.1.多層感知器(MLP) 一個(gè)多層感知器網(wǎng)絡(luò)被設(shè)計(jì)作為每個(gè)輸出的神經(jīng)元(稱作感知器)被連接到所有以前層的神經(jīng)元并且同一層神經(jīng)元(22)之間沒有關(guān)聯(lián)。感知器從多重的實(shí)際的輸入計(jì)算輸出通過其輸入權(quán)重形成一

19、個(gè)線性組合.一個(gè)多層感知器的例子如圖Fig. 8. 一個(gè)MLP是一個(gè)有監(jiān)督的網(wǎng)絡(luò),并且被訓(xùn)練來得到一個(gè)期望的回答。這個(gè)網(wǎng)絡(luò)學(xué)習(xí)怎樣把輸入數(shù)據(jù)轉(zhuǎn)化為期望的回答，所以它被廣泛地應(yīng)用在模式分類。一個(gè)MLP可以近似幾乎任何輸入/輸出的脈沖。它被引導(dǎo)來近似最佳統(tǒng)計(jì)分類器的性能在困難的問題。大部分ANN的應(yīng)用包括MLPs. 一個(gè)一般性的訓(xùn)練行為被給出如圖Fig. 9；它表明訓(xùn)練和有效數(shù)據(jù)可以被分成截然不同那個(gè)的集合。 用于訓(xùn)練目的的數(shù)據(jù)被分成二十個(gè)子集來執(zhí)行這個(gè)訓(xùn)練過程,并且測試集和二十個(gè)信號部分分類的成功率被給出。Fig. 8. 典型的MLP結(jié)構(gòu) Fig. 9. MLP 訓(xùn)練性能 4.2. 分類神經(jīng)網(wǎng)絡(luò)

20、 在ANN中通過使用特征向量( Eq.(5) 作為輸入，使得在他的條件下可以進(jìn)行信號分類。在這個(gè)原稿中，多層感知器被選擇用來作為有監(jiān)督的網(wǎng)絡(luò)為了分類的目的。從實(shí)驗(yàn)臺獲得的75%的信號被用來網(wǎng)絡(luò)訓(xùn)練，因?yàn)闇y試而脫離了原有的信號。為了選擇一個(gè)好的神經(jīng)網(wǎng)絡(luò)配置，這里有幾種可以深入考慮的方法。對于ANN感興趣的主要觀點(diǎn)歸結(jié)如下：（1） 網(wǎng)絡(luò)設(shè)計(jì)的目的：決定輸入和輸出變量，被使用的輸入和輸出的節(jié)點(diǎn)的數(shù)量，神經(jīng)網(wǎng)絡(luò)隱藏層的數(shù)量，每個(gè)隱藏層隱藏節(jié)點(diǎn)的數(shù)量，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)大小的設(shè)置。（2） 網(wǎng)絡(luò)訓(xùn)練的目的：初始化網(wǎng)絡(luò)的權(quán)重，選擇適當(dāng)?shù)膮?shù)值（如學(xué)習(xí)速度），選擇訓(xùn)練結(jié)束的標(biāo)準(zhǔn)。（3） 實(shí)用性考慮：網(wǎng)絡(luò)的準(zhǔn)確

21、性，網(wǎng)絡(luò)的健康，可行性，然而選擇參數(shù)在一定程度上是一個(gè)實(shí)驗(yàn)有誤差的過程，有一些準(zhǔn)則可以用于選擇這些值。對詳細(xì)說明有興趣的讀者可以參考 22,23. 早晚我們的實(shí)例中，網(wǎng)絡(luò)體系結(jié)構(gòu)由輸入層組成，包含18個(gè)神經(jīng)元（特征向量的大?。?0，20和30個(gè)神經(jīng)元是只有一個(gè)隱藏層，為了核實(shí)ANN's的行為，輸出層有四個(gè)神經(jīng)元，針對每個(gè)條件分門別類。網(wǎng)絡(luò)功能一般是線性的，但傳遞函數(shù)是雙曲正切值。該結(jié)構(gòu)是最受歡迎的并且已被證明能夠了解復(fù)雜的功能23.訓(xùn)練參數(shù)的選擇有時(shí)是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程成功的關(guān)鍵。不幸地是，那些值得選擇通常是問題的所在。沒有通用的計(jì)算公式可以用來選擇這些參數(shù)值。然而，一些指導(dǎo)方針,如下

