基于神经网络分类算法的电机轴承故障检测方法

刘国庆，史小春，廖 强

(1.四川工程职业技术学院，德阳 618000;2.电子科技大学，成都 611731)

基于神经网络分类算法的电机轴承故障检测方法

刘国庆1，史小春1，廖 强2

(1.四川工程职业技术学院，德阳 618000;2.电子科技大学，成都 611731)

针对电机轴承故障的检测问题，提出一种结合移除非故障分量(RemovingNon-bearingFaultComponent,RNFC)滤波器和多层感知器(Multi-LayerPerceptron,MLP)神经网络分类器的电机轴承故障检测方法。首先，利用神经网络设计一种RNFC滤波器，滤除与故障不相干的信号，只输出各种故障信号分量。然后，利用Levenberg-Marquardt算法训练MLP神经网络来构建故障分类器，并从RNFC滤波器输出的故障信号中提取4种时域特征(均方根、方差、偏度和峰度)，作为故障分类器的输入。最后，实现对内圈缺陷、外圈缺陷和滚动体故障的检测。实验结果表明，该方法能够准确检测故障且对环境噪声具有鲁棒性。

电机轴承；故障检测；Levenberg-Marquardt算法；非故障分量滤波器；神经网络分类器；时域特征

0 引 言

异步电动机具有高可靠性和高性能等优点，然而也会出现一些故障[1]。轴承故障是大部分机械故障的主要来源[2]。轴承故障产生的振动影响具有相对较低的能量，且往往伴随着高能量噪声[3]。

目前，电机轴承故障检测技术主要分为3类：基于信号、基于知识和基于模型技术[4]。其中，基于信号的故障检测技术的基础是分析测量信号的频谱分量。常用的频域分析方法有快速傅立叶变换(FastFourierTransform,FFT)。然而，由于大功率噪声的存在，常规FFT方法很难从频谱中获得轴承故障信号。为此，形成了多种先进的频谱分析方法，例如短时傅立叶变换、小波变换(WaveletTransform,WT)和Park矢量法等[5]。为了克服噪声的影响，学者们开发了多种先进的轴承故障检测方法。例如，文献[6]对振动信号进行WT频域分析，提取频域特征作为神经网络(NeuralNetwork,NN)输入来检测轴承故障。然而，无用信号会降低神经网络的分类精度。为此，文献[7]在使用NN进行故障识别前，对振动信号进行维纳滤波，以去除噪声和无用信号，一定程度上提高了NN的分类精度。然而，该方法能够识别的故障种类很有限。

本文提出了一种结合移除非故障分量(RemovingNon-bearingFaultComponent，RNFC)滤波器和多层感知器(MultilayerPerceptron，MLP)神经网络分类器的电机轴承故障检测方法。利用RNFC滤波器滤除无关信号，接着提取4种时域信号特征，并利用Levenberg-Marquardt算法来训练MLP神经网络分类器，对故障进行分类识别。结果表明，提出的方法具有较高的检测率，且对环境噪声具有鲁棒性。

1 提出的故障检测方法

大部分轴承故障检测方法都是基于振动信号分析，包括健康状态时和故障时的信号[8]。但是，分析健康时的信号对故障检测和分类没有作用，且浪费计算资源。为了避免分析非轴承故障分量(即健康部分)，提高故障检测效率。本文方法中，首先基于神经网络设计一种RNFC滤波器，滤除与故障不相干的信号，只输出各种故障信号分量。然后，利用MLP神经网络构建故障分类器，从RNFC滤波器输出的故障信号中提取特征，作为故障分类器的输入，进而实现对故障的检测。系统整体结构如图1所示。

