使用AI算法进行滚动轴承故障精准预测

使用AI算法进行滚动轴承故障精准预测

滚动轴承是机械设备中的关键部件，其故障可能导致设备停机和生产中断。传统的故障诊断方法存在诸多局限性，而基于云计算和大数据的AI算法（如神经网络）则具有自学习能力、非线性映射能力等优势，能够实现更精确的故障预测。本文将详细介绍如何使用BP神经网络进行滚动轴承故障预测。

滚动轴承故障预测

滚动轴承是由内环、外环、滚动体和保持架四种元件组成。在工作过程中，由于装配不当、润滑不良、水分和异物侵入、腐蚀和过载等因素，可能导致轴承损坏。主要的故障形式包括磨损失效、疲劳失效、腐蚀失效、断裂失效、压痕失效、胶合失效和保持架损坏等。

在滚动轴承数据成功实现上云后，可以利用PAAS层提供的AI算法中的BP神经网络对传动机组滚动轴承进行故障诊断。这种方法能够在轴承早期故障时发出预警信号，提前进行维修或更换，从而缩短停工停产时间。

BP神经网络

BP（back propagation）神经网络是1986年由Rumelhart和McClelland等人提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络之一。

BP神经网络在输入层与输出层之间增加若干层（一层或多层）神经元，这些神经元称为隐单元。隐单元的状态改变能够影响输入与输出之间的关系，每一层可以有若干个节点。

机器学习框架

选用Keras+TensorFlow实现轻量级和快速开发。根据采集到的信息，随机选取70%数据组作为输入样本，30%剩余组作为验证样本。对输出状态进行编码输出，构建BP神经网络，并进行迭代训练，经过多次迭代之后达到期望的误差值。

实施关键步骤

使用AI算法进行故障预测的关键步骤如下：

1. 边缘层数据采集与预处理

利用加速度传感器采集轴承的振动信息。由于现场干扰信号会对结果的准确度带来很大影响，需要选用专业级别高灵敏度的采集器。

2. 边缘层特征值提取

原始数据需要在边缘设备进行特征值提取，以加速模型识别。提取滚动轴承的四个特征参数，包括均方根值、峭度、谐波指标和方差参数。

• 均方根值：振动有效值，衡量振动幅度的大小。
• 峭度：振动信号分布特性，当K=3定义为分布曲线具有正常峰度（即零峭度）；当K>3时，分布曲线具有正峭度。
• 谐波：对周期性非正弦交流量进行傅里叶级数分解所得到的大于基波频率整数倍的各次分量，通常称为高次谐波。
• 方差：用来度量随机变量和其数学期望（即均值）之间的偏离程度。

3. 设备云机器学习框架

选用Keras+TensorFlow，Keras可以在Theano、TensorFlow和CNTK等主流神经网络框架作为后端，实现轻量级和快速开发。根据采集到的信息，选取7000组作为输入样本，3000组作为验证样本。对输出状态进行编码输出，构建BP神经网络，进行迭代训练。

8. 云计算迭代

持续的训练和迭代会提高它的精确度，经过多次迭代之后达到了期望的误差值。由于神经网络需要消耗较多的计算资源，需要使用云计算的并行处理能力。

9. 云计算结果可视化

通过Grafana等组件进行可视化展示。

参考资源

工业互联网成功融合了IT与OT技术并陆续落地应用。基于Grafana的数据可视化仪表板，基于神经网络的TensorFlow深度学习框架与大数据分析，基于Docker容器的快速部署、边缘计算等技术在垂直行业工业互联网架构中得到充分展现；而振动监测与频谱分析、专家算法等设备健康诊断方案也成为互联网企业云计算的重要组成部分。