基于遗传算法优化神经网络的齿轮故障诊断
一种基于遗传算法的LVQ神经网络及其在故障诊断中的应用
遍为止 ； ⑤判断停机条件是否满足。 若满足 ， 停机 ； 若否 ， 转第二步。
二、 遗 传算 法优 化 的Ｌ Ｖ Ｑ神经 网络
Ｌ Ｖ Ｑ 神经网络具有很好的分类识别特性 ， 能对任意输 入 向量进行分类 ， 无论它们是否可分 ， 但Ｌ Ｖ Ｑ 神经 网络有
ｔ ＝ ２ ４ ０ ０ 以后 ，观察点的信号的幅度 比源的信号还大 ， 是因为文 中取一维两端边界为零 ，反射波到达观察点 ， 与 正 向波形 成 干涉 。 用快速傅里叶变换得 出的频谱透射率 ， 由于已经包含 了开始的过渡阶段和以后的反射波的干涉 的影响 ，在０ ． ８ 左右 ， 与波 的无衰减传播结果接近 。
应 度最 小 的染 色体 为ｗ ， ｗ血 为一 个好 的初 始 权值 。因为 Ｌ Ｖ Ｑ 算法是有导师的学习， 所 以， 本文将适应度 函数定义
１Байду номын сангаас
按下列公 式调整神经元ｋ 的权值 ， 如果Ｔ ＝ Ｃ ， 即分类正确 ， 则ｗｋ （ ｔ ＋ １ ） ＝ ｗ （ ｔ ） ＋ 仅（ ｔ ） （ ｘ — Ｗｋ （ ｔ ） ） ， 如果Ｔ ≠ｃ ｋ ， 即分类不 正确 ， 则ＷＫ （ ｔ ＋ １ ） ＝ ｗｋ （ ｔ ） 一仅（ ｔ ） （ Ｘ — Ｗｋ （ ｔ ） ） ； ④选择下一个 输入 向量 ， 返回第二步 ， 直到样本集中所有 的向量都提供
都 对应 一 个权 向量 ， Ｗｊ ＝ （ ｗ ， Ｗ ： ， …， Ｗ ） ， 记所 有输 出神 经元 构成 的集合为Ｑ； ③ｃ 为输出神经元ｊ 所代表 的类别 ， 不同 的输出神经元可以代表同一个类别。
的初始权值进行优 化 ，形成基于遗传算 法的Ｌ Ｖ Ｑ 神经 网 络。 遗传算法是模拟生物进化过程中 自然选择和遗传变异 的一种随机优化算法 ， 它只是要求被优化 的函数是可计算 的， 不要求 目标函数具有连续性 和可微性 ， 搜索能力不依 赖于特定的求解模型 ， 具有很强的全局搜索能力。 目前遗 传算法 已被广泛应 用于各个领域 ， 如 自适应控制 、 优化组
一种基于遗传算法和神经网络的故障诊断方法
于单个 使用 Ｇ 或 Ａ Ｎ。遗 传算 法 具 有 很 强 的 宏 Ａ Ｎ 随着 电力 电 子技 术 的广 泛 运 用 ，各 种 高性 能 观搜 索 能力 ，能 以最 大 的 概 率 找 到 全 局 最 优 解 ， Ｐ算 法 的缺 的 电力 电子设 备 不 断 产生 ，对 其 电路 可靠 性 的要 用它来 完成 前期 的搜 索能较 好地 克服 Ｂ
Ｎ Ｎ 小 、收敛 速 度 慢 、误 差 函 数 必 须 可 导等 缺 点 。从 Ａ Ｎ初 始权值 和 阈值 的优化 ，此过 程 中 Ａ Ｎ的结
技术 角度 而 言 ，任 何 单 一 的故 障 诊 断 方 法 都有 其 构 固定不 变 。 优点 和缺 点 ，为 了提 高 故 障 诊 断 的效 率 ，产 生 了 列 出 Ａ Ｎ中所有 的神 经元 ，将 这些 神经 元 之 Ｎ 模糊 神经 网络 、神 经 网 络 专 家 系 统 、神 经 网络 与 间所 有可 能存 在 的连 接 权 系数 都 编码 成 二 值 码 串 其他 智能 方法 相 结 合 的 混合 诊 断方 法 ，较好 地 解 或实 数码 串表示 的个 体 ，随 机 生 成 这 些 群体 ；对 决 了故障诊 断 中的一 些 问题 ＿ Ｊ 随着 信 息科 学 、 群体 反复进 行 遗 传优 化计 算 ；将 优 化 好 的参 数输 ３ 。
（ａ ， Ｒ
图 ２ 三相 桥 式 整 流 电路
Ｆ ｇ ２ Ｔ ｒ ｅ ｐ ａ ｅ ｒ ｃ ｉ ｅ ｉｃ ｉ ｉ ． ｈ ｅ ｈ ｓ ｅ ｔ ｒ ｃｒ ｕ ｔ ｉ ｆ
收 稿 日期 ：２ １ ０ ０—１ —１ 。 １ ９
作 者简 介 ：李 慧 玲 （ ９５一 ，女 ，硕 士 研 究 生 ，研 究 方 向为 电力 系 统 故 障 诊 断 ，Ｅｍ ｉ：ｉｎ １８０ ０ ＠ １６ ｃｒ。 １８ ） — ａｌ ｌｉｇ９５ ７ ６ ２ ．ｏ
!基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究(2010周培毅)
。经典的
BP 人工神经网络是一种具有三层或三层以上的 阶层型前向神经网络 ( 即包括一个输入层 , 一个 输出层 , 一个或多个隐含层 )
[ 17 , 18] [ 16]
。其算法是由两
部分组 成 : 信 息 的 正 向 传 递 与 误 差 的 反 向 传 播 。在正向传递过程中 , 输入信息从输入层 经隐含层逐层计算传向输出层, 每层神经元的状 态只影响下一层神经元的状态。如果在输出层未 得到期望的输出 , 则计算输出层的误差变化值 ; 然 后转向反向传播 , 通过网络将误差信号沿原来的 连接通路反传回来修改各层神经元的权值直至达 到期望目标。
。
2 遗传算法及 BP 神经网介绍
2 1 遗传算法介绍 遗传算法是一种借鉴自然选择和自然遗传机 [7 , 8] 制的随机搜索算法 。遗传算法是一种重要的 优化算法
[ 9]
。它以广泛 的适应性 越来越多 地受
[ 10]
到人们的青睐和重视 。遗传算法是模拟生物 群体的遗传和长期进化过程建立起来的一类搜索 和优化算法 , 它模拟了生物界 生存竞争 , 优胜劣 汰, 适 者 生 存 的 机 制, 用 逐 次 迭 代 法 搜 索 寻 [ 11] 优 。按照一定的适配值函数及一系列遗传操 作对各个体进行筛选, 从而使适配值高的个体被 保留下来, 组成新的群体, 新群体中各个体适应度 不断提高 , 直至满足一定的极限条件 , 此时, 群体 中适配值最高的个体即为待优化参数的最优解, 其优点为从一群点搜索, 而不是从一点开始搜索, 能快速全局收敛 。 首先进行遗传算法的准备工作: 确定染色体 ( 即个体 )的编码形式 , 确定计算染色体适应值的 适应值函数, 确定群体规模 N, 杂交率 P c, 变异率 P m 等参数, 准备工作完成后就可按下面的流程进 行编程计算 群体; ( 2) 计算每个个体的适应值 , 如果有一个个 体的适应值满足精度要求则停机, 否则执行 ( 3) ;
基于遗传算法的故障检测与诊断技术研究
基于遗传算法的故障检测与诊断技术研究随着工业自动化的不断发展，现代化的制造业越来越依赖于高效可靠的机器和设备。
这些机器和设备的故障会对生产、质量和安全造成很大的影响，因此探究故障检测与诊断技术变得越发重要。
遗传算法作为一种重要的优化算法，在故障检测和诊断领域得到了广泛的应用。
遗传算法的基本思想是模拟生物进化过程，通过自然选择、遗传操作和种群趋于稳定等机制全局搜索最优解。
它是一种适用于多目标、多约束问题的搜索算法，拥有全局搜索能力、鲁棒性和并行计算的优异性能。
在故障检测和诊断领域中，遗传算法可以被应用于分类、特征选择、模式识别、参数优化等问题。
在故障检测和诊断领域，遗传算法的应用可以分为两个层面：故障特征提取和故障定位与分类。
故障特征提取是指从原始数据中提取有助于判别和分类的信息，例如频域特征、时域特征、小波分析等。
通常采用遗传算法对特征进行筛选和优化，以提高故障检测和诊断的准确性和鲁棒性。
而故障定位与分类则是指通过模式识别技术对故障进行定位和分类，遗传算法可以用于模型参数优化、分类器选择和组合以及特征加权等问题。
故障特征提取是故障检测和诊断的关键步骤，它直接影响到后续的故障定位和分类结果。
在遗传算法的帮助下，可以通过对特征子集进行全局搜索，筛选出最优的特征组合以提高分类器的性能。
例如，研究人员可以通过遗传算法从原始数据中提取出最具代表性的频域特征，然后结合多元统计分析和神经网络等技术进行故障检测和诊断，从而协助工程师迅速找到故障根源。
故障定位和分类涉及到模式识别技术的应用，其目标是根据故障产生的信号，进行分类、诊断和定位。
遗传算法可以结合支持向量机、神经网络、高斯混合模型等算法，对模型参数进行优化和选择，以提高分类器的精度和鲁棒性。
例如，某制造企业采用遗传算法结合支持向量机进行机床故障分类，成功地将机床的故障划分为不同的类别，并对故障进行了精细化的定位和诊断。
此外，遗传算法还可以通过特征加权和分类器组合的方式提高系统的可靠性和鲁棒性。
基于遗传算法优化的神经网络及其在机械故障诊断中的应用
摘要 ： 对神 经 网络 结 构 的设 计 基 本 上依 赖 于 针
文献标 识码 ： Ａ
人 的经验 的缺 点 ， 出 了一 种 利 用遗 传 算 法 优化 神 提
