基于BP神经网络的旋转机械故障诊断

2022-02-28李慧

现代工业经济和信息化 2022年12期

李慧

（济南工程职业技术学院，山东济南 250200）

引言

旋转机械的主要功能是由旋转部件来实现的，常见的旋转机械故障主要包括转子不平衡故障、转子不对中故障、转子摩擦故障、滑动轴承故障、滚动轴承故障、浮动密封故障、叶片式机器中流体激振故障以及齿轮箱故障等。因此为了保障旋转机械的稳定运行，故障诊断必不可少。

目前，很多专家针对旋转机械的故障诊断进行了深入研究，主要包括基于故障信号分析的研究、基于算法的研究以及基于专家系统的研究。其中，向玲、石江明等人[1-2]利用经验小波变换对旋转机械的故障进行了深入分析，实践证明，该研究能够有效诊断旋转机械的故障。钱强[3]利用振动监测技术，通过监测旋转机械的振动信号来实现故障诊断，取得了较好的成效。还有一部分学者以不同故障下表现出的振动信号为基础，利用神经网络的方法实现旋转机械的故障诊断[4-6]。廖应学、江志农等人[7-8]利用专家系统实现了旋转机械故障的诊断及预测。

鉴于此，本文利用BP神经网络，以转子不平衡、不对中、转子碰摩和基础松动等故障为例，对旋转机械进行故障诊断，有效弥补传统故障诊断中误诊率高的不足，提高故障诊断的成功率。

1 BP神经网络模型介绍

BP神经网络是一种用于数据分类或者数据预测的机器学习模型。通常，神经元主要包括输入层、隐藏层和输出层，每个神经元都有一个激活函数，用来计算被“刺激”的神经元个数，在每一层，神经元集合都会对输入参数进行一定的变换并将这些参数向下一层分布，据此分布规则如公式（1）—（3）。

式中：x为第一层输入，z为第一层输出，i，j为神经网络节点，w（j1i）为第1节点间的权值，F（an1）为被激活函数激活后的输出值，w为神经元之间的权重偏差。

对于ANN而言，其初始权值和偏差都是随机分配的，训练过程是持续进行的，训练的目的是为了得到期望的输出，而期望输出的判断依据为：

式中：y为输出，t为期望输出，文章采用了Levenberg-Marquardt（LM）梯度下降算法来完成训练过程。在训练过程中，通过公式5来进行权值和偏差的修正：

式中：J为与w相关的全尺寸雅可比矩阵，I为单位矩阵，μ为组合系数，e为预测误差。

LM算法则是通过公式（1）—（3）进行正向计算，而其输出层与隐藏层的预测误差则是通过公式（6）—（8）进行计算：

最后，再通过公式（9）、（10）来进行反向雅克比矩阵的计算：

2 模型建立过程

2.1 样本组成

为了进行旋转机械故障识别，本文选择转子不平衡、不对中、转子碰摩和基础松动4种工况的振动信号组成实验样本，样本总量为120，每种故障样本数量为30，选择100组样本作为训练样本进行BP神经网络诊断模型的训练，剩余20组样本作为诊断样本，验证所训练模型对于旋转机械故障诊断的准确率。振动提取的方法采用小波变化法，选择0～0.5f（f为小波变换的频率），0.51～0.99f，1.0f，2.0f，3.0～3.5f以及5.0f以上的6个不同的融合能量谱值作为故障的特征值进行诊断，部分故障数据如表1所示。

表1 部分故障数据

2.2 样本处理

对于学习样本，文章采取归一化的方式进行处理，基本原理如公式（11）：

2.3 输入输出确定

BP神经网络模型以S1～S6的特征值为输入变量，4种故障为输出变量，分别编号1，2，3，4，建立三层BP神经网络模型，其中输入层为6，隐藏层为10，输出层为1，形成6-10-1的网格结构。

3 模型训练与验证

3.1 模型训练过程

对100个样本进行训练，选取80个样本作为训练集，分别选取10个样本作为验证集与测试集。

模型的训练过程如图1-1所示。通过上述神经网络配置，估计性能得到了提高，并且在训练过程中，回归模型在初始化后都取得了理想的误差收敛速度。

如图1-2所示，模型经过训练后，得到了较高的拟合准确率，其中在训练过程中模型拟合准确率为99.91%，在验证过程中模型拟合准确率为99.909%，在测试过程中模型拟合准确率为97.576%，在整体过程中，模型拟合准确率为99.873%。因此，本模型的测试准确率较高，输出参数的预测值与参考值比较接近。