基于遗传算法的BP神经网络滚动轴承故障诊断

唐立力，吕福起

(重庆工商大学融智学院，重庆 400033)

基于遗传算法的BP神经网络滚动轴承故障诊断

唐立力，吕福起

(重庆工商大学融智学院，重庆 400033)

针对滚动轴承的故障诊断问题，提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数，利用遗传算法进行BP神经网络的权值和阈值优化，并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真，结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。

滚动轴承；故障诊断；遗传算法；BP神经网络

滚动轴承是机械设备中最常用的部件，在工作过程中，由于装配不当、润滑不良、水分和异物侵入、腐蚀或过载等都可能使轴承损坏。目前，滚动轴承故障的智能诊断方法多种多样，BP神经网络诊断法是其中一种[1-5]，由于网络结构、初始连接权值和阈值的选择对网络训练的影响很大，又无法准确获得，再加上BP神经网络本身存在学习收敛速度慢、容易陷入局部极小点的问题，导致诊断精确性降低甚至误诊。为了解决这些问题，许多学者对BP神经网络进行了改进或优化，比如将小波分析和BP神经网络相结合[6-7]、对BP神经网络进行优化[8-12]以及其他一些改进方法[13-16]。

本文以某型滚动轴承为例，提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法，用遗传算法优化BP神经网络的权值和阈值，得到网络的最优初始权值和阈值。利用最优值BP神经网络进行诊断，加快了收敛的速度，克服了极小点问题，提高了滚动轴承故障诊断的精度和速度。

1 滚动轴承特征参数提取

选取某型滚动轴承的5个特征参数，分别是峰值因子、波形因子、脉冲因子、裕度因子和峭度[14]，这5个参数组成BP神经网络的输入向量。轴承状态主要分为正常、内圈故障、外圈故障、滚动体故障、保持架故障5大类，可作为BP神经网络所要诊断的5种类型。

2 滚动轴承故障诊断的BP神经网络模型

模型采用3层BP神经网络, 输入层为5个神经元，对应于峰值因子、波形因子、脉冲因子、裕度因子和峭度5个特征参数。

隐层神经元个数根据Kolmogorov定理确定[17]：

式中：M为隐层神经元节点数；N为输入层神经元节点数，值为5，故M等于11。

网络的输出对应着轴承的5种状态，将这5种输出状态分别编码为：正常(1 0 0 0 0)，内圈故障(0 1 0 0 0)，外圈故障(0 0 1 0 0)，滚动体故障(0 0 0 1 0)，保持架故障(0 0 0 0 1)。因而输出层神经元节点数取为5。

3 遗传算法优化的BP神经网络

首先利用遗传算法对BP神经网络结构中的输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值进行初始优化，得到权值和阈值的较优解；再将该较优解代入BP神经网络中，用遗传算法对网络权值和阈值进行迭代计算、反复优化后得到初始权值和阈值的最优解。具体计算步骤为：(1)初始化种群，随机产生n个可行解Xi(个体，i=1,2,…,n)组成初始种群；(2)选择BP神经网络测试误差的范数作为遗传算法的目标函数，再通过该目标函数计算种群中个体的适应度值并进行选择操作；(3)按照交叉概率Px进行交叉操作；(4)按照变异概率Pm进行变异操作；(5)得到新种群并计算出较优解，判断是否满足迭代终止条件，若满足终止条件，则遗传运算结束，输出为最优解，否则转回步骤(2)。遗传算法优化BP神经网络的算法流程如图1所示。

4 仿真与分析

4.1BP神经网络进化过程

以某型滚动轴承[14]的5个特征参数作为BP神经网络的输入，对轴承状态进行编码，所得编码定义为BP神经网络期望输出向量，训练样本和测试样本数据分别见表1、表2。

由前面分析可知,BP神经网络的结构为5-11-5型，隐层传递函数为S型正切函数tansig，输出层传递函数为S型对数函数logsig，训练算法为trainlm(LM算法)，性能函数为mse(均方误差)，训练目标为0.01。遗传算法运行参数中种群大小为40，最大遗传代数为50，个体采用二进制编码且长度为10，交叉概率为0.70，变异概率为0.01，代沟为0.95，适应度函数采用排序的适应度分配函数，选择算子采用随机遍历抽样，交叉算子采用单点交叉，变异算子采用离散变异。在MATLAB R2013a上进行仿真，得到BP神经网络的误差范数进化曲线如图2所示。

由进化结果得到BP神经网络的最小误差范数为0.113 89，所对应的网络权值和阈值为优化后的最优值，即BP神经网络的最优初始权值和阈值(由于数据比较多，这里不详细列出)。

