基于小波包分解和PSO-BPNN的滚动轴承故障诊断(1).pdf

工矿自动化 Indus t ryand MineAut o mat io n 第46卷第8期 2020年8月 Vo l. 46 No . 8 Aug.2020 文章编号文章编号1671-251X202008-0070-05 DOI10. 13272/j. issn. 1671-251x . 2019120022 基于小波包分解和PSO-BPNN的滚动轴承故障诊断 鞠晨1 张超2 樊红卫23 张旭辉23 杨一晴2 严杨2 1.神华神东煤炭集团有限责任公司技术研究院％陕西神木719315； 2.西安科技大学机械工程学院％陕西西安710054； 3.西安科技大学陕西省矿山机电装备 重点实验室％陕西西安710054 摘要摘要针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高 及效率低等问题，提出了 一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法％该方 法包括信号特征提取和故障类型识别两部分在信号特征提取部分，对采集的滚动轴承振动信号进行小波包 分解，得到各子频带能量及信号总能量，经归一化处理后获得表征滚动轴承状态的特征向量；在故障类型识 别部分，通过粒子群优化算法优化BP神经网络的初始权值和阈值，以加速网络收敛速度，避免陷入局部极 小值。实验结果表明，该方法提高了滚动轴承故障诊断效率和准确率。 关键词关键词煤矿旋转机械；滚动轴承；故障诊断；小波包分解；粒子群优化；BP神经网络 中图分类号TD67 文献标志码A Rolling bearing fault diagnosis based on wavelet packet decomposition and PSO-BPNN JU Chen1 , ZHANG Chao2 , FAN Ho ngwei23 , ZHANG Xuhui23 , YANG Yiqing2 , YAN Yang2 1. Inst it ut e o f Tec hno lo gy, Shenhua Shendo ng Co al Gro up Co . , Lt d. , Shenmu 719315, China; 2. Co llege o f Mec hanic al Engineering, Xfn Universit y o f Sc ienc e and Tec hno lo gy, Xfn 710054, China; 3. Shaanx i Key Labo rat o ry o f Mine Elec t ro mec hanic al Equipment Int elligent Mo nit o ring, Xifan Universit yo fSc ienc eandTec hno lo gy,Xifan710054,China Abstractnviewo fpro b lems inex is t ingrolingbearingfault dia gno sismet ho dsfo rc o alminero t at ing mac hinery,suc hasinc o mplet esignalfeat ureex t rac t io n,lo wfault diagno sisa c c urac ya ndlo wefic ienc y,a roling bearing fault diagno sis met ho d based o n wavelet pac ket dec o mpo sit io n and part ic le swarm o pt imizat io nBPneura lnet wo rkwaspro po sed.Themet ho dinc ludessignalfeat ureex t rac t io nandfault t ype rec o gnit io n. ro lling bearing ； fault diagno sis; wavelet pac ket dec o mpo sit io nbpart ic le swarm o pt imizat io nbBP neural net wo rk 收稿日期收稿日期2019-12-09；修回日期修回日期 2020-07-20；责任编辑责任编辑盛男。 基金项目基金项目国家自然科学基金资助项目51974228,51605380；陕西省自然科学基础研究计划项目201叮LZ-08；陕西省重点研发计划项目 2019GY-093,2018ZDCXL-GY-06-04 隐含层、输出层传递函数分别为t ans ing、 purelin函数;最大训练步数为1 000；训练目标为 1010；学习率为0.001；初始权值和阈值在[ 1,1] 之间取随机值’ 3 PSO算法参数。粒子数20；粒子群速 度取值范围为[1,1],， 范围为 [ 1,1];粒子群搜索空间维度B “ 1 1 200；根据经验取a 2 1. 499 45；最大迭代 次数tm„ 20；考虑到惯性权重大小与PSO算 关关系，与局部搜嗪 负相关关系，为平衡全局搜索能力和局部能力， cot随迭代次数的增加从0. 9线性递减至0. 4 式⑻。 式中max nun分别为惯性权重最大值、最小值。 4. 3 结果分析 对不同状 滚动轴承振动信号进行小波包分 解，得到8个子频带1 , €，,S3 能量及信号st 2020 8鞠晨等基于小波包分解和PSO-BPNN的滚动轴承故障诊断・73・ ，并 进行归一化，如图2所示。