摘要：滚动轴承在煤机设备中广泛应用，在恶劣工况下容易发生故障。为了能够及时准确地获取滚动轴承的运转状态，采用BP神经网络算法与小波函数对轴承振动信号进行分解，从而对滚动轴承进行状态监测以及故障诊断。实验结果表明，BP神经网络能够准确获得滚动轴承的运动状态及故障类型。
关键词：BP神经网络；振动；故障诊断；滚动轴承
滚动轴承是机械设备的关键部件，直接关系到设备的安全运行，滚动轴承故障诊断是通过分析滚动轴承的工作状况，从而为滚动轴承的故障解决提供一种诊断方法。滚动轴承在煤矿机械设备中应用广泛，出现故障会导致煤矿机械因停运而带来极大的经济损失，因此对滚动轴承的工况信息和其故障诊断的研究有重大意义。目前常用于故障诊断的遗传算法在实际应用中，其轴承故障诊断准确性以及输入信号稳定性很低。本文采用BP神经系统进行轴承故障诊断，而BP神经系统结合小波函数提高了输入信号的稳定性和故障诊断准确性，通过该系统能够更加准确地得到轴承的故障类型。
1滚动轴承的构成和故障的发生
一般情况下滚动轴承都是由保持架、内圈、外圈和滚动体所构成，其结构如图1所示。滚动轴承故障的主要形式包括磨损和表面损伤两大类。滚动轴承故障大约占齿轮箱故障的22%，其故障率仅次于齿轮；同时滚动轴承故障导致了旋转机械29%的事故；感应电机大约42%左右的故障是由滚动轴承引起的。据统计，每年其故障率有35%左右，有超过一半的滚动轴承需要检查。在煤矿对绞车中的滚动轴承需要进行定期检查，并且每隔一段时间对滚动轴承进行更换。使用滚动轴承故障诊断技术，能够降低大约3/4的事故发生率，同时减少1/3的维修费用。根据资料显示，在轴承的故障中，滚动轴承内、外圈和滚动体出现裂纹高达90%，而保持架出现故障的概率很小，因此需要针对单一的内圈、外圈或滚动体的损伤类故障诊断进行研究。
2BP神经网络原理
1985年美国DERumelhart和美国JLMc-Clelland等科学家一起提出了神经网络的概念，并从此得到了广泛的应用和发展。它的出现使得迭代过程往前传递而误差向后传递。BP神经网络可以储存大量输入与输出数据之间的映射关系，因此在近代成为了应用最广泛的人工神经网络系统。BP神经网络的基本结构包含输入层(传输信息)、隐含层和输出层三部分。每一层的神经网络由无数个神经元(包含一定的连接权值)相互连接起来，层内没有相互连接的神经元。BP神经网络的神经元流动过程主要包括向前和向后2个神经学习过程。BP神经网络拓扑结构图如图2所示。在输入传输过程中，样本经过了隐藏层的传递输入，如果输出的期望与实际不相符，那么转向反向过程，系统调节各层的连接权值使得误差不断减小，直到满足精度要求。
3BP神经网络实现滚动轴承的故障诊断
3.1BP神经网络设计的一般原则
BP神经网络重点在于确定输入层和输出层中的节点数、BP神经网络的层数和隐藏层中的节点数，即网络的拓扑结构。(1)输入层和输出层的节点数是根据具体问题的需要设计的；(2)3层BP神经网络可以获得任何m维到n维的映射。在设计过程中，一般优先考虑3层网络。可以增加隐藏层节点的数量，以提高网络的准确性；(3)隐藏层节点的数目、隐藏节点的选择是整个神经网络设计的关键部分。隐藏层节点的选择与要解决的问题有关。通常节点的数量是根据特定的应用程序对象来选择的。节点数量太少，网络的映射能力差，无法达到预期的效果。节点过多会增加网络的训练时间，且精度不一定高。目前对于隐藏层节点数目的选择没有统一的规则，通常是基于实验和实际经验。
3.2BP神经网络滚动轴承故障诊断
BP神经网络诊断滚动轴承故障的流程图如图3所示,诊断过程分成2个主要部分：样本训练得到神经网络，对样本进行试验和诊断。图3BP神经网络诊断流程图(1)BP神经网络构建参数的选择对于滚动轴承故障诊断，使用3层BP神经网络。在选择的3层BP神经网络中，隐含层神经元个数n2和输入层神经元个数n1有近似关系：n2=2n1+1。(2)BP神经网络滚动轴承故障诊断确定BP神经网络参数并设计神经网络的模型后，进行参数训练，创建滚动轴承故障诊断BP神经网络。使用非线性最小二乘估计法得到BP神经网络进行训练的误差变化曲线如图4所示。图4训练误差变化曲线1.训练2.期望在第240次训练之后，训练误差降低为0．000129587，而期望的误差为10-3。由图4可以看出，训练效果很好，达到了目标要求。特征向量的提取方法：①利用小波函数对轴承振动信号进行3层小波包分解，同时运用MATLAB函数wpdec提取第3层从低频到高频8个频率成分的信号特征；②对小波包分解系数进行重组，提取各频带范围的信号；③求各频带信号能量；④构造特征向量作为BP神经网络的输入元素。
4结语
使用BP神经网络诊断滚动轴承的内圈、外圈、滚动体故障非常有效，而且对振动信号进行特征提取可以较为准确地获取故障信息，相比于其他诊断方法，可以更加准确地判断故障的类型。
参考文献：
［1］林名润,王杰,闫大鹏,等.基于BP神经网络的轴承故障诊断研究［J］.山东工业技术,2018(9):131+136.
［2］衷路生,刘东东.多级神经网络的轴承故障诊断研究［J］.计算机工程与应用,2020,56(7):193-199.
［3］李瑞君,武利生.基于神经网络的齿轮箱故障诊断［J］.煤矿机械,2020,41(4):156-158.
［4］叶瑞召,李万红.基于小波包分解和BP神经网络的轴承故障诊断［J］.轴承,2012(10):53-56.
［5］周亮.矿用绞车滚动轴承故障诊断系统设计［D］.重庆：重庆大学,2014.
［6］许立,张宇,汤武初,等.基于BP神经网络的圆锥滚子轴承故障诊断［J］.组合机床与自动化加工技术,2016(11):105-107+111.
［7］边杰.基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断［J］.推进技术,2017,38(7):1618-1624.
［8］周奇才,沈鹤鸿,赵炯,等.基于改进堆叠式循环神经网络的轴承故障诊断［J］.同济大学学报(自然科学版),2019,47(10):1500-1507.
［9］何强,唐向红,陆见光.基于混合时间序列卷积神经网络的轴承故障诊断［J］.组合机床与自动化加工技术,2020(3):32-36+40.
作者：吕楠 姚平喜 单位：太原理工大学 机械与运载工程学院 精密加工山西省重点实验室