图1 提出的故障检测方法结构图

1.1 非故障分量滤波器

移除非轴承故障分量(RNFC)滤波器框图如图2所示，变量名定义如下：

x(n)：电机振动信号；y(n)：估计的振动信号中与故障不相关的部分(非轴承故障分量)；e(n)：振动信号中的故障部分；n0：数据样本数。

图2 移除非轴承故障分量(RNFC)滤波器

多种算法可用于设计RNFC滤波器，例如自适应横向滤波器、经典最小均方(LeastMeanSquare,LMS)算法、有限脉冲响应/无限脉冲响应、维纳滤波算法、递归最小二乘算法(RecursiveLeastSquare,RLS)和神经网络(NN)算法[9]。本文基于一种自适应线性神经网络构建RNFC滤波器，其具有purelin激励函数，结构如图3所示。运用监督训练方法获取目标(非故障部分)，网络输入p和目标t如下：

图3 自适应线性神经网络的结构

式中：shealthy(k)为健康异步电机的采样振动信号(k为样本数)。

为了实现更好的性能，将输入向量归一化到[0，1]范围内，将均方差作为神经网络的性能指标，并在训练过程中最小化该指标。这个过程中，由LMS算法获得神经网络参数(权重(w)和偏置(b))，并构建成参数向量X[10]，神经网络的输入向量Z定义：

(1)

基于式(2)，将方差总和作为成本函数：

(2)

式中：

E[t2]-2XTE[tZ]+XTE[ZZT]X

(3)

令

(4)

则有：

(5)

最后通过下式获得权重和偏置：

(6)

利用健康和各种故障条件下的信号数据集来训练RNFC滤波器中的自适应线性神经网络。训练完成后，当输入的振动信号包括健康和故障部分，该神经网络滤波器会识别健康部分，然后从输入振动信号中除去。RNFC滤波器的输出仅包括故障部分的信息，用于后续电机故障的检测和分类。但是，该信息的仅能检测故障，不能确定故障类型。为此，本文将构建第2个神经网络来识别故障。

1.2 基于MLP神经网络的故障分类

轴承状态分成4类[11]：(1) 健康状态；(2) 内圈缺陷故障；(3) 外圈缺陷故障；(4) 滚动体故障。文献[12]比较了用于轴承故障检测的径向基函数、MLP和概率神经网络，结果表明MLP在检测率方面较优且速度快。因此，本文采用MLP神经网络作分类器，其结构如图4所示。

图4 多层感知器网络的结构

需要从RNFC滤波器输出的故障信号中提取适当的特征，来训练基于MLP神经网络的分类器。本文选择4个时域特征，分别为：均方根、方差、偏度和峰值，来作为MLP神经网络故障分类器的输入特征，输入特征为：

(7)

均方根计算式：

(8)

式中：N为样本总数，μi为第i段的平均值，定义为：

(9)

方差计算式：

(10)

偏度计算式：

(11)

峰度计算式：

(12)

本文采用Levenberg-Marquardt算法来训练该网络，Levenberg-Marquardt算法是一种求解非线性最小二乘问题的有效方法，用来实现权值和阈值的调整。该算法的性能指标为方差总和：

(13)

根据参数向量X最小化性能指标：

(14)

(15)

(16)

式中：

(17)

雅可比矩阵J(X)定义：

(18)

另一方面，根据高斯-牛顿算法可省略式(16)右侧第二项，即R(X)，因此，Hessian矩阵变为：

(19)

最终Levenberg-Marquardt参数的更新公式变为：

(20)

注意，μnI加入到JT(X)J(X)，作为修正项，防止Hessian矩阵病变。μn为学习因子，μn越小，Levenberg-Marquardt算法与高斯-牛顿算法越相似。Levenberg算法的优势是高速收敛性[13]。

2 实验及分析

采用1.2kW，380V，1 500r/min，4极的三相异步电机[14]作为实验平台，轴端和风扇端轴承均为6205-2Z。振动信号由研华PCI-1711数据采集卡采集，使用B&K4395加速度计，采样频率为32kHz。实验装置如图5所示。由于提出的方法不依赖于特征缺陷频率，所以能够在不同负载条件下使用。

