基于BP神经网络的齿轮故障诊断研究-论文.pdf

《基于BP神经网络的齿轮故障诊断研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、技术与市场技术研发2015年第22卷第7期基于BP神经网络的齿轮故障诊断研究武龙(1．太原理工大学机械工程学院，山西太原030024；2．国电联合动力技术(包头)有限公司，内蒙古包头014000)摘要：齿轮传动工况的复杂性使得它的故障形式与特征的关系呈非线性的映射关系。故障信号的能量所引起的变化淹没在常规振动与噪声之中。用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难。构造的基于神经网络的故障诊断系统能用于齿轮的故障诊断。仿真结果表明该方法可成功地用于齿轮常见故障的识别和诊断。关键词：人工神经网络；BP算法；齿轮；故障诊断doi：10．3969

2、／j．issn．1006—8554．2015．07．0611BP神经网络的原理结构及算法式中：，既是输入层第i个神经元与隐层第个单元间的BP神经网络的全称为Back—PropagationNetwork，即反向连接权，是本层第个神经元的阈值，n为输入层单元总数，k传播网络。它是一种多层前反馈神经网络，名字源于网络权值为隐层单元总数。的调整规则，采用的是后向传播学习算法，即BP学习算法。对计算隐含层各单元的输出：于故障诊断而言，输入层单元数一般等于特征向量的维数，输Yj=，()=互—)出层单元数等于故障类别数，而且还没有任何理论根据采用两式中：是隐含层第单元的输出

3、。层以上的中间层，对大多数的故障诊断实际问题来说，一层中2)对于输出层各个神经元的输入与输出类似的有：间层即三层网络已经足够了。1989年，RobertHecht-Nielson证明对于任何在闭区问内一个连续函数都可以用一个BP网络=三一z=1，2，⋯，来逼近，因而一个三层的BP网络可以完成任意的凡维到m维式中：既是隐层第个神经元与输出层第t个单元间的的映射。BP神经网络一般分成三层，输入层、隐层和输出层，连接权，是第t个神经元的阈值。每层有若干个神经元，见图1。1．2误差的反向传播过程首先定义误差函数为：1，lEp=÷(d一Y)局，’式中：d为期望输出，为对样

4、本模式的所有输出单元的误差函数。1)隐含层和输出层的权重修正量和阈值的修改应使误差最小，因此权值和阈值应验误差的负梯度方向变化。通过对输，．I出层和隐含层的权值修正和阈值修正为：△=，，A0=面图I神经网络结构模型式中：6是输出层的调整误差；表示了学习速度，用来调BP算法的学习过程由正向传播和反向传播两部分组成。节学习的收敛速度。其中在正向传播过程中，输人向量从输入层经过隐层的神经元处理=(d一Y)Y(1一Y)后，传向输出层，每一层神经元的状态只影响下一层神经状态。2)类似的有隐含层和输入层的权值修正和阈值修正为：如果在输出层得不到期望的输出，则转入反向传播，此

5、时误差△=届△=JB信号从输出层经隐层向输入层传播，并沿途调整各层间连接权式中：6，为隐含层的调整误差；卢表示了学时速率用来调节和阈值，使误差不断减少，直到达到精度要求。该算法的关键学习的收敛速度，其中是调整各层间连接权和阈值求误差函数的极小值，本文作者采用的是梯度最速下降法。BP算法的具体过程简述如下。=(1+Y)(1一Y)三占BP网络算法实际上是梯度最速下降法的一种应用。所谓1．1正向传播过程1)输入向量X=(。，，⋯，一，。)通过网络的输入层梯度最速下降法，即在点处按照激活函数，()的梯度负方向进行搜索的一种优化方法。设网络有m层，第一层为输入节的节点传播

6、给隐层节点，得到隐含层各神经元的输人为：点，第m层为输出节点，有个输入样本，则BP网络的算法可，J=一f=1，2，⋯，k以小结为：777技术研发TECHN0LOGYANDMARKETVo1．22，No．7，2015(1)选定初始权值。针对收集到的齿轮四种故障模式信号数据，将其36组样(2)重复下述过程直到网络收敛。本数据(其中每种模式下选取9组)分为两部分，前32组作为①对于任何一个输入样本，计算网络的实际输出，即网络神经网络的训练样本数据，余下的4组作为用于测试的验证样中任意一个节点的输出值(正向传播过程)。②从第m层到输本数据。训练样本数据在用于神经网络训练

7、前，对其原始数据入层对各节点反向计算误差信号(反向传播过程)。进行规一化处理后作为神经网络的输入样本P进行神经网络(3)修正权值。的训练。2齿轮故障诊断实例P=[0．0660．0140．0430．0410．0000．042；在齿轮故障诊断试验中对已制定的四种故障类别的齿轮0．0350．0380．0380．0410．0940．000：0．010信号进行数据的采集后，经过时域、幅域分析，提取幅域参数和0．0000．0000．0000．3070．028；0．0420．027⋯]’；频域参数作为神经网络的训练样本在MATLAB环境中对神经t=[1000；1000；100

8、0；1000；1000；