基于进化神经网络的齿轮可靠性预测_安艳秋
基于进化神经网络BTA钻削表面粗糙度的在线预测
文章编号 ： １ ０ ０ １ — ２ ２ ６ ５ （ ２ ０ １ ４ ） ０ １— ０ ０ ２ ６— ０ ３
Ｄ Ｏ Ｉ ： １ ０ ． １ ３ ４ ６ ２ ／ ｊ ． ｅ ｎ ｋ ｉ ． ｍ ｍ ｔ ａ ｍ ｔ ． ２ ０ １ ４ ． ０ １ ． ０ ０ ７
基于进化神经 网络 Ｂ Ｔ Ａ钻削 表 面粗糙度 的在 线预测 木
ＧＡ Ｏ Ｔ ｅ ｎ ｇ ，ＭＩ ＡＯ Ｈｏ ｎ ｇ ． ｂ ｉ ｎ ，Ｊ Ｉ ＡＮＧ Ｍｉ ｎ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｍ ｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ Ｎ ｏ ｒ ｔ ｈ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｃ ｈ ｉ ｎ ａ ， Ｔ ａ ｉ ｙ ｕ ａ ｎ ０ ３ ０ ０ ５ １ ， Ｃ ｈ ｉ ｎ ａ ）
高 腾， 苗鸿宾 ， 江 敏
（ 中北 大 学 机械 工程 学 院 ， 太原 ０ ３ ０ ０ ５ １ ）
摘要： 表面粗糙度是表面加工质量的重要指标之一， 影响零件的使 用寿命 ， 因此在线预测表 面粗糙度具 有 重要 意 义。 由于 Ｂ Ｐ神 经 网络 的算法 本 身存在 容 易 陷入局 部 极 小值 、 收 敛速 度慢 和 全 局搜 索 能 力弱 等缺 陷 ， 故采 用遗 传算 法优化 Ｂ Ｐ神 经 网络 的结构 和初 始参数 并设 计基 于进 化神 经 网络 的 学 习算 法 ， 建 立Ｂ Ｔ Ａ钻 削在 线预测 的神 经 网络 模 型。仿 真和 实验 结 果表 明 ， 进化 的 Ｂ Ｐ神 经 网络 能 够很 好 的预 测 表 面粗 糙度 ， 克服 了 Ｂ Ｐ神 经 网络 容 易 陷入 局部极 小值 的 问题 ， 为Ｂ Ｔ Ａ钻 削的研 究提 供 了新 的 思路 。 关键 词 ： Ｂ Ｔ Ａ钻 削 ； 进 化神 经 网络 ； 表 面粗 糙度 ； 遗 传算 法
基于时序-神经网络的车辆变速器齿轮故障诊断
基于时序-神经网络的车辆变速器齿轮故障诊断
尹安东;羊拯民
【期刊名称】《汽车工程》
【年(卷),期】2005(027)004
【摘要】采用时序分析和BP神经网络,建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统.通过对车辆变速器齿轮运行状态特征信号进行时序分析和特征向量提取,并以此作为BP神经网络的输入向量进行网络训练,从而实现变速器齿轮运行状态的识别与故障诊断.该系统应用于LC5T81变速器齿轮的故障诊断中,能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态.验证表明该诊断系统有效、可行.