采样640个周期的振动信号样本，用来训练RNFC滤波器。RNFC滤波器设计中，设定一个单位的采样数据延迟(n0=1)，因此输入原型定义：

目标为：

训练完成后，RNFC滤波器从采样的振动信号中提取出故障数据，以ptest形式表示。

将不同时期的故障振动信号作为RNFC滤波器的输入，然后从RNFC滤波器的输出中随机选择157个周期故障信号，来训练MLP神经网络分类器。

图5 轴承故障检测实验装置

四类不同故障状态下的RNFC滤波器输出波形如图6所示。可以看出，正常情况下，输出信号幅值几乎为0，这也验证了RNFC滤波器的性能。

图6 四类故障的RNFC滤波器输出

将滤波器输出的20个周期的信号作为一组，并计算4种时域特征。将特征输入到MLP故障分类器，分类器的四个输出向量定义为[0 0]T，[0 1]T，[1 0]T，[1 1]T，分别对应于健康、外圈缺陷、内圈缺陷和滚动体故障。所以，对于MLP神经网络分类器，其输入层神经元数量为4，输出层神经元数量为2。表1描述了测试数据中提取的各种时域特征。

表1 测试数据中提取的各种时域特征

本文MLP分类器采用具有“tansig”传递函数的隐层和“satins”激励函数的输出层，用来检测轴承故障类型。可以通过适当增加隐层神经元数量和隐层数量来提高模式识别性能，但隐藏层数过高也会导致网络过度训练。

对于MLP神经网络，构建4种具有不同隐层神经元数和隐层数的结构，其中隐层的数量分别为1，1，2和3。表2给出了具备RNFC滤波器和MLP神经网络分类器的故障检测结果。表3给出了无RNFC滤波器时的故障检测结果。

表2 具有RNFC滤波器的故障检测

表3 直接故障检测(无RNFC滤波器)

通过比较表2和表3中的故障检测结果可以看出，无RNFC滤波器的检测系统的检测率明显较低，从而验证了提出方法的有效性。另外，还可以看出，当网络结构为[4 10 3 5 2]，即隐层数量为3时，分类器几乎无法工作。这是因为该分类器的输入和输出类别都较少，过多的隐层数导致过度训练，从而使其无法工作。

表4给出了存在低质量采样信号时，即存在环境噪声，有和没有RNFC滤波器时的故障检测结果。注意，表4中只列出了前3种网络结构，这是因为从上述实验得知，当网络中隐含层数为3时，分类器无法工作。

表4 采样信号中存在噪声时的故障检测

从表4中可以看出，当采样信号中存在噪声信号时，具有RNFC滤波器的故障检测系统能够明显提高检测性能。这是因为，RNFC滤波器中的自适应线性神经网络能够分类出故障和非故障信号，非故障信号包含了正常和噪声信号，并进行移除。使后续的特征提取和故障分类过程不受噪声影响，提高了对采样信号质量的鲁棒性，因此可以用于嘈杂工业环境中进行高性能故障检测。

3 结 语

本文提出了一种用于电机轴承故障检测和分类的方法，首先利用神经网络设计一种移除非轴承故

3 结 语

障分量(RNFC)滤波器，从采样信号中滤去非轴承故障分量。然后，利用多层感知(MLP)神经网络构建故障分类器，从RNFC滤波器输出的信号中提取时域特征，作为MLP神经网络的输入，从而检测轴承故障。构建实验平台进行实验，在不同MLP神经网络结构下，比较了使用和不使用RNFC滤波器时的检测结果。结果表明，本文提出的结合RNFC滤波器和MLP分类器的方法具有优良的检测性能，且对环境噪声具有鲁棒性。

未来工作中，将考虑将本文方法应用到其它电机故障检测中，例如转子断条或定子故障等。

[1] 刘长良,武英杰,甄成刚.基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J].中国电机工程学报,2015,35(13):3358-3365.

[2] 李珂,邰能灵,张沈习.基于小波包熵和概率神经网络的微特电机轴承故障监控[J].微特电机,2016,44(4):37-39.

[3]TIANJ,MORILLOC,AZARIANMH,etal.Motorbearingfaultdetectionusingspectralkurtosis-basedfeatureextractioncoupledwithk-nearestneighbordistanceanalysis[J].IEEETransactionsonIndustrialElectronics,2016,63(3):1793-1803.

