CN107655690A - 基于人工神经网络的电机轴承故障诊断方法 - Google Patents
基于人工神经网络的电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107655690A CN107655690A CN201711030876.0A CN201711030876A CN107655690A CN 107655690 A CN107655690 A CN 107655690A CN 201711030876 A CN201711030876 A CN 201711030876A CN 107655690 A CN107655690 A CN 107655690A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- motor bearings
- output
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明公开了一种基于人工神经网络的电机轴承故障诊断方法,首先利用振动传感器采集电机轴承的内圈、外圈及滚动体在不同状态下的振动信号作为特征数据,组成特征向量,作为神经网络的输入,然后根据提取到的特征向量的维数,确定人工神经网络的节点数,设计人工神经网络,接着将特征信号的一部分作为训练样本,利用训练神经网络,得到期望输出,最后将剩余特征信号作为验证样本,对电机轴承的故障点进行诊断。本发明利用人工神经网络对电机轴承的各类故障进行判断,人工神经网络可以用于识别复杂或未知的系统,人工神经网络具有很强的抗干扰能力,即使系统受到干扰也不影响神经网络的识别,且人工神经网络的识别准确度高,具有很强的实用性。
Description
技术领域
本发明涉及电机轴承故障领域,尤其涉及一种基于人工神经网络的电机轴承故障诊断方法。
背景技术
在现代化生产中,电机有着不可替代的作用,电机若发生故障将造成停产,甚至危及人的生命安全。滚动轴承作为电机最重要的组成部分,它的运行正常与否对电机的机械性能有着重要的影响。目前电机轴承故障的诊断方法主要是振动法,振动法可以有效地检测到电机的各类故障,且操作简便,但是振动法只能检测到信号,不能准确地识别出故障类型。
发明内容
本发明的目的在于提供一种基于人工神经网络的电机轴承故障诊断方法,能够准确识别出电机轴承的故障类型,保证电机安全稳定地运行。
为实现上述目的,本发明采用如下技术方案:
基于人工神经网络的电机轴承故障诊断方法,依次包括以下步骤:
(1)特征向量提取:利用振动传感器采集电机轴承的内圈、外圈及滚动体在不同状态下的振动信号作为特征数据,组成特征向量,作为神经网络的输入;
(2)设计人工神经网络结构:根据提取到的特征向量的维数,确定人工神经网络的节点数;
(3)将特征信号的一部分作为训练样本,利用训练神经网络,得到期望输出;
(4)将剩余特征信号作为验证样本,对电机轴承的故障点进行诊断。
优选地,所述步骤(1)中,分别提取电机轴承的内圈、外圈及滚动体的四个时域特征,包括均值、方差、峭度和峰峰值,其中均值是电机轴承在特定时域内振动数据的平均值,利用公式计算;方差是电机轴承在特定时域内振动数据的方差,利用公式计算;峭度表示电机轴承在故障时形成的大幅值脉冲,利用公式计算;峰峰值表示电机轴承在特定时域内振动数据的最高值和最低值的差,以上,n表示采集到的特征信号的数量,j表示第j个特征信号,j=1,2,……,j,表示第j个特征数据。
优选地,所述步骤(2)中,人工神经网络的输入节点数为4个,人工神经网络的输出节点数为4个,分别为正常、滚动体故障、内圈故障及外圈故障四种状态,人工神经网络的隐层节点数为8个。
优选地,所述步骤(3)中,对神经网络进行训练的过程如下:
a、给定神经网络的输入特征向量和期望输出;
b、计算隐层及输出层的输出,
其中,隐层第j个神经元的输出为:
其中,表示神经元,表示隐层的传输函数,表示神经元j的隐层的阈值向量, =1,2,……,; =1,2,……,J;
输出层第k个神经元的输出为:
其中,表示输出层的传输函数,I表示输入层的神经元个数,表示神经元j的隐层的输出向量,表示神经元k的隐层的阈值向量, =1,2,……,; =1,2,……,J;
c、计算神经网络的期望输出与实际输出的偏差,其中表示神经元k的输出层的输出向量,表示第k个神经元的期望输出, =1,2,……,;
d、利用下式对网络的权值和阈值进行修正,直至样本的输出偏差达到最小:
其中,表示第n次迭代时各层之间的连接权值和阈值,为常数,表示第n+1次迭代时各层之间的连接权值和阈值。
优选地,所述步骤(4)中,利用神经网络对验证样本进行验证时,输入层与隐层之间的传递函数为tansig函数,隐层与输出层之间的传递函数为purelin函数。
本发明利用人工神经网络对电机轴承的各类故障进行判断,人工神经网络具有自主学习能力,通过学习之后神经网络能够用于训练网络,训练完之后,可以对提取到的故障信息进行识别,从而确定故障类型,人工神经网络可以用于识别复杂或未知的系统,人工神经网络具有很强的抗干扰能力,即使系统受到干扰也不影响神经网络的识别,且人工神经网络的识别准确度高,具有很强的实用性。
具体实施方式
以下对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例,都属于本发明的保护范围。
本发明所述的基于人工神经网络的电机轴承故障诊断方法,依次包括以下步骤:
(1)特征向量提取:利用振动传感器采集电机轴承的内圈、外圈及滚动体在不同状态下的振动信号作为特征数据,组成特征向量,作为神经网络的输入;
分别提取电机轴承的内圈、外圈及滚动体的四个时域特征,包括均值、方差、峭度和峰峰值,其中均值是电机轴承在特定时域内振动数据的平均值,利用公式计算,;方差是电机轴承在特定时域内振动数据的方差,利用公式计算;峭度表示电机轴承在故障时形成的大幅值脉冲,利用公式计算;峰峰值表示电机轴承在特定时域内振动数据的最高值和最低值的差,以上,n表示采集到的特征信号的数量,j表示第j个特征信号,j=1,2,……,j,表示第j个特征数据。
