基于BP神经网络的故障预测研究开题报告

1. 目的及意义（含国内外的研究现状分析）

1.1研究目的及意义

在当今科技竞争日益激烈的全球化背景下，机械装备逐渐向智能化、复杂化和自动化发展，机械装备的发展水平直接关系到国家的综合实力、国际地位与核心竞争力。各种现代化机械装备在企业中扮演着重要的角色。工业企业成功的关键是设备系统的安全平稳运行；军工企业的军事装备只有具备高可靠性和高准确性才能保证战争的胜利；在核动力设备及人类无法接触的危险恶劣环境中，要求运行设备必须具有很高的可靠性和安全^[1]。随着近年来科学技术的发展，机械设备越来越趋向于一体化和自动化水平，在设备运行过程中，如果某一部件出现问题则可能会导致该设备整体出现功能异常，最终使得生产线中断，损害企业的生产利益甚至会对企业人员的生命安全造成威胁，产生一定的社会负面影响。因此，如何提前检查出设备的故障趋势，确保设备能够安全、可靠运行已经成为当前相关行业研究学者重点关注的问题之一。

物流产业作为中国社会发展不可或缺的经济体，正逐步跟随着中国经济以不可察觉的速度快速发展，设备是公司赖以生存的根基，物流设备对于物流企业相当于制造企业的生产工具，是物流企业提供优质服务的基础。物流设备的运作是物流企业整体流程的关键，因此其维护水平影响物流企业的服务水平、经济效益^[2]。物流设备的先进与否也是物流企业现代化的重要标志，在“工业4.0”、“中国制造2025”理念的推动下，智能物流装备无疑是物流产业未来发展的趋势^[3]。而随着自动化、智能化的先进物流设备的产生，物流设备的故障原因变得更加复杂，设备故障的类型也因设备的多样性而难以预测。在物流作业的过程中，机械设备一旦发生故障，轻则会降低设备使用功能，直接影响生产，造成一定的经济损失；重则可能直接导致严重的事故。旋转机构是物流设备里最常见的组成部分，而滚动轴承更是旋转机构不可或缺的零部件，许多物流设备的故障都与滚动轴承的损坏有关，因此，研究滚动轴承的故障预测技术，对于保障物流设备运行的安全性和稳定性具有十分重要的意义。

随着物流设备日趋复杂化、大型化和智能化，高效获取准确、完备的诊断信息越来越困难。传统的诊断技术已很难满足现代工业的故障预测需求，迫切需要能够将故障机理、模型建立、特征提取与故障模式预测等相关问题相融合的混合智能故障预测技术。而近年来，人工智能和机器学习得到了快速发展，机器学习从大量的数据中自主挖掘数据内在隐含特征的学习特点，为这一技术的实现提供了新的思路，也为提高系统的可靠性和安全性开辟了一条新的途径^[4]。因此，本文选择了BP神经网络算法来实现对滚动轴承的故障预测。

1.2国内外研究现状

为了达到故障预测智能化的目标，1995年B.Lennox教授和他的合作者利用神经网络研究了工业系统中的故障预测，由此开始了神经网络应用于工业系统故障预测技术领域的先河^[5]。S.Abbasion等将小波分析和SVM结合对轴承的多故障模式进行分类^[6]。Unal M等基于遗传算法优化神经网络实现了滚动轴承的故障诊断^[7]。Saidi L提出了一种结合高阶谱分析特征和支持向量机分类器的轴承诊断模式分类方法^[8]。Duy-Tang Hoang等提出了一种基于卷积神经网络深层结构的轴承故障诊断方法^[9]。N.Rodriguez等提出了多尺度小波香农熵作为判别故障的特征，以提高变工况下轴承故障的诊断精度^[10]。Darji A等提出了一种基于小波包和监督机器学习技术的滚珠轴承故障诊断方法 ^[11]。

我国开始对装备故障诊断和预测技术的研究要比国外晚约十年，而且在很大程度上都是借鉴国外的先进模型或算法。在国内，北航可靠性工程研究所较早地开展了故障预测与健康管理系统方法和技术应用方面的相关研究^[12]。随后一些部委、高校和研究单位相继成立了相应的研究部门，使我国的设备状态监测与故障预测工作走向欣欣向荣的发展阶段^[13]。程进军等将改进遗传算法用于神经网络的权重学习，改善了BP网络预测精度^[14]。韩昕锋等对轴承监测数据的特征提取与建模,从而对轴承剩余寿命做出评估^[15]。ZhaoZhuanzhe等提出了改进的基于打乱蛙跳算法的BP神经网络，加快了BP神经网络的收敛速度^[16]。Shao等提出了一种基于深度小波自动编码网络和极值学习机的滚动轴承故障诊断方法，能够有效地诊断滚动轴承的故障位置和严重程度^[17]。周啸伟等运用小波分解采集特征向量并对数据消除噪声，把从振动信号中提取出的特征向量带入优化后的BP神经网络中进行训练,发现优化后的识别率更高^[18]。Yuan等采用BPNN作为分类器，利用改进的原始信号的多元多尺度样本熵作为BPNN的输入，实现滚动轴承的故障诊断^[19]。Jimeng Li等提出了基于BP神经网络的多尺度局部特征学习用于滚动轴承的智能故障诊断，从不同尺度信号中局部学习有意义的特征，最后将得到的局部特征作为支持向量机的输入，结果表明该方法提高了故障诊断的准确性^[20]。综上，BP神经网络由于其具有非线性映射能力，自学与自适应能力和一定的容错能力，表明了其在故障预测方面的优势。

因此，本文基于前人的研究经验与成果并加以改进，以物流设备中最常用的零部件滚动轴承为对象，选用BP神经网络利用python编写程序实现对滚动轴承的故障预测。鉴于小波包克服了小波分解在高频段的频率分辨率较差，而在低频段的时间分辨率较差的问题。因此选用小波包分解方法对轴承的振动信号进行处理，得到特征向量，并采用其他智能算法如遗传算法，对传统的BP神经网络进行优化，以克服神经网络收敛过慢和容易陷入局部最优解的缺点。

时间段

主要任务

1-4周

收集并阅读毕业设计过程中相关的各种文献资料，开始英文文献的翻译。提交开题报告并完成开题。

5-6周

BP神经网络算法及故障特征提取理论学习。

7-8周

掌握理论算法的实现，完成英文资料翻译，完成论文中期检查。

9-13周

运用BP神经网络对数据进行训练和预测，将结果对比分析，撰写毕业设计论文，提交电子版论文初稿；。

14-15周

修改完善毕业论文。

16周

打印毕业设计论文，整理各项毕业设计材料以及准备答辩用的幻灯片，毕业答辩。