经 网络 的算 法 。该 算法 结合 了神 经 网络 的快速 并行 性 和遗 传算 法的 全局 搜 索 性 ， 时对神 经 网络 的连 同 接 权 和结构进 行 了优 化 ， 除整 个 网络 冗余 节 点 和 剔 冗余 连接权 ， 高 了网络 的 处 理 能 力 。将 该 方法 应 提
ＴＯＮＧ ｎｇ ¨ ． Ｇａ ＺＨＡＮＧ Ｇｕｏ—ｚ ｎｇ Ｍ Ｉ ｏ ， ＡＯ ｕｎ— ｍ ｉ ２ Ｊ ｎｇ
（ ． ｒ ｈ ａ ｔ ｒ ｉｅ ｓｔ Ｓ ｅ ｙ ｎ １ ０ ４ Ｃｈｎ ； ． ｈ ｎ ａ ｇ Ｉ ｓ ｉｕ ｅ ｏ ｒ ｎ ｕ ｉａ ｎ ｉ ｅ ｒｎ １ Ｎｏ ｔ ｅ ｓ ｅ ｎ Ｕｎ ｖ ｒ ｉ ｙ， ｈ ｎ ａ ｇ １ ０ ０ ， ｉ ａ ２ Ｓ ｅ ｙ ｎ ｎ ｔ ｔ ｆＡｅ ｏ ａ ｔ ｌＥ ｇ ｎ ｅ ｉｇ， ｔ ｃ Ｓ ｅ ｙ ｎ ０ ３ Ｃｈ ｎ ） ｈ ｎ ａ ｇ １ ０ ４， ｉ ａ １
用 于磨机故 障诊 断 ， 够 对故 障模 式 进 行 精确 的识 能
另 ， 得 了很 好 的 效 果 。 ｑ取
ｇ ｒｔ ｍ （ ｏ ｉｈ ＧＡ ） ｎ ｈ ａ ａｌｌ ｍｓｏ ｒｉ ｃａ ｅ — ａ ｄ ｔ ｅｐ ｒ ｌ ｉ ｅ ｓ ｆａ ｔｆ ｉｌｎ ｕ ｉ ｒ ｌｎ ｔ ｒ ｓ（ ａ ｅｗｏ ｋ ＡＮＮ ）ｗｅ ｅ ｃ ｍ ｂｎ ｄ； ｗｅｇ ｔ ｎ ｒ ｏ ｉ ｅ ｉｈｓ ａ ｄ
维普资讯
基于遗传算法优化的神经 网络及其在 机械故障诊断 中的应用
佟 刚 。 张 国忠 ， ， 苗君 明 （． １ 东北大 学 ， 宁 沈 阳 １ ０ ０ ；． 阳航 空工 业学 院 ， 宁 沈阳 １０ ３ ） 辽 １０ ４ ２ 沈 辽 １ ０ ４
基于神经网络及遗传算法的齿轮优化设计软件
文 章 编 号 ：０ １３ ９ （０ ０ １ —０ ７ ０ １０ — ９ ７ ２ １ ）０ ０ ２ — ３
机 械 设 计 与 制 造
Ｍａ ｈ ｎｅｙ Ｄｅ ｉｎ ｃ ｉ ｒ ｓｇ ＆ Ｍａ ｕ ａ ｔ ｒ ｎ ｆ ｃｕ ｅ ２ ７
基于神经网络及遗传算法的齿轮优化设计软件 术
ＺＨＡＮＧ ａ － ｉ Ｗ ＡＮＧ ｉ ｆ ｎ ＳＵＮ ｅ Ｘｉ ｏ ｑ ｎ， ｏｍａ Ｕ ｉｅｓｙｏ ｃ ｎｅ＆Ｔ ｃ ｎｌｇ ， ｉｈ ａ ｇａ ６ ６ ０ Ｃ ｉａ Ｈｅ ｅ Ｎ ｒ ｌ ｎｖｒｉ ｆ ｉ ｃ ｔ Ｓｅ ｅｈ ｏ ｙ Ｑ ｎ ｕ ｎ ｄ ｏ０ ６ ０ ， ｈｎ ） ｏ
人 智 中 遗 算 具 很 的 用 化 力可 有 处 ３ 工 能 的 传 法 有 强 通 优 能 ，以 效 理 软件开发过程
含有连续及离散变量的优化问题 。 ～
构优化设计过程中， 则需要成千上万次的计算齿面接触强度和齿根
３１软件开发 工具 ．
．
在齿轮传动设计中， 齿轮强度计算最为复杂 ， 而在齿轮传动机 ３１１ＶＢ语 言 ． Ｖ Ｂ语言是一种十分强大和有生命力 的 Ｗｉｄ 编程语言 。
，
，
弯曲强度， 利用传统方法计算量太大， 影响算法的收敛时间 。研究 学起来容易上手 界面设计容易， 但在数值计算方面能力欠佳 。 表明， 利用 Ｂ 神经网络所固有的决速、 Ｐ 非线性映射挣 胜， 映射齿轮 ３ １ ｔ ｂ软 件 ． Ｍａｌ ２ ａ
ｌｂｓＴ ｓｅｇｅ ｃｎ ｄ ｕｉ ｏ ｅｉ ｉｒ ｅｇａ ． ｌ．ｈ ｓ ｉｃａ ａｙ ｇ ｒｇｓ ｃａｄ ｅｌ ａｅ ｕｄ ｉ ｆ ｅ ｙ ｑ ｌ ａｎｉｎｅ ｔ ｎ ｆ ｉ ｎ ｔｆ ｓ ｒ ｙ ｉ ｛ Ｋｙ ｏｄ：ｅｒＯ ｔ ａｄｓｎＣ ｍ ｕ ｒ ｉ ｄｄｓｎＮｕａｎｔｏｋＧｎｔ ｇｒｈ ； ｅ ｗ ｒｓ ａ；ｐｍ ｌｅｇ ；ｏ ｐｔ ｄ ｉ ；ｅｒ ｗ ｒ；ｅｅｃ ｌ ｉｍ Ｇ ｉ ｉ ｅ ａ ｅ ｅｇ ｌｅ ｉａ ｏ ｔ
基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究
０ 引 言
风 力发 电是 可再生 能源 中成本 降低 最快 的发
电 技 术 之 一 。 在 可 再 生 能 源 发 电 领 域 ， 电 是 最 风
已不 能有效 地对 齿 轮 箱进 行 综 合诊 断 ， 于神 经 由 网络 具有其 独特 的优 点 ， 即具 有容 错 、 联想 、 推测 、
Ｓ ｕ ｎ ｔ ｅ Ｆａ ｌ ａ ｎｏ ｉ ｆＧ ｅ ｒ Ｂｏ ｏ ｔ ｄｙ ｏ ｈ ｕ ｔＤｉ ｇ ｓｓｏ ａ ｘ ｆ ｒ Ｗｉ ｎｄ Ｔｕｒ ｉ ｅ Ｇｅ ｅ ａ ｏ ｓｅ ｓ ｄ ｎ Ｇ ｅ ｔｃ ｂ ｎ ｎ ｒ ｔ ｒ Ｓｙ ｔ ｍ Ｂａ ｅ Ｏ ｎｅｉ Ａｌ ｏ ｉｈｍ ｎｄ ＢＰ ｕｒ ｌＮｅ ｗｏ ｋ ｇ ｒｔ ａ Ｎｅ ａ ｔ ｒ
ｂ ｏ ｇ ｔｆ ｒ ｒ ｅ ａ ｇ ｒｔ ｍ ｏ ａ ｌ ｄ ａ ｎ ｓ ｓｔ ｏ ｉ ｅ ｔ ｅ ｇ ｎ ｔ ｌ ｏ ｉｈ ｗｉ ｅ ｒ ｌｎ ｔ ｒ ｒ ｕ ｈ ｏ ｗａ ｄ ａ ｎ ｗ ｌ ｏ ｉ ｈ ｆ ｒｆ ｕ ｔ ｉ ｇ ｏ ｉ ｏ ｃ ｍｂ ｎ ｈ ｅ ｅ ｉ ａ ｇ ｒｔ ｍ ｔ ＢＰ ｎ ｕ ａ ｅ ｗｏ ｋ．Ｔ ｅ ｅ － ｃ ｈ ｈ ｘ
基于遗传算法优化神经网络及其在故障诊断中的应用
基于遗传算法优化神经网络及其在故障诊断中的应用马平，王英敏，张建华北电力大学控制科学与工程学院，河北保定 (071003)E-mail：wymxt@摘要：针对BP神经网络收敛速度慢、易陷入局部极小的缺点，将具有全局搜索能力的遗传算法引入到神经网络的权值优化中。
采用软件编程实现算法，把该算法应用到XOR问题求解中，显示出GA-BP算法的优越性，并通过磨机故障诊断实例验证了算法的有效性。
关键词：神经网络；遗传算法；XOR问题；故障诊断中图分类号：TP18，TP206.3 文献标识码：A随着神经网络理论研究与实际应用的不断深入，神经网络技术已渗透到各个领域。
其中最常用的是BP网络，但是它在权值和阈值优化时本身采用的是基于梯度的算法．因而易于陷入局部极小点、收敛速度慢，因此很多研究人员提出了对 BP算法的改进方案[2~5]。
而遗传算法(GA)的智能优化方法是一种并行的、全局的最优化方法，而且计算效率比较高，将遗传算法与神经网络结合起来是很有意义的，不仅能发挥神经网络的泛化的映射能力，而且，使神经网络具有很快的收敛性及较强的学习能力。
遗传算法与神经网络结合主要有两种方式：一是用于网络训练，即学习网络各层之间的连接权值；二是学习网络的拓扑结构[6]。
本文采用第一种方式，并将建立的GA-BP网络用于故障诊断。
1.BP神经网络基本原理BP神经网络(Back—Propagation Network)是一种无反馈的前向网络，由输入层、隐含层、输出层构成。
BP网络的学习过程由信号的正向传播与误差的反向传播两个过程组成：如正向传播输出的误差平方和达不到预期的精度，则沿误差的负梯度方向修正各层神经元的权值和阈值。
如此反复，直至网络全局误差平方和达到预期的精度。
由于BP神经元的传输函数为非线性函数，所以其误差函数往往有多个极小点。
若误差曲面有两个极小点m和n,如果误差先到达局部极小点m点，则m点的梯度为0，按BP算法则无法继续调整权值和阈值，学习过程结束，但尚未达到全局极小点。
基于神经网络的齿轮故障诊断..
五.人工神经网络的局限性
人工神经网络是一个新兴学科，因此还存在 许多问题。其主要表现有： (1)受到脑科学研究的限制：由于生理实验的 困难性，因此目前人类对思维和记忆机制 的认识还很肤浅，还有很多问题需要解决 (2)还没有完整成熟的理论体系 (3)还带有浓厚的策略和经验色彩 (4)与传统技术的接口不成熟 上述问题的存在，制约了人工神经网络研究 的发展。
（4） 标准BP算法的改进
将BP算法用于具有非线性变换函数的三层感知器，可 以以任意精度逼近任何非线性函数，这一非凡优势使多层 感知器得到越来越广泛的应用。然而标准的BP算法在应 用中暴露出不少内在的缺陷： （1）易形成局部极小而得不到全局最优 （2）训练次数多使学习效率低，收敛速度慢 （3）隐节点的选取缺乏理论指导 （4）训练时学习新样本有遗忘旧样本的趋势 针对上述问题，国内外已提出不少有效地改进算法， 下面是其中三种较常用的方法： （1）增加动量项 （2）自适应调节学习率η （3）引入陡度因子λ
三.径向基函数神经网络
从神经网络的函数逼近功能来分，神经网络 可以分两类： （1）全局逼近网络 （2）局部逼近网络 前面介绍的多层前馈网络是全局逼近网络的典 型的例子。由于全局逼近网络学习速度慢，对于 有实时性要求的应用来说常常是不可容忍的。而 局部逼近网络具有学习速度快的优点，这一点对 于有实时性要求的应用来说至关重要。目前常用 的局部逼近网络有径向基函数（ RBF ）网络、小 脑模型（CMAC）网络和B样条网络等，下面介绍 RBF网络。
二.BP神经网络
（1）