【总页数】4页(P502-505)
【作者】尹安东;羊拯民
【作者单位】合肥工业大学机械与汽车工程学院,合肥,230009;合肥工业大学机械与汽车工程学院,合肥,230009
【正文语种】中文
【中图分类】U4
【相关文献】
1.基于时序分析的齿轮箱故障诊断 [J], 赵志军;刘正士;谢峰
2.人工神经网络在汽车变速器齿轮故障诊断中的应用 [J], 张成宝;羊拯民
3.基于时序-BP网络的齿轮故障诊断方法及应用 [J], 蒋宇;李力;李志雄
4.概率神经网络在车辆齿轮箱典型故障诊断中的应用 [J], 张阳阳;贾云献;吴巍屹;苏小波;时晓文
5.基于时序-RBF神经网络的齿轮故障诊断方法 [J], 李力;蒋宇;李志雄
因版权原因，仅展示原文概要，查看原文内容请购买。
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]。
基于改进Elman神经网络的目标威胁度预测评估
基于改进Elman神经网络的目标威胁度预测评估
徐公国;段修生
【期刊名称】《探测与控制学报》
【年(卷),期】2017(039)003
【摘要】针对地面防空作战中目标威胁度难以准确评估的问题,提出了基于改进Elman神经网络的目标威胁度动态预测评估方法.该方法利用量子粒子群智能优化(QPSO)算法对Elman神经网络进行了改进,提出了QPSO-Elman神经网络,并基于优化的QPSO-Elman神经网络构建了目标威胁度的动态预测评估模型.仿真分析表明,该方法有效解决了目标威胁度的动态评估问题,预测结果更加准确且实用性强,增强了防空系统的作战能力.
【总页数】6页(P101-106)
【作者】徐公国;段修生
【作者单位】解放军军械工程学院,河北石家庄 050003;解放军军械工程学院,河北石家庄 050003
【正文语种】中文
【中图分类】TP183
【相关文献】
1.Elman神经网络在企业年度销售目标预测中的应用 [J], 张果
2.基于神经网络和遗传算法对反装甲目标威胁度评估研究 [J], 张文华;宁庶亮;麻勇
3.基于改进型Elman神经网络预测模糊神经网络控制的变风量空调设计 [J], 陈洋;
瞿睿
4.基于Elman_AdaBoost强预测器的目标威胁评估模型及算法 [J], 王改革;郭立红;段红;刘逻;王鹤淇
5.自适应磷虾群优化Elman神经网络的目标威胁评估 [J], 李志鹏;李卫忠;杜瑞超因版权原因，仅展示原文概要，查看原文内容请购买。
基于CNN_和LSTM_的航天用涂层型自润滑关节轴承寿命预测及可靠性评估
第 40 卷第 5 期航 天 器 环 境 工 程Vol. 40, No. 5 2023 年 10 月SPACECRAFT ENVIRONMENT ENGINEERING531 https:// E-mail: ***************Tel: (010)68116407, 68116408, 68116544基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估刘云帆1,2，林亮行2,3，马国政2，孙建芳3*，苏峰华3，郭伟玲2，朱丽娜1*，王海斗1,2,4（1. 中国地质大学（北京） 工程技术学院，北京 100083；2. 陆军装甲兵学院 装备再制造国防科技重点实验室，北京 100072；3. 华南理工大学 机械工程学院，广州 510000；4. 陆军装甲兵学院 机械产品再制造国家工程研究中心，北京 100072）摘要：为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法，提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。
首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取，然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练，得到涂层型自润滑关节轴承寿命预测模型，可实现对轴承剩余寿命的准确预测。
最后，基于加速寿命试验数据，采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估，结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。
关键词：涂层型自润滑关节轴承；卷积神经网络；长短期记忆神经网络；加速寿命试验；可靠性评估 中图分类号：TH133.31文献标志码：A文章编号：1673-1379(2023)05-0531-10 DOI: 10.12126/see.2023012Life prediction and reliability evaluation of coated self-lubricating spherical bearings for space applications based on CNN and LSTMLIU Yunfan1,2, LIN Liangxing2,3, MA Guozheng2, SUN Jianfang3*, SU Fenghua3,GUO Weiling2, ZHU Lina1*, WANG Haidou1,2,4(1. School of Engineering and Technology, China