CN108918137B - 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 - Google Patents
基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 Download PDFInfo
- Publication number
- CN108918137B CN108918137B CN201810589533.6A CN201810589533A CN108918137B CN 108918137 B CN108918137 B CN 108918137B CN 201810589533 A CN201810589533 A CN 201810589533A CN 108918137 B CN108918137 B CN 108918137B
- Authority
- CN
- China
- Prior art keywords
- neural network
- wpa
- gearbox
- improved
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 22
- 241000282461 Canis lupus Species 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- 244000062804 prey Species 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明是一种基于改进的WPA‑BP神经网络的齿轮箱故障诊断装置及其方法，该方法包含：采集齿轮箱各工况状态下的实验数据，获取各工况下的特征值指标数据，并分为训练样本和测试样本；建立BP神经网络；设定神经网络参数及改进的WPA寻优参数；针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，并利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取用于对齿轮箱故障进行诊断识别的神经网络实时进行故障诊断。本发明可以高效准确的判断出齿轮箱运行过程中的故障类型，并取得理想的诊断识别效果。
Description
技术领域
本发明属于齿轮箱故障诊断技术领域，特别涉及一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置及其方法。
背景技术
齿轮箱作为机械设备中重要的零部件之一，主要被用来传递扭矩和力。被广泛应用在航空航天、电力系统、汽车制造、农业机械、冶金机械等现代工业设备中。但由于其本身结构复杂，工作环境恶劣等原因，齿轮箱很容易出现故障。而齿轮失效是诱发机器故障的重要因素。据统计，传动机械中80％的故障是由齿轮引起的，旋转机械中齿轮故障占其故障的10％左右。因此，及时地对齿轮箱的工作状态进行检测，研究解决齿轮箱故障的诊断技术和方法，确保齿轮箱正常工作是非常具有实际意义的。
随着科学技术的不断进步和发展，机械设备朝着大型化、集成化、高速化、自动化及智能化的方向发展，但这也使影响机器安全运行的因素越来越多。因此，传统的故障诊断技术已经难以满足现在生产发展的需要，智能化的故障诊断技术正在兴起。针对齿轮箱产生的故障，国内外的研究学者进行了大量的研究，形成了许多故障诊断的方法。比如近些年形成的时频分析方法、聚类分析法和专家系统，以及各种群智能优化算法等新型的诊断方法。随着对这些诊断方法的深入研究和不断完善，最后的诊断效果也愈加趋于理想。因此，对故障诊断方法进行多方面、深层次的研究和改进是十分有必要的。
发明内容
针对现有技术中的不足，本发明提供一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置及其方法，高效准确的判断出齿轮箱运行过程中的故障类型，并取得理想的诊断识别效果。
按照本发明所提供的设计方案，一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，包含：齿轮箱动力模拟系统、信号采集模块和故障分析模块，其中，
齿轮箱动力模拟系统，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中至少包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；
信号采集模块，用于通过利用设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；
故障分析模块，用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别。
上述的，故障分析模块包含样本数据获取子模块，模型建立子模块、数据初始化子模块、数据训练子模块和故障识别子模块，其中，
样本数据获取子模块，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标数据分为训练样本和测试样本，每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标；
模型建立子模块，用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；
数据初始化子模块，用于初始化神经网络模型参数和寻优参数；
数据训练子模块，用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止；并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；
故障识别子模块，用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别。
一种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，基于上述的基于改进的WPA-BP神经网络的齿轮箱故障诊断装置实现，其实现过程包含如下内容：
A)采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；
B)建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；
C)设定神经网络参数及改进的WPA寻优参数；
D)针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；
E)利用优化后的神经网络实时对齿轮箱故障进行诊断识别。