4.2优化前后的BP神经网络仿真比较

用训练样本对随机初始权值和阈值的BP神经网络(常规BP神经网络)、最优初始权值和阈值的BP神经网络(遗传BP神经网络)分别进行训练，得到训练误差曲线的对比结果如图3所示。

由图3可以看出，常规BP神经网络达到训练目标需要16步，而遗传BP神经网络达到训练目标只需要8步，很明显遗传BP神经网络的收敛速度更快；同时也能看出遗传BP神经网络比常规BP神经网络的训练精度更高，所以遗传BP神经网络的训练效果更好。用测试样本对常规BP神经网络和遗传BP神经网络分别进行仿真，得到常规BP仿真的误差范数为0.261 37，遗传BP神经网络仿真的误差范数为0.113 89，两种网络进行故障诊断的输出结果见表3和表4。

由表3、表4可以看出，优化后的遗传BP神经网络的测试样本误差范数由0.261 37减少到0.113 89，诊断效果得到了比较大的改善。

5 结束语

本文提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。从仿真结果可以看出，该方法不但克服了常规BP神经网络收敛速度慢、容易陷入局部极小点的问题，而且能提高滚动轴承故障诊断的效率和精度。

[1] 蒋康保.神经网络在滚动轴承故障诊断中的应用[J].装备制造技术,2010(1):115-117.

[2] 胡靖,杨曙年.基于BP神经网络的滚动轴承故障诊断研究[J].机械与电子,2006(4):9-11.

[3] 舒服华.基于BP神经网络滚动轴承故障诊断[J].装备维修技术,2005(3):54-57.

[4] 胡耀斌,厉善元,胡良斌.基于神经网络的滚动轴承故障诊断方法的研究[J].机械设计与制造,2012(2):187-189.

[5] 张振飞,夏利民.基于神经网络的滚动轴承故障诊断智能方法[J].信息技术,2008(8):53-55.

[6] 丁庆喜,田福庆,罗荣.基于小波包和改进BP神经网络的滚动轴承故障诊断方法[J].现代电子技术,2013,36(8):53-55.

[7] 姜涛,袁胜发.基于改进小波神经网络的滚动轴承故障诊断[J].华中农业大学学报,2014,33(1):131-136.

[8] 陶海龙,辜琳丽,张胜召.改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用[J].铁路计算机应用,2012,21(2):9-16.

[9] 林远艳,王斌武.基于SAPSO优化的小波神经网络在滚动轴承故障诊断中的应用[J].煤矿机械,2009,30(10):228-230.

[10] 李虎成,邱建东.基于粗糙集-BP神经网络的机车滚动轴承故障诊断[J].计算机与数字工程,2014(3):526-530.

[11] 邵国友,方军,周德廉.基于粗糙集理论优化神经网络方法的轴承故障诊断[J].煤矿机械,2005(11):171-172.

[12] 程加堂,艾莉,熊伟.基于蚁群神经网络的滚动轴承故障诊断[J].轴承,2012(2):34-36.

[13] 戚晓利,潘紫微.高阶模糊BP神经网络及其在滚动轴承故障诊断中的应用[J].安徽工业大学学报,2004,21(3):254-256.

[14] 孙大洪，王发展，刘强，等.基于BP和RBF神经网络的滚动轴承故障诊断比较[J].轴承,2010(2):53-56.

[15] 徐卫晓,宋平,谭继文.基于KPCA-BP网络模型的滚动轴承故障诊断方法研究[J].煤矿机械,2014,35(8):265-267.

[16] 王敬涛,邓东花.基于概率神经网络的滚动轴承故障诊断[J].现代电子技术,2010(20):147-149.

[17] 王红君,刘冬生,岳有军.基于小波分析和神经网络的电机故障诊断方法研究[J].现代电子技术,2010(20):147-149.

Fault diagnosis for rolling bearing based on BP neural network of genetic algorithm

TANG Lili, LV Fuqi

(Chongqing Technology and Business University, Chongqing, 400033, China)

It establishes an BP neural network of genetic algorithm method to achieve fault diagnosis for rolling bearings. Taking the error as objective function, it optimizes the weights and biases of BP neural network with genetic algorithm, and accomplishes the fault diagnosis via the optimized BP neural network. This genetic algorithm optimization of BP network has better diagnostic efficiency and accuracy compared to traditional BP network in simulation results by MATLAB.

rolling bearing; fault diagnosis; genetic algorithm; BP neural network

10.3969/j.issn.2095-509X.2015.03.014

2015-02-06

重庆工商大学融智学院培育项目(20140205)

唐立力(1983—)，男，重庆人，重庆工商大学融智学院讲师，硕士，主要研究方向为智能控制、智能信息处理。

TP183

A

2095-509X(2015)03-0065-04