(2)设计人工神经网络结构:根据提取到的特征向量的维数,确定人工神经网络的节点数;
上述提取到的特征是四维的,故人工神经网络的输入节点数为4个;输出分别为正常、滚动体故障、内圈故障及外圈故障四种状态,故人工神经网络的输出节点数为4个;人工神经网络的隐层节点数为8个。
(3)将特征信号的一部分作为训练样本,利用训练神经网络,得到期望输出;
对神经网络进行训练的过程如下:
a、给定神经网络的输入特征向量和期望输出;
b、计算隐层及输出层的输出,
其中,隐层第j个神经元的输出为:
其中,表示神经元,表示隐层的传输函数,表示神经元j的隐层的阈值向量, =1,2,……,; =1,2,……,J;
输出层第k个神经元的输出为:
其中,表示输出层的传输函数,I表示输入层的神经元个数,表示神经元j的隐层的输出向量,表示神经元k的隐层的阈值向量, =1,2,……,; =1,2,……,J;
c、计算神经网络的期望输出与实际输出的偏差,其中表示神经元k的输出层的输出向量,表示第k个神经元的期望输出, =1,2,……,;
d、利用下式对网络的权值和阈值进行修正,直至样本的输出偏差达到最小:
其中,表示第n次迭代时各层之间的连接权值和阈值,为常数,表示第n+1次迭代时各层之间的连接权值和阈值;
(4)将剩余特征信号作为验证样本,对电机轴承的故障点进行诊断。
利用神经网络对验证样本进行验证时,输入层与隐层之间的传递函数为tansig函数,隐层与输出层之间的传递函数为purelin函数。
表1为验证样本的输出结果。
表1
由表1可以看出,利用人工神经网络能够识别99%以上的故障,证明人工神经网络完全能够满足电机轴承故障诊断的要求,具有很强的实用性。
Claims (5)
1.基于人工神经网络的电机轴承故障诊断方法,其特征在于,依次包括以下步骤:
(1)特征向量提取:利用振动传感器采集电机轴承的内圈、外圈及滚动体在不同状态下的振动信号作为特征数据,组成特征向量,作为神经网络的输入;
(2)设计人工神经网络结构:根据提取到的特征向量的维数,确定人工神经网络的节点数;
(3)将特征信号的一部分作为训练样本,利用训练神经网络,得到期望输出;
(4)将剩余特征信号作为验证样本,对电机轴承的故障点进行诊断。
2. 如权利要求1所述的基于人工神经网络的电机轴承故障诊断方法,其特征在于:所述步骤(1)中,分别提取电机轴承的内圈、外圈及滚动体的四个时域特征,包括均值、方差、峭度和峰峰值,其中均值是电机轴承在特定时域内振动数据的平均值,利用公式计算;方差是电机轴承在特定时域内振动数据的方差,利用公式计算;峭度表示电机轴承在故障时形成的大幅值脉冲,利用公式计算;峰峰值表示电机轴承在特定时域内振动数据的最高值和最低值的差,以上,n表示采集到的特征信号的数量,j表示第j个特征信号,j=1,2,……,j,表示第j个特征数据。
3.如权利要求2所述的基于人工神经网络的电机轴承故障诊断方法,其特征在于:所述步骤(2)中,人工神经网络的输入节点数为4个,人工神经网络的输出节点数为4个,分别为正常、滚动体故障、内圈故障及外圈故障四种状态,人工神经网络的隐层节点数为8个。
4.如权利要求3所述的基于人工神经网络的电机轴承故障诊断方法,其特征在于,所述步骤(3)中,对神经网络进行训练的过程如下:
a、给定神经网络的输入特征向量和期望输出;
b、计算隐层及输出层的输出,
其中,隐层第j个神经元的输出为:
其中,表示神经元,表示隐层的传输函数,表示神经元j的隐层的阈值向量, =1,2,……,; =1,2,……,J;
输出层第k个神经元的输出为:
其中,表示输出层的传输函数,I表示输入层的神经元个数,表示神经元j的隐层的输出向量,表示神经元k的隐层的阈值向量, =1,2,……,; =1,2,……,J;
c、计算神经网络的期望输出与实际输出的偏差,其中表示神经元k的输出层的输出向量,表示第k个神经元的期望输出, =1,2,……,;
d、利用下式对网络的权值和阈值进行修正,直至样本的输出偏差达到最小:
其中,表示第n次迭代时各层之间的连接权值和阈值,为常数,表示第n+1次迭代时各层之间的连接权值和阈值。
5.如权利要求4所述的基于人工神经网络的电机轴承故障诊断方法,其特征在于:所述步骤(4)中,利用神经网络对验证样本进行验证时,输入层与隐层之间的传递函数为tansig函数,隐层与输出层之间的传递函数为purelin函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711030876.0A CN107655690A (zh) | 2017-10-30 | 2017-10-30 | 基于人工神经网络的电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711030876.0A CN107655690A (zh) | 2017-10-30 | 2017-10-30 | 基于人工神经网络的电机轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107655690A true CN107655690A (zh) | 2018-02-02 |
Family
ID=61095626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711030876.0A Withdrawn CN107655690A (zh) | 2017-10-30 | 2017-10-30 | 基于人工神经网络的电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107655690A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