上述的方法中，步骤A)中每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标。
上述的方法中，步骤C)中，初始化神经网络参数及改进的WPA寻优参数，包含：设定输入层神经元个数n，隐含层神经元个数q，输出层数值l，各层神经元之间的传递函数；初始化神经网络模型的权值和阈值向量W、训练次数E、允许误差精度ε；初始化狼群寻优参数中的总数M，迭代次数N，游走步长stepa，奔袭步长stepb，探狼比例因子α，最大游走次数Gmax，距离判定因子w，步长因子S，更新比例因子β。
上述的方法中，步骤D)中，改进的WPA寻优方法包含如下内容：将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物；针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定；按照猎物分配规则，将每个区域中各自的最优值输出并比较；将各区域之间比较后最优值作为神经网络的权值和阈值输出。
上述的方法中，步骤D中优化训练具体包含如下内容：
D1)、选取训练样本并输入到神经网络中；
D2)、计算神经网络输出值，并与实际样本值进行比较，计算两者均方误差
并以该均方误差作为目标函数，其中，T是训练样本数目，yi是神经网络预测输出，
是实际输出；
D3)、判断当前迭代是否满足预定迭代条件，若满足，则跳转至步骤D5)执行，否则，执行步骤D4)；
D4)、修正改进的WPA寻优参数，更新神经网络权值和阈值，并转步骤D2)执行；
D5)、输出最优的权值和阈值作为优化结果。
上述的方法中，步骤D3)中预定迭代条件为达到最大迭代次数E或满足允许误差精度ε。
上述的方法中，步骤D4)中，利用迭代公式：
修正改进的WPA寻优参数，其中，
为第i匹狼在d维空间中第k次迭代时的权值和阈值向量，
为第k代群体头狼在第d维空间中的位置。
上述的方法中，步骤D)中，通过误差测试结果，手动调整神经网络参数和改进的WPA寻优参数，具体为：调整神经网络隐含层神经元个数q，各层神经元之间的传递函数，最大迭代次数E，神经网络允许允许误差精度ε。
本发明的有益效果：
本发明利用改进的WPA算法全局寻优的优势，优化选取BP神经网络的权值和阈值，其具有易于理解，运行简单的特点；通过改进WPA中的搜索规则，使得WPA算法的全局寻优能力得到了一定的提高，并结合BP神经网络的自学习能力和非线性映射的能力，改善了传统BP算法的精度低，收敛慢，易陷入局部极值的问题；精度高，速度快，建模易，能够极大程度提升齿轮箱故障诊断实验研究的效率，避免大量重复性的劳动，并且为齿轮箱故障诊断的进一步研究提供了基础。
附图说明：
图1为实施例中故障诊断装置原理图；
图2为实施例中故障分析模块示意图；
图3为实施例中故障诊断方法流程图；
图4为实施例中BP神经网络结构模型；
图5为实施例中利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练的流程图。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
针对齿轮箱产生的故障类型，为了能够更加准确、快速的诊断和识别出来，本发明实施方式，参见图1所示，提供一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，包含：齿轮箱动力模拟系统001、信号采集模块002和故障分析模块003，其中，
齿轮箱动力模拟系统001，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中至少包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；
信号采集模块002，用于通过利用设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；
故障分析模块003，用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别。
相对于传统的齿轮箱故障诊断方法，本实施方式针对齿轮箱运行特点及神经网络，利用神经网络模型进行故障优化训练及诊断识别，减少了大量人为因素和外部环境的干扰，其实现依赖于现有市场上的齿轮箱动力模拟系统设备，该系统设备包含：电机、变频控制器、齿轮箱、制动器等部分，性能稳定，可承受一定的载荷冲击，有充足的空间便于齿轮的更换、安装和监测装置的安装，可模拟多种不同类型故障工况，能够适用于齿轮箱动力学分析、噪声特性分析、振动特性分析和健康监测及故障诊断的研究。实验数据均从上述的齿轮箱动力模拟系统设备采集所得，通过在箱体上安装压电式加速度传感器便可以采集到齿轮箱在各种工况下运行的实验数据。
根据实验数据利用神经网络模型进行故障优化训练过程中，本发明的另一个实施方式中，参见图2所示，故障分析模块003包含样本数据获取子模块3001，模型建立子模块3002、数据初始化子模块3003、数据训练子模块3004和故障识别子模块3005，其中，
样本数据获取子模块3001，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标数据分为训练样本和测试样本，每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标；
模型建立子模块3002，用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；
数据初始化子模块3003，用于初始化神经网络模型参数和寻优参数；
数据训练子模块3004，用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止；并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；
故障识别子模块3005，用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别。
基于上述的基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，参见图3所示，本发明还提供一种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其实现过程包含如下内容：
S01)采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；
S02)建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；
S03)设定神经网络参数及改进的WPA寻优参数；
