滚动轴承声发射信号的人工神经网络模式识别技术.pdfVIP

大 庆 石 油 学 院 学 报 第 32卷 第 5期 2008年 10月 JOURNAIOFDAQING PETROlEUM INSTITUTE Vo1．32 No．5 Oct． 2008 滚动轴承声发射信号的人工 神经网络模式识别技术 于江林 ，余永增 ，戴 光。，汪 雪。 (1_大庆炼化公司 机动设备处 ，黑龙江 大庆 163411； 2．大庆石油学 院 机械科学与工程学 院，黑龙江 大庆 163318) 摘 要：根据声发射检测中常用的BP、RBF和 PNN神经网络模型 ，利用声发射在线检测系统对故障滚动轴承进行 测试 ，提取不同故障轴承声发射信号特征参量作为神经 网络输入 向量 ，并分别用 3种神经 网络对滚动轴承故障模式进行 识别．结果表 明，采用 BP神经网络 的声发射信号识别技术的正确识别率略低于其余 2种的识别率 ；RBF和 PNN网络 的 分类结果相同，且在分类能力和学习速度方面均优于BP网络． 关 键 词：滚动轴 承；声发射；非接触 ；人 工神经 网络 ；模式识别 中图分类号 ：TH133．3；TN911．71 文献标识码 ：A 文章编号 ：1000—1891(2008)05—0064—03 声发射技术已广泛应用于材料研究 、压力容器评价 、飞机构件强度测试和旋转机械故障诊断等领域 ， 且已取得 明显效果 ，技术 日臻完善．约有 3O 的旋转机械故障是由滚动轴承的损坏造成的 1]，利用声发射 技术分析滚动轴承故障，拾取轴承转动中的声发射信号并进行处理 ，可有效识别滚动轴承的断裂和疲劳损 伤故障．与传统轴承共振解调方法诊断比较，用声发射法进行故障诊断能预报轴承早期故 障，特征频率和 特征信号 明显E．滚动轴承缺陷所处的位置和所受应力状态不同，其损伤程度也不同，相应的声发射特征 也不同，可以利用轴承的声发射信号对轴承的安全性及运行状态进行在线监测．人工神经 网络技术 [．3j具 有学习、联想记忆 、模式匹配能力等优点，可以用于设备故障诊断中．利用神经网络方法 ，对滚动轴承各故 障模式声发射特征参数进行学习，实现模式匹配 ，随时进行工况 的监测和缺陷定位 ，可防止旋转设备精度 下降，减少事故 ，节约开支 ，达到轴承故障诊断的 目的． 1 神经 网络模 型 1．1 BP网络 BP网络Ⅲ 由输入层 、中间层 (隐含层)和输出层组成 ，其学习过程按梯度算法进行 ，包括正向传播 和反 向传播．在正向传播过程中，每层神经元的状态只影响下一层神经元的状态 ，若输 出层不能 由此得到期望 的输出，则转入反向传播，将误差信号沿原连接路径反 向回传 ，通过修改各层神经元的连接权值 ，使得误差 信号达到最小．目前，BP网络在声发射的信号模式识别 中应用最多 ，理论也 日趋成熟 ，但 尚处于实验研究 阶段．该 网络的缺点是收敛速度慢 ，容易陷人局部极小． 1．2 RBF网络 RBF神经网络 由输入层 、隐含层和输出层组成．隐含层节点由高斯核函数构成，隐含层到输 出层是 简单的线性关系．其学习过程主要分为 2个阶段 ：首先，根据输入样本求 出各隐含层节点高斯核函数的中 心 C 和每个中心的半径 。通常采用 K一均值聚类算法 ；确定隐含层参数后 ，还需要求出隐含层和输出层 之间的权值 w ，通常采用递推最小二乘法 (RIs)计算．该 网络可以用线性最小平方法确定隐含层至输出 层间的连接权 ，学习速度和逼近精度优于 BP网络． 收稿 日期 ：2008 04—14；审稿人 ：刘树林 ；编辑 ：任志平 基金项 目：黑龙江省 自然科学基金项 目(E2007—02)；黑龙江省教育厅科学技术研究项 目(1l521004) 作者简介：于江林(1968 )，男 ．博士生 ，高级工程师．主要从事化工机械无损检测方面的研究． · 64 · 第 5期 于江林等：滚动轴承声发射信号的人工神经网络模式识别技术 1．3 PNN 网络 PNN网络 s(概率神经网络)结构与 RBF网络类似 ，只是隐含层由模式层和求和层组成 ，输出层节点 函数不是简单的线性 函数 ，而是将与输入向量相关的所有类别综合在一起 ，网络输 出表示概率 的向量 ，通 过竞争传递函数进行取舍