人工神经网络在滚动轴承故障诊断中的应用与发展.docxVIP

?

?

人工神经网络在滚动轴承故障诊断中的应用与发展

?

?

易静姝

摘要：针对滚动轴承失效的故障诊断方法，介绍了人工神经网络在滚动轴承故障诊断中的优势与发展现状，分析了常见人工神经网络类型在滚动轴承故障诊断中的应用，提出了人工神经网络在滚动轴承故障诊断应用中的问题与不足，并对相关研究趋势进行了讨论。

Abstract：Aimingatthefaultdiagnosismethodofrollingbearings，theadvantagesanddevelopmentstatusofartificialneuralnetworkinrollingbearingfaultdiagnosisareintroduced.Theapplicationofcommontypesofartificialneuralnetworkinrollingbearingfaultdiagnosisisanalyzedandtheexistingproblemsarepresented.Therelatedresearchtrendsarediscussed.

关键词：人工神经网络;滚动轴承;故障诊断

Keywords：artificialneuralnetwork;rollingbearings;faultdiagnosis

：TH133.3;TP206+.3???????????文獻标识码：A?????????????????：1006-4311（2019）24-0274-03

0?引言

滚动轴承是机械设备中重要的传动零件，一旦发生破坏，将会影响系统的正常运作，甚至引发安全事故。因此，对发生失效的滚动轴承及时进行故障诊断并排除隐患至关重要。滚动轴承的失效形式主要有磨损失效、疲劳失效、断裂失效和腐蚀失效等[1]。传统诊断方法通过拾取滚动轴承的振动信号，利用统计学方法加以分析来识别轴承故障类型。近年来，包括神经网络、支持向量机和模糊诊断等在内的现代智能诊断方法发展趋势良好。其中神经网络诊断手段多、应用广泛，本文主要介绍各种人工神经网络诊断方法在滚动轴承故障诊断中的应用。

1?人工神经网络概念及优势

1.1概念

人工神经网络（ANN）是一种复杂网络系统，它模拟大脑神经元拓扑结构存储和处理信息的方式，具有联想、记忆和学习的功能[1]。基于神经网络的滚动轴承故障诊断，就是根据故障信号的特征，利用人工神经网络来判断故障类型。

1.2?优势

人工神经网络之所以在滚动轴承故障诊断中应用效果良好，是基于以下两个优点：

1.2.1具有较强容错性

神经网络采用并行式信息处理方法，当局部神经元受损时，系统仍可正常工作。相较于传统的故障诊断方法，人工神经网络对噪声更不敏感，输出结果可靠，因而适用于故障诊断[1]。

1.2.2故障分析与判断能力强

滚动轴承故障的信号特征与故障模式之间是一种复杂的非线性关系，而神经网络能通过不断训练与学习来确定故障的类型。

基于以上两点原因，人工神经网络在滚动轴承故障诊断领域有着较为广泛的应用。

2?主要人工神经网络类型在滚动轴承故障诊断中的应用

目前，在滚动轴承故障诊断中应用较为广泛的人工神经网络类型为反向传播（BP）神经网络、自组织（SOM）神经网络、卷积神经网络（CNN）和径向基函数（RBF）神经网络。

2.1BP神经网络

BP神经网络是一种误差逆向传播、信号向前传播的多层前馈型神经网络，在滚动轴承故障诊断中得到了广泛应用[3-5]。Zhang等[6]利用遗传算法和模糊C均值聚类算法进行了BP网络优化，建立了一个能够克服数据缺陷和BP网络本身不足的新模型，为实时诊断提供了参考。为了解决BP神经网络的过拟合、局部收敛和收敛困难等缺点[7]，学者们提出了许多优化方法。张淑清等[8]将基于EEMD近似熵提取的滚动轴承特征向量输入到粒子群算法优化的PSO-BP神经网络中进行故障模式识别，识别能力强，且网络可以快速收敛到全局最优。程加堂等[9]将自适应布谷鸟搜索算法与BP神经网络相结合，提高了网络的全局拟合性，有效改善了该轴承故障诊断模型的精度。田栋等[10]采用风驱动算法优化BP神经网络的权值和阈值，减小了网络的训练误差，为滚动轴承的故障诊断方法提供了新思路。张宁等[11]利用改进鱼群算法的全局寻优能力优化BP神经网络参数，提出改进鱼群算法优化神经网络（ADAFSA-BP）的滚动轴承故障诊断方法，提高了网络收敛速度，做到有效判断故障类型。

2.2SOM神经网络

SOM神经网络是一种无导师学习网络，由输入层和输出层构成[12]。它能够在训练过程中自适