【正文】 : （ 1）設(shè)置初始權(quán)值 ??0w ，它是較小的隨機(jī)非零值。每個(gè)神經(jīng)元用一個(gè)節(jié)點(diǎn)表示，網(wǎng)絡(luò)由輸入層、隱層和輸出層節(jié)點(diǎn)組成。 BP 神經(jīng)網(wǎng)絡(luò) BP 神經(jīng)網(wǎng)絡(luò)是 1986 年由 Rumelhart 和 McCelland 為首的科研小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，它的名字源于網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則，采用的是后向傳播學(xué)習(xí)算法，既 BP 算法。 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 13 3 故障診斷 方 法 大量功能簡單的神經(jīng)元通過一定的拓?fù)浣Y(jié)構(gòu)組織起來，構(gòu)成群體并行式處理的計(jì)算結(jié)構(gòu)，這種結(jié)構(gòu)就是人工神經(jīng)網(wǎng)絡(luò)。陷的逐漸發(fā)展，反而會(huì)下降。這些特征參數(shù)的變化，能較好地反應(yīng)出滾動(dòng)軸承的故障的存在。 (4) 軸承故障診斷系統(tǒng)將在后續(xù)章節(jié)中介紹。 滾動(dòng)軸承參數(shù)選取及處理 軸承振動(dòng)數(shù)據(jù)的獲取來源于軸承實(shí)際運(yùn)轉(zhuǎn)時(shí)的數(shù)據(jù)，通過適宜地選取參數(shù)和在實(shí)驗(yàn)裝置運(yùn)行時(shí)正確地記錄數(shù)據(jù)，保證數(shù)據(jù)能 夠真實(shí)準(zhǔn)確地反映軸承的運(yùn)行狀態(tài)，利于后面的分析計(jì)算，用加速度傳感器采集振動(dòng)信號(hào)，膠合在滾動(dòng)軸承的外圈上。 2r 一一外環(huán)滾道的半徑 。在大多數(shù)情況下外圈不動(dòng)，而內(nèi)圈隨軸回轉(zhuǎn)。 燃?xì)?輪機(jī)軸承系統(tǒng)在工作時(shí)通過傳感器采集其工作過程中的各項(xiàng)參數(shù)數(shù)據(jù)，由于數(shù)據(jù)信息量較大，有些數(shù)據(jù)并不適合作為故障診斷的參考數(shù)據(jù)，所以需要對傳感器采集到的數(shù)據(jù)進(jìn)行處理，如濾波，篩選，整形等等。 第 3 章：系統(tǒng)地介紹了 BP 神經(jīng)網(wǎng)絡(luò)和 ANFIS 模糊神經(jīng)網(wǎng)絡(luò)的原理、結(jié)構(gòu)、學(xué)習(xí)過程，選用合適的算法以使得其能夠更加適合于滾動(dòng)軸承故障診斷系統(tǒng)的應(yīng)用。 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 5 2021 年上海交通大字的夏迪針對 PG917E 型單軸發(fā)電燃?xì)廨啓C(jī)，提出丁基十非線性模型的全斷方法 ，采用無約束的優(yōu)化方法優(yōu)化模型輸出值與實(shí)際測量值的偏差，結(jié)果表明該方法精度較高，收斂性好，達(dá)到工程應(yīng)用的目的。自80 年代以來，國內(nèi)諸多高校及研究所的專家學(xué)者不斷開展對燃?xì)廨啓C(jī)的故障診斷與診斷研究，在理論上取得了一定的研究成果，提出相對豐富的算法和模型，為工程實(shí)踐奠定了基礎(chǔ)。而 1976 年， Willsky 在發(fā)表于 Automatic 上的論文《 A survey of sedign methods for failure detection in dynamic systems》則被認(rèn)為是世界上第一篇故障檢測和診斷方面的綜述性文章。通過建立適合的燃?xì)廨啓C(jī)故障模型，可以為故障診斷系統(tǒng)的開發(fā)提供基礎(chǔ)。其研究的主要意義。因此，對滾動(dòng)軸承進(jìn)行故障診斷和狀態(tài)預(yù)測具有重要的實(shí)際意義，也是燃?xì)廨啓C(jī)故障診斷領(lǐng)域的重點(diǎn)之一。 BP neural work。所以對滾動(dòng)軸承故障診斷技術(shù)進(jìn)行探討和學(xué)習(xí)就具有 十分重要的意義。 滾動(dòng)軸承是燃?xì)廨啓C(jī)最重要的零件之一，其運(yùn)行狀態(tài)直接影響整臺(tái)燃?xì)廨啓C(jī)的性能，同時(shí)對燃?xì)廨啓C(jī)和操作人員的安全也會(huì)造成重大影響。由此看來，滾動(dòng)軸承故障的準(zhǔn)確診斷可以減少或杜絕事故的發(fā)生，最大限度地發(fā)揮軸承的工作潛力，節(jié)約開支，具有重大意義。 