论文导读：液压泵滚动轴承又是液压泵中的关键部件。飞行部队对液压泵轴承的故障诊断研究还非常有限。本文提出了一种基于BP神经网络的液压泵滚动轴承早期故障自动识别方法。
关键词：神经网络，振动测量，轴承，故障诊断

　　在飞机各个组成系统中，液压系统地位重要。这其中液压泵是重中之重，而液压泵滚动轴承又是液压泵中的关键部件，起重要支承作用。由于其工作面（流动体与内外环之间）的接触应力反复作用，极易引起疲劳、裂纹、剥蚀、压痕以致断裂、烧损等现象。一旦工作面出现缺陷后，会使轴承旋转精度丧失，引起附加振动，会直接造成整个液压系统失效，严重危急飞行安全。
　　目前，飞行部队对液压泵轴承的故障诊断研究还非常有限，所取成果也不多，还是主要依靠维护人员经验进行测试和分析，还不能够对其进行精确的故障诊断。因此，利用计算机进行液压泵轴承故障的智能精确诊断能够在一定范围内提高地勤部队的维修保障能力，同时也是飞行部队进行信息化建设的重要步骤，也是飞行部队应当追求的目标。智能诊断不仅可以提高维护人员的工作效率、提高维修工作的精度，提高维修保障能力，还直接会提高部队战斗力。
　　本文提出了一种基于BP神经网络的液压泵滚动轴承早期故障自动识别方法，利用该方法可实现液压泵轴承早期故障的智能诊断。BP神经网络是人工神经网络的一种，是由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连接。论文发表。神经网络的信息分布式存储于连接权系数中，使网络具有很高的自学习、自组织、联想记忆等特性，因而网络具有较好的容错性和鲁棒性，BP网络，即多层前馈神经网络，因其采用误差反向传播算法(ErrorBack-Propagation，即BP算法)而得名。BP算法结构简单、易于实现。论文发表。利用BP神经网络可以有效地对液压泵轴承早期故障进行诊断，提高轴承早期故障的判断率。
　　1 BP神经网络算法
　　标准的BP神经网络由输入层、隐含层和输出层组成。它把一组样本的输入输出问题变为一个沿梯度下降算法的非线性优化问题，从而具有很强的非线性映射能力。如果BP神经网络的隐层较多，较少次数的权值调整就可以使网络学到样本的知识，并以权值的形式存储起来，但是隐层过多，需要调整的权值的个数也大幅度增加，因而网络的学习也会占有较多的时间。在理论上，含有一个隐层的3层BP神经网络在隐层神经元（节点）数可以任意设定的情况下，可以任意精度逼近任意连续函数。所以，在大多数应用情况下，都采用仅含一个隐层的3层BP神经网络。
　　这样的3层BP神经网络具体算法如下：
　　(1) 随机地给输入层与隐含层之间的连接权阵V,隐含层与输入层之间的连接权阵W、隐含层阈值、输出层阈值阵赋初值；
　　(2) 输入学习样本，这里设输入向量为A，并提供期望输出向量,层与层之间作用函
　　

　　图1
　　数为S型函数，，而此函数的输出总介于0～1之间，因而需要对神经网络的输入进行正则处理，具体的公式为
　　
　　(3) 计算实际输出向量C 隐含层的输出，输出层的输出，其中和分别为隐含层和输出层的阈值。
　　(4) 梯度计算输入层 隐含层
　　(5)权值学习 式中 为学习率，
　　(6) 阈值学习，隐含层 
　　(7) 按照上述学习算法，转到（2）反复学习直到所要求的精度为止。
　　可以归纳为：BP网络的学习方法由正向传播和反向传播两个过程组成。学习开始，先随机地给各连接权赋值，权值在0~1之间随机选取，然后将学习样本的信息输入输入层各神经元，经隐含层计算出输出层个节点的值，如输出层不能得到规定的输出则转入反向传播，将误差信号沿原路返回，通过修改各层神经元的权值使输出误差最小。经过一定数量的样本训练之后，网络的权矩阵和阈值就稳定在一定的状态，这样与系统有关的故障模式将匹配到其最接近的区域，神经网络用于故障诊断的机理也在于此。其示意图见图2图3。论文发表。

