液压泵轴承故障诊断的神经网络方法研究

格式：doc
大小：59.00 KB
文档页数：5

液压泵轴承故障诊断的神经网络方法研究
在航空工业中，液压系统的工作性能直接影响着飞机的安全和旅客的生命，而液压泵是液压
系统的动力源，因此对液压泵的状态监控与故障诊断尤为重要。轴承故障是液压泵常见的故障
模式之一，由于轴承故障所引起的附加振动相对于液压泵的固有振动较弱，因而很难把故障信
息从信号中分离开来。到目前为止，对液压泵轴承故障的故障诊断尚缺少十分有效的方法。本
文提出在频域和倒频域进行特征提取，旨在解决轴承特征提取困难的问题并利用集成 BP网络
解决多故障诊断与识别和鲁棒性问题。
1 液压泵轴承故障的特征提取

对于机械系统而言，如有故障则一定会引起系统的附加振动。振动信号是动态信号，它包含
的信息丰富，很适合进行故障诊断。但是如果附加振动信号由于固有信号或外界干扰对故障信
号的干扰很大而淹没，那么如何从振动信号中提取有用信号就显得十分关键。
根据摩擦学理论，当轴承流动面的内环、外环滚道及滚柱上出现一处损伤，滚道的表面平滑
受到破坏，每当滚子滚过损伤点，都会产生一次振动。假设轴承零件为刚体，不考虑接触变形
的影响，滚子沿滚道为纯滚，则有如下损伤振动频率：
当内滚道有一处损伤时，其振动脉冲特征频率为：
fI=frZ(1 dcosα/D)/2 （1）

当外滚道有一处损伤时，其振动脉冲频率为：
fo=frZ(1-dcosα/D)/2 （2）

当滚柱上有一处损伤时，其振动脉冲特征频率为：
fR=frD(1-d2cosα/D2)/d （3）

其中：fr－内环转速频率；D－轴承的节圆直径；d－滚柱的直径；α－接触角；Z－滚柱个数。
为了克服轴承故障信号较弱且容易被液压泵固有振动淹没的困难，选用以下抗干扰能力较强
的特征作为故障诊断特征参数。
（1）振动的平均能量特征
设在液压泵泵体上测得的振动加速信号为：
a(t)={a1(t), a2(t),...， an(t)}
它是故障信号以泵体传输后的信号。根据统计学理论，振动的均方根反映振动的时域信息：

特征参数有它代表振动信号的有效值，反映振动的平均能量。
（2）振动信号的峰值特征
Pp=max{a(t)} （5）

它是反映振动信号中周期性脉动的特征量。
（3）倒谱包络特征
设f(t)为故障激励信号，h(t)为传输通道的脉冲响应。它们相应的Fourier变换有如下关
系：
对（6）式进行如下变换：
式中，τ称为倒频率；
(τ)为倒频谱。由上式可以看出故障激励信号特性和传递通道的特性被分离开来了，而一般情况
下故障激励信号与传递通道信号占据不同的倒频区段，这样可以突出故障振动信号的特性。
Hilbert变换用于信号分析中求时域信号的包络，以达到对功率谱进行平滑从而突出故障
信息。定义信号：

为最佳包络。倒谱包络模型实质是对从传感器获得的信号进行倒频谱分析，然后对其倒频谱信号
进行包络提取，从而双重性地突出了故障信息，为信噪比小的故障特征的提取提供了依据。
2 集成BP网络进行故障诊断的原理

神经网络的组织结构是由求解问题的领域特征决定的。由于故障诊断系统的复杂性，将神经
网络应用于障诊断系统的设计中，将是大规模神经网络的组织和学习问题。为了减少工作的复杂
性，减少网络的学习时间，本文将故障诊断知识集合分解为几个逻辑上独立的子集合，每个子集
合再分解为若干规则子集，然后根据规则子集来组织网络。每个规则子集是一个逻辑上独立的
子网络的映射，规则子集间的联系，通过子网络的权系矩阵表示。各个子网络独立地运用BP学
习算法分别进行学习训练。由于分解后的子网络比原来的网络规模小得多且问题局部化了，从而
使训练时间大为减少。利用集成BP网络进行液压泵轴承故障诊断的信息处理能力源于神经元的
非线性机理特性和BP算法，如图1所示。

图1 BP网络故障诊断示意图
图2中每一个子网络均为一个BP网络，各个子网络由BP算法各自学习，学习后的结果由
控制网络集成。BP网络的学习算法如下：
图2 集成BP网络示意图
把选取的每一个特征参数（包括能量特征，幅值特征和倒谱包络特征)x的值映像到神经网
络输入输出层的单个节点上，并对其进行正则处理：
xi=0.8(x-xmin)/(xmax-xmin) 0.1 （8）