采用BP算法的 多层感知器是至今为 止应用最广泛的人工 神经网络，在多层感 知器的应用中，以右 图所示的单隐层网络 的应用最为普遍。一 般习惯将单隐层感知 器称为三层感知器， 所谓三层包括了输入 层、隐层和输入层。 BP 算法的特点是信号 的前向计算和误差的 反向传播。
遗传算法优化的模糊神经网络在故障诊断中的应用
网络结构 建立 的 问题 ； 另一 方 面 遗 传算 法 可 以搜 索获 得最 优权重 ， 决梯度 下 降算法存 在 的问题 。 解
最后通 过船 舶柴 油 机 系 统 的故 障 诊 断仿 真 实 例 ，
适应 于智 能故 障诊 断系统 。通 常这种 方式参 数 的
文 献 标 志 码 Ａ 文 章编 号 １ ７ — ８ ０ （ ０ ０ ０ 一Ｏ ３ ～ ０ ６１ １０２１）３ ００ ４ 中 图分 类 号 Ｕ６ ４ １ １ ６ ． ２
近年来 ， 先进 的故 障诊 断技术 迅猛发 展 ， 特别
是多 种基 于智 能故 障 诊断 的方 法 和技 术 ， 解 决 为
工程 技术
武汉 船舶 职业技 术学 院学报
２１ ０ ０年第 ３期
遗 传 算 法 优 化 的模 糊 神 经 网络 在 故 障 诊 断 中 的应 用
刁 帅 刘 磊 （． 汉船舶职 业技 术 学院教务 处 ， 北武 汉 １武 湖 ４ ０５ ； ３ ０ ０
２ 哈 尔滨 工 业 大 学 ， 龙 江哈 尔 滨 １ ０ ０ ） ． 黑 ５ ０ １
学 习算法 都是 采 用 Ｂ Ｐ算 法 ， 算 法 存 在 收 敛 速 该 度慢 ， 易陷 入局部 最小值 等 问题 。
说 明了基 于遗传算 法优 化训 练 的模 糊神 经 网络故
障诊断 系统 的可行 性和有 效性 。
遗 传算 法［ ３ 棚是 采 用 随机 技 术 的一 种 随 机搜
索方法 ， 但它 不 同于一 般 的随机 搜 索 算 法 。遗传
变量是 相应 系统检 测到 的用 于船舶 柴油机 故 障诊
断 的两个 输入参 数最 高爆 压和排 气温 度 ， Ｐ 和 为 。 Ｔ， 它们 被分 别划 分 为 ３个 模 糊 子 集 即 ｛ 常 高 正 低 ｝ Ｎ Ｈ Ｌ） 隶 属 度 函数 采 用 高 斯 函数 表 示 一｛ ，
基于遗传算法的故障诊断系统设计
基于遗传算法的故障诊断系统设计一、前言随着科学技术和现代工业的发展，设备的可靠性和稳定性越来越受到人们的关注。
故障诊断技术是一项重要的技术，可以提高设备的可靠性、减少维修成本。
随着计算机及互联网的普及，基于遗传算法的故障诊断系统广泛应用于电力、工业、航空、航天等领域，在提高设备可靠性方面起到了重要的作用。
本文将简要介绍基于遗传算法的故障诊断系统，包括其基本原理、设计流程、实现方法、应用前景等方面，希望能为读者提供一些参考。
二、基本原理基于遗传算法的故障诊断系统基于遗传算法，其基本原理是基因演化。
遗传算法是一种模拟自然界中生物进化规律的数学模型，模拟了生物进化过程中的“基因”遗传、变异和选择过程，通过将“基因”序列表示为一组数值，通过随机进化和自然选择，逐步生成更好的“基因”序列，从而解决一系列问题。
在故障诊断领域中，基于遗传算法的故障诊断系统通过对设备工作状态进行监测，利用传感器采集到的数据作为诊断对象，构建故障诊断模型，通过遗传算法进行优化，找到最优解，从而实现故障诊断。
三、设计流程基于遗传算法的故障诊断系统设计流程如下：1.确定设备类型和故障类型，选择合适的传感器完成数据采集工作；2.建立故障模型，利用适度的数学模型对设备进行建模，对故障模式进行分析，建立数学方程式；3.对采集到的数据进行预处理，例如：去噪、滤波、分段、特征提取等等；4.根据所选用的遗传算法，确定适应度函数，并选择合适的遗传算法参数。
同时，对“基因”序列进行编码，以便于在计算机上进行处理；5.通过遗传算法进行优化计算，生成新的“基因”序列；6.根据所得的最优解对设备进行故障诊断，根据故障诊断结果进行维护和维修；7.对故障诊断过程进行分析和总结，不断优化提高故障诊断的准确性和稳定性。
四、实现方法基于遗传算法的故障诊断系统实现方法如下：1. 数据采集子系统。
利用传感器对设备状态进行实时监测，采集原始数据；2. 数据预处理子系统。
基于遗传算法优化的支持向量机的齿轮箱轴承故障识别
电子设计工程 Electronic Design Engineering
2018 年 7 月 Jul. 2018
Байду номын сангаас
基于遗传算法优化的支持向量机的齿轮箱轴承故障 识别
沈陆垚 1，师帅康 2
（1.南洋理工大学 机械与航空工程学院，新加坡 636866；2.合肥工业大学 机械工程系，安徽 宣城 242000）
收稿日期：2017-08-18 稿件编号：201708106
作者简介：沈陆垚（1995—），男，江苏靖江人，硕士研究生。研究方向：模式识别与故障诊断。 - 52 -
沈陆垚，等 基于遗传算法优化的支持向量机的齿轮箱轴承故障识别
1 支持向量机
1.1 线性支持向量机
首 先 对 线 性 可 分 问 题 进 行 分 析 ，以 二 维 线 性 可
的分类的正确率，为实现齿轮箱轴承故障的模式识别和智能诊断提供了帮助。
关键词：齿轮箱轴承；支持向量机；遗传算法；故障识别
中图分类号：TN06
文献标识码：A
文章编号：1674-6236（2018）13-0052-05
Fault recognition of gearbox bearing based on support vector machine optimized by
Abstract: The fault recognition of rolling mill gearbox is the key to realize its intelligent diagnosis. Based on the purpose of improving the recognition accuracy，this paper uses the diagnosis model established by the support vector machine to realize the fault diagnosis，and the key parameters are optimized by Genetic Algorithm（GA）. The fault recognition experiments with the 6307 bearing and the bearing of the high line gearbox of a steel mill show that the recognition accuracies are both 95% ，which is 15% and 23% higher than that without optimization respectively. It is concluded that the optimization model improves the accuracy of the classification of SVM，which is helpful to realize the pattern recognition and intelligent diagnosis of gearbox bearing failure. Key words: gearbox bearing；support vector machine；genetic algorithm；fault recognition
基于遗传算法和神经网络优化的故障诊断专家系统
遗传算法训练神经网络
经过GA算法训练好FNC后，将其接入到模糊推理控制系统 中，控制系统的结构如下图。
遗传算法训练神经网络
为使智能控制系统自适应环境（被控对象）的变化，利用BP 最速梯度算法调节网络的权值。 定义学习的指标： ys：希望输出值 yi(t)：被控对象实际输出
在t时刻后的权值调节式为：
基于遗传算法和神经网络优化的 故障诊断专家系统
主要内容
故障诊断专家系统中的神经推理网络模型
遗传算法训练神经网络 基于规则的遗传神经网络专家系统的体系结构 结论
故障诊断专家系统中的神经推理网络模型
人工神经网络将已有的数据和已知的故障模式作为样本，通 过学习得出数据量与故障模式间的映射关系，在人工神经网 络中，信息的存储和处理是合为一体的，能从不完全、不精
这两种方法的综合使用，大大提高了模糊神经推理控制系统 的自学习性能和鲁棒性。
遗传算法训练神经网络
模糊神经网络采用的高斯型隶属函数，其中心参数和宽度参 数（Cij，bj）是全局性的参数，用GA算法来调整和优化。 推理规则的结论部分中的权值较多的具有局部性，所以用BP 算法调节。 为了用GA算法学习调整模糊神经推理控制器的隶属度函数
