摘要：对机械工业中常用的评价滚动轴承故障的冲击脉冲法，提出了一种基于神经网络的故障评价系数自修正策略。这一修正系数模块已用于工业现场滚动轴承状态在线监测系统中，经长期运行的实践证明，自修正系数模块的引入极大地提高了滚动轴承运行状态判断的准确性。
关键词：滚动轴承冲击脉冲法神经网络自修正系数
0前言
滚动轴承是机械工业中量大面广的重要零部件，它的运行状态直接影响到机器设备的运转质量，由于滚动轴承故障造成的机器设备事故也屡有发生，因此，对运行中滚动轴承的状态进行评价的研究引起了诸多机械设计和状态监测技术人员的关注。当前对滚动轴承运行状态评价，在工业现场最常用也是最为有效的方法之一是冲击脉冲法(SPM方法)［1］，但该方法对轴承状态的评定是采用经验的曲线法，这条曲线是在十分理想的条件下获得的，即：轴承负载和转速在设计范围内，SPM传感器的安装必须完全符合标准。工业现场的具体工况条件是很复杂的，运转中的机器设备是具有多种不确定因素和难以确切描述的多维非线性系统，其精确模型难以提取，SPM方法评价轴承运行状态的理想条件在工业现场是无法实现的，为此应当在机器监测的同时能自学习对象机器的具体情况，自适应地产生评价滚动轴承状态的修正系数，使监测系统在一段时间的运行之后，逐渐与对象机器的现场具体复杂情况相适应。根据这一思想，我们在对中国扬子石化公司塑料厂造粒机多个滚动轴承建立在线监测系统时，针对滚动轴承的SPM监测方法，提出了一种基于人工神经网络的自修正系数方法。该系统已经在现场使用，使用的情况表明，系统能有效地自适应产生用于修正的参数，提高了监测系统对滚动轴承运行状态评价的准确率。
1基于BP网络的自修正模块原理
1.1SPM方法
滚动轴承在运转中，如果滚动体接触到内外滚道面的缺陷区，将会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM传感器的共振，共振波形一般为20kHz～60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。SPM方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的，并且采用了冲击脉冲值(SV)这一新的尺度dBc、dBm，实际使用时用分贝值来表示。
dBc(CarpetValue)值：又称地毯值或高频值。它是由滚道面的纹波随机激励引起的，与轴承的润滑状态和油膜厚度有关。它出现的频次高(1kHz以上)而且值较小。
dBm(Maximumvalue)值：又称强脉冲值或低频值，表示脉冲序列中强脉冲序列的幅值。它与滚动轴承的损伤和润滑油中的杂质有关，出现的频次低(1kHz以下)而且值较大。
dBm和dBc之间的差值直接与轴承故障有关，两者之间的关系与单个轴承的具体特点有关，也与现场的复杂情况有关，其精确的数学模型尚不能提取。
1.2自修正模块的原理
针对SPM方法建立的基于BP网络的自修正系数模块的结构见图1（略）。
在轴承发生故障并被更换后，现场操作人员填写轴承更换管理系统程序，该程序一方面完成对轴承更换的管理功能，另一方面将轴承更换时的高、低频值(dBc和dBm)传递给BP网络，同时将操作人员对此次轴承更换的合适性和及时性的评价用于对传统SPM方法评定曲线的修正。
人工神经网络是近年来发展起来的一门新兴科学［2］，BP神经网络是使用最广泛的人工神经网络，它是一个包含有隐层的多层网络，其结构如图2(略)。
BP模型由三个神经网络元层次组成，分别是输入层、隐层、输出层。各层神经元之间形成全互连连接，各层内的神经元之间没有连接。其输入输出特性为非线性可微非递减函数，一般取为Sigmoid函数，表示神经元的饱和特性。由于隐节点的引入，用三层具有Sigmoid神经元的BP网络可以以任意精度逼近任何函数［3］。
实际使用的BP网络为1-48-1的结构，输入为SPM方法的低频值，输出为高频值，逼近SPM方法高、低频之间的复杂关系。由于该神经网络主要用于计算而不是分类判断，所以精度要求较高。单个样本只有达到小于8×10-5的误差才能不低于系统硬件的测量精度，即BP网络的误差不会是系统误差的主要项。为了达到这么高的精度，我们采用很大的隐层节点数：48。这样做的代价是运算速度下降。但这只是在预学习的时候前期训练时间长，在系统实际工作的时候，BP网络可能不用学习，即使学习，也只是单个样本的学习，选代次数绝不会超过几十次，所以不会影响系统的实时性。
在构建BP网络的时候，我们首先根据现场的具体数据和现场工作人员的经验数据对BP网络进行预训练，以生成一组初始权值。所谓现场的具体数据是指现场工作人员用离线式SPM仪器采集的历次历史数据。在没有现场具体数据的范围时，采用现场操作人员提供的经验数据。在这些数据中挑选一些具有代表性的数据作为训练样本。在预训练完毕后，挑选上述数据中未用作样本的数据作为BP网络的验证数据，如果未达到精度要求则重复预训练过程。
表中所示为对预训练出来的BP网络进行测试的结果。
表BP网络测试结果
输入262830
期望输出222326
神经网络输出22.6524.1625.73