University of Geosciences (Beijing), Beijing 100083, China;2. National Key Laboratory for Remanufacturing, Army Academy of Armored Forces, Beijing 100072, China;3. School of Mechanical Engineering, South China University of Technology, Guangzhou 510000, China;4. National Engineering Research Center for Remanufacturing, Army Academy of Armored Forces, Beijing 100072, China)Abstract: A method for predicting the residual life of coated self-lubricating spherical bearings based on convolutional neural network (CNN) and long-short term memory neural network (LSTM) was proposed. Firstly, the failure features of the friction torque signal of the spherical bearing was extracted by CNN. Then the torque signals processed by principal component analysis (PCA) and filtering were input into LSTM neural network for training to obtain the life prediction model of coated self-lubricating spherical bearings, which enabled accurate predictions of the bearing residual life. Finally, based on the accelerated life tests, the reliability of coated self-lubricating spherical bearings was evaluated using a two-parameter Weibull distribution model. The results indicate that coated self-lubricating spherical bearings can maintain long-term stable work at high reliability levels (90%) under light load and low frequency.Keywords: coated self-lubricating spherical bearing; convolutional neural network; long-short term memory neural network; accelerated life test; reliability evaluation收稿日期：2023-02-16；修回日期：2023-09-14基金项目：国家自然科学基金项目（编号：52122508；52005511；52130509）引用格式：刘云帆, 林亮行, 马国政, 等. 基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估[J]. 航天器环境工程, 2023, 40(5): 531-540LIU Y F, LIN L X, MA G Z, et al. Life prediction and reliability evaluation of coated self-lubricating spherical bearings for space applications based on CNN and LSTM[J]. Spacecraft Environment Engineering, 2023, 40(5): 531-5400 引言自润滑关节轴承是一种无需补充润滑剂的特殊关节轴承，在其相对运动表面涂（镀）或黏结有一层固体润滑材料，可以起到减小摩擦阻力、延长轴承寿命的作用[1-6]。
基于深度置信网络集成的齿轮剩余寿命预测
No.3Mar.2021第3期2021年3月组合机床与自动化加工技术Modular Machine Tool & Automatic Manufacttring Techninue文章编号：1001 -2265（2021）03 -0070 -04D0I ：10.13462/j. cnki. mmwmt. 2021.03.016基于深度置信网络集成的齿轮剩余寿命预测**收稿日期：2020-04-29;修回日期：2020-06-19*基金项目：国家青年科学基金项目（61703297）；山西省青年科学基金项目（201601D021065）作者简介:宋仁旺（1976—）,男，太原人,太原科技大学副教授，博士，研究方向为微重力测量和振动控制、复杂系统预测与健康管理等;通讯作者:王莉峰（1994—），女，山西长治人，太原科技大学硕士研究生，研究方向为系统故障预测与健康管理,（E - maii ）2606954659@ qq. com 。
