基于神经网络的轴承故障预测模型

韩昕锋;任立坤

【摘 要】In this paper, neural networks were used to estimate the remaining useful life of the bearings. Through the feature extraction and modeling process, the intrinsic connection between monitoring data and remaining useful life was dig out, so as to evaluate the residual life of bearing. In the experiment, the effectiveness of the model was verified.%利用在故障预测领域广泛应用的神经网络模型，对轴承监测数据的特征提取与建模，挖掘出监测数据与剩余寿命间内在关联，从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中，证实了该模型的有效性。 【期刊名称】《海军航空工程学院学报》 【年(卷),期】2015(000)003 【总页数】5页(P281-285)

【关键词】故障预测;神经网络;状态监测 【作 者】韩昕锋;任立坤

【作者单位】海军装备部装备采购中心，北京100071;海军航空工程学院7系，山东烟台264001 【正文语种】中 文 【中图分类】TB115.2

基于神经网络的轴承故障预测模型 韩昕锋

1，任立坤 2

（1.海军装备部装备采购中心，北京100071；2.海军航空工程学院7系，山东烟台264001）

摘 要：利用在故障预测领域广泛应用的神经网络模型，对轴承监测数据的特征提取与建模，挖掘出监测数据与剩

余寿命间内在关联，从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中，证实了该模型的有效性。

关键词：故障预测；神经网络；状态监测 中图分类号：TB115.2 文献标志码：A

文章编号：1673-1522（2015）03-0281-05 DOI: 10.7682/j.issn.1673-1522.2015.03.015 收稿日期：2015-03-10； 修回日期：2015-04-17

作者简介：韩昕锋（1978-），男，工程师，硕士。

传统的维修活动一般采用修复性维修与预防性维修2类方法。其中，修复性维修属于事后维修方式，即维修活动仅在产品发生故障之后才开展。预防性维修属于与

时间有关联的维修方式，比如典型的定期更换等。值得注意的是，这里的时间是指告知开展维修活动的周期时间，其维修策略并不是量化地基于可能的故障时刻所做出的。上述2种维修活动针对不同的故障发生频次与危害度（涉及到经济性、安全性、任务完成）的特定区间具有一定的适应性

[1-2]。若须进一步提高生产效率以增加利润，减少维修成本，提高设备内在的可用性、安全性等方面，上述策略明显不足。如何开展故障预测，成为近年来视情维修/故障预测与健康管理研究者一直致力的研究方向 [3]。

故障预测作为视情维修这一概念中的关键技术，可通过运行状态或运行环境监测，根据系统当前的运行状态及历史数据，对系统的健康状态预先估计，得出系统的剩余寿命评估。故障预测的主要方法大体可以分为2类：基于失效物理的故障预测模型及基于数据驱动的故障预测模型。

基于失效物理的故障预测模型力图构建被监控系统精确的物理模型，从而对系统的运行环境及状态进行建模，计算系统的剩余寿命

[4-7]。由于机电产品运行的复杂性，基于失效物理的故障预测模型大多难以准确构建机电产品的真实运行模型 [8-10]。

数据驱动的故障预测模型利用系统的监测数据构建系统运行状态与剩余寿命之间的关联，将系统内部结构视为黑箱，利用数据挖掘方法，从系统的运行状态监测数据中，提取出与剩余寿命密切相关的因素，从而估计系统的剩余寿命。主要预测模型有：基于ARMA过程的预测模型

[11-12]，基于贝叶斯的故障预测模型

[13-15]，基于马尔科夫模型的预测方法

[16-17]等。近年来，神经网络作为一种机器学习算法越来越多的应用于故障预测之中

[18-21]。通过对训练样本的学习，神经网络试图挖掘监测数据与剩余寿命之间的映射关系，从而对当前测试样本的剩余寿命做出估计。

由于轴承运行状态及工作环境的复杂性，监测数据表现出较大的波动性与不规律性。因此，如何从波动的监测数据中提取出能够切实反应轴承内部衰退属性的关键信息，从而利用这些信息评估轴承的剩余寿命，成为轴承故障预测任务的重点与难点。 本文将神经网络模型应用于轴承故障预测之中，通过神经网络构建轴承监测数据与其剩余寿命间的映射关系，从而对轴承的剩余寿命进行实时预测。 1 BP神经网络