遗传算法训练神经网络
式中
在被控对象未知的情况下，利用近似方法求得：
η:学习率 ε一个非常小的正数
α 动量因子
基于规则的遗传神经网络专家系统的结构体系
故障系统中采用的遗传算法训练后的神经网络，其泛化能力 提高将近一半。模块化后的体系结构如图：
使用遗传算法对神经网络进行静 态训练, 在运行时将训练好的神经 网络接入。 系统在运行时, 模糊神经推理控 制器进行动态学习, 优化神经网 络的权值。 系统中的自学习控制模块用来调 度模糊神经推理控制器的离线学 习。
基于遗传算法优化BP神经网络的风机齿轮箱故障诊断
第２８卷第３期２０１８年９月湖南工程学院学报J o u r n a l o fH u n a n I n s t i t u t e o fE n g i n e e r i n g V o l．２８．N o．３S e p．２０１８㊀基于遗传算法优化B P神经网络的风机齿轮箱故障诊断∗张细政１,２,郑㊀亮１,刘志华１(１．湖南工程学院电气信息学院,湘潭４１１１０４;２．湖南工程学院风力发电机组及控制湖南省重点实验室,湘潭４１１１０４)㊀㊀摘㊀要:风力发电机齿轮箱的故障诊断对于双馈风力发电机组的维修和检测具有重要作用和意义．B P 神经网络等算法被应用在齿轮箱的故障诊断中,但是这类算法预测精度不高,易陷入局部极值,只是在一定的程度上适用于齿轮箱的故障诊断,与现实情况相差较大．鉴于遗传算法的可扩展能力强,搜索过程简单且具有强大的全局搜索能力,为了获得更好的诊断性能,利用优势互补原则,本文将遗传算法与神经网络算法相结合,形成混合算法．通过混合算法对风机齿轮箱常见的轴承外圈有剥落坑,输入轴弯曲,轴强烈抖动,轴承内圈划伤,齿轮崩齿等故障进行了测试验证．仿真结果显示,混合算法对减小风机齿轮箱故障诊断误差具有明显的效果,有效地提高了预测精度．关键词:齿轮箱;故障诊断;B P神经网络;遗传算法中图分类号:T P２０６＋．３㊀㊀㊀文献标识码:A㊀㊀文章编号:１６７１－１１９X(２０１８)０３－０００１－０６０㊀引言随着人们对环境保护意识的日益增强,为了减小传统能源的使用率,世界上许多国家都在积极开发风能技术．在风力发电市场中,双馈风力发电机组占据很大一部分比例[１]．风机齿轮箱作为双馈风力发电机的重要组成部分,不仅造价昂贵而且非常容易发生故障．随着时间的推移,风机的齿轮箱经常会发生齿轮崩齿㊁点蚀㊁轴弯曲和抖动等故障,常见的故障诊断方法包括频谱分析方法,专家系统方法,小波变换方法,神经网络方法等[２,３]．由于齿轮箱的故障,风机停机维修将造成巨大的经济损失,因此对齿轮箱故障的诊断已成为当前研究的热点和难点问题．许多专家学者在常见故障诊断方法的基础上提出了许多新的诊断方法．在文献[４]中,谭晓静用遗传算法的模糊神经网络来对故障进行诊断,通过该方法对齿轮箱的故障进行诊断,相比于传统的诊断方法而言,提高了诊断的精确度．但该方法中训练神经网络的样本数据太过单一,训练样本数据不具有代表性,与实际的齿轮箱故障类型相差太大．文献[５]中冷军发提出将R B F神经网络应用于齿轮箱故障诊断,指出了R B F神经网络比B P神经网络在故障诊断方面的优越性,但该方法对样本数据要求比较高,当采样数据不足时,神经网络将不能正常工作．文献[６]中丁硕提出了一种利用L V Q神经网络进行故障诊断的方法,该方法在故障诊断时具有收敛速度快,训练精度高,但是该方法要求训练的步长要足够长,否则达不到预设的精度．使用B P神经网络进行风力机齿轮箱的故障诊断时,最重要的是权值和阈值的确定,这个参数对于网络训练的影响非常大．为解决这个问题,本文不再使用传统的随机生成的方法来获得初始权值和阈值,而是将B P神经网络样本数据的误差范数的倒数作为遗传算法的目标函数值,并对其进行优化从而得到新的权值和阈值．实验表明,遗传算法和神经网络算法相结合的混合算法能够对齿轮箱的故障进∗收稿日期:２０１８－０５－０２基金项目:国家自然科学基金项目(６１６７３１６４);湖南省教育厅科学研究重点项目(１４A０３２)．作者简介:张细政(１９７９－),男,博士,教授,研究方向:智能算法在风电系统中的应用㊁智能控制及其在电动汽车中的应用．通信作者:郑㊀亮(１９９５－),男,硕士研究生,研究方向:智能算法在风电系统中的应用．㊀㊀㊀㊀湖南工程学院学报２０１８年行更好的诊断．１㊀风机齿轮箱样本数据通过安装在齿轮箱上的各个传感器测得齿轮箱的故障特征参数,提取并筛选出对故障敏感的有效特征参数．通过综合分析比较,根据文献[３],选取表１中波形指标㊁裕度指标等７个参数作为齿轮箱故障诊断的特征值．训练网络使用的１２组数据如表１所示,定义表２为数据的理想输出,测试网络仿真时使用６组数据对故障进行诊断．表１㊀齿轮箱训练样本特征参量表模拟故障波形指标裕度指标频谱重心峭度指标偏态指标相关因子频域方差正常工况１．０００００．３６５３０．０００００．５５６８０．３９２７０．０６４００．３４２８０．７１７７０．０２８３０．２９７３０．２９７３１．０００００．０００００．１５２２轴承外圈有剥落坑０．９４６２０．５０４２０．００００１．０００００．３９２７０．３１２６０．３２６３０．６８０７０．３６１３０．０００００．９６８９０．２８５１０．２２８９０．１５９０输入轴弯曲０．４８７００．７４６４０．５１７９０．５０９９０．９９６５０．０２５８０．０５７３０．１１４５０．６０９９０．３７２１０．８１９００．９７８５０．０００００．０８８６轴强烈抖动０．３１２３０．４００３１．０００００．８６１５０．０２１４１．０００００．１９３１０．６８１６１．０００００．０００００．５７３１０．８２１３０．６４１２０．４８７６轴承内圈划伤０．０００００．０３８１０．０００００．０７６９０．０００００．５７４０１．０００００．７１２８０．３９８６０．５２３００．４２２４０．５２７００．９５８５０．１９３１齿轮崩齿０．４２２４０．１１５７０．２５７２０．１３１７０．９３１００．２１４５０．４８７６０．９７６９０．９８９６１．０００００．８９６５０．６１４００．８７３２０．０８１９表２㊀神经网络理想输出样本理想输出正常工况１０００００１０００００轴承外圈有剥落坑０１０００００１００００输入轴弯曲００１０００００１０００轴强烈抖动０００１０００００１００轴承内圈划伤００００１０００００１０齿轮崩齿０００００１０００００１２㊀基于B P神经网络的故障诊断B P神经网络是一种有导师学习的多层前向传播网络,其本质是从输入到输出的映射[７]．网络中上层的神经元(节点)状态将会影响到网络中下一层神经元(节点)的状态,当输出层输出的结果与期望结果有差异时,计算出此时的误差,然后按照原传播路线反向传播,并改正每一层的神经元(节点)权重和阈值,以此来减小误差信号,直到神经网络输出期望的目标值．图１为具有一个隐藏层的B P神经网络的拓扑结构图．图中输入变量用x l(l＝１,２, n i)表示,输出变量用y i(i＝１,２, n０)表示,输入层神经元(节２第３期张细政等:基于遗传算法优化B P神经网络的风机齿轮箱故障诊断点)与隐藏层神经元(节点)的权值和隐藏层神经元(节点)与输出层神经元(节点)之间的权值分别用w(１)i j㊁w(２)i j表示．隐藏层神经元(节点)的输出o j(j＝１,２, ,n h)的微分方程如下:d o jd t＝－ζ(o j)＋w(１)j o＋ðn i l＝１w(１)i j x l(１)式中－ζ(o j)表示隐藏层节点输出的延迟,w(１)j o为隐藏层节点的阈值,ðn i l＝１w(１)i j x l为输入层各节点与输入层和隐藏层之间权值乘积之和．图１㊀B P神经网络结构示意图隐藏层神经元(节点)的输出作为输出层神经元(节点)的输入,输出层各神经元(节点)y i满足如下关系:d y id t＝－ξ(y i)＋w(２)i０＋ðn h j＝１w(２)i j o j(２)式中－ζ(y i)表示输出层神经元(节点)的延迟, w(２)i０为输出层神经元(节点)的阈值,ðn h j＝１w(２)i j o j为隐藏层神经元(节点)与隐藏层和输出层节点之间权值的乘积之和．B P神经网络适用于机械齿轮箱的故障诊断,且在齿轮箱的故障诊断领域中占有重要的地位,具有很好的泛化能力[８]．图２为网络结构图,本文搭建的B P神经网络使用t r a i n l m()作为算法的训练函数,分别使用S型正切函数t a n s i g()和对数函数l o g s i g ()作为隐藏层神经元(节点)和输出层神经元(节点)的传递函数．