S04)针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；
S05)利用优化后的神经网络实时对齿轮箱故障进行诊断识别。
相对于传统的齿轮箱故障诊断方法，群智能优化方法减少了大量人为因素和外部环境的干扰。通过对WPA算法规则的改进，将改进的WPA算法的全局寻优能力和BP神经网络的非线性映射能力结合在一起，并应用于齿轮箱的故障诊断，以取得理想的诊断识别效果。
本发明的另一个实施例中，对于齿轮箱故障诊断的方法，是在对狼群算法(wolfpack algorithm，WPA)进行分析的基础上，提出的一种基于改进的WPA-BP神经网络的故障诊断识别方法，参见图5所示，具体包含如下内容：
步骤1：根据齿轮箱动力模拟系统设备，模拟齿轮箱各工况下的运行状态，分别为正常状态、齿轮缺齿、齿面磨损、齿轮偏心四种工况下的运行状态，并采集各工况下的实验数据，计算各工况下的波形指标、峰值指标、脉冲指标等八项特征值指标。并将该八项特征值指标作为改进的WPA-BP神经网络算法的训练样本和测试样本。
步骤2：建立改进的WPA-BP神经网络算法优化模型。首先建立神经网络的结构模型，采用前向型BP神经网络，包括输入层、隐含层和输出层。步骤1中的八项特征值指标作为神经网络的输入向量，将齿轮箱的四种工况作为神经网络的输出值。其次建立神经网络训练模型，利用改进的WPA寻优算法训练BP神经网络权值和阈值，以达到网络计算输出值与真实值的均方误差最小化。狼群算法(wolf pack algorithm，WPA)是基于狼群群体智能，模拟狼群捕食行为及其猎物分配方式，抽象出游走、召唤、围攻3种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制，该WPA算法过程主要包含：WPA初始化；将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物；针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定；按照猎物分配规则，将每个区域中各自的最优值输出并比较；将各区域之间比较后的最优值作为BP神经网络的权值和阈值输出。
步骤3：设定BP神经网络初始参数和改进的WPA算法初始参数。根据故障特征向量的确定BP神经网络的拓扑结构8-8-4，隐含层传递函数为S型正切函数trainsig，输出层的传递函数为S型对数函数logsig，训练函数选用trainlm，训练次数为E＝1000，学习速率为v＝0.1，训练目标为ε＝0.0001。狼群总数M＝100，迭代次数N＝500，游走步长stepa＝2，奔袭步长stepb＝0.5，h＝5，探狼比例因子α＝0.1，最大游走次数Gmax＝20，距离判定因子w＝0.3，步长因子S＝0.7，更新比例因子β＝1。
步骤4：利用改进的WPA算法训练BP神经网络。根据步骤2所构建的优化模型与步骤3中设置的初始化参数，进行神经网络权值和阈值的优化训练，通过均方误差的收敛速度及精度来评判训练过程，直至满足迭代终止次数或者满足误差精度为止。其优化训练过程又可分为以下几个步骤：
步骤4.1：选取训练样本并输入到BP神经网络中。
步骤4.2：计算BP神经网络输出值，并与实际样本值进行比较，计算样本的均方误差
并以此作为目标函数，其中T是训练样本数目，yi是神经网络预测输出，
是实际输出。
步骤4.3：判断该次迭代是否满足终止条件之一：达到迭代次数或者满足网络允许误差。满足终止条件，转步骤4.5，若不满足，转步骤4.4进行BP神经网络和改进的WPA算法参数的更新。
步骤4.4：更新改进的WPA算法参数，并利用改进的WPA算法中的迭代公式
进行更新网络权值和阈值。其中
为第i匹狼在d维空间中第k次迭代时的解(权值和阈值向量)，
为第k代群体头狼在第d维空间中的位置。并转步骤4.2。
步骤4.5：输出最优权值和阈值作为优化结果。
步骤5：利用测试样本进行神经网络误差测试。利用绝对误差和相对误差进行测试样本的评判过程，若满足精度要求，转步骤7，不满足转步骤6。
步骤6：根据步骤5中的仿真训练结果手动修正BP神经网络与改进的WPA算法初始值，可手动调整的参数包括神经网络隐含层神经元个数，传递函数的选择，最大迭代次数，神经网络允许误差(均方误差)，并转入步骤4。
步骤7：确定BP神经网络的权值和阈值，利用优化后的BP神经网络进行齿轮箱故障诊断和识别。
该优化方法结合了各工况下采集的实验数据以及特征值指标，优化模型理论联系实际，对齿轮箱故障诊断的研究具有十分现实的意义。通过改进WPA中的搜索规则，使得WPA算法的全局寻优能力得到了一定的提高；并结合BP神经网络的自学习能力和非线性映射的能力，实现齿轮箱故障诊断，改善传统BP算法的精度低，收敛慢，易陷入局部极值的问题。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。对所公开的实施方式的说明，使本领域专业技术人员能够实现或使用本申请。对这些实施方式的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施方式中实现。因此，本申请将不会被限制于本文所示的这些实施方式，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，基于改进的WPA-BP神经网络的齿轮箱故障诊断装置实现，实现过程包含如下内容：
A)采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；
B)建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；
C)设定神经网络参数及改进的WPA寻优参数；
D)针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，通过均方误差的收敛速度及精度来评判训练过程，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；
E)利用优化后的神经网络实时对齿轮箱故障进行诊断识别，以实现将改进WPA寻优方法的全局寻优能力与BP神经网络的非线性映射能力结合来判断出齿轮箱运行过程中的故障类型；
步骤A)中每种工况类型下的特征值指标包含波形指标、峰值指标和脉冲指标；
步骤D)改进的WPA寻优方法包含如下内容：将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物；针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定；按照猎物分配规则，将每个区域中各自的最优值输出并比较；将各区域之间比较后最优值作为神经网络的权值和阈值输出；