BP神经网络是一种利用反馈原理修正权重的多层前馈神经网络，具有反馈过程清晰，推导过程严谨，精度高，通用性好等优点，其基本结构如图1所示。 图1 BP神经网络结构

Fig.1 Structure of BP neural networks

1.1 BP神经元

图2为BP神经网络中一个神经元j的结构。其中，x 1,x 2,…,x

n为上一级神经元的输入，w j1,w j2,…,w

jn为上一级神经元与该神经元的权重，w j0为阈值，f(∙)为传递函数，y

j为该神经元的输出。则该神经元的净输入为：

式（1）中 S

j通过传递函数f(∙)后，得到该神经元的输出：

图2 BP神经元

Fig.2 BP neural neturon 1.2 BP算法

BP算法由正向传播与误差反馈的反向传播构成，见图3。正向传播通过输入层，隐含层到达输出层，通过网络输出与期望输出作对比，反过来调整各神经元之间的权重。

图3 BP神经网络算法示意图

Fig.3 Algorithm schematic diagram of BP neural networks

1.2.1正向传播过程

设BP网络的输入层有n个节点，隐含层有q个节点，输出层有m个节点，输入层与隐层之间的权值为v

kl，隐含层与输出层之间的权值为w ji，隐含层的传递函数为f 1(∙)，输出层的传递函数为f 2(∙)，则隐含层节点z l的输出为式中，V l为输入到隐含层节点z l的权重向量。

输出层节点的输出为

1.2.2反向传播过程

反向传播过程为权重修正过程，假定训练样本为：x （1）,x （2）,…,x

（p），通过期望输出与实际输出作对比，求得神经网络的全局输出误差为式中

为第i个样本对应与第j个的期望输出；

为第i个样本对应与第j个的实际输出。

各权重的修正结果应为式中，V、W分别为输入层到隐含层，隐含层到输出层的权重矩阵。

2 基于神经网络的轴承故障预测 2.1特征提取

特征提取是故障预测中至关重要的一步，好的特征能够切实反应轴承的衰退过程，为故障预测模型的建立打下坚实的基础。一般地，轴承故障发生率表现为浴盆曲线，如图4所示。

图4 浴盆曲线

Fig.4 Bathtub curve

故障预测任务主要研究轴承的偶然失效期与耗散失效期。因此，对于轴承全寿命数据来说，与浴盆曲线偶然失效期与耗散失效期相吻合的特征，能够切实反映出轴承的衰退过程。如图5所示。

图5 特征选择示意图

Fig.5 Schematic diagram of feature selection

2.2神经网络训练过程

利用轴承的全寿命数据对神经网络进行训练。令f

i表示在时间节点i上提取的轴承振动特征。而对应的剩余寿命r i为节点i到轴承失效时的节点内的监测振动周期数。将训练集{ f i,r

i}输入到神经网络Ω中，由1.2.2知，最终的权重优化函数为下面介绍一种对该优化函数的求解过程。

对W，应有：

由链式求导法则，有

对上式第1项，有 而

于是， 其中，z

k为隐含层节点。同样对V有：

经过多次迭代过程，最终得到相应的权重。 2.3神经网络故障预测过程

在2.2节中，已经得到了训练好的神经网络Ω，对于待估样本x

i，将其输入到~神经网络Ω中，得到对待估样本的剩余寿命粗估计rul：式中，~rul

i为在时间节点i下，对轴承的剩余使用寿命的粗估计。

由于监测数据在时间上的序贯性，即相邻监测数据的剩余寿命应该是相近的，因而对剩余寿命粗估计进行进一步的滤波可以提高剩余寿命估计的准确性，最终得到待

估样本x

i对应的剩余寿命估计值： 3 实验

采用2组轴承全寿命数据对算法进行验证，1组作为训练样本集，1组作为测试样本集。对测试样本集的剩余寿命估计与剩余寿命实际值作对比，从而验证算法的有效性。 3.1特征提取

根据2.1节有关特征选择的要求，从轴承全寿命振动数据中选取了8组特征，分别为：1个振动周期的均值与方差，1个振动周期的监测数据傅里叶变换功率谱，对1个振动周期的监测数据作小波分解，提取小波分解后的5个低频成分，部分特征如图6所示。

图6 轴承全寿命特征提取

Fig.6 Feature extraction of bearing

特征提取后，为去除噪声及量纲的影响，对特征进行中值滤波及归一化处理。 归一化函数为

3.2神经网络训练与剩余使用寿命估计

将3.1节提取的特征输入到待训练的神经网络Ω

0中，对其进行训练，由2.2节给出的权重优化方法，可以得到训练好的神经网络Ω。 对于待估样本x

i，由3.2节可知，其剩余寿命的估计值为

在该实验中，n取为3。最终实验结果见图7。

图7 剩余寿命估计

Fig.7 Estimation of residual life

由图7可以看出，模型给出的结果与真实值较为接近，且在轴承运行后期

（t>800），剩余寿命估计值的准确率较高。 4 小结

本文采用神经网络模型对轴承进行剩余寿命评估。首先，利用浴盆曲线特征提取出监测数据中能够切实反应轴承运行状态的特征量；而后，利用轴承全寿命数据对神经网络进行训练，得到能够建立监测数据与剩余寿命间映射关系的神经网络；最后，对每个时间节点的轴承剩余寿命估计量做滤波，进一步提高预测的准确性。实验结果表明，该模型可以较好的预测轴承剩余寿命，特别是在轴承寿命周期的后期。

【相关文献】

[1]YANG GUANGBIN. Life cycle reliability engineering [M]. Hoboken，NJ：John Wiley & Sons，Inc.，2007：5-7.