网络训练次数设为１０００次,训练目标设定为０．０１,学习速率为０．２,使用s i m函数来计算测试样本实际输出Y１和n o r m函数计算训练样本与测试样本的误差范数．图３为故障诊断的输出结果,图４为根据输出结果Y１绘制的回归图,由图３可知,使用B P神经网络对风机齿轮箱进行故障诊断得到的误差较大,图４中D a t a表示Y１的数据, F i t为数据的拟合曲线,虚线表示理想的输出曲线,从图可知输出数据的拟合程度不高,虽然大多数数据集中在０和１的附近,但是仍有部分数据分布在其他地方．图２㊀B P神经网络结构图图３㊀B P神经网络预测结果图４㊀输出数据的回归图３㊀㊀㊀㊀湖南工程学院学报２０１８年３㊀混合算法优化的实现B P神经网络目前在故障诊断中受到越来越多的青睐,但其存在隐藏层节点个数难以确定,容易陷入局部最优解,学习收敛速度过慢等缺点[９]．导致训练出的网络往往误差较大．为了改善B P神经网络的这些不足,本文根据优势互补原则,将遗传算法和B P神经网络相结合,使用混合算法来提高对齿轮箱故障的预测精度．混合算法的原理是将B P神经网络的样本数据的误差范数的倒数作为遗传算法的目标函数值,并对其进行优化．将遗传算法优化后得到的权值和阈值重新回代到B P神经网络中,得到新的性能更好的训练网络混合算法流程图如图所示．图５㊀混合算法流程框图由图可知,混合算法的具体步骤如下:第一步:对神经网络和遗传算法进行初始化．确定神经网络的输入输出和隐藏层节点个数及权值和阈值等参数．遗传算法的初始化如公式(３)所示: G A＝(N,F,S,R,M,g a p,p c,p m)(３)式中,N为种群大小;F为适应度函数;S㊁R㊁M分别为选择㊁交叉㊁变异操作因子;g a p为代沟选择概率;p c 为交叉概率;p m为变异概率．上述参数对于最终优化的结果影响较大[１０,１１],在选择时应该要认真考虑．第二步:计算神经网络测试样本的误差范数并选择遗传算法的适应度函数．根据遗传算法可知,种群中个体的适应度越高,则代表个体越优,越有可能作为父代．在优化过程中,期望个体的适应度不断增高,误差范数不断减小,因此将神经网络的误差范数的倒数作为遗传算法的适应度函数．则有:F(x)＝１f(x)(４) f(x)＝１２ðpðl(O l－T l)２㊀l＝１, ,M(５)式中,F(x)为适应度函数;f(x)为样本数据的误差范数;l为输出层节点数;p表示样本数据数量; O l为神经网络的实际输出值;T l为期望输出值．第三步:初始种群的选择㊁交叉㊁变异操作．初始种群经过以上操作将产生更加优异的子代个体．其中种群中第i个个体被选中的概率用P(x i)表示: P(x i)＝F(x i)ðM i＝１F(x i)(６)第四步:得到新种群．将经过第三步操作之后得到的子代种群个体重新插入到父代种群个体中,得到更优的新种群和新的目标函数值．第五步:判断程序是否满足了指定的算法终止条件．设定好遗传算法的迭代次数,当算法达到了设定的最大迭代次数时,则退出循环,否则程序跳到第三步继续循环．４㊀仿真结果与分析本文中遗传算法使用的参数分别为:N＝６０, g a p＝０．８５,p c＝０．７,p m＝０．０１,最大遗传代数为５０代,种群中个体选择长度为１２的二进制编码．图６是使用遗传算法后的误差进化曲线．由曲线图可知,遗传算法的种群个体分别在第５代,第９代和第１８代逃离了局部最优,随着遗传代数的不断增加,仿真的误差范数逐渐减小,从第２０代开始误差不再变化,得到最优解．图７为使用混合算法得到的故障诊断情况,其中测试样本的实际输出结果用Y２表示,图８为使用混合算法后输出数据的回归４第３期张细政等:基于遗传算法优化B P 神经网络的风机齿轮箱故障诊断图．由图７可知,混合算法得到的测试样本预测结果非常接近理想的输出．比较图３和图７,图４和图８可知,经过混合算法得到的训练样本误差由０．６５９４８减小为０．２２２４６,测试样本的误差由０．５９３９１减小为０．０８６３２８,且图８的输出数据的拟合程度明显要高于图４,符合图７的输出情况．由此可知,混合算法有效地提高了预测精度图６㊀遗传算法的误差进化曲线图７㊀混合算法预测结果图８㊀混合算法优化后的回归图５㊀总结本文将两种互不相关的典型的算法结合起来,充分利用遗传算法较强的全局搜索能力,容易收敛的特点,弥补B P 神经网络容易陷入局部最优值和收敛速度慢的缺点,实现了优势互补．并将这种混合算法应用于风力机齿轮箱的故障诊断,通过测试数据进行验证．结果表明,使用混合算法可以减小故障诊断的误差,提高了预测精度,可以有效诊断出双馈风力发电机组齿轮箱的故障类型．参㊀考㊀文㊀献[１]㊀蒙宣伊,龙㊀辛,等．风机齿轮箱故障原因浅析[J ]．电力技术,２０１０,１９(８):７６－７７．[２]㊀周泽坤．风机齿轮箱故障诊断技术研究综述[J ]．技术与市场,２０１６,２３(４):２５－２８．[３]㊀魏秀业．基于粒子群优化的齿轮箱智能故障诊断研究[D ]．中北大学硕士学位论文,２００９:１００－１０１．[４]㊀谭晓静．北票风电场发电机组的齿轮箱故障诊断研究[D ]．辽宁工程技术大学硕士学位论文,２０１０:４４－４５．[５]㊀冷军发．基于R B F 神经网络的齿轮箱故障诊断[J ]．机械强度,２０１０,３２(１):１７－２０．[６]㊀丁㊀硕,常晓恒,等．基于L V Q 神经网络风电机组齿轮箱故障诊断研究[J ]．２０１４,３７(１０):１５０－１５２．[７]㊀韦㊀巍,何㊀衍．智能控制[M ]．北京:清华大学出版社,２００８:９１－９５．[８]㊀祁丽婉,梁㊀庚,等．基于果蝇算法优化B P 神经网络的齿轮箱故障诊断[J ]．电网与清洁能源,２０１４,３０(９):３１－３６．[９]㊀马留洋,孟安波,等．基于纵横交叉算法优化B P 神经网络的风机齿轮箱故障诊断方法[J ]．广东工业大学学报,２０１８,３５(２):５７－６２．[１０]L M u r p h y ,H S A b d e l ＧA t y ＧZ o h d y,M H a s h e m ＧS h e r i f ．A G e n e t i cA l g o r i t h m T r a c k i n g Mo d e l f o rP r o d u c t D e Ｇp l o y m e n ti n T e l e c o m S e v i c e s [J ]．S y m p o s i u m o n C i r c u i t s a n dS ys t e m s ,２００５(２):１７２９－１７３２．[１１]Q H u a n g,H Y a n ,N L i ．R e s e a r c ho fM o t o rF a u l tD i Ｇa g n o s i sB a s e do n t h e I m p r o v e dG e n e t i cA l g o r i t h ma n d B PN e t w o r k [J ]．W o r l dC o n g r e s so n I n t e l l i ge n t C o n t r o l a n dA u t o m a t i o n ,２００８:３１３１－３１３５．５６㊀㊀㊀㊀湖南工程学院学报２０１８年T h eF a u l tD i a g n o s i s o fW i n dT u r b i n eG e a r b o xB a s e d o nG e n e t i cA l g o r i t h mt oO p t i m i z eB PN e u r a lN e t w o r kZ H A N G X iＧz h e n g１,２,Z H E N GL i a n g１,L I UZ h iＧh u a１(１．C o l l e g e o fE l e c t r i c a l I n f o r m a t i o nE n g i n e e r i n g,H u n a n I n s t i t u t e o fE n g i n e e r i n g,X i a n g t a n４１１１０４,C h i n a;２．T h eK e y L a b o r a t o r y o fH u n a nP r o v i n c e o n W i n dT u r b i n eG e n e r a t o r S e t a n dC o n t r o l,H u n a n I n s t i t u t e o fE n g i n e e r i n g,X i a n g t a n４１１１０４,C h i n a)A b s t r a c t:T h e f a u l t d i a g n o s i s o fw i n d t u r b i n e g e a r b o x p l a y s a n i m p o r t a n t r o l e i n t h em a i n t e n a n c e a n d t e sＧt i n g o f d o u b l eＧf e dw i n d t u r b i n e．