可看出不 同状态的滚动轴承在不同子频带对应的能量及信号 总能量均表现出一定差异性，表明小波包分解得到 的各子频带能量及信号总能量能作为表征滚动轴承 不同故障类型的特征向量。 图2不同状态下小波包能量分布 Fig.2 Wavelet pac ket energydist ribut io n underdiferent st at es 将特征向量作为BPNN与PSO-BPNN的输入 并进行网络训练，得到均方误差曲线，如图3所示。 可看出BPNN在训练初期收敛速度较快，但在中期 易陷入局部最小值，迭代793次才达到预期目标; PSO-BPNN在训练迭代348次时达到预期目标, 有效减少了网络迭代次数,提高了故障诊断效率，同 时避免了局部 情况的出现。 10 100 100 200 300 400 500 600 700 800 迭代次数 a BPNN 10 0 50 100 150 200 250 300 350 迭代次数 b PSO-BPNN 图3均方误差曲线 Fig. 3 Mean square erro r c urves 将测试集分别代入BPNN与PSO-BPNN进行 故障诊断，结果见表1。可看出PSO-BPNN平均故 障诊断准确率为93. 5 ,BPNN平均故障诊断准确 率为89. 0 ,PSO-BPNN相比BPNN在滚动轴承 断 确 明 。 表1 断准确率 Table1Fault diagno sisa c c urac y 故障类型 BPNNPSO-BPNN 正判数准确率/正判数确/ 正常 3382 5 3792 5 内圈故障 3485 03690 0 外圈故障 35 87. 537 92 5 滚动体故障 3895 03895 0 合 - 3895 039 97. 5 5结语结语 提出了一种基于小波包分解和PSO-BPNN的 滚动轴承故障诊断方法。根据滚动轴承不同故障状 态下振动信号频带能量分布的差异，通过小波包分 解进行能量特征提取，避免了信号高频部分有效特 征的丢失；利用PSO优化BPNN的初始权值和阈 值，通过PSO-BPNN进行故障类型识别，提高了故 断 确 及 。 结 。 参考文献References [1 -杨一晴，马宏伟，樊红卫，等.煤矿旋转机械在线故障 诊断及预警系统设计[J-.工矿自动化，2019,4510 104-108. YANG Yiqing, MA Ho ngwei, FAN Ho ngwei, et al. Design o f o nlinefault diagno sis and early warning syst em fo r c o al mine ro t at ing mac hinery[J-. Indust ry and MineAut o mat io n 2019 4510104-108. [2 -徐青青，赵海芳，李守军.一种煤矿机械轴承故障诊断 方法[J-.工矿自动化,2019,4510 8085. XU Qinqing, ZHAO Haifang, LI Sho ujun. A fault diagno sis met ho d fo r c o al mine mac hinery bearing,J-. Indust ry and Mine Aut o mat io n, 2019,45 10 80-85. [3 -钱沛云，陈曦晖，胡晓，等.基于振动信号分析的采煤 机摇臂轴承故障诊断研究[J-.煤炭科学技术，2014, 421289-92. QIAN Peiyun , CHEN Xihui , HU Xiao ,et al. St udy o n bearing fault diagno sis o f ranging bo o m in c o al shearerbased o n vibrat io n signalanalysis [J-.Co al Sc ienc e and Tec hno lo gy,2014,4212 89-92. [4-宋耀文.基于振动信号分析的滚动轴承故障特征提取 与诊断研究[D-.徐州中国矿业大学，2015. SONG Yao wen7Researc h o n roler bearing fault feat ureex t ra c t io n and diagno sis based o n vibrat io n signal analysis [ D-. Xuzho u China Universit y o f -74 - 工矿自动化 46 Mining and Tec hno lo gy, 2015. 5 -刘自然，胡毅伟，石璞，等.基于改进经验小波变换的 滚动轴承故障特征提取方法研究[J-中国测试， 2019,4510 015. LIU Ziran, HU Yiwei, SHI Pu, et al. Fault feat ure ex t rac t io n met ho d o f roling bearing based o n enhanc ed empiric al wavelet t ransfo rm [ J-. China Measurement j Test 2019 451010-157 [6 -于波，徐雪娇，郑听.基于小波包分解的能量特征提取 在旋转机械故障诊断中的应用研究[J-化工自动化 及仪表，2016,431010561059. YU BoXU XuejiaoZHENG Ting7Applic at io n researc h o n wavelet pac ket -based energy feat ure ex t rac t io n fo r fault diagno sis o fro t at ing mac hinery [ J-. Co nt ro l and Inst rument s in Chemic al Indus t ry, 2016 43101056-10597 7 -张猛，苗长云，孟德军.