式（8）把特征参数正则到（0.1,0.9）之间的目的是避免Sigmoid函数输出值极端化而
引起学习无法收敛的问题。
对（8）式得到的正则值完成如下运算，得到每个神经元的加权值和阈值：

式中，j代表当前层，i代表前一层，wij代表连接权值；cj代表当前节点的阈值；fj代表输出。
在液压泵的轴承故障诊断系统中选取内滚道和滚柱的振动能量、振动峰及倒谱包络6个特
征参数，即：

子网络输出层有一个节点，集成BP网络输出有多个节点，可以用集成BP网络的输出节点
组合来表示一种状态，实现多故障诊断与识别。
3 液压泵轴承故障诊断实验验证

（1）试验装置(见图3)
图3 液压泵试验原理图
（2）故障设置
在液压泵滚柱轴承的内滚道和滚柱上分别人为地划一道电弧。
（3）试验结果分析
选取学习率为0.1，误差为0.001,集成BP网络的控制网络为4×4×4，轴承故障子网络选
为6×12×1。本文试验研究了轴承故障的四种状态：轴承正常状态Ⅳ、滚柱故障状态Ⅰ、内滚
道故障状态 Ⅱ、滚柱与内滚道双故障状态Ⅲ。阈值判据按下式选取：

表1 轴承故障诊断试验结果
样
本
1 2 3 4 5 6 7 8 9 10

Ⅰ
0.202103 0.298738 0.209529 0.192777 0.293333 0.20135 0.19453 0.31113* 0.210065 0.21

Ⅱ
0.404539 0.403222 0.412092 0.30226* 0.412234 0.402179 0.403471 0.406661 0.413210 0.40

Ⅲ
0.601357 0.603119 0.605998 0.48998* 0.599227 0.601749 0.71175* 0.603433 0.601088 0.59

Ⅳ
0.794224 0.80098 0.796016 0.804729 0.807783 0.793221 0.804882 0.826741 0.815756 0.80

*代表误诊样本
由表1可以看出，利用集成BP网络可以成功地识别正常泵和轴承故障泵（见Ⅳ区，成功率
100％）多故障诊断与识别（见Ⅰ、Ⅱ、Ⅲ区）的成功率与学习样本量的选取有关，表1是10

个学习样本得到的结果，多故障诊断与识别的成功率可以达到80～90％，根据试验统计表明，
随着学习样本量的增加，多故障诊断与识别成功率会逐步提高。
4 神经网络鲁棒性的研究

神经网络的鲁棒性是指神经网络对故障的容错能力。众所周知，人脑具有容错特性，大脑中
个别神经元的损伤不会使它的总体性能发生严重的降级，这是因为大脑中每一概念并非只保存在
一个神经元中，而是散布于许多神经元及其连接之中。大脑可以通过再次学习，使因一部分神
经元的损伤而淡忘的知识重新表达在剩余的神经元中。由于神经网络是对生物神经元网络的模
拟，所以神经网络的最大特征是具有“联想记忆”功能，即神经网络可以由以往的知识组合，在部
分信息丢失或部分信息不确定的条件下，用剩余的特征信息做出正确的诊断。表2给出了轴承6
个特征信息中某些输入特征不正确或不确定情况下正确诊断和识别的成功率。
表2 神经网络鲁棒性统计表

输入特征不确定元素
诊断成功率

一个特征参数不确定
100％
二个特征参数不确定
94％

三个特征参数不确定
76％

四个特征参数不确定
70％

五个特征参数不确定
20％

六个特征参数不确定
8％

由表上述情况可以看出，利用集成神经网络进行故障诊断可以在丢失了大量信息的情况下
（近一半特征参数不确定）仍可以作出正确判断的成功率相当高（76％～100％）因而集成神
经网络具有很强的容错能力和鲁棒性。
5 结论

由于神经网络具有自学习、自组织、联想记忆等多种功能决定了神经网络方法是很适合于进
行故障诊断研究。本文利用频域和倒频域的振动信号作为特征参数，利用集成BP网络实现了液
压泵轴承的多故障诊断与识别。试验结果表明，该方法具有很高的成功率和鲁棒性。