[4] 张登峰,张志飞,章兢.基于非线性映射的分类器及其在变压器故障诊断中的应用研究[J].湘潭大学自然科学学报,2015,37(3):82-92.

[5]JENAD,SINGHM,KUMARR.Radialballbearinginnerracedefectwidthmeasurementusinganalyticalwavelettransformofacousticandvibrationsignal[J].MeasurementScienceReview,2012,12(4):141-148.

[6]ZAREIJ.Inductionmotorsbearingfaultdetectionusingpatternrecognitiontechniques[J].ExpertsystemswithApplications,2012,39(1):68-73.

[7]ABBASIR,GHAZALM,KAZEMIMG.Statorwindingfaultdetectionininductionmotorsusingwienerfilter[J].InternationalReviewofElectricalEngineering,2012,7(4):4800-4807.

[8] 谢国民,佟莹,陆文斌.小波在采煤机异步电动机故障诊断中的应用[J].控制工程,2013,20(4):711-714.

[9]CHENGS,HABETLERTG,MAYORJR,etal.Generalizedbearingroughnessfaultdetectioninclaw-polegenerators[C]//2013IEEEEnergyConversionCongressandExposition.IEEE,2013:4432-4437.

[10]ZHONGF,LIH,WUQ,etal.AfaultdetectionalgorithmforturbopumpbasedonliftingwaveletandLMS[C]//2013IEEEInternationalConferenceonMechatronicsandAutomation(ICMA).IEEE,2013:348-353.

[11] 赵志宏,杨绍普.基于小波包变换与样本熵的滚动轴承故障诊断[J].振动、测试与诊断,2012,32(4):640-644.

[12]SAMANTAB,AL-BALUSHIKR,AL-ARAIMISA.Artificialneuralnetworksandgeneticalgorithmforbearingfaultdetection[J].SoftComputing,2012,10(3):264-271.

[13]ZHANGX,XIAOL,KANGJ.ApplicationofanimprovedLevenberg-Marquardtbackpropagationneuralnetworktogearfaultlevelidentification[J].JournalofVibroengineering,2014,16(2):855-868.

[14] 张帅,袁敏,孔令波,等.高效三相异步电动机性能测试与数据分析[J].微特电机,2015,43(3):22-26.

MotorBearingFaultDetectionMethodBasedonNeuralNetworkClassificationAlgorithm

LIU Guo-qing1,SHI Xiao-chun1,LIAO Qiang2

(1.SichuanEngineeringTechnicalCollege,Deyang618000,China;2.UniversityofElectronicScienceandTechnologyofChina,Chengdu611731,China)

Fortheissuesthatthemotorbearingfaultdetection,amotorbearingfaultdetectionmethodbasedonremovingnon-bearingfaultcomponent(RNFC)filterandmultilayerperceptron(MLP)neuralnetworkclassifierwasproposed.First,itbuiltaRNFCfilterbasedonneuralnetworktoremovethesignalwhichhasnothingtodowiththefault,onlyoutputofvariousfaultsignalcomponents.Then,itconstructedafaultclassifierbasedonMLPneuralnetworkwhichtrainedbyLevenberg-Marquardtalgorithm.Thefourfeatures(RMS,variance,skewnessandkurtosis)wereextractedfromthefaultsignaloutputofRNFCfilter,astheinputoffaultclassifier.Finally,thedetectionoftheinnerring,theouterringandtherollingelementfaultwasrealized.Theexperimentalresultsshowthatproposedmethodcanaccuratelydetectfaultandrobusttonoise.

motorbearing;faultdiagnosis;Levenberg-Marquardtalgorithm;removingnon-bearingfaultcomponentfilter;neuralnetworkclassifier;timedomainfeatures

周璞，硕士，高级工程师，研究方向为船舶辅机。

2016-07-15

四川省科技厅计划项目(2015JY0178)

TM

A

1004-7018(2017)01-0030-04