目前，對燃?xì)廨啓C(jī)的故障診斷大多基于振動(dòng)信號(hào)分析。然而在一般情況下，燃?xì)廨啓C(jī)的故障樣本很有限，這就使得其應(yīng)用有一定難度。該方法是將一個(gè)支持 向量機(jī)的分類器和一個(gè)具有自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)分類器結(jié)合組成一個(gè)共同系統(tǒng)，從而一個(gè)多屬性數(shù)據(jù)被融合成一個(gè)單一屬性的有序加權(quán)平均算子聚合值，仿真研究表明此方法優(yōu)于單純的支持向量機(jī) SVM 或沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 4 ANFIS 系統(tǒng)。并提出有效建議供現(xiàn)場的技術(shù)人員參考，可隨時(shí)了解機(jī)組的運(yùn)行情況，經(jīng)過驗(yàn)證此系統(tǒng)不僅保證了安全生產(chǎn)，同 時(shí)也取得了良好的經(jīng)濟(jì)效益。 本文意在于將 BP 神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)的方法引入到滾動(dòng)軸承故障診斷這一方面，將為軸承故障診斷技術(shù)提供一種方法，以期由此來提高軸承故障診斷的效率。 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 7 2 燃?xì)廨啓C(jī) 關(guān)鍵部件 故障診斷的總體方案設(shè)計(jì) 本畢業(yè)設(shè)計(jì)以燃?xì)廨啓C(jī)的滾動(dòng)軸承為具體研究對象，開展軸承系統(tǒng)故障診斷方法研究，設(shè)計(jì)故障診斷算法，構(gòu)建故障診斷模型，最終實(shí)現(xiàn)燃?xì)廨啓C(jī)軸承故障診斷的效能。本章主要討論滾動(dòng)軸承的振動(dòng)機(jī)理、故障類型及其對應(yīng)的振動(dòng)特征、損傷類故障模型等。 圖 圖 22 所示滾動(dòng)軸承示意圖中的符號(hào)意義為 : D —— 軸承節(jié)圓直徑 。由于滾動(dòng)軸承的勻速回轉(zhuǎn)，使沖擊具有周期性。且加速度傳感器承受負(fù)載能力更強(qiáng)，機(jī)械性能更好。但隨機(jī) 信號(hào)有其重要特征，即在相同條件下重復(fù)實(shí)驗(yàn)，雖然每次實(shí)驗(yàn)的結(jié)果可能不一樣，但是如果進(jìn)行大量重復(fù)實(shí)驗(yàn)，其結(jié)果就會(huì)出現(xiàn)某種統(tǒng)計(jì)規(guī)律性。 ② 峭度： 41 4rmsni ir nxxK ??? （ ） 峭度是不夠敏感的低階矩與較敏感的高階矩之間的一個(gè)折中特征量，如果滾動(dòng)軸承出現(xiàn)缺陷都可能引起相當(dāng)大的脈沖度，用峭度作為滾動(dòng)軸承缺陷特征參數(shù)是有效的。波形系數(shù)也是用于滾動(dòng)軸承簡易診斷的有效指標(biāo)之一。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 14 輸 入 層 隱 層 輸 出 層a 1a 2a ny 1y 2 。 (3) 分類 :把輸入矢量以所定義的合適方式進(jìn)行分類 。反向傳播是將誤差信號(hào) (樣本輸出與 網(wǎng)絡(luò)輸出之差 )按原連接通路反向計(jì)算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號(hào)減小。 （ 5） 反向傳播計(jì)算： 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 16 由輸出層，依據(jù) J ,按梯度下降法反向計(jì)算，可逐次調(diào)整 權(quán)值。 由下表 可以看到模糊邏輯和神經(jīng)網(wǎng)絡(luò)各有優(yōu)缺點(diǎn)，因此有必要將模糊邏輯和神經(jīng)網(wǎng)絡(luò)融合起來構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，使它同時(shí)具有模糊邏輯與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，即希望模糊神經(jīng)網(wǎng)絡(luò)既能表示定性的知識(shí)又能擁有強(qiáng)大的自學(xué)習(xí)能力和數(shù)據(jù)處理能力。模糊化神經(jīng)元接受離散或連續(xù)的 、 確定或模糊的單元輸入，輸出由系統(tǒng)模糊變量基本狀態(tài)隸屬度函數(shù)所確定的標(biāo)準(zhǔn)化值。一般來說，一個(gè)前向型模糊神經(jīng)網(wǎng)絡(luò)可以由五層組成，分別為輸入層 、 模糊化層 、 模糊推理層（模糊關(guān)系映射網(wǎng)層） 、 去模糊化層和輸出層。 