宋仁旺，王蒋峰，石慧（太原科技大学电子信息工程学院，太原030024）摘要：在齿轮的剩余寿命预测中，针对传统方法需要人工提取特征和单个网络模型在泛化能力不好 的问题，提出一种深度置信网络# DBN ）集成模型的齿轮剩余寿命预测方法。
该方法以齿轮振动信 号作为输入，首先，用遗传算法优化多个DBN ；其次，应用负相关学习（NCL ）选择误差小同时差异度 大的几个DBN 搭建集成模型，用以描述不同时刻特征值之间的关系；最后，基于齿轮振动加速度数 据配置好模型后进行预测，和单个深度置信网络预测比较，结果显示文章提出的集成模型在不同时 刻训练集和测试集之间的误差均比单个DBN 低。
验证了该方法可以完成预测并且能提高泛化性 能。
关键词：深度置信网络;剩余寿命预测；遗传算法；负相关学习；集成中图分类号:TH16 ；TG506 文献标识码:AResearch on Gear Remaining Useful Life Preeiction basd on Deep Belief Network Ensemble SONG Ren-xang ,WANG KeXeng ,SHI Hui(School of Electronic and Infomation engineering , Taiyuan University of Science and Technolocy , Taiyuan030024, China )Abstract : In the remaining useful life prediction of gear , in order to solve the problem that the traditionalmethods need to extract features manually and the poor generalization ability of a single networe , a gear re maining useful life prediction method based on deep beUef network (DBN ) ensemble is proposed in thispaper. In this method , the gear vibration signal is used as the input , firstly , the genetic algorithm is used to optimize the multiple DBN ； Secondly , negative correlation leaeing is used for selecting DBNs that have sma l e r orand largedi f erence.Theensemblemodelisformed of%heseseleced DBNs%o describe%here-lationship between the characteri.sti.cs values of the gear at diffeent times ； Finaly , the prediction is carried out based on the gear vibration acceleration data , and compared with the prediction results of a single deepbelief network , the results show that the error between the training set and the te s t s e t of the ensembi mod-eeproposed in hispaperiseower han ha ofasingeeDBN a di f eren imes.So iisverified ha his me hod can beused o predic and improvegeneraeieaion performance.Key words : deep belif nSwork ( DBN ) ； ensemble ； remaining useful life prediction ； genetic algorithms ；negaiveco r eeaion eearning0引言很多设备中的齿轮，由于受到交变应力等的影响 常常会出现齿面磨损、断齿等故障，且由此引起的停机 时间长、破坏性高、维修费用高$1X %）而通过剩余寿命（Remaining Useful Lite , RUL ）预测$3% ,能够提前制定 维修策略避免致命故障［4-F ］,从而减少损失。
基于果蝇算法优化BP神经网络的齿轮箱故障诊断
基于果蝇算法优化BP神经网络的齿轮箱故障诊断祁丽婉;梁庚;童国炜【摘要】为有效提高风电机组齿轮箱故障诊断的快速性和准确性，采用近几年出现的果蝇算法对BP神经网络进行优化，减少了BP神经网络算法陷入局部最优解的风险，显著增强了BP神经网络的泛化能力和全局寻优能力。
