[發明專利]基于人工神經網絡的電機軸承故障診斷方法

在審

• 申請號: 201711030876.0
• 申請日: 2017-10-30
• 公開（公告）號: CN107655690A
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 王才旺
• 申請（專利權）人: 王才旺
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 鄭州銘晟知識產權代理事務所(特殊普通合伙)41134
• 代理人: 趙倫

技術領域

本發明涉及電機軸承故障領域，尤其涉及一種基于人工神經網絡的電機軸承故障診斷方法。

背景技術

在現代化生產中，電機有著不可替代的作用，電機若發生故障將造成停產，甚至危及人的生命安全。滾動軸承作為電機最重要的組成部分，它的運行正常與否對電機的機械性能有著重要的影響。目前電機軸承故障的診斷方法主要是振動法，振動法可以有效地檢測到電機的各類故障，且操作簡便，但是振動法只能檢測到信號，不能準確地識別出故障類型。

發明內容

本發明的目的在于提供一種基于人工神經網絡的電機軸承故障診斷方法，能夠準確識別出電機軸承的故障類型，保證電機安全穩定地運行。

為實現上述目的，本發明采用如下技術方案：

基于人工神經網絡的電機軸承故障診斷方法，依次包括以下步驟：

（1）特征向量提取：利用振動傳感器采集電機軸承的內圈、外圈及滾動體在不同狀態下的振動信號作為特征數據，組成特征向量，作為神經網絡的輸入；

（2）設計人工神經網絡結構：根據提取到的特征向量的維數，確定人工神經網絡的節點數；

（3）將特征信號的一部分作為訓練樣本，利用訓練神經網絡，得到期望輸出；

（4）將剩余特征信號作為驗證樣本，對電機軸承的故障點進行診斷。

優選地，所述步驟（1）中，分別提取電機軸承的內圈、外圈及滾動體的四個時域特征，包括均值、方差、峭度和峰峰值，其中均值是電機軸承在特定時域內振動數據的平均值，利用公式計算；方差是電機軸承在特定時域內振動數據的方差，利用公式計算；峭度表示電機軸承在故障時形成的大幅值脈沖，利用公式計算；峰峰值表示電機軸承在特定時域內振動數據的最高值和最低值的差，以上，n表示采集到的特征信號的數量，j表示第j個特征信號，j=1,2，……，j，表示第j個特征數據。

優選地，所述步驟（2）中，人工神經網絡的輸入節點數為4個，人工神經網絡的輸出節點數為4個，分別為正常、滾動體故障、內圈故障及外圈故障四種狀態，人工神經網絡的隱層節點數為8個。

優選地，所述步驟（3）中，對神經網絡進行訓練的過程如下：

a、給定神經網絡的輸入特征向量和期望輸出；

b、計算隱層及輸出層的輸出，

其中，隱層第j個神經元的輸出為：

其中，表示神經元，表示隱層的傳輸函數，表示神經元j的隱層的閾值向量， =1,2，……，；=1,2，……，J；

輸出層第k個神經元的輸出為：

其中，表示輸出層的傳輸函數，I表示輸入層的神經元個數，表示神經元j的隱層的輸出向量，表示神經元k的隱層的閾值向量， =1,2，……，；=1,2，……，J；

c、計算神經網絡的期望輸出與實際輸出的偏差，其中表示神經元k的輸出層的輸出向量，表示第k個神經元的期望輸出， =1,2，……，；

d、利用下式對網絡的權值和閾值進行修正，直至樣本的輸出偏差達到最小：

其中，表示第n次迭代時各層之間的連接權值和閾值，為常數，表示第n+1次迭代時各層之間的連接權值和閾值。

優選地，所述步驟（4）中，利用神經網絡對驗證樣本進行驗證時，輸入層與隱層之間的傳遞函數為tansig函數，隱層與輸出層之間的傳遞函數為purelin函數。

本發明利用人工神經網絡對電機軸承的各類故障進行判斷，人工神經網絡具有自主學習能力，通過學習之后神經網絡能夠用于訓練網絡，訓練完之后，可以對提取到的故障信息進行識別，從而確定故障類型，人工神經網絡可以用于識別復雜或未知的系統，人工神經網絡具有很強的抗干擾能力，即使系統受到干擾也不影響神經網絡的識別，且人工神經網絡的識別準確度高，具有很強的實用性。

具體實施方式

以下對本發明的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明的部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動的前提下所獲得的其他所有實施例，都屬于本發明的保護范圍。

本發明所述的基于人工神經網絡的電機軸承故障診斷方法，依次包括以下步驟：

（1）特征向量提取：利用振動傳感器采集電機軸承的內圈、外圈及滾動體在不同狀態下的振動信號作為特征數據，組成特征向量，作為神經網絡的輸入；