基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，包含：齿轮箱动力模拟系统、信号采集模块和故障分析模块，其中，
齿轮箱动力模拟系统，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；
信号采集模块，用于通过设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；
故障分析模块，用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别；
故障分析模块包含样本数据获取子模块、模型建立子模块、数据初始化子模块、数据训练子模块和故障识别子模块，其中，
样本数据获取子模块，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标分为训练样本和测试样本，每种工况类型下的特征值指标包含波形指标、峰值指标和脉冲指标；
模型建立子模块，用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；
数据初始化子模块，用于初始化神经网络模型参数和寻优参数；
数据训练子模块，用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止；并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；
故障识别子模块，用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别；
步骤C)中，初始化神经网络参数及改进的WPA寻优参数，包含：设定输入层神经元个数n，隐含层神经元个数q，输出层数值l，各层神经元之间的传递函数；初始化神经网络模型的权值和阈值向量W、最大迭代次数E、允许误差精度ε；初始化狼群寻优参数中的总数M，迭代次数N，游走步长stepa，奔袭步长stepb，探狼比例因子α，最大游走次数Gmax，距离判定因子w，步长因子S，更新比例因子β；
步骤D中优化训练具体包含如下内容：
D1)、选取训练样本并输入到神经网络中；
D2)、计算神经网络输出值，并与实际样本值进行比较，计算两者均方误差
并以该均方误差作为目标函数，其中，T是训练样本数目，yi是神经网络预测输出，
是实际输出；
D3)、判断当前迭代是否满足预定迭代条件，若满足，则跳转至步骤D5)执行，否则，执行步骤D4)；
D4)、修正改进的WPA寻优参数，更新神经网络权值和阈值，并转步骤D2)执行；
D5)、输出最优的权值和阈值作为优化结果；
步骤D3)中预定迭代条件为达到最大迭代次数E或满足允许误差精度ε；
步骤D4)中，利用迭代公式：
修正改进的WPA寻优参数，其中，
为第i匹狼在d维空间中第k次迭代时的权值和阈值向量，
为第k代群体头狼在第d维空间中的位置；
步骤D)中，通过误差测试结果，手动调整神经网络参数和改进的WPA寻优参数，具体为：调整神经网络隐含层神经元个数q，各层神经元之间的传递函数，最大迭代次数E，神经网络允许误差精度ε。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810589533.6A CN108918137B (zh) | 2018-06-08 | 2018-06-08 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810589533.6A CN108918137B (zh) | 2018-06-08 | 2018-06-08 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108918137A CN108918137A (zh) | 2018-11-30 |
| CN108918137B true CN108918137B (zh) | 2021-04-27 |
Family
ID=64419086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810589533.6A Active CN108918137B (zh) | 2018-06-08 | 2018-06-08 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108918137B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784475B (zh) * | 2019-01-02 | 2022-12-16 | 广东工业大学 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
| CN111407279A (zh) * | 2019-01-07 | 2020-07-14 | 四川锦江电子科技有限公司 | 一种基于神经网络的磁电结合定位追踪方法及装置 |
| CN110533167B (zh) * | 2019-08-23 | 2022-02-08 | 中国石油化工股份有限公司 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
| CN111027259A (zh) * | 2019-12-20 | 2020-04-17 | 昆明理工大学 | 基于蜻蜓算法优化bp神经网络的滚动轴承故障检测方法 |
| CN111177975A (zh) * | 2019-12-24 | 2020-05-19 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于人工智能的航空装备可用度预计方法 |
| CN111310830B (zh) * | 2020-02-17 | 2023-10-10 | 湖北工业大学 | 一种联合收割机堵塞故障诊断系统及方法 |
| CN112308228A (zh) * | 2020-11-12 | 2021-02-02 | 安徽江机重型数控机床股份有限公司 | 一种数控机床切削液泵送系统的故障检测预警方法 |
| CN112633245B (zh) * | 2020-12-31 | 2023-01-06 | 西安交通大学 | 基于深度强化学习模型的行星齿轮箱故障诊断方法 |
| CN113063589B (zh) * | 2021-03-18 | 2023-07-04 | 重庆青山工业有限责任公司 | 一种基于神经网络的齿轮微观误差对振动的预测方法 |
| CN113551904B (zh) * | 2021-06-29 | 2023-06-30 | 西北工业大学 | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 |