CN108709744A (zh) * | 2018-03-05 | 2018-10-26 | 安徽大学 | 一种变负载工况下电机轴承故障诊断方法 |
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
CN111830409A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
CN113221631A (zh) * | 2021-03-22 | 2021-08-06 | 西安电子科技大学 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104198184A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于第二代小波变换与bp神经网络的轴承故障的诊断方法 |
CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
-
2017
- 2017-10-30 CN CN201711030876.0A patent/CN107655690A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104198184A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于第二代小波变换与bp神经网络的轴承故障的诊断方法 |
CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李捷: "基于神经网络的轴承故障诊断技术研究", 《万方数据》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709744A (zh) * | 2018-03-05 | 2018-10-26 | 安徽大学 | 一种变负载工况下电机轴承故障诊断方法 |
CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
CN111830409A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
CN113221631A (zh) * | 2021-03-22 | 2021-08-06 | 西安电子科技大学 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107655690A (zh) | 基于人工神经网络的电机轴承故障诊断方法 | |
CN106408088B (zh) | 一种基于深度学习理论的旋转机械设备故障诊断方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN107727395B (zh) | 一种基于全变分与补偿距离评估的轴承故障诊断方法 | |
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN105004523B (zh) | 基于加权相似性测度的滚动轴承状态监测方法 | |
JP4140634B2 (ja) | 異常監視方法、および異常監視装置 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN106447040B (zh) | 基于异类多传感器数据融合的机械设备健康状态评估方法 | |
CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
KR101797400B1 (ko) | 확률밀도 기반의 고장 진단 방법 및 장치 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN108267312A (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN108896308A (zh) | 一种基于概率包络的轮对轴承故障诊断方法 | |
Pestana-Viana et al. | The influence of feature vector on the classification of mechanical faults using neural networks | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
CN103743477B (zh) | 一种机械故障检测诊断方法及其设备 | |
CN110490218A (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
CN110057588A (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
CN110956112A (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
Chen et al. | Artificial neural network based fault diagnosis of IC engines | |
Shi et al. | Condition monitoring and fault diagnosis of rolling element bearings based on wavelet energy entropy and SOM | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180202 |
|
WW01 | Invention patent application withdrawn after publication |