对比发现，果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。
测试结果表明，果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。
%ABSTRACT:To effectively improve the accuracy and speed of the wind turbine gearbox fault diagnosis, this paper adopts Fruit Fly Optimization Algorithm which has been developed in recent years to optimize the BP neural network,which reduces the risk of BP neural network algorithm trapped in local optimal solution, and thus significantly enhances the generalization ability of the BP network and global optimization ability. Through comparison,the author of this article finds that the optimized BP neural network model through the Fruit Fly Optimization algorithm has a better rapid and accurate diagnostic ability. The testing results show that the Fruit Fly Optimization Algorithm for optimizing the BP neural net-work is feasible and effective for the gear box fault diagnosis.【期刊名称】《电网与清洁能源》【年(卷),期】2014(000)009【总页数】7页(P31-36,42)【关键词】清洁能源;风电;齿轮箱;果蝇算法;故障诊断;BP神经网络【作者】祁丽婉;梁庚;童国炜【作者单位】华北电力大学控制与计算机工程学院，北京 102206;华北电力大学控制与计算机工程学院，北京 102206;华北电力大学控制与计算机工程学院，北京 102206【正文语种】中文【中图分类】TM734;TP312随着社会的发展，人类对能源的需求持续攀升。
航空齿轮减速器稳健优化设计研究
航空齿轮减速器稳健优化设计研究韩冰海【摘要】航空齿轮减速器通常对重量、强度、效率以及可靠性有极高的要求,考虑到其所处工况的随机性、工艺水平的差异性以及材料强度等力学性能参数的波动性,传统的确定性参数优化设计已不能满足工程实际的需求.在传统的确定性优化设计模型的基础上,基于6σ稳健设计基本理论建立齿轮传动系统的多目标稳健设计优化模型,并采用NSGA-Ⅱ多目标优化算法进行求解;以某航空齿轮减速器中单级斜齿圆柱齿轮系统为研究对象进行实例分析.结果表明:本文提出的基于6σ稳健设计理论的齿轮传动系统优化模型充分考虑了不确定性因素对优化的影响,具有一定的工程应用价值.【期刊名称】《航空工程进展》【年(卷),期】2018(009)002【总页数】7页(P281-287)【关键词】齿轮传动;减速器;6σ;稳健设计;多目标优化【作者】韩冰海【作者单位】中航锂电(洛阳)有限公司,洛阳 471003【正文语种】中文【中图分类】TH132.10 引言航空齿轮减速器通常工作于高转速高负荷工况，其结构复杂，是一个故障多发、可靠性差的部件,对其结构进行研究和优化具有重要的工程实际意义。
传统的齿轮传动系统优化设计多未考虑齿轮所受载荷和转速等工况参数的随机性、工艺水平的差异性，以及材料强度等力学性能参数的波动对优化目标和约束条件的影响，因此，优化结果不可避免地与工程实际具有较大差异，即传动系统的性能仍可能随着噪声因素的变化而产生较大范围内的波动。
工程实际中通常通过严格控制加工制造精度以尽可能消除影响因素的波动性，从而提高优化目标和约束条件的稳健性，但是实际中却难以实现，也会付出很大代价[1]。
稳健优化设计理论[2]的蓬勃发展为齿轮减速器的结构优化设计提供了新思路。
1998年，Isaias C.Regalado[3]首次通过正交试验和田口法，以圆柱齿轮传动中大齿轮和小齿轮的弯曲疲劳寿命相差最小、接触疲劳寿命相差最小、噪声最小、效率最高和体积最小为优化目标，以齿数、压力角、螺旋角、齿宽、刀具变位系数和法面模数等为设计变量，同时加入噪声因素、压力角偏差、螺旋角偏差和扭矩偏差，进行稳健优化设计；R.Dong等[4]发现齿轮的安全系数对噪声因素比较敏感，采用插值分析方法对风电齿轮箱齿轮传动系统的强度进行稳健优化设计，并通过随机抽样对比了常规优化设计和稳健优化设计的结果，证明稳健优化设计的结果能够满足设计要求；Shaul Salomon等[5]采用主动稳健优化设计方法，考虑载荷等工况参数的变化，以减速器的能源效率最高和产品花费最低为目标，对减速器的级数和各级传动比进行优化；董恩国等[6]应用双响应面方法，建立了行星齿轮机构体积均值和方差的双响应面模型，对其进行稳健设计研究；周娜[7]将可靠性敏感性理论与稳健设计方法相结合，基于可靠性优化模型研究了齿轮传动的可靠性稳健设计问题，并提出了可靠性稳健设计的数值方法[7]。