輸入層 模糊化層 模糊推理層 去模糊化層 輸出層 圖 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 這樣構(gòu)成的模糊神經(jīng)網(wǎng)絡(luò)除具有一般神經(jīng)網(wǎng)絡(luò)的性質(zhì)和優(yōu)點(diǎn)外，還可以有一些特殊的性質(zhì)：由于采用了模糊數(shù)學(xué)中的計(jì)算方法，使得一些處理單元的計(jì)算變得較為簡便，信息處理的速度顯著加快；由于采用了模糊化的運(yùn)行機(jī)制，系統(tǒng)的容錯(cuò)能力大大加強(qiáng)。 正如名字所示，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò) （ Adaptive Network Fuzzy Inference System） 是所有輸入、輸出為由一組可修改的參數(shù)決定的網(wǎng)絡(luò)結(jié) 構(gòu)。圖 ，因?yàn)槊總€(gè)節(jié)點(diǎn)的輸出都是由輸入 (左 )側(cè)傳到輸出 (右 )側(cè)。 1 , 2 , ,j m i n l r? ? ?，前件網(wǎng)絡(luò)第二層各節(jié)點(diǎn)隸屬函數(shù)的中心值ijc和寬度ij? ? ?1 , 2 , , 。 這 是 每條規(guī)則的后件在簡化結(jié)構(gòu)中變成了最后一層的連接權(quán)，這時(shí)每層的局部梯度 ? 的算法如下： 圖 ANFIS結(jié)構(gòu)簡化圖 ? ?5 iiii yd? ?? 1,2, ,in? （ ） ? ? ? ?45jijiy??? ? 1,2, ,jm? （ ） 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 23 ? ?? ?41321mjiiijj mii???????????????? 1,2, ,jm? （ ） ? ? ? ?22231 ijmij k ijkx i c jise ???????????? ? 1,2, ,in? 1,2, ,ij m? （ ） 當(dāng) and采用取小運(yùn)算時(shí)，則當(dāng) jiu 是第 k 個(gè)規(guī)則節(jié)點(diǎn)輸入時(shí)，1jnji jjjiisu???? ，否則 否則 0jis?。采用混合學(xué)習(xí)算法，對于給定的前件參數(shù)，可以得到后件參數(shù)的全局最優(yōu)點(diǎn)，這樣不僅可以 降低梯度下降法中搜索空間的維數(shù)，通常還可以大大提高參數(shù)收斂速度。 各層節(jié)點(diǎn)數(shù)確定 神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)取決于輸入?yún)?shù)的個(gè)數(shù)和輸出結(jié)果的個(gè)數(shù)。 （ 3） 隱層數(shù)和隱層節(jié)點(diǎn)數(shù) 對 于多層神經(jīng)網(wǎng)絡(luò)來說，首先確定選用幾層隱層。 可見，隱層節(jié)點(diǎn)數(shù)的選擇對 整個(gè)神經(jīng)網(wǎng)絡(luò)的性能有重要的影響。在本實(shí)驗(yàn)中當(dāng)輸入數(shù)據(jù)之后，權(quán)值是隨機(jī)產(chǎn)生的。 經(jīng)過網(wǎng)絡(luò)訓(xùn)可以對輸入向量進(jìn)行正確分類，訓(xùn)練步數(shù)的設(shè)定關(guān)乎到網(wǎng)絡(luò)性能，在次我們將步數(shù)確定為 500,。神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承缺陷診斷中容易出錯(cuò)，最好樣本集在上下邊界之間均勻分布。minmax。對于矛盾樣本，應(yīng)在學(xué)習(xí)樣本集中給予刪除。 軸承故障診斷的仿真 試驗(yàn) 研究 樣本選取 神經(jīng)網(wǎng)絡(luò)之所以在模式識(shí)別中得到廣泛應(yīng)用，是因?yàn)樗哂袑W(xué)習(xí)能力。如果學(xué)習(xí)速率太大，可能出現(xiàn)麻痹現(xiàn)象，將導(dǎo)致系統(tǒng)不穩(wěn)定 :而如果學(xué)習(xí)速率太小，盡管有利于尋求到誤差最小值，但會(huì)造成訓(xùn)練時(shí)間太長，使收斂速度變得緩慢。通過實(shí)驗(yàn)綜合比較后選取隱層節(jié)點(diǎn)數(shù)為 8， 則用于滾動(dòng)軸承故障診斷的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 N(6,8,2) 。