基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究.pdf

《基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、２０１４年１２月机床与液压Ｄｅｃ?２０１４第４２卷第２３期ＭＡＣＨＩＮＥＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳＶｏｌ?４２Ｎｏ?２３ＤＯＩ：１０．３９６９／ｊ?ｉｓｓｎ?１００１－３８８１?２０１４?２３?０４５基于ＢＰ神经网络和Ｄ⁃Ｓ证据理论的滚动轴承故障诊断方法研究徐卫晓，谭继文，文妍（青岛理工大学机械工程学院，山东青岛２６６０３３）摘要：针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷，提出了基于ＢＰ神经网络与Ｄ⁃Ｓ证据理论的多传感器信息融合的方法。将ＢＰ神经网络的输出结果进行归一化处理作

2、为各焦元的基本概率分配，轴承的５种故障类型作为系统的识别框架，根据Ｄｅｍｐｓｔｅｒ合成法则进行决策级融合。试验结果表明，利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断，提高了故障诊断的准确率，验证了该方法的可行性。关键词：滚动轴承；Ｄ⁃Ｓ证据理论；基本概率分配（ＢＰＡ）；ＢＰ神经网络；故障诊断中图分类号：ＴＧ６５９文献标识码：Ａ文章编号：１００１－３８８１（２０１４）２３－１８８－４ＳｔｕｄｙｏｎＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄｓｏｆＲｏｌｌｉｎｇＢｅａｒｉｎｇＢａｓｅ

3、ｄｏｎＢＰＮｅｕｒａｌＮｅｔｗｏｒｋａｎｄＤ⁃ＳＥｖｉｄｅｎｃｅＴｈｅｏｒｙＸＵＷｅｉｘｉａｏ，ＴＡＮＪｉｗｅｎ，ＷＥＮＹａｎ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＱｉｎｇｄａｏＴｅｃｈｎｏｌｏｇｉｃａｌＵｎｉｖｅｒｓｉｔｙ，ＱｉｎｇｄａｏＳｈａｎｄｏｎｇ２６６０３３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｅｄａｔｔｈｅｄｅｆｅｃｔｏｆｕｎｃｅｒｔａｉｎｔｙｏｆｓｉｎｇｌｅｓｅｎｓｏｒｆｏｒｔｈｅｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｇｎｉｔｉ

4、ｏｎ，ｔｈｅｍｅｔｈｏｄｏｆｍｕｌｔｉ⁃ｓｅｎｓｏｒｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｈｅＤ⁃Ｓｅｖｉｄｅｎｃｅｔｈｅｏｒｙ．ＯｕｔｐｕｔｒｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｒｅｎｏｒｍａｌｉｚｅｄａｓｔｈｅｆｏｃａｌｅｌｅｍｅｎｔｏｆｔｈｅｂａｓｉｃｐｒｏｂａｂｉｌｉｔｙａｓｓｉｇｎｍｅｎｔ，ｆｉｖｅｋｉｎｄｓｏｆｆａｕｌｔｔｙｐｅｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｗｅｒｅｉｄｅｎｔｉ⁃ｆｉｅｄａｓ

5、ａｓｙｓｔｅｍｆｒａｍｅｗｏｒｋ，ａｎｄｄｅｃｉｓｉｏｎｌｅｖｅｌｆｕｓｉｏｎｗａｓｍａｄｅａｃｃｏｒｄｉｎｇｔｏＤｅｍｐｓｔｅｒｃｏｍｂｉｎａｔｉｏｎｒｕｌｅ．Ｔｈｅｔｅｓｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｕｓｉｎｇｔｈｅｍｅｔｈｏｄｉｎｅｘｐｅｒｉｍｅｎｔｓｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｂｅａｒｉｎｇｉｎｎｅｒｒｉｎｇｗｅａｒ，ｏｕｔｅｒｒｉｎｇｗｅａｒａｎｄｂａｌｌｂｅａｒｉｎｇｗｅａｒｈａｓｉｍｐｒｏｖｅｄｔｈｅａｃｃｕｒａｃｙｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓ，ａｎｄｖｅｒｉｆｉｅ

6、ｄｉｔｓｆｅａｓｉｂｉｌｉｔｙ．Ｋｅｙｗｏｒｄｓ：Ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；Ｄ⁃Ｓｅｖｉｄｅｎｃｅｔｈｅｏｒｙ；Ｂａｓｉｃｐｒｏｂａｂｉｌｉｔｙａｓｓｉｇｎｍｅｎｔ（ＢＰＡ）；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｆａｕｌｔｄｉａｇｎｏｓｉｓ［３］０前言自学习、自适应和容错的功能，提高不确定信息融滚动轴承是机械设备中最常用的关键部件，其状合的精度及系统的准确性，从而实现了对滚动轴承故［１］态的好坏将直接影响机械系统的运行效率和寿命。障状态的准确诊断。据统计，由滚动轴承引起的机械故障大约占总故障的［

7、４］１Ｄ⁃Ｓ证据理论３０％，可见，及时的检测滚动轴承的状态信息、并进Ｄ⁃Ｓ证据理论具有不需要知道先验概率，表达行故障诊断，对大幅度减少维修成本，确保设备正常“不确定”和“不知道”的优势。运行是十分必要的。（１）设Ｕ为命题Ａ的识别框架，有函数ｍ：２Ｕ由于滚动轴承发生的故障类型比较多，利用单一→［０，１］满足下列条件：传感器进行采集时，获取的故障信息比较少，具有明Ｍ（ϕ）＝０；∑Ｍ（Ａ）＝１，Ａ⊆Ω［２］显的不确定性，以至于得出的结论具有不可靠性，则称ｍ（Ａ）为Ａ的基本概率分配（ＢＰＡ），表因此，需

8、要多个传感器采集轴承运行中的故障信息，示对Ａ的精确信任函数。则其信任函数为Ｂｅｌ（Ａ）＝并进行融合分析，从而实现对轴承故障信息的全面诊断。作者采用３个加速度传感器（分别布置在轴承∑ｍ（Ｂ），似然函数为Ｐｌｓ（Ａ）＝１－Ｂｅｌ（Ａ），其中Ｂ⊆Ａ座的Ｘ、Ｙ、Ｚ３个方向）分别对轴承的故障信息进Ｐｌｓ（Ａ）和Ｂｅｌ（Ａ）分别表示函数的上下限，二者行采集，经过归一化处理后输入到ＢＰ神经网络中，的关系如下：并结合Ｄ⁃Ｓ证据理论的决策层信息融合的方式，对轴ＰＩ（Ａ）≥Ｂｅｌ（Ａ），Ａ⊆Ω承的故障信息进行诊断。