　　图2图3
　　载荷和转速等因素的影响,无须考虑相对标准值或与以前的数据进行对比,另外,它不受信
　　号绝对水平的影响,即使测量点同以往的略有不同,对参数的计算结果也不会产生明显的影响。本文将以这些处理过的参数作为神经网络输入层输入来对轴承故障做出诊断。
　　设采集到的振动信号为(i=1,2,…,n,n 为采样点数),则
　　均方根值
　　峰值 （ 为利用某一峰值计数法从信号中找到的m个峰值，j=1,2,…m）
　　峭度
　　峰值因子
　　峭度因子
　　脉冲因子 
　　波形因子
　　裕度因子 
　　3 采用BP神经网络模型进行滚动轴承故障诊
　　3.1网络层次节点数目确定
　　模型采用3层BP神经网络，输入层相对于上述6个处理过的特征参数，因而有6个节点，在运行的柱塞泵滚动轴承的6个测点安装传感器，拟人工设置三种轴承故障模式：轴承外环故障、轴承内环故障、滚动体故障，故对应于这三种故障输出层有3个节点。阴层节点数根据经验公式 来确定，其中：
　　隐含层神经元数目；
　　输入层神经元数目；
　　输出层神经元数目；
　　1~10之间的整数。
　　本文选用的隐层节点数目是12。如图1所示
　　3.2网络训练
　　神经网络具有自适应、自学习能力，因而当训练样本达到一定数量后，网络具有良好的非线性逼近能力，达到理想的故障模式识别。但达到上述效果，用于训练神经网络的样本必须满足以下俩个要求：a、样本足够数量多，从而使网络经过训练后，收敛性良好；b、样本包含各类故障的典型样本，即要求训练样本集完整。
　　本文选用的样本数据来自实验数据，依据数据性质，分为四类：轴承正常、外圈划伤、内圈划伤、滚子划伤。每类数据各有20个样本，共80个训练样本。表1节选了轴承四种状态各5个共20个训练样本。
　　在MatLab环境下，选用收敛性良好的Levenberg-Marquardt算法对BP神经网络进行训练，参数设定如下：学习率0.05；训练步数100；训练目标误差0.001；通过调试可知，Levenberg-Marquardt算法收敛速度很快，因此，训练后的BP神经网络就是滚动轴承早期故障的识别网络。
　　3.3检验网络
　　轴承四种状态的期望输出分别为：正常（0 0 0）；外圈划伤（1 0 0）；内圈划伤（0 1 0）;滚子划伤（0 0 1）。
　　用训练好的网络对待检样本进行识别，原理图见图3，神经网络对滚动轴承检验样本进行诊断的输出结果如表2所示，可以看出，神经网络能根据早期振动测得的数据准确地判断轴承的故障类型，说明神经网络采用上述算法以及特征参数能够较好的对故障模式进行识别。
　　4 结论
　　航空液压泵轴承是液压泵的重要支撑部件，对其故障诊断具有重要意义。BP神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别能力，特别适用于多故障、多征兆等复杂模式的识别。本文通过对轴承振动信息处理，提取无量纲特征参数作为神经网络输入，实验结果表明，利用BP神经网络对航空滚动轴承早期故障模式进行识别是可靠与有效的。
　　表一 BP神经网络训练样本
　　

　　表二 BP神经网络仿真结果
　　

Abstract: By analyzing and processing of the vibration signal ofthe aero ball bearing,the feature parameters which represent operating state ofthe aero ball bearing are extracted,and then input to the BP neural network totrain the network with BP algorithm.The pattern of aero ball bearing failurecan be identified with the intellectual ability of BP neural network.Thesimulation result shows that the method presented in this paper is practicaland effective.
　　　　Key words: failure diagnosis; BP neural network; aero ballbearing; vibration signal

参考文献：
[1] 朱大奇，史慧，人工神经网络原理及应用[M] 北京：科学出版社，2006.
[2] 钟秉林，黄仁.机械故障诊断学[M].北京：机械工业出版社.
[3] 陈向东，赵登峰，王国强等，基于神经网络的滚动轴承故障监测[J].轴承，2003，（2）：23-26.
[4] 梅宏斌，滚动轴承振动监测与诊断 [M].北京：机械工业出版社，1995.
[5] 王少萍，王占林。液压泵故障诊断的神经网络方法[J].北京航空航天大学学报，1997（6）.
[6] 胡婧，杨曙年 基于BP神经网络的滚动轴承故障诊断研究 机械与电子 2006年4月.
[7] 吕琛，王桂增，张泽宇，一种用于滚动轴承故障诊断的方法 吉林大学学报（工学版）2004(7).
[8] 康莉,郑改成 神经网络在故障诊断中的应用 科技情报开发与经济 2006(19).