基于NNLI技术的齿轮箱故障诊断pdf

第16卷第3期军械工程学院学报Vol.16No.32004年6月JournalofOrdnanceEngineeringCollegeJun.,2004文章编号:1008-2956(2004)03-0005-05基于NNLI技术的齿轮箱故障诊断田燕,张志斌,郑海起(军械工程学院火炮工程系,河北石家庄050003)摘要:将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊断实例验证了该方法的有效性。关键词:载荷识别;神经网络;齿轮箱;故障诊断中图分类号:TH165.3文献标识码:A将神经网络技术的理论与研究成果应用到结构系统的载荷识别领域中,就形成了一种新的神经网络载荷识别技术(NeuralNetworkLoadIdentification),简称为NNLI技术。在齿轮箱故障诊断方法中,最常用的方法是利用箱体振动加速度信号的时域和频域特征参量来判断故障情况[1-5]。由于不同型号的齿轮箱、传感器的安装位置等对这些特征参量影响很大,再加上齿轮箱结构上的复杂性,使得特征参量与故障之间的映射关系非常复杂,这些给正确的诊断带来了一定的困难。如果利用箱体轴承座处的动态激励作为诊断信息来源,就能够比传统基于振动响应的诊断方法更准确地判断齿轮箱零部件的工作状态。为此,笔者将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI特征提取的神经网络故障诊断方法,并经实验验证了方法的有效性。1基于NNLI的齿轮箱动态激励识别针对齿轮箱系统的非线性特性,本文利用NNLI技术构造作用在齿轮箱上的载荷和响应之间的非参数映射模型,并以此来识别轴承座处的动态激励。该方法包括以下4个方面:1)动态标定试验在进行实际工况条件下的齿轮箱振动试验之前,首先要进行齿轮箱的动态标定试验,其目的是要获得反映系统特性的输入输出数据,以便在下一阶段作为神经网络的学习数据。第一步要准备大量的学习样本,齿轮箱结构系统的力学特性就包含在这些数据中。2)训练神经网络采用TDNN时延神经网络,将振动响应作为输入信号输入网络,而轴承激励作为指导信号(理想输出),反复训练网络直到输出的真实值与理想值之间的误差达到满意的程度。然后,就能确定用于识别作用在轴承座上动态激励的神经网络模型。第二阶段,网络产生了学习和泛化的功能。齿轮箱结构中固有的又难以用公式表述的激励响应之间的非线性关系将自动建立,并存在于训练好的网络中。3)实际工况条件下的齿轮箱响应测试通过在实际工况条件下的齿轮箱响应测试,获得齿轮箱正常工作状态及各种故障情况下的振动响应数据。4)齿轮箱载荷识别将齿轮箱运转中箱体表面的振动响应信号输入到已经训练好的网络中,由网络输出识别每个轴系通过轴承座对箱体施加的动态激励。收稿日期:2004-04-19;修回日期:2004-05-12基金项目:国家自然科学基金资助项目(59975087)作者简介:田燕(1970—),女,博士研究生,讲师.6军械工程学院学报2004依据上述方法,首先采用小波分析技术对测得的箱体表面振动响应信号进行降噪处理后代入已训练好的网络中,然后利用循环递归的载荷识别方法,由网络回忆输出得到箱体所受动态激励的时域波形,从而完成齿轮箱载荷识别的过程。图1为齿轮箱正常工况下1号轴承座处的激励信号。此外,笔者还对齿轮箱各种故障情况下的激励信号进行了识别运算。试验结果分析表明,齿轮箱在不同工作状态下的激励信号存在明显区别。因此,通过对识别出的动态激励进行信号处理研究,能够从中提取反映时域、频域变化的特征参量,从而可以判断齿轮箱的工作状态。2基于NNLI的特征参量提取故障诊断问题实际上是一个模式分类和模式识别问题,即由特征空间映射到故障空间。神经网络实现这一分类,关键是找出网络学习所需要的特征向量。基于这一思想,本文分别对正常工况和各种故障状态下识别出的激励信号进行了幅域、频域和倒频域分析,构造出具有表征系统状态能力的特征向量,这一过程称为基于NNLI的特征参量提取。下面对齿轮箱系统的5种状态进行基于NNLI的特征提取,向量的维数为6,分别对应偏态指标Ske、峭度指标Kur、峰值指标Cre、裕度指标Cle、一阶功率带值Pba和倒频谱脉冲指标Fim。具体数值如表1所示。表1齿轮箱各种状态下的特征向量数据类别样本特征模式向量(6维)SkeKurCreClePbaFim1-0.01271.77022.18672.74850.32014.376220.06522.89323.57115.25810.30015.384730.00311.80712.58173.28770.23797.20134-0.01863.20394.04555.97180.11585.13765-0.01721.90322.50903.21740.18767.4728注:类别1———正常工作状态;类别2———轴承内圈裂纹;类别3———轴承外圈裂纹;类别4———齿轮齿面磨损;类别5———齿轮齿根裂纹。综上所述,基于NNLI的特征参量提取方法能够从识别的激励信号中提取有效的特征参量用于检测齿轮箱的工作状态,其流程如图2所示。3基于NNLI的齿轮箱故障诊断方法提取的信号特征可输入神经网络进行故障类型识别。多层前向神经网络(MFN)能对信号进行实时学习、实时处理,能对已学习模式作出快速响应和自动识别,这有利于在线监测和实时识别。此外还第3期田燕等:基于NNLI技术的齿轮箱故障诊断7具有一定的噪声抑制能力,可通过改变网络参数调节其噪声抑制能力。多层前向神经网络的以上优点,非常适合旋转机械故障实时判断,因而本文采用多层前向神经网络对故障类型进行识别。本文将基于NNLI的特征提取与两种典型多层前向网络BP和RBF相结合,提出了两种神经网络分类器(NNLI-BP网络和NNLI-RBF网络),并通过对比实验考察这两种网络分类器的分类性能。