22、文所述,可以被遵循作為一個(gè)原始的試驗(yàn)。經(jīng)過幾次試驗(yàn)，神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)師應(yīng)該有足夠的經(jīng)驗(yàn)對任意給定的問題來設(shè)定合理的參數(shù)。相對與培訓(xùn)設(shè)計(jì)，監(jiān)督式學(xué)習(xí)的基本范圍如下：正常狀態(tài):-1,-1,-1,1內(nèi)環(huán)故障:-1,-1,1,-1外環(huán)故障:-1,1,-1,-1球故障: 1,-1,-1,-1 隱藏層數(shù)和隱層節(jié)點(diǎn)數(shù)影響了網(wǎng)絡(luò)的精度同時(shí)影響了訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要的時(shí)間。在這篇論文中，我們限制自己成為一個(gè)三層的網(wǎng)絡(luò)，因?yàn)檫@種結(jié)構(gòu)已被證明能夠?qū)W會任意復(fù)雜連續(xù)函數(shù)24。為了完成多重神經(jīng)網(wǎng)絡(luò)的客觀比較，為不同的測試它把感興趣的隱層節(jié)點(diǎn)數(shù)設(shè)置在10、20、30。它是一種常見的做法來選擇一套訓(xùn)練數(shù)據(jù)和一組測試數(shù)據(jù),在統(tǒng)計(jì)上是顯

23、著代表在考慮中系統(tǒng)。訓(xùn)練數(shù)據(jù)的集合是用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的,并且包括驗(yàn)證,當(dāng)測試數(shù)據(jù)集是用來檢測訓(xùn)練成功后的網(wǎng)絡(luò)的精度。我們將會使用預(yù)處理好的集合從設(shè)置的試驗(yàn)中提取。輸入值的標(biāo)準(zhǔn)化將增加了神經(jīng)網(wǎng)絡(luò)的數(shù)值的穩(wěn)定性的處理，而標(biāo)準(zhǔn)化輸出值是有必要的因?yàn)樘幚砩窠?jīng)網(wǎng)絡(luò)單位的激活函數(shù)的特征；因?yàn)檫@個(gè)原因,輸入與輸出值被標(biāo)準(zhǔn)化在0,1之間。 神經(jīng)網(wǎng)絡(luò)參數(shù)的臨界參數(shù)之一速度是收斂的，這是學(xué)習(xí)系數(shù)所決定的。通常,它是適合來快速學(xué)習(xí)的，如果不那么快的話容易引起不穩(wěn)定的學(xué)習(xí)迭代。不同的措施可以用來訓(xùn)練并監(jiān)督培訓(xùn)的過程。在這個(gè)原稿中，這兩個(gè)基準(zhǔn)誤差測量是用來訓(xùn)練和監(jiān)控神經(jīng)網(wǎng)絡(luò)的性能，描述如下： (6) 當(dāng) 是網(wǎng)絡(luò)的輸出

24、、 是具有同樣輸入的實(shí)際系統(tǒng)的輸出和w 是當(dāng)前網(wǎng)絡(luò)權(quán)重的向量。用于終止網(wǎng)絡(luò)的訓(xùn)練通用的標(biāo)準(zhǔn)是：（a）足夠小的均方訓(xùn)練精度（b）訓(xùn)練誤差中足夠小的變化。足夠小的程度取決于網(wǎng)絡(luò)設(shè)計(jì)師和基于期望神經(jīng)網(wǎng)絡(luò)精準(zhǔn)度等級。在這個(gè)工作中，網(wǎng)絡(luò)訓(xùn)練杯結(jié)束無論是均方根誤差的訓(xùn)練數(shù)據(jù)集或者網(wǎng)絡(luò)誤差的變化小于0.005。 信息是存儲在其權(quán)重一個(gè)前饋網(wǎng)絡(luò)。網(wǎng)絡(luò)的權(quán)重越多，它能儲存的信息就越多。權(quán)重的數(shù)量是一個(gè)三層前饋網(wǎng)絡(luò)隱層節(jié)點(diǎn)的數(shù)量的函數(shù)。因此,網(wǎng)絡(luò)的隱藏節(jié)點(diǎn)越多，它儲存的信息就越多。此外，這個(gè)網(wǎng)絡(luò)是能夠?qū)W得更快23. 神經(jīng)網(wǎng)絡(luò)的初始權(quán)重在訓(xùn)練方法的收斂性中發(fā)揮重要作用。沒有預(yù)先的信息關(guān)于終止網(wǎng)絡(luò)的權(quán)重，這是常見的做