B Pn e u r a l n e t w o r ka l g o r i t h mi s a p p l i e d t o t h e f a u l t d i a g n o s i so f g e a r b o x．B u t t h e p r e d i c t i o na c c u r a c y i s n o t h i g h,a n d t h e a l g o r i t h mi s e a s y t o f a l l i n t o l o c a l e x t r e m u m．T o a c e r t a i n d e g r e e,i t i s s u i t a b l e f o r t h e f a u l t d i a g n o s i s o f g e a r b o x a n d d i f f e r sw i t h t h e r e a l i t y．I n v i e wo f t h e e x t e n s i b l e a b i l i t y o f g e n e t i c a l g o r i t h m,t h e s e a r c h p r o c e s s i s s i m p l e a n dh a s s t r o n g g l o b a l s e a r c h a b i l i t y．T o g e t a b e tＧt e r d i a g n o s i s p e r f o r m a n c e,t h e p r i n c i p l e o f c o m p l e m e n t a r y a d v a n t a g e s i s a p p l i e d．T h e g e n e t i c a l g o r i t h mi s c o m b i n e dw i t hn e u r a l n e t w o r k a l g o r i t h m．T h r o u g h t h e h y b r i d a l g o r i t h m,t h ew i n d t u r b i n e g e a r b o x e s c o mＧm o nb e a r i n g o u t e r r i n g w i t h p e e l i n gp i t,i n p u t s h a f tb e n d i n g,a x i a l s t r o n g j i t t e r,b e a r i n g i n n e r r i n g c u t, t o o t h g e a r c r a c k f a u l t a r e t e s t e d．T h e s i m u l a t i o n r e s u l t s s h o wt h a t t h e h y b r i d a l g o r i t h mh a s o b v i o u s e f f e c t o n r e d u c i n g t h e f a u l t d i a g n o s i s e r r o r,a n d e f f e c t i v e l y i m p r o v e s t h e p r e d i c t i o na c c u r a c y．K e y w o r d s:g e a r b o x;f a u l t d i a g n o s i s;B Pn e u r a l n e t w o r k;g e n e t i c a l g o r i t h m。
pso优化bp神经网络齿轮箱故障诊断
0引言齿轮箱主要由齿轮、轴承、旋转轴等振动部件组成,具有传动转矩大、结构紧凑等优点,广泛应用在航空机械、农业机械中,用来传递动力和改变转速[1]。
齿轮箱通常工作在高速、重载等环境下,导致齿轮箱发生问题的概率大大增加[2]。
为确保其安全可靠运行,对齿轮与轴承等关键部件进行故障诊断具有重要意义[3]。
基于神经网络进行故障诊断在很多领域都得到了广泛应用,通过齿轮箱故障样本训练便可掌握输入的振动信号与输出的故障类型之间的内在联系[4-7]。
如文献[8]利用训练好的BP神经网络模型对齿轮箱进行故障检测,对无故障、齿根裂纹、断齿这3种模式进行判断;文献[9]采用改进的BP神经网络进行独立的局部故障诊断,以及采用D-S证据理论规则,将3个测点的神经网络输出结果进行融合,得到整个齿轮箱的故障诊断结果;文献[10]利用LabVIEW的本身优势和集成特性建立了齿轮故障智能诊断系统,实现了对齿轮振动的诊断工作;文献[11]基于动态惯性权重粒子群算法的齿轮箱故障诊断研究,提出了确定特征重要程度的方法。
以上方法存在的缺点是:(1)正确识别率低;(2)对人工神经网络的控制参数依靠经验选取;(3)对故障类型划分较为粗糙。
本文通过对振动信号特征向量的提取,利用BP神经网络、概率神经网络(Probabilistic Neural Network,PNN)、粒子群优化(Particle Swarm Optimization,PSO)BP神经网络PSO优化BP神经网络齿轮箱故障诊断张永超1,李金才1,赵录怀2(1.西安交通大学城市学院,陕西西安710018;2.西安交通大学电气学院,陕西西安710048)摘要:针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题,提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。
简要介绍利用齿轮振动原理提取特征参数建立故障模型,该模型以齿轮箱特征向量为输入、故障类型为输出,详细分析了通过BP神经网络、概率神经网络和粒子群优化BP神经网络实现齿轮箱故障诊断。
GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用
GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用高畅于忠清周强（青岛大学数据科学与软件工程学院，山东青岛266000）摘要针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题，提出了一种用GA-ACO算法对神经网络参数进行优化的算法。
给出GA-ACO-BP算法的基本原理和主要步骤，并将此方法应用到行星齿轮箱的故障诊断中。
比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。
结果表明，ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高，而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。