基于进化神经网络的齿轮可靠性预测
Ｅｖ ｌ ｔｏ ｒ ｕ ａ ｅ ｗｏ ｋ ｂ ｓ ｄ ｐ ｅ ｉｔｏ ｆｇ ａ ｓｒ ｌａ ｉｉｙ ｏ ｕ ｉｎａ ｙ ｎｅ ｒ ｌｎ ｔ ｒ ａ ｅ ｒ ｃ ｉ ｎ ｏ ｅ ｒ ｅｉ ｂ ｌｔ ｄ
ＡＮ Ｙ ｈｑｕ 。 ＨＥ ｕ ｈ ａ 。 Ｈ ａ —ｉ Ｃ Ｎ Ｊ －ｕ２ Ｚ ＡＮ ｎ — ｉ Ｈｏ ｇｃ ２ ａ （ ． ｃ ｏ ｌ ｆ ｅｔ ｃｌ ｎ ． Ｓ ａ ｄ ｎ ｉ． Ｊｎｎ２ ０ ６ 。Ｃ ｉａ １ Ｓ ｈ ｏ ｏ ｃｒ ａ Ｅ ｇ 。 ｈ ｎ ｏ ｇＵｎｖ 。 ｉａ ５ ０ １ ｈｎ ； Ｅｌ ｉ ２ Ｓ ｈ ｌ ｆ ｃ ａ ｉ ｌ ｎ ． Ｓ ａ ｄ ｎ ｉ． Ｊｎ ｎ２ ０ ６ 。Ｃ ｉａ ． ｃｏ ｈ ｎｃ ｇ 。 ｈ ｎ ｏ ｇＵｎｖ 。 ｉａ ５ ０ １ ｈｎ ） ｏ Ｍｅ ａＥ
Ｖ０ ． ２ Ｎｏ ３ １３ ．
Ｊｎ ２ｏ ｕ ． Ｏ２
文章编号 ：００５ ２ （０ ２ ０ — ２—５ １０ —３３ ２０ ）３０ ７０ ２
基 于 进 化 神 经 网络 的齿 轮 可 靠 性 预 测
安 艳秋 陈举 华 张洪 才 ， ，
（ 山东大学
摘
１ 电气工程 学院；． ． ２ 机械 工程学院，山东 济南 ２ ０ ６ ） ５０ １
要 ： 工神 经 网络模 型 中广 泛应 用 的是 Ｂ Ｂ ｃ ｒｐｇｔ ｎ模 型 ， 对 Ｂ 人 Ｐ（ ａｋＰｏａ ａｉ ） ｏ 针 Ｐ算 法存 在 收 敛 速 度 慢 ， 易 容
陷入 局 部 最 小点 的缺 陷 ， 文用 遗传 算 法 （ ｎｔ ｇ ｒｈ 本 ＧｅｅｉＡｌ ｉ ｍ：Ｇ 训 练神 经 网络 （ ｒｉｃ ｌ ｕａ Ｎｅ ｒ ｃ ｏｔ Ａ） Ａ ｔｉａ Ｎｅｒｌ ｔ ｋ： ｆ ｉ ｗｏ Ａ ＮＮ）取代 了一 些传 统 的 学习 算法 ， 计 了 ＧＡ＋Ｂ ， 设 Ｐ学 ＊ 法 ． － ７算 用遗 传 算 法和神 经 网络 相 结合 的 方 法求 解
基于进化神经网络的刀具寿命预测_徐玲
第14卷第1期计算机集成制造系统Vol.14No.12008年1月Computer Integrated Manufacturing SystemsJan.2008文章编号:1006-5911(2008)01-0167-05收稿日期:2006-12-05;修订日期:2007-07-30。
Received 05Dec.2006;accep ted 30July 2007.基金项目:重庆市自然科学基金资助项目(8483);重庆市信息产业局发展资金资助项目(200501016)。
Foundation item:Project supported bythe Natural S cien ce Fou ndation of Chongqing M unicipality,China(No.8483),and th e Development Fund of Chongqing Information Industry Bureau ,Ch ina(No.200501016).作者简介:徐 玲(1975-),女,安徽庐江人,重庆大学计算机学院博士研究生,重庆大学软件学院讲师,主要从事计算机视觉、人工神经网络与计算智能等的研究。
E -mail :xuling@cqu.ed 。
基于进化神经网络的刀具寿命预测徐 玲1,2,杨 丹1,2,王时龙2,3,聂建林3(1.重庆大学计算机学院,重庆 400030; 2.重庆大学软件学院,重庆 400030;3.重庆大学机械工程学院,重庆 400030)摘 要:为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择。
在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法。
实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本。
基于集成卷积神经网络的行星齿轮智能诊断方法
基于集成卷积神经网络的行星齿轮智能诊断方法
黄克康;武兵;张志伟
【期刊名称】《机械设计与制造》
【年(卷),期】2024()1
【摘要】针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛
速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。
首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。
重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。
实验结果表明:集成卷积神经网络能很好
地对行星齿轮原始振动信号进行快速诊断。
相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断
模型可以有效地诊断齿轮不同的故障状态。
【总页数】5页(P170-174)
【作者】黄克康;武兵;张志伟
【作者单位】太原理工大学机械电子工程研究所;太原理工大学新型传感器与智能
控制教育部重点实验室
【正文语种】中文
【中图分类】TH16;TH165.3;TH17
【相关文献】