25、法來初始化所有絕對值小的隨機(jī)數(shù)的權(quán)重在-0.1, 0.1.在線性矢量化和,它通常需要重整權(quán)重在每個(gè)訓(xùn)練段。 訓(xùn)練過程中也涉及到基地為執(zhí)行訓(xùn)練算法迭代。更新后的誤差和動量方法反向傳播如Eq.(7) 被用于更新網(wǎng)絡(luò)的權(quán)重。使用的學(xué)習(xí)速率在這個(gè)案例中是0.8。 (7) 表示第i個(gè)神經(jīng)元的值,訓(xùn)練樣本j,在第m個(gè)隱藏層, 是學(xué)習(xí)速率, 是一個(gè)MSE 近似值。停止準(zhǔn)則是基于達(dá)到的最小誤差，在這里是5%。網(wǎng)絡(luò)訓(xùn)練也包括限于25000紀(jì)元以及確認(rèn)的數(shù)據(jù)集可能影響訓(xùn)練，最多1000失敗的迭代。神經(jīng)網(wǎng)絡(luò)的初始權(quán)重在訓(xùn)練方法的收斂性中發(fā)揮重要作用。沒有預(yù)先的信息關(guān)于終止網(wǎng)絡(luò)的權(quán)重，這是常見的做法來初始化所有絕對值

26、小的隨機(jī)數(shù)的權(quán)重在-0.1, 0.1.5. 結(jié)果與討論： 本節(jié)內(nèi)容，完整的監(jiān)視進(jìn)程的結(jié)果被給出了。在我們發(fā)表評論之前，從實(shí)驗(yàn)室臺上收集的數(shù)據(jù)被用WP處理是為了獲得特征矢量。如圖Fig. 10, 實(shí)驗(yàn)過程被提出了。方塊代表方法和圓代表獲得的實(shí)驗(yàn)結(jié)果。在表一中，為分類而訓(xùn)練的MLP網(wǎng)絡(luò)的設(shè)計(jì)參數(shù)被介紹。 Fig. 10. 方法總結(jié)的幾點(diǎn)看法和結(jié)果 表格一MLP 網(wǎng)絡(luò)設(shè)計(jì)訓(xùn)練參數(shù)。 輸入值標(biāo)準(zhǔn)化 -1, 1 range 網(wǎng)絡(luò)輸入分布訓(xùn)練 70% 復(fù)核 25% 學(xué)習(xí)類型 有監(jiān)督的學(xué)習(xí)速率() 0.8 權(quán)重初始化 隨機(jī)的停止標(biāo)準(zhǔn) 最大迭代數(shù) 25 000 限定的MSE 10% 最低梯度 1×1

27、0-15 最大的失敗次數(shù) 1000 Fig. 11. (a) 正常軸承分類(b)內(nèi)環(huán)故障分類(c)球故障分類(d)外環(huán)故障分類 網(wǎng)絡(luò)被訓(xùn)練在三個(gè)不同數(shù)量(10, 20 和 30) 神經(jīng)元的隱藏層，為了得到最佳的結(jié)果,來研究在隱層加工單位的數(shù)量的影響在訓(xùn)練和分類的過程中。 表格二不同速度的成功率。-RPMs Normal Inner race default Ball default Outer race default Hidden neurons Network accuracy600 100 33 100 61 10 73.47 100 43 100 84 20 81.63 100 61

28、100 82 30 85.711200 100 69 100 16 10 71.43 100 82 100 25 20 76.53 100 86 100 41 30 81.631800 100 71 100 0 10 67.86 100 80 100 8 20 71.94 100 90 100 18 30 77.04- 在圖Fig. 11,結(jié)果不同受力狀態(tài)的分類為不同數(shù)量的隱含層神經(jīng)元進(jìn)行了介紹。這項(xiàng)研究讓我們確定最佳的網(wǎng)絡(luò)配置為某一特定產(chǎn)業(yè)的問題(這要取決于這臺機(jī)器的復(fù)雜性和轉(zhuǎn)子速度)。正常條件下和球故障情況很容易診斷并且他們不顯示和一些隱藏的神經(jīng)元的任何依賴， 那個(gè)表明了ANN的復(fù)雜程度。

29、 外環(huán)故障被診斷成功的幾率很少，和實(shí)驗(yàn)結(jié)果表明,該網(wǎng)絡(luò)能更好地工作在一個(gè)更高數(shù)量的隱藏神經(jīng)元。最后，內(nèi)環(huán)故障不能以不錯的成功率分類，但提高它的行為在一個(gè)更復(fù)雜的程度。然而，更好的結(jié)果已經(jīng)發(fā)現(xiàn)的這種分類在其他轉(zhuǎn)子速度。另外試驗(yàn)在更高的速度(1200 和 1800 RPM)，報(bào)道一種改進(jìn)故障軸承的成功率而降低在外圈故障的成功率，如表二所示。最好的分類結(jié)果可獲得是在轉(zhuǎn)子速度是600RPM和隱含層神經(jīng)元的數(shù)量是30。在這種情況下網(wǎng)絡(luò)精度約85%。提出了顯示出更好的結(jié)果的相關(guān)的其他作品在文獻(xiàn)里，我們必須說, 由于實(shí)驗(yàn)的建立，環(huán)和球接觸橢圓球比在我們的工作中的接觸橢圓小。因此，這是合理的來認(rèn)為手稿中獲得的