轴承早期故障特征提取方法研 究[J-工矿自动化，2020,4648590. ZHANG MengMIAO ChangyunMENG Dejun7 Res earc ho nabearingearlyfault feat ures ex t ra c t io n met ho d[ J-. Indust ry and Mine Aut o mat io n, 2020,46 485-907 [8 -郭伟超，赵怀山，李成，等基于小波包能量谱与主成 分分析的轴承故障特征增强诊断方法[J-兵工学报, 2019 40112370-23777 GUO Weic haoZHAO HuaishanLI Chenget a l7 Fault feat ureenhanc ement met ho dfo rrolingbearing fault diagno sis based o n wavelet pac ket energy spec t rum and princ ipal c o mpo nent analysis [ J]. Ac t a Armament ari2019 40112370-23777 [9] 徐玲，韩华，崔晓锂，等基于PSO优化BP的冷水机 组故障诊断研究[J]制冷学报，2019, 40 3 115-123 XU LingHAN HuaCUI Xiao yuet al Fault diagno sis fo r c ent rifugal c hiller based o n PSO-BP[ J]. Jo urnalo fRefrigerat io n2019 403115-1237 [ 10] 张建宇，张随征，管磊，等基于多小波包样本爛的轴 承损伤程度识别方法[J]振动、测试与诊断2015 35 1 128-1327 ZHANG Jianyu, ZHANG Suizheng, GUAN Lei, et al. Pat1rnr1c o gnit io no fb1aringd1f1c t s1v1rit yb as1do n mult iwav1l1t pac k1t sampl1 1nt ro py m1t ho d [J ]. Jo urnal o f Vibrat io n, Measurement j Diagno sis, 2015,351128132. [ 11]田栋，曹中清，范旭基于风驱动优化BP神经网络的 滚动轴承故障诊断[ J]机床与液压，2018,46 19 173-1767 TIAN Do ng, CAO Zho ngqing, FAN Xu. Fault diagno sis o froling bearing based o n wind driven o pt imizat io nBPneuralnet wo rk[J] Mac hineTo o l j Hydraulic s 2018 4619173-176 [2] 杜坚，胡洁，仇芝基于改进粒子群相关向量机电机轴 承故障诊断[ J]应用力学学报，2019, 36 4 779-784 DU Jian, HU Jie, QIU Zhf Mo t o r fault diagno sis based o n t heimpro ved part ic le swarm o pt imizat io n andt hereleva nt vec t o r mac hine[J]7ChineseJo urnal o fApplied Mec hanic s2019 364779-7847 [3] 任志玲，张媛媛.矿下电缆故障诊断的能量™和 PSO-BP算法[ J].系统仿真学报，2015,27 5 1044-10497 RENZhiling ZHANG Yuanyuan.Energyent ro pyand part ic le swarm o pt imizat io n BP neural net wo rk o f fault diagno sis t ec hniques o f c o al mine c able [ J]. Jo urnal o f Syst em Simulat io n201527 5 1044-1049. [ 14] 侯一民，孙嘉兵，张宇，等基于PSOBP神经网络和 Hilbert谱奇异值的滚动轴承故障诊断组合机床 与自动化加工技术2014777-79. HOU Yimin, SUN Jiabing, ZHANG Yu, et al. Fault diagno siso faro o lingbearingbasedo nPSO-BPneura l net wo rk and Hilbert spec t rum and singular value dec o mpo sit io n [J ]. Mo dular Mac hine To o l j Aut o mat ic Manufac t uring Tec hnique,20147 77-79. [ 15] 王冬云，张文志.基于小波包变换的滚动轴承故障诊 断中国机械工程，2012,23329529 8 WANG Do ngyunZHANG Wenzhi7Fault diagno sis st udy o f bal bearing based o n wavelet pac ket t ransfo rm[J]7China Mec hanic alEngineering 2012 23 3 295-298.