1.基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法
2.基于域对抗迁移卷积神经网络的小样本GIS绝缘缺陷智能诊断方法
3.基于A-VMD与CNN的行星齿轮箱智能故障诊断方法研究
4.基于多尺度注意力深度强化学习网络的行星齿轮箱智能诊断方法
5.基于增强型卷积神经网络的风力发电机行星齿轮箱故障诊断方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的电机设备健康状态感知系统设计
基于深度学习的电机设备健康状态感知系统设计
杨娟;蒋辉;丁德秋
【期刊名称】《中国科技投资》
【年(卷),期】2022()36
【摘要】电机故障参数的波动性,导致对其健康状态的感知结果准确性较低。
为此,本研究提出基于深度学习的电机设备健康状态感知系统设计研究,以FLTQ-665型法兰式扭矩传感器和TPQL3320控制柜作为系统的硬件环境,当TPQL3320接收到FLTQ-665采集的电机运行参数信息后,采用自适应算法将其分割为正常健康数据和异常数据。
对于异常数据,利用深度学习中的BP神经网络对数据进行正向传播和误差逆传播,确定异常特征,实现对故障的感知。
测试结果表明,设计系统对电机设备健康状态感知的准确性可以达到99%以上。
【总页数】3页(P117-119)
【作者】杨娟;蒋辉;丁德秋
【作者单位】沈阳天眼智云信息科技有限公司
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于LabVIEW的风电机组齿轮箱健康状态监测系统设计
2.基于设备健康状态的燃煤机组发电能力评估系统设计
3.基于智能可穿戴设备感知的消防员状态监测与
分析系统设计4.基于智能感知和深度学习的养蚕管理系统设计5.基于智能感知与深度学习的智能变电站设备状态检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
收稿日期:2002-03-19文章编号:1000-5323(2002)03-0227-05基于进化神经网络的齿轮可靠性预测安艳秋1,陈举华2,张洪才2(山东大学 1.电气工程学院;2.机械工程学院,山东 济南 250061)摘 要:人工神经网络模型中广泛应用的是BP(Back Propag ation)模型,针对BP 算法存在收敛速度慢,容易陷入局部最小点的缺陷,本文用遗传算法(Genetic Algorithm :GA)训练神经网络(Artificial Neural Netw ork:ANN),取代了一些传统的学习算法,设计了GA+BP 学习算法1用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题1仿真结果表明,组合GA 与BP 可以克服单纯使用BP 易陷入局部极小等问题,取得了较为满意的效果,预测精度较高1关键词:齿轮;可靠性;预测中图分类号:TH 132.41 文献标识码:AEvolutionary neural network based prediction of gears reliabilityAN Yan -qiu 1,CH EN Ju -hua 2,ZHAN Hong -cai 2(1.School of Electrical Eng.,Shandong Univ.,Jinan 250061,China;2.School of Mechanical Eng.,Shandong Univ.,Jinan 250061,China)Abstract:Among various artificial neural netw ork models presented,the Back Propagation(BP)model is most w idely used.To im prove the convergence speed and g et rid of the problem of easily falling into local minimum point during the training of BP model,this paper proposes a new learning algorithm w hich add GA to the train -ing of ANN.The problem for predicting bending fatigue life of gears is solved by using the method combining BP w ith GA.The simulation results show that the combination of GA and BP can effectively overcome the prob -lem of easily falling into local minimum point and give higher accuracy of predictions.Key words:Gears;Reliability;Predictions0 引言在对复杂机械系统的可靠性进行分析和预测时,首先需要知道机械零部件强度及寿命的统计分布规律1齿轮是最典型的机械零件,其疲劳强度及寿命的统计分布规律尤为重要,解决这两类问题的主要途径是进行可靠性试验研究1齿轮可靠性试验有许多项,而其中最重要的是寿命试验1