基于BP神经网络的某型叉车液压系统故障诊断模型研究

中图分类号：ＴＨ２４２：ＴＰ２７７文献标识码：Ａ文章编号：１００１ —０７８５（２０１４）０２— ００９７— ０４
Ａｂｓｔｒａｃｔ：Ｔｈｅｐａｐｅｒｄｅｓｃｒｉｂｅｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｔｈｅｈｙｄｒａｕｌｉｃｓｙｓｔｅｍａｎｄｉｔｓｃｕｒｒｅｎｔｓｉｔｕａｔｉｏｎｓ，ａｎｄｐｒｅｓｅｎｔｓｔｈｅｓｔｒｕｃｔｕｒｅ，ｔｒａｉｎｉｎｇｍｅｔｈｏｄ，ａｎｄａｌｇｏｒｉｔｈｍｌｆｏｗｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｆｏｒｃｅｒｔａｉｎｆｏｒｋｌｉｆｔｉｓｂｕｉｌｔｂａｓｅｄｏｎｔｈｉｓ．Ｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｆｅａｔｕｒｅｌｉｂｒａｒｙｏｆｔｈｅｆｏｒｋｌｉｔｆｈｙｄｒａｕｌｉｃｓｙｓｔｅｍｃａｎｂｅｃｏｎｖｅｒｔｅｄｔｏｔｈｅｓａｍ－ｐｉｅｄａｔａａｖａｉｌａｂｌｅｏｒｆｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ，ｗｉｔｈｔｈｅｓｉｍｕｌａｔｉｏｎｔｅｓｔｂｙＭａｔｌａｂ．Ｉｔ ’ Ｓｖｅｒｉｉｆｅｄｔｈａｔｔｈｅｃｏｎｖｅｒｇｅｎｃｅｐｅｒｆｏｒｍ—

基于CNN-LSTM的轴承故障智能诊断方法研究

第41卷第12期 2020年12月自动化仪表PROCESS AUTOMATION INSTRUMENTATIONVol.41 No. 12Dec. 2020基于C N N-L S T M的轴承故障智能诊断方法研究徐先峰，赵龙龙，夏振(长安大学电子与控制工程学院，陕西西安710064)摘要：针对轴承工况背景复杂、故障诊断难度大、威胁公共安全和社会经济等特点，利用深度学习方法对轴承故障进行分析和建模考虑轴承故障诊断对实时性、稳定性以及准确性的高要求特性，基于卷积神经网络（CNN) f彳动提取重要特征、训练速度快的优势，提取轴承故障信号的故障信息作为整体模型的输人。

提出了卷积-长短时记忆神经网络（CNN-LSTM)轴承故障诊断模型，建立一种端到端的学习架构，实现轴承故障的智能诊断和分类。

使用凯斯西储大学（CWRU)轴承数据在Python搭建的keras框架仿真验证，结果显示所提故障诊断方法较传统方法准确率更高，模型的运行速度相较于长短时记忆网络（LSTM)轴承故障诊断方法更快，可以有效解决对比模型的稳定性差、收敛速度慢的问题:实测结果验证了所建模型应用于轴承故障诊断领域的准确性和可行性，表明结合深度学习建立轴承故障诊断模型必将成为轴承故障诊断行业的重要发展方向之一。

关键词：轴承故障;卷积神经网络;长短对记忆神经网络;故障分类;特征提取;智能诊断中图分类号：TH133.33 文献标志码：A D0I： 10. 16086/j. cnki. issn 1000-0380. 2020030015Research on Intelligent Fault Diagnosis Methodfor Bearings Based on CNN-LSTMX U X i a n f e n g,Z H A O L o n g l o n g,X I A Z h e n(College of Electronics and Control Engineering,Chang'an University,Xi' an 710064,China)A bstract ：In view of the characteristics of complex hearing operating conditions,difficulty in fault diagnosis and threats to public safety and social economy, the analysis and modeling are made for bearing faults by using deep learning. Considering the requirements of real-tim e,stability and accuracy of bearing fault diagnosis,based on the advantages of convolution neural network (C N N) ,in automatic extraction of important features and fast training speed are used as the input of the model to extract fault information of bearing fault signals. The convolutional neural network-long and short terim memory ( CNN-LSTM) bearing fault diagnosis model is proposed, and an end-to-end learning architecture is established to realize intelligent diagnosis and classification of l>earing faults. The bearing data of Case Western Reserve University ( CW RU) is simulated and verified in the keras framework built by Python. The results show that the proposed fault diagnosis method is more accurate than the traditional method,and the running speed of the model is faster compared to the long and short term memory (LSTM) neural network bearing fault diagnosis method, which can effectively solve the problems of poor stability and slow convergence speed of the comparison model. The tested results proved the accuracy and feasibility of the model used in the field of bearing fault diagnosis. The establishment of bearing fault diagnosis model combined with deep learning will become one of the important development directions of the bearing fault diagnosis industry.K eyw ords：Bearing fault; Convolutional neural network( CNN) ; Long and short term memory ( LSTM) neural network；Fault classification；Feature extraction；Intelligent diagnosis〇引言轴承作为旋转机械设备中广泛应用的关键部件之一111,发生故障会导致设备停产，甚至造成人员伤亡21。

