刘 鑫，贾云献，孙 磊，刘天斌

(1.军械工程学院 装备指挥与管理系，石家庄 050003;2.陆航研究所 一室，北京 101121; 3.中国人民解放军94270部队， 济南 250117)

基于BP神经网络的变速箱故障诊断方法研究

刘 鑫1，贾云献1，孙 磊2，刘天斌3

(1.军械工程学院 装备指挥与管理系，石家庄 050003;2.陆航研究所 一室，北京 101121; 3.中国人民解放军94270部队， 济南 250117)

针对变速箱的工作时间不能真实反映实际健康状况的问题，通过提取变速箱的振动信号作为状态参数，建立了基于BP神经网络的变速箱故障诊断模型;该模型首先提取振动信号中对故障反映灵敏的成分作为特征值，获得BP神经网络的训练数据，并通过对比确定最优的隐含层节点数，确定BP神经网络的结构参数;模型训练结束后，以验证数据为例进行故障诊断研究，并对诊断结果进行评估;评估结果表明，该模型准确度高，具有较好的应用和推广价值。

BP神经网络;故障诊断;模式识别;变速箱

0 引言

变速箱是车辆系统的重要部件，主要由齿轮和轴承组成，变速箱在使用过程中，其健康状况将随着使用时间的增长逐渐劣化。由于使用环境、使用强度及工作地点等因素不尽相同，很难通过使用寿命(摩托小时或里程等)准确的反映其实际的健康状况[1]。同时，由于变速箱在底盘中的重要作用，其健康状况对车辆的性能有重要的影响，一旦发生故障将可能导致严重后果。所以，对变速箱进行早期故障诊断具有重要的研究价值。

人工神经网络(artificial neural network)由于具有优良的非线性逼近特性、并行式分布结构、较好的容错性以及自适应学习和归纳能力, 使其在诸如建模、时间序列分析、模式识别、信号处理和工业控制等领域都得到了广泛的应用[2]。BP神经网络(back-propagation neural network)是人工神经网络中最有实用价值的部分之一。文献[1]将BP神经网络应用于装甲车辆发动机的状态评估，文献[3]中开发了利用该模型实现轴承寿命预测的应用平台，文献[4]利用人工神经网络实现了衬垫磨损过程中的寿命预测。该研究表明BP神经网络能有效实现设备的故障模式识别与剩余寿命预测。

基于以上研究，本文以某型变速箱为研究对象，测量变速箱在正常状态、齿根裂纹和断齿状态下的振动信号，选取频谱中对故障反映灵敏的啮合频率及其边带成分处的幅值为特征值，建立BP神经网络模型，实现变速箱的故障诊断，验证了方法的有效性。

1 BP神经网络模型

BP神经网络是至今为止应用最为广泛的神经网络，其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成，在正向传播与反向传播中，各层的权值不断得到调整，也就是网络的训练过程，此过程直到达到误差可接受的程度结束[3]。在多层前馈神经网络的应用中，以图1中的单隐层神经网络的应用最为普遍，该神经网络包括了输入层、隐含层和输出层。

设计BP神经网络预测模型时，主要考虑的是各函数的选取和各层神经元个数。对于一般预测模型，选取只包含一个隐含层的三层BP 神经网络，假设输入层节点为xi，隐含层节点为φk，输出层节点为yj。输入层节点与隐含层节点的权值为wik，隐含层节点与输出层节点间的权值为wkj，输出层节点对应输出的期望值为rj，则:

隐含层节点输出为:

(1)

输出层节点的输出为:

(2)

输出节点的误差为:

(3)

在BP神经网络中若选用sigmoid函数作为输出层的传递函数，其输出值智能在[-1,+1]之间，若选用线性函数purelin，则可以输出任意值[5]。

输入层和输出层神经元个数与样本有关。BP神经网络设计的难点是确定隐层神经元数目[6]。隐节点的作用是从样本中提取并储存其内在的规律，隐节点数量的设置取决于训练样本的多少、样本噪声的大小以及样本中蕴含规律的复杂程度等因素[7]。

在确定各层神经元数量后，依据公式(1)～(3)，根据图2所示流程，可以对神经网络进行训练。

2 数据预处理与程序设计

变速箱作为传动机构的关键部件，一旦发生故障将会对整个系统造成重大影响，所以对变速箱进行准确的故障诊断，提前发现故障征兆并采取积极的维修策略，对预防重大事故的发生具有重要的作用[4]。基于神经网络的诊断方法就是利用神经网络对变速箱的故障进行模式分类，此时，需要选择相应的参数作为输入，以故障原因作为输出，利用模型实现变速箱的模式分类。其基本步骤为：(1)通过实验获得设定故障和无故障状态下的监控参数，经预处理为网络的输入模式；(2)建立神