增加隱層可增加人工神經(jīng)網(wǎng)絡(luò)的處理能力，但是必將使訓(xùn)練復(fù)雜化、訓(xùn)練樣本數(shù)目增加和訓(xùn)練時(shí)間增加。如果輸入節(jié)點(diǎn)數(shù)過多會(huì)導(dǎo)致網(wǎng)絡(luò)過于龐大，不可避免地引入更多噪聲，過少則不能保證網(wǎng)絡(luò)所需要的信息量，因此選擇網(wǎng)絡(luò)的輸入節(jié)點(diǎn)是建模的重要任務(wù)。并且通過實(shí)驗(yàn)獲取了軸承的振動(dòng)信號(hào)等參數(shù)，進(jìn)行合理的選取作為故障參數(shù)的網(wǎng)絡(luò)輸入。采用了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的模糊推理具有了自學(xué)習(xí)的能力。取誤差代價(jià)函數(shù)為 ? ?2112 riE i iyd?? ?? （ ） 式中， id 和 iy 分別表示期望輸出和實(shí)際輸出。 設(shè)輸入向量 ? ?12, Tx nx x x? ，每個(gè)分量ix均為模糊語言變量，并設(shè) ? ? 12{ , , , }ii i ii mT x A A A? ， i=1,2， ?， n ，其中 ? ?1, 2, ,ji ij mA ? 是 ix 第 j 個(gè)語言變量值，它是定義在論域0U上的一個(gè)模糊集合。改變這些參數(shù)，實(shí)際上可改變節(jié)點(diǎn)函數(shù)以及自適應(yīng)網(wǎng)絡(luò)的全部行為。 反饋型模糊神經(jīng)網(wǎng)絡(luò)主要是一類可實(shí)現(xiàn)模糊聯(lián)想存儲(chǔ)和映射的網(wǎng)絡(luò)，也稱模糊聯(lián)想存儲(chǔ)器。 輸入層是指接受外部輸入信號(hào)的一層，并將輸入值（如直接測量值或處理過的數(shù)據(jù)）傳送給模糊化層的模糊單元。模糊邏輯神經(jīng)元?jiǎng)t以多輸入 、 單輸出的形式實(shí)現(xiàn)模糊邏輯函數(shù)或模糊整合函數(shù)。 (2) 利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力提取模糊規(guī)則或調(diào)整模糊規(guī)則參數(shù)，例如：神經(jīng)網(wǎng)沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 18 絡(luò) 模糊推理協(xié)作系統(tǒng)。具體算法如下： ippipijipippijpxEwxxEwE???????????? （ ） 式中， ip? 是第 P 組樣本輸入時(shí)的第 i 個(gè)節(jié)點(diǎn)的狀態(tài) ipx 對 PE 的靈敏度。輸出向量為 y，輸出層有 m個(gè)神經(jīng)元，輸入 /輸出樣本對 (即導(dǎo)師信號(hào) )長度為 L。 BP 神經(jīng)網(wǎng)絡(luò) 診斷方法 三層 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖 所示，拓?fù)浣Y(jié)構(gòu)為有向無環(huán)圖的前向網(wǎng)絡(luò)。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼，也可能是對一種邏輯策略的表達(dá)。 本文將采用 BP 人工神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)對滾動(dòng)軸承缺陷進(jìn)行識(shí)別，利用滾動(dòng)軸承振動(dòng)信號(hào)的時(shí)域特征參數(shù)和頻域特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)經(jīng)過訓(xùn)練和測試后，即可由己知的數(shù)據(jù)，判斷出軸承正常與否。 ④ 脈沖因子： mrmsb xxS ? （ ） 脈沖因子為均方根值與絕對均值之比陷比較敏感，特別是當(dāng)出現(xiàn)早期缺陷時(shí)，它有明顯增加 。這些時(shí)域的統(tǒng)計(jì)特征參數(shù)的共同特點(diǎn)是 :對滾動(dòng)軸承的缺陷足夠敏感對信號(hào)的幅值和頻率不敏感，即與機(jī)器的運(yùn)行工況無關(guān)，只依賴于信號(hào)的幅值概率密度函數(shù)。傳感器數(shù)據(jù)經(jīng) 16 位 A/D 板處理后存入計(jì)算機(jī)中，數(shù)據(jù)文件為 Matlab 文件格式。通常稱為特征頻率，頻率不同故障也就不同。 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計(jì)（論文） 9 1r 一一內(nèi)環(huán)滾道的半徑 。內(nèi)圈、外圈分別與軸頸及軸承座孔裝配在一起。