关键词GA-ACO-BP算法行星齿轮箱故障诊断遗传算法蚁群优化算法BP神经网络Application of GA-ACO Optimized BP Neural Network in Fault Diagnosisof Planetary GearboxGao Chang Yu Zhongqing Zhou Qiang（School of Data Science and Software Engineering，Qingdao University，Qingdao266000，China）Abstract Aiming at the problems of low fault recognition rate，slow convergence speed and difficult pa‐rameter selection in the process of fault diagnosis of planetary gearbox based on BP neural network improved by optimization algorithm，a GA-ACO algorithm is proposed to optimize the parameters of neural network.The ba‐sic principle and main steps of GA-ACO-BP algorithm are given.At the same time，this method is applied to the fault diagnosis of planetary paring the performance of ACO-BP neural network algorithm and GA-ACO-BP algorithm，the results show that the convergence speed of ACO Optimized BP neural network is slow and the recognition accuracy is not high，while GA-ACO-BP algorithm can accurately and quickly diag‐nose and identify the fault of planetary gearbox.Key words GA-ACO-BP algorithm Planetary gearbox Fault diagnosis Genetic algorithm Ant col‐ony optimization algorithm BP neural network0引言齿轮箱作为一种可以有效改变转速和传递动力的装置，被广泛应用于各种类型的机械设备中[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第28卷第6期2010年6月水 电 能 源 科 学Wate r Resources and Power Vol.28No.6J un.2010文章编号:100027709(2010)0620106203基于遗传算法优化神经网络的齿轮故障诊断乔晶晶 潘宏侠(中北大学机械工程与自动化学院,山西太原030051)摘要:针对齿轮故障诊断的重要性和复杂性,基于神经网络固有的局部极小值及遗传算法良好的全局收敛能力和搜索性,在遗传算法优化初始权值和阈值的基础上构建了G A 2E lman 神经网络的故障诊断系统。
仿真结果表明,该方法用于齿轮常见故障诊断和预测有效、可行。
关键词:G A 2Elma n 神经网络;齿轮;故障诊断;模式识别中图分类号:TP206+.3;TP183文献标志码:A收稿日期22,修回日期223作者简介乔晶晶(2),女,硕士研究生,研究方向为模式识别与智能系统,2q j j 333@63 齿轮作为机械设备的传动部分,担负传递动力和运动的重要使命,在工业生产中被广泛应用。
齿轮故障不仅损坏齿轮自身,且直接关系设备的运转甚至危及人身安全,可造成巨大的经济损失与社会影响。
因此,对齿轮的故障模式识别与诊断研究具有重要意义和实用价值[1]。
人工神经网络具有并行处理学习记忆和非线性等特点,使其在故障模式识别领域中日益被广泛应用。
但其传统的梯度法或基于损失函数的优化方法常收敛于局部最优解。
为弥补其不足,本文将遗传算法引入神经网络的权值训练中,并进行神经网络的训练和识别,充分利用神经网络的非线性逼近能力,构建G A 2El man 神经网络的故障诊断系统,旨在为齿轮故障诊断提供一种新途径。
神经网络与B P 神经网络、RB F 神经网络等前向神经网络[2]不同,El man 神经网络是一种反馈神经网络,比前向型神经网络具有更强的计算能力,其更注重系统的稳定性。
与B P 神经网络相比,El man 神经网络除普通的隐含层外,还有一个特别的隐含层,称为承接层,也称上下文层或状态层,网络结构见图1。
El man 神经网络可采用B P 网络中使用的附加动量的梯度下降反向传播算法对网络进行训练。
设g ()为输出神经元的激活函数,f ()为隐含层神经元的激活函数,则各层间的表达式为:z =(j y N )()图1 Elma n 神经网络结构模型Fig.1 S t ruc t ure model of Elman nue ral ne t w orky N =f (w hj y Nc +w ih x M1-1)(2)y Nc =y N -1(3)式中,z P 为输出;y N 为隐含层输出;y Nc 为隐含层前一时刻的输出量;x M1为输入样本;w ih 、w hj 、w jk 分别为输入层到隐含层、隐含层到输出层、隐含层到承接层的权值。
网络的权值修正可采用BP 算法,衡量算法结束的误差函数为:e =∑Pk =1(TP-z P )2(4)式中,T P 为期望输出。
优化网络权值遗传算法借鉴了达尔文的进化论和孟德斯鸠的遗传学说。
在遗传算法的每一代中,根据个体在问题领域中的适应度值和从自然遗传学中借鉴的再造方法进行个体选择,产生一个新的近似解。
这个过程导致种群中个体的进化,获得的新个体比原个体更能适应环境。
通过模拟生物进化过程中繁殖、杂交和变异的自然选择规律,实现问题的最优化[3]。
将遗传算法优化即网络初始权值、阈:20100124:2010021:1987E mail :iao ing ing P g w k 1值过程步骤如下。
步骤1 参数设定。
遗传算法中需选择的运行参数有:个体编码串长度L ,群体大小M 、交叉概率P c 、变异概率P m 、终止代数T 、代沟G 等。
这些参数对遗传算法的运行性能影响较大,需认真选取[4,5]。
本试验设定初始化种群规模为120,在初始种群中选取80个个体进入匹配池。
以Matla b 软件为基础,设计遗传算法的故障诊断系统软件。
经调试后选择L =12,种群规模n =100,P c =1.0,P m =0.004,G =20。
步骤2 采用实数编码并生成初始种群。
步骤3 计算每个个体的评价函数,根据P i =f∑Ni =1f i 选择网络个体,f i 为个体i 的适配值,可用误差平方和E 衡量。
即:fi=1/E (i )E (i)=∑M1∑P(T P -z P )2(5)式中,i 为染色体数,采用选择算子、交叉算子P c 、变异算子P m 等生成新个体,产生下一代种群。
步骤4 将新个体插入种群中,并计算新个体的评价函数。
步骤5 判断算法是否结束。
若找到满意个体,则算法结束;反之,重复步骤3、4直至满足评价函数的预设标准,程序采用的终止条件为G 代内最高适应值无显著变化。
算法步骤见图2。
图2 遗传神经网络算法步骤Fi g.2 Algorit hm st ep s of GA 2Elman 齿轮箱故障诊断仿真结果分析以JzQ250型齿轮箱为例,动力系统由三相异步电动机驱动,电机输出轴经由连轴器与齿轮箱的输入轴相连,再经齿轮箱传动,传递动力于负载轮,最后经抱闸卡住[3,6]。
根据齿轮故障的机理分析,在齿轮故障诊断试验中,对四种故障类别的齿轮信号数据采集分析后,提取常用的时域特征参数作为训练样本对神经网络进行学习。
分别选取峰值因子X 1、峭度因子X 2、脉冲因子X 3、裕度因子X 4、功率谱均值X 5、频率方差X 6六个参量作为网络输入;将齿面磨损Z 1、齿面胶合Z 2、齿面疲劳Z 3、轮齿断裂Z 4四种故障模式作为网络输出。
共采集到16组数据,其中训练样本12组,每个故障3组,剩下4组作为测试数据。
为提高训练速度和灵敏性,在进行训练前,对其原始数据进行规一化处理后作为神经网络的输入样本p 进行神经网络的训练。
p =[1.00000.36530.00000.55680.39270.0640;0.71770.02830.29730.29731.00000.0000;0.00000.15080.24270.04171.00000.2437;0.94620.50420.00001.00000.39270.3126;0.68070.36130.00001.00000.28510.2289;0.00000.15490.17081.00000.31720.1743;0.48700.74640.51790.50991.00000.0000;0.11450.60990.37210.81901.00000.0000;1.00000.80980.25700.25140.21090.0000;0.31230.40031.00000.861500.2141.0000;0.68161.00000.00000.57310.82130.6412;1.00000.48170.43120.00000.56180.8815]′T =[1000;1000;1000;0100;0100;0100;0010;0010;0010;0001;0001;0001]′p 和T 分别为输入向量、目标向量。
