Vol.15 No.6 蒲小平等：基于神经网络的轴承故障诊断方法 613- 表1归一化后的学习样本 Table 1 The learing samples after standarding N M Rms Kot Vte Va C F FF 0 1.000 1.000 0.700 0.240 0.153 0.955 0 0 0 1 0.236 0.163 0.700 0.018 0.025 0.013 0 0 0 0 0 1.000 1.000 0.700 0.285 0.180 1.000 0 1 0 0 1 1 0.244 0.148 0.700 0.033 0.023 0.030 0 0 0 0 0 1.000 1.000 0.700 0.255 0.195 0.905 0 1 0 0 0.274 0.157 0.800 0.025 0.013 0.028 1 0 0 0 0 1.000 1.000 1.000 0.205 0.150 0.745 0 1 0 0 1 0.091 0.070 0.600 0.008 0.005 0.013 0 0 0 表2诊断结果输出 Table 2 The output of the diagnosis results M R Kn Vre Va C F F。 F F 0 1.000 1.000 0.600 0.255 0.195 0.905.0.001 0.9990.0010.001 0.998 10.300 0.165 1.000 0.025 0.013 0.028 0.999 0.0010.0010.001 0.001 01.000 1.000 0.700 0.190 0.190 0.870 0.001 0.999 0.0010.001.0.999 1 0.2320.165 0.800 0.023 0.023 0.018 0.998 0.0010.0010.0010.001 01.000 1.000 0.700 0.350 0.252 1.000 0.001 0.9990.0000.0010.998 0.3440.233 0.700 0.040 0.030 0.038 0.998 0.0010.0010.0010.001 3结论 (1)BP网络对球轴承、圆锥轴承和圆柱轴承有无故障、故障位置、故障程序和故障类 型等均有较强的诊断能力。 (2)学习样本的选取：神经网络具有一定的容错性，但对失真的样本不能进行正确分 类。考虑到实际监测中诊断参数存在随机波动，必须对学习样本进行预处理以消除随机波动的 影响，提高模型的通用性；当已学习好的网络用于故障诊断时，同样必须对学习样本进行预 处理并配合一定的诊断规则才能取得较好的诊断效果。 (3)网络拓扑结构的选取：输入单元除选用文中已列出的特征参数外，还选用了均 值、均方根值、波峰因子和裕度等参数，均有一定的诊断效果；输出单元可只选一个，仅表 示有无故障；隐层数与收敛速度无必然联系，隐层单元数决定于输入特征个数。 (4)选择适当的网络结构、学习样本数和学习参数将有较快的收敛速度和较高的收敛 精度，可实现轴承故障的在线监测. 参考文献 1蒲小平，陈克兴，马祥样华，邵毅敏.北京科技大学学报，1993，(5)：517 2曹焕光.人工神经元网络原理.北京：气象出版社，1992 3 Chen FC.IEEE Control Syst.1990,(4):44V 6】 . 1 5 N o . 6 蒲小平等 : 基 于 神经网 络的 轴承故障诊断方法 表 1 归一化后的 学习 样本 1汕b晚 1 1 1触 k田俪飞 朋川昭 习n曰 由公d 吨 Nc aM 、 R m , 戈 、 V or V f 、 V r。 C 、 F E E 氏 0 , O 八1U 0 0 二,n ù Ol 1 . (洲1) 0 . 236 1 . 0叹) 0 . 24 1 . 《X旧 0 , 274 l , ( 叉X) 0 . 的 1 1 . 〕 刀 0 . 163 1 . (众〕 0 . 148 1 . 仪幻 0 . 1 57 1 . 仪幻 0 . 0刃 0 . 7X() 0 . 7X() 0 . 7X() 0 . 7的 0 , 7(X) 0 . 8(X) 1 . (兀心 0 . 日刃 O . 24() 0 . 0 18 0 . 285 0 . 0 33 0 . 255 0 . 025 0 . 加5 0 . 0 8 0 . 1 53 a 02 5 0 . 1 80 0 . 02 3 0 . 195 0 . 0 13 0 . 1功 0 . 田5 0 . 955 0 . 01 3 1 . 《刀) 0 . 030 a 如5 0 . 028 0 . 74 5 0 . 013 表 2 诊断 结果输出 介映 2 1飞吧 . 勿以 of 血 血笋启 欢 , d朽 cN 从 、 凡 s 凡 。 珠 V 。 科 。 c 、 F or F I F 。 0 1 . 0以) 1 . (X力 0 . 日】) 0 . 255 0 . 19 5 .0 卯5 _ .0 的 1 0 . 拟〕 .0 X() 1 .0 的 1 .0 卯 8 1 0 . 3印 0 . 165 1 仪 X) 0 . 02 5 0 . 0 1 3 0 . 02 8 0 . 哭到〕 0 . 的 1 0 . X() 1 0 . 的 1 0 . 的 l 0 1 . {U〕 1 . 《刀 ) 0 . 大1) 0 . 1卯 0 . 1卯 a 870 0 . 的 1 0 . 少臾〕 0 . 0 1 0 . 0 1 0 . 9望子 1 0 . 232 0 . 165 0 . 8《刃 0 . 023 0 . 02 3 0 . 0 18 0 . 卯8 0 . 的 1 0 . X() 1 0 . 伪 1 0 . X() l 0 1 . 侧1 ) 1 . 《五叉) a 71刃 .0 3功 .0 2 52 1 . (刀 ) 0 . 的 1 0 . 男旧 0 . 《X刃 0 . 的 1 0 . 卯 8 1 0 . 344 0 . 233 0 . 火助 0 . 《渊旧 0 . 0 30 0 . 03 8 0 . 卯8 0 . 的 1 0 . 的 1 0 . 的 1 0 . 的 l 3 结 论 ( 1) B P 网络 对球轴承 、 圆 锥轴 承和 圆柱 轴承 有 无故 障 、 故 障位置 、 故 障程 序 和 故 障 类 型等均 有较 强 的诊断能 力 。 ( 2) 学 习样本 的选取 二 神经 网络具有 一定 的容 错性 , 但 对失 真 的样本 不 能 进 行 正确 分 类 。 考 虑到 实 际监测 中诊断参数存在 随机波动 , 必须 对学 习 样本进行预 处理 以 消除 随机波 动的 影响 , 提高模型 的通 用 性 ; 当已 学 习好 的网络 用 于故 障诊断时 , 同样必须 对学习样 本进 行预 处理并 配合 一定 的诊断规则 才能取 得较好的诊断效 果 。 ( 3) 网 络拓 扑 结构 的选 取 : 输人单 元除 选用 文 中 已 列 出 的特 征参 数外 , 还 选 用 了均 值 、 均 方根 值 、 波峰 因子和裕 度等 参数 , 均有一定 的诊断效果; 输出单元 可只 选一 个 , 仅表 示有无 故障 ; 隐层数与 收敛速 度无 必然联 系 , 隐层 单元数决定 于输人 特 征个数 。 ( 4 ) 选 择适 当的网络 结 构 、 学 习样 本 数和 学 习参数将有 较快 的收 敛 速 度 和 较 高 的 收 敛 精度 , 可实 现轴承故 障 的在线监测 。 参 考 文 献 1 蒲小平 , 陈克 兴 , 马祥华 , 邵 毅 敏 . 北京 科技大 学学报 , 1 9 93 , (5 ) : 51 7 2 曹 焕光 . 人 工 神经 元网 络原理 . 北 京 二 气象 出 版社 , 1 9 92 3 C h en F C . I E E E 0 n t or I S ys t , 1 9 9 0 , ( 4 ) : 4