基于NNLI特征提取的神经网络故障诊断方法的实现过程如图3所示,主要步骤为:1)归一化特征参量因为每个特征参量变化的范围不同,在将原始数据送入神经网络进行训练之前,必须对其进行归一化处理,使每一指标值统一于某种共同的数据特性范围。本文采用如下极值归一化公式把数据压缩到[0,1]之间。x′=x-xmin,xmax-xmin式中,x′为归一化后数据,x为原始数据,[xmax,xmin]为相应参数的取值范围。试验中首先将各振动响应数据分为32段,每个数据段有1024个采样点。利用NNLI技术对每个数据段分别进行载荷识别计算,得到相应的激励信号。前16组用于构建训练集,训练MFN分类网络,后16组用于测试网络分类效果。然后,对这些激励信号进行基于NNLI的特征提取,每组训练集可得1个六维特征向量。其中一组训练样本的归一化特征量与故障编码如表2所示。2)神经网络分类器的训练过程将训练集中所有的特征向量与故障编码作为神经网络的训练样本,分别采用BP网络和RBF网络进行网络训练(输入层单元数由特征向量的维数确定,输出层单元数由齿轮箱的典型故障类型确定)。其中,BP网络采用快速BP算法,初始学习率为0.1,隐层激活函数为对数Sigmoid函数,RBF网络采用高斯径向基函数激活,输出层函数均为线性函数,系统误差为0.01。当训练结束时,故障分类知识即存储在网络的权值矩阵中,此网络就可以用作故障诊断。8军械工程学院学报2004表2归一化特征量与故障编码表(标准训练样本)故障序号特征量故障编码SkeKurCreClePbaFim10.00170.23600.29150.25670.04230.58351000020.00870.38580.47510.65810.04110.67450100030.00250.24090.34420.44530.03170.96070010040.00230.28170.53940.79620.02230.68500001050.00220.25380.33530.42890.02650.9959000013)进行故障模式分类从第二组测试样本集中取轴承内圈裂纹时的一组非训练样本参数输入已训练好的RBF网络进行识别,网络输出结果为:0.05436,0.96786,0.00356,0.00723,0.00675,0.00455,即网络识别结果相当于01000,根据表2可以判断出网络识别正确。对各种工况的参数分别进行识别检验,得到表3的识别结果。从RBF分类网络的识别结果看,基于NNLI特征提取的神经网络分类器可以准确地对各种模式进行识别,具有很好的实际应用价值。表3第2组测试样本RBF网络识别结果故障序号网络识别输出结果识别类别10.976230.009930.056490.035360.054630.00356120.054360.967860.003560.007230.006750.00455230.034430.007030.999120.020340.023120.00309340.006540.001540.000120.998210.000560.00264450.008800.034670.005470.000430.987090.005875下面将基于NNLI特征提取的BP(NNLI-BP)、RBF(NNLI-RBF)网络的对比分类结果归纳在表4中。分析结果表明:基于NNLI特征提取的MFN网络分类器,能以较高的精度识别不同运行工况下的齿轮箱状态模式,且对训练集要求不高。但是也存在一些不足:BP网络训练阶段参数估计易陷入局部极小,从而导致分类结果不稳定;RBF网络可获得较高的稳定分类精度,但需要较多的训练代价。究竟选择哪一种网络分类器,可根据实际工程的需要来决定。表4两种网络分类结果比较(用齿轮箱振动响应数据)NNLI-BP网络NNLI-RBF网络故障序号测试样本正确分类错误分类分类精度测试样本正确分类错误分类分类精度总数样本样本总数样本样本11615193.75%16160100%21613381.25%16160100%31613381.25%1615193.75%41614287.50%1614287.50%51614287.50%16160100%第3期田燕等:基于NNLI技术的齿轮箱故障诊断94结论本文提出的基于NNLI特征提取的神经网络故障诊断方法可以有效地实施故障检测与诊断。由于这种方法在实施故障检测和诊断时,无需建立被诊断系统的数学模型,就可以迅速地进行故障检测,因而具有很高的实际推广价值。实验结果表明,本文提出的两种网络分类器的推广性能较好,具有较强的分类功能,适合解决旋转机械故障诊断这类复杂的问题,为设备故障诊断提供了一种新的方法。参考文献:[1]MauerGF.On-LineCylinderFaultDiagnosticsforInternalEngines[J].IEEETransactionsIndustrialElectronics,1990,37(3):221-226.[2]栾军英.基于激励分析的齿轮箱故障诊断研究[D].石家庄:军械工程学院,1999.[3]夏勇.基于时序分析与神经网络的气阀机构故障诊断[J].机械设计与研究,2001,17(1):71-72.[4]唐浦华,黎亚元.基于改进型BP算法的齿轮箱故障诊断[J].四川工业学院学报,1998,17(3):68-71.[5]戈志华,李如翔.基于BP网络的旋转机械故障诊断[J].华北电力大学学报,1998,25(4):66-71.(责任编辑:牛燕平)ResearchonFaultDiagnosisofGearboxBasedonNNLITechniqueTIANYan,ZHANGZhi-bin,ZHENGHai-qi(DepartmentofGunsEngineering,OrdnanceEngineeringCollege,Shijiazhuang050003,China)Abstract:ByapplyingNNLItech