输入向量维数为6,因此输入层神经元的个数应为6;输出向量的维数为4,则输出神经元的个数即为4,即齿轮磨损(1,0,0,0)、齿轮胶合(0,1,0,0)、齿轮疲劳(0,0,1,0)、轮齿折断(0,0,0,1);选取隐含层、承接层的个数为8。
训练次数为1000,训练目标为0.00001,网络经多次训练后达到了收敛精度的要求,对建立好的神经网络模型,选择与训练样本数据不同转速下的另外4组检验样本数据,将其原始的样本数据进行归一化处理后做为故障检验数据p ,进行网络仿真。
测试代码为:z =si m (net ,p test )测试数据:p test =[0.69720.00000.21080.24771.00000.0309;0.90050.52110.00001.00000.37800.2809;1.00000.81000.27040.25470.21870.0000;0.42180.94311.00000.11230.00000.5321]′z =si m (net ,p test )z =0.99740.00870.01600.00005355701第28卷第6期 乔晶晶等:基于遗传算法优化神经网络的齿轮故障诊断0.0100.970.00000.0080.00470.00000.98800.01790.00000.01280.01090.9970G A 2El man 神经网络实际输出:z =0.98860.00030.00420.00000.00000.99690.00000.00000.00170.00000.99830.00000.00010.00010.00051.0000图3为El man 神经网络和G A 2El man 神经网络训练过程。
由图可看出,Elma n 训练迭代次数为233次,而G A 2El man 仅为25次,可见基于G A 2El man 神经网络的算法训练时间短、收敛速度快、训练精度高,完全符合诊断测试要求。
图3 基于Elma n 和GA 2Elma n 网络训练结果Fig.3 Training r es ul t ba se d on Elma n a ndGA 2Elman ne t w or k 结语a.针对齿轮受制造误差、安装位置、运行工况等因素的影响其故障诊断较复杂,讨论了G A 2Elman 神经网络的工作原理,选用GA 2Elma n 网络进行建模并用遗传算法进行优化,并将其应用于齿轮常见故障诊断中。
b.仿真模拟结果表明,基于GA 2B P 算法的El man 网络与单纯的El man 网络相比,迭代次数减少,计算能力和训练精度提高,可有效识别故障,为提高非线性复杂系统故障诊断的效率和精度提供了一种新途径。
参考文献:[1] 侯媛彬,杜京义,汪梅,等.神经网络[M ]﹒西安:西安电子科技大学出版社,2007.[2] 秦树人.齿轮传动系统检测与诊断技术[M ]﹒重庆:重庆大学出版社,1999.[3] 张利平,唐德善,刘清欣﹒遗传神经网络在凝汽器系统故障诊断中的应用[J ].水电能源科学,2004,22(1):77279.[4] Murphy L A ,Abdel 2Aty 2Z ohdy H S ,Sherif M H.A G enetic Algo rithm Tracking Model for Pro duct Deplo yment in Telecom Sevice s [A].48t h IEEE In 2te rna tional Midwest Sympusium on Circuits and System[C].Cincinnati ,Ohio ,USA ,2005.[5] Huang Qin ,Y an Haisong ,Li Nan.Re s earch of MotorFault D iagnos is Based on the Improve G enetic Alg o 2rithm and B P Nnetw ork[A].The 7th W orld C ongress on Intelligent C ontrol and Automation[C ].Chongqing ,Ch ina ,2008:313123135.[6] 汪鲁才,彭滔,张颖.基于小波神经网络的齿轮箱故障诊断研究[J ].计算机工程与应用,2007,43(28):2032205,226.G ear Fa ult Dia gnosis B a sed on GA 2Elman N eural N et w or k ModelQ IAO Ji ngji ng PAN Ho ngxia(School of Mechanical Engineering and Automation ,No rth Univer sity of China ,Taiyuan 030051,China)A bstract :Aiming a t t he importa nce and complexity of gea r fa ult diagnosis ,genetic algorithm (G A )is used to optimize t he initial weights a nd threshold value of t he neur al networ ks (NN )base d on the inher ent local minimum problem of NN a nd the good global convergence and global sea rch a bilit y of GA.The f ault diagnosis system with G A 2E lman ne ural net 2wor k is e stablished for gear vibration signal.The simulation results demonstrate tha t it is a n eff ective method to diagnose a nd pre dict t he com mon fa ult of gea r.K ey w or ds :GA 2Elman neural networ k ;gea r ;fa ult dia gnosis ;patter n recognition(上接第111页)Resear ch on Multi 2channel Wir eless Da ta Collect ion B a sed on DSPDUA N Y ongjie ZHAO He mi ng L IU Zhenqia ng L IU Y ong ZHAN G Y a(School of Mecha tronic s Engineering ,North Univer sity of China ,Taiyua n 030051,China)A bstract :Aiming at the def lect s of t he wired da ta collection methods having poor mobility ,the la ying of cable re 2y q ,q y DS T x 2y f 2q ,f I z K y DS ;2;;;q f 801水 电 能 源 科 学 2010年stric ted b th e enviro n me nt a nd sing le ac uisitio n mo d e wireless data ac uisitio n s stem is desig ne d with P.he e p erime ntal results sho w th at t he s ste m ha s c haracte ristic s o mu lti c ha nnel sign al ac uisitio n simultan eo u s wireless t ran smissio n o da ta and acc ura te data co llectio n.t is wo r th p op u la ri atio n an d ap p licatio n.e wor d s :P mu lti c ha nnel w irele ss tra nsmissio n data co llectio n ac uisitio n o sig nal。