| CN113486968B (zh) * | 2021-07-15 | 2024-06-14 | 广东中星电子有限公司 | 摄像机生命周期的监控方法、装置、设备和介质 |
| CN114048921B (zh) * | 2021-11-26 | 2024-06-25 | 江苏科技大学 | 基于fpa-bp神经网络海上风电装置控制方法及系统 |
| CN114112438B (zh) * | 2021-12-15 | 2024-09-27 | 成都长客新筑轨道交通装备有限公司 | 一种轨道车辆速度模拟实验装置及工况模拟方法 |
| CN114742140B (zh) * | 2022-03-28 | 2024-05-31 | 国网福建省电力有限公司莆田供电公司 | 基于uhf与cg-bp算法的gis绝缘故障类型识别方法 |
| CN117390519B (zh) * | 2023-12-06 | 2024-04-09 | 中汽研汽车检验中心（天津）有限公司 | 一种轮毂电机故障情况预测方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100575904C (zh) * | 2008-02-29 | 2009-12-30 | 西安交通大学 | 一种多故障耦合齿轮箱模拟实验台 |
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| CN103344430A (zh) * | 2013-07-09 | 2013-10-09 | 上海电机学院 | 齿轮箱的故障诊断方法 |
| CN104092503B (zh) * | 2014-07-15 | 2016-08-17 | 哈尔滨工程大学 | 一种基于狼群优化的人工神经网络频谱感知方法 |
| CN104344956A (zh) * | 2014-10-29 | 2015-02-11 | 上海电机学院 | 一种风力发电齿轮箱轴承故障模拟方法 |
| CN104330255A (zh) * | 2014-11-04 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于多传感器信息融合的齿轮故障诊断方法 |
| CN106066606B (zh) * | 2016-05-30 | 2019-06-04 | 华北水利水电大学 | 基于l-m神经网络的氢内燃机点火正时标定优化系统及其优化方法 |
| CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
| CN107085942B (zh) * | 2017-06-26 | 2021-01-26 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及系统 |
| CN107742008A (zh) * | 2017-09-20 | 2018-02-27 | 上海电机学院 | 一种风电机组齿轮箱的故障预警方法 |
| CN107967455A (zh) * | 2017-11-24 | 2018-04-27 | 中南大学 | 一种智能人体多维自然特征大数据透明学习方法与系统 |
| CN107917734B (zh) * | 2017-11-29 | 2020-12-29 | 国网吉林省电力有限公司信息通信公司 | 基于温度和电阻的光缆故障预测方法 |
-
2018
- 2018-06-08 CN CN201810589533.6A patent/CN108918137B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108918137A (zh) | 2018-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108918137B (zh) | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 | |
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
| CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
| CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
| CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
| CN112434602B (zh) | 一种基于可迁移共特征空间挖掘的故障诊断方法 | |
| CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN113065581B (zh) | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 | |
| CN112461543B (zh) | 一种基于多分类支持向量数据描述的旋转机械故障诊断方法 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
| CN108334059A (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
| CN110232435B (zh) | 一种自适应深度置信网络滚动轴承故障诊断方法 | |
| CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
| CN109163911A (zh) | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 | |
| CN108376286A (zh) | 一种设备故障诊断装置及系统 | |
| CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN115481666A (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
| CN111610024A (zh) | 一种基于振动信号的齿轮裂纹故障诊断方法 | |
| CN113269221B (zh) | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| OL01 | Intention to license declared |