图2 BP神经网络学习和训练过程

经网络系统，通过训练网络使其达到预设的诊断精度；(3)输入故障征兆向量进行测试，获得该状态下的网络输出模式，最终得到诊断结果。

根据以上步骤，选取某型装备的变速箱为研究对象，该变速箱主要由齿轮和轴承组成，在工作中其故障主要是由于齿轮的裂纹或者断齿造成，所以将其故障类型分为齿根裂纹和断齿两种情况。由于振动信息中包含着丰富的工作状态信息和故障特征信息，可以有效的识别变速箱的状态[8]，所以分别获取变速箱在正常状态、齿根裂纹和断齿状态下的振动信号，通过快速傅里叶变换，取频谱中对故障反映灵敏的啮合频率及其边带成分处的幅值为特征值，最后得到每种状态下的四组数据。选取前3组数据为模型的训练样本P，最后一组数据为验证样本，训练样本P如表1所示。

表1 模型训练样本

通过实验采集的振动信息，建立基于振动信号的变速箱故障诊断神经网络模型。设定故障类型为1则为发生相应故障，则变速箱正常、齿根裂纹和断齿3种状态分别对应向量(1 0 0)T、(0 1 0)T和(0 1 0)T，则定义预期输出向量为:

图3 不同隐层节点下的误差变化

在此基础上，建立3层BP神经网络，输入点设15个神经元，隐含层有9个神经元；输出层有3个神经元，对应着变速箱无故障、齿根裂纹和断齿3个状态。选择隐含层传递函数为对数S型(logsig)，输出层的传递函数为线性传递函数(purelin)，设定误差目标为10-4，利用Trainlm算法训练BP网络。程序的主要部分为：

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 变速箱模式识别研究

图4 神经网络运行结果

在以上分析的基础上，通过MATLAB运行程序，得到结果如图4所示，可以清楚的看到程序运行的基本信息和神经网络的结构，包括系统迭代步数、训练时间和系统精度等等。图5显示仅经过4次迭代网络就达到了期望的误差目标。图6则是训练过程中的状态变化。

图5 训练过程中误差变化曲线

图6 训练状态变化

在第二节数据处理中，选取了四组观测数据中的前三组用来进行模型训练，第四组作为验证样本用来进行模型的验证，如表2所示。

表2 模型验证样本

建立网络模型后，将验证样本数据输入模型，对其诊断结果的准确性进行验证，所得的诊断结果如表3所示。可见，诊断结果与实际故障是完全一致的，并且具有较高的精度，误差极小，该结果表明运用训练后的神经网络模型进行故障诊断以实现模式识别是十分有效的，同时也验证了理论方法的正确性。

表3 诊断结果

4 结论

本文通过建立基于振动信号的变速箱故障诊断神经网络模型，将BP神经网络应用于某变速箱的故障模式识别研究，并取得了比较理想的实验结果。通过实验和计算分析可以看出:(1)将BP神经网络用于变速箱的故障诊断，可以十分有效的利用其振动信号，从而便于故障的模式识别；(2)通过实验研究，验证了上述方法在变速箱故障诊断中的有效性和工程中的实用性，效果十分明显，准确率高，并且易于实现，表明该方法也可应用于其他机械装备的故障诊断，具有较好的推广价值。

[1] 曹艳华，陈春良，齐蕴光，等. 基于PCA-PB神经网络的装甲车辆柴油机状态评估[J]. 计算机测量与控制，2012,20(7)：1892-1894.

[2] 杨 梅，卿晓霞，王 波. 基于改进遗传算法的神经网络优化方法[J]. 计算机仿真，2009,26(5)：198-201.

[3] 宁武龙. 基于BP神经网络的轴承寿命预测平台开发[D]. 成都：西南交通大学，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] 燕学智，钱耀义. 基于人工神经网络技术的发动机故障诊断系统[J]. 内燃机工程，2001,22(1):78-81.

[6] 宁武龙，刘桓龙，彭卫池,等. 基于BP神经网络的轴承寿命预测程序设计[J]. 现代机械，2014(3)：7-10.

[7] 施 彦，韩力群，廉小亲.神经网络设计方法与实例分析[M],北京：北京邮电大学出版社，北京.

[8] 黄 强，高世伦，宾鸿赞,等. 基于分形和神经网络的柴油机振动诊断方法[J]. 华中科技大学学报(自然科学版)，2005,33(9)：68-70.

[9] 何正嘉，陈 进，王太勇,等. 机械故障诊断理论及应用[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。

国家自然科学基金项目(71401173)。

刘 鑫(1989-)男，山东淄博人，博士研究生，主要从事装备维修理论与应用方向的研究。

贾云献(1963-)男，河北唐山人，教授，主要从事可靠性，维修理论方向的研究。

1671-4598(2017)01-0012-04

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

TH17

A