30、結(jié)果是有趣的并且他們沒有與其他沒有考慮隱患軸承條件下徑向載荷的手稿進(jìn)行比較。6. 總結(jié) ： 在這個(gè)原稿中, 一個(gè)自動故障分類技術(shù),即基于神經(jīng)網(wǎng)絡(luò)的多分辨和已被發(fā)展出來。 從真實(shí)的機(jī)器提供的數(shù)據(jù)在分類賦存條件的困難在這項(xiàng)工作也被提到。 神經(jīng)網(wǎng)絡(luò)分類方法可以用于軸承條件在一個(gè)非常初期的階段,成功率達(dá)80%以上。DWT能對分類的任務(wù)可靠提取特征, 在起始階段允許故障診斷。 自從基函數(shù)用于該方法WT就被緊大力支持, 微波分析具有良好性能的能量高度集中性。此外，提出了一種絕對的分類方法讓我們把測量的精度是在分類軸承而不是分類的信號。該方法的診斷價(jià)值進(jìn)行評估并讓我們不斷重復(fù)評估動態(tài)系統(tǒng), 知道故障狀態(tài)的變

31、化方面的進(jìn)步。 文中提出的方法讓我們自動化完整的維修過程中在真正的產(chǎn)業(yè)中 鳴謝！作者們希望感謝西班牙政府提供的MCYT金融工程DPI-2006-15443 - C02-02以及UNED機(jī)械部門的一部分的實(shí)驗(yàn)援助。參考文獻(xiàn)： 1 Q. Hu, Z. He, Z. Zhang, Y. Zi, Fault diagnosis of rotating machinery based on improved wavelet package transform and SVMs ensemble, Mechanical System and Signal Processing 21 (2007) 6887

32、05. 1095.3 T.A. Harris, Rolling Bearing Analysis, fourth ed., A Wiley-Interscience Publication, USA, 2001. 4 G. Wang, Z. Luo, X. Qin, Y. Leng, T. Wang, Fault identification and classification of rolling element bearing based on time-varying autoregressive spectrum, Mechanical Systems and Signal Proc

33、essing 21 (2007) 934947. 5 V. Rai, A. Mohanty, Bearing fault diagnosis using FFT of intrinsic mode functions in HilbertHuang transform, Mechanical Systems and Signal Processing 21 (2007) 26072615.6 Q. Du, S. Yang, Application of the EMD method in the vibration analysis of ball bearings, Mechanical S

34、ystems and Signal Processing 21 (2007) 26342644.7Y.Lei,Z.He,Y.Zi,Q.Hu,Fault diagnosis of rotating machinery based on multiple anfis combination with GAs,Mechanical Systems and Signal Processing 21(2007)22802294. 8B.Taoa,L.Zhub,H.Dinga,Y.Xionga,Analternativetime-domainindexforconditionmonitoringofrol

35、lingelementbearings.Acomparisonstudy,ReliabilityEngineeringandSystemSafety92(2007)660670.9S.Mallat,A Wavelet Tour of Signal Processing,Academic Press,NewYork,1998 of the wavelet transform to Garvox vibration analysis,American Society of Mechanical Engineers,Petroleum division, 1993,pp.1320. 11Z.Peng

36、,Applicationofthewavelettransforminmachineconditionmonitoringandfaultdiagnostics:areviewwithbibliography,Mechanical SystemsandSignalProcessing18(2004)199221. 12B.Liu,S.Ling,Machinerydiagnosticbasedonwaveletpackets,JournalofVibrationandControl3(1997)517. 13B.Chen,X.Wang,S.Yang,C.McGreavy,Applicationo

37、fwaveletsandneuralnetworkstodiagnosticsystemdevelopment,1,featureextraction, Computers andChemicalEngineering23(1999)899906. 1009. 15T.Sorsa,H.Koivo,Applicationofartificialneuralnetworksinprocessfaultdiagnosis,Automatica29(1993)843849. 16W.Staszewski,Vibrationdatacompressionwithoptimalwaveletcoefficientsgeneticalgo