滚动轴承振动诊断的SOM神经网络方法

ＴｒｎａｔｎｎＥｎｒｙＣｏｖｒｉｎｖ１ｎＪｎ，０３：４－５１ａｓｃｉｓｅｇｎｅｓｏ，８，２，ｕｅ２０２５２ｏｏ
４ＭａｉＬｐｒｋＹ，ｏａｏＫＡ．ｕａ－ｅｗｏｋａｐｏｃａｌｄｔｃｉｎａｉｇｏＮｅｒｌｎｔｒｐｒａｈｔｆｕｔｅｅｔｏｎｄｄａｎ — ｏｓｓｎｉｄｔｉｒｃｓｅ．ＥＥＥＴｒｎａｔｎｎＣｏｔｏｙｔｍｓＴｃｎｌ－ｉｎｕｓｒａｐｏｅｓｓＩｉｌａｓｃｉｓｏｎｒｌｓｅｅｈｏｏｏＳ
ｇ，９７５６：２～４Ｙ１９，（）５９５１
５吴希军、胡春海．基于核主元分析与神经网络的传感器故障诊断方法．传感
技术学报，０６２１）２０，（９
第１期
吴涛等：滚动轴承振动诊断的ＳＯＭ神经网络方法
１９９
量纲参数指标依赖历史数据并且对载荷和转速的变化比较敏感，
ｌ。ｍｎｅｉ凡Ｍｅ凡。ｄｔｈｅｏｒｅｗ￡ｄｎ．ｓ “
过，图所。动承作，感拾的动号程如１示滚轴工时由器取振信成传
１故障轴承振动与信号的关系
Ａ－来稿日：０９０ — ０ ★ 期２０—３１基金项目：陕西省自然科学基金（０７８，２０Ｅ１）西安建筑科技大学科技基金资助（Ｃ７１Ｊ０１）
习样本。
由于原始的采集数据值比较大，而且不便于后期的分析，故

基于1DCNN和迁移学习的滚动轴承故障诊断方法研究

基于1DCNN和迁移学习的滚动轴承故障诊断方法研究基于1DCNN和迁移学习的滚动轴承故障诊断方法研究滚动轴承在工业设备中起着至关重要的作用，其故障会导致设备的停机和生产线的中断，对生产效率和设备寿命产生不利影响。

因此，滚动轴承的故障诊断对于保证设备的正常运行和提高工作效率具有重要意义。

近年来，深度学习和迁移学习技术在滚动轴承故障诊断领域取得了显著的进展。

本文旨在研究基于一维卷积神经网络（1DCNN）和迁移学习的滚动轴承故障诊断方法。

故障诊断方法的设计是滚动轴承故障诊断的核心。

传统的方法主要基于特征提取和分类器的组合，需要手动选择、提取和评估滚动轴承振动信号中的故障特征。

这种方法存在特征选择的主观性和特征提取的复杂性的问题。

因此，基于深度学习的无监督特征学习方法引起了研究人员的广泛关注。

1DCNN是一种深度学习模型，适用于处理时间序列数据。

1DCNN结构包括卷积层、池化层和全连接层。

首先，卷积层通过卷积运算提取滚动轴承振动信号的局部特征，实现了空间关系的建模。

然后，池化层通过降采样操作减少特征维度，提高模型的鲁棒性。

最后，全连接层将提取的特征映射到具体的故障类别上，完成分类任务。

1DCNN可以自动学习特征表示，无需手动选择和提取特征，大大减轻了特征工程的负担。

迁移学习是一种通过利用源域数据的知识来解决目标域问题的方法。

在滚动轴承故障诊断中，迁移学习可以通过将预训练的1DCNN模型迁移到目标域任务上，提高模型的泛化能力和诊断准确性。

预训练的模型可以通过在大规模无标签的滚动轴承振动信号上进行训练得到，从而学习到丰富的特征表示。

在迁移学习过程中，通过微调模型的参数，使得模型能够更好地适应目标域的数据，从而提升滚动轴承故障诊断的性能。

本文提出如下的基于1DCNN和迁移学习的滚动轴承故障诊断方法。

首先，收集到大规模无标签的滚动轴承振动信号数据，利用1DCNN进行无监督训练，学习到有效的特征表示。

然后，选取部分具有标签的滚动轴承振动信号数据作为源域数据，利用预训练的模型进行有监督微调，提取源域数据的特征表示。

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

液压泵轴承故障诊断的神经网络方法研究

合集下载

基于BP神经网络的某型叉车液压系统故障诊断模型研究

基于CNN-LSTM的轴承故障智能诊断方法研究

滚动轴承振动诊断的SOM神经网络方法

基于1DCNN和迁移学习的滚动轴承故障诊断方法研究

文档推荐

最新文档