[2]U DINESH KUMAR. Reliability，maintenance and logistics support-a life cycle approach[M]. Holland：Kluwer Academic Publishers，2000：174-181.

[3]GEORGE VACHTSEVANOS，FRANK L LEWIS，MICHAEL ROEMER，et al. Intelligent fault diagnosis and prognosis for engineering systems[M]. Hoboken，NJ：John Wiley & Sons，Inc.，2006：284-287.

[4]LI C J，CHOI S. Spur gear root fatigue crack prognosis via crack diagnosis and fracture mechanics[C]//Proceedings of the 56th Meeting of the Society of Mechanical Failures Prevention Technology. 2002：311-320.

[5]LI C J，LEE H. Gear fatigue crack prognosis using embedded model，gear dynamic model and fracture mechanics [J]. Mechanical systems and signal processing，2005，19 （4）：836-846.

[6]OPPENHEIMER C H，LOPARO K A. Physically based diagnosis and prognosis of cracked rotor shafts[C]//Aero-Sense 2002. International Society for Optics and Photonics，2002：122-132.

[7]LI Y，BILLINGTON S，ZHANG C，et al. Adaptive prognostics for rolling element bearing condition[J]. Mechanical systems and signal processing，1999，13（1）：103-113.

[8]LI Y，KURFESS T R，LIANG S Y. Stochastic prognostics for rolling element bearings[J]. Mechanical Systems and Signal Processing，2000，14（5）：747-762.

[9]ORSAGH R F，SHELDON J，KLENKE C J. Prognostics/diagnostics for gas turbine engine bearings[C]//ASME Turbo Expo 2003，Collocated with the 2003 International Joint Power Generation Conference. American Society of Mechanical Engineers，2003：159-167. [10]KACPRZYNSKI G J，SARLASHKAR A，ROEMER M J，et al. Predicting remaining life by fusing the physics of failure modeling with diagnostics[J]. Journal of Metals，2004，56（3）：29-35.

[11]YAN J，KOC M，LEE J. A prognostic algorithm for machine performance assessment and its application[J]. Production Planning & Control，2004，15（8）：796-801.

[12]ZHANG S，MA L，SUN Y，et al. Asset health reliability estimation based on condition data[C]//Proceedings World Congress on Engineering Asset Management. Harrogate，2007：2195-2204.

[13]许丽佳，王厚军，龙兵.基于贝叶斯网络的复杂系统故障预测[J].系统工程与电子技术，2008，30（4）：780-784. XU LIJIA，WANG HOUJUN，LONG BING. Fault prediction of complex systems based on Bayesian network[J]. System Engineering and Electronics，2008，30（4）：780-784.（in Chinese）

[14]FERREIRO S，ARNAIZ A，SIERRA B，et al. Application of Bayesian networks in prognostics for a new Integrated Vehicle Health Management concept[J]. Expert Systems with Applications，2012，39（7）：6402-6418.

[15]ZHANG X，XU R，KWAN C，et al. An integrated approach to bearing fault

diagnostics and prognostics[C]//American Control Conference. IEEE，2005：2750-2755. [16]DONG M，HE D. A segmental hidden semi-Markov model（HSMM）- based diagnostics and prognostics framework and methodology[J]. Mechanical Systems and Signal Processing，2007，21（5）：2248-2266.

[17]YAN J，GUO C，WANG X. A dynamic multi-scale Markov model based methodology for remaining life prediction[J]. Mechanical Systems and Signal Processing，2011，25（4）：1364-1376.

[18]WANG P，VACHTSEVANOS G. Fault prognostics using dynamic wavelet neural networks[J]. Artificial Intelligence for Engineering Design Analysis and Manufacturing，2001，15（4）：349-365.

[19]WANG W Q，GOLNARAGHI M F，ISMAIL F. Prognosis of machine health condition using neuro-fuzzy systems [J]. Mechanical Systems and Signal Processing，2004，18 （4）：813-831.

[20]WANG W. An adaptive predictor for dynamic system forecasting[J]. Mechanical Systems and Signal Processing，2007，21（2）：809-823.

[21]SHAO Y，NEZU K. Prognosis of remaining bearing life using neural networks[J]. Journal of Systems and Control Engineering，2000，214（3）：217-230.

Prognostics Model of Bearing Fault Based on Neural Networks

Prognosti

HAN Xinfeng

1, REN Likun 2

（1. Procurement Center of NED, Beijing 100073, China; 2. No.7 Department, NAAU, Yantai Shandong 264001, China）

Abstrraacctt:: In this paper, neural networks were used to estimate the remaining useful life of the bearings. Through the feature extraction and modeling process, the intrinsic connection between monitoring data and remaining useful life was dig out, so as to evaluate the residual life of bearing. In the experiment, the effectiveness of the model was verified.

Key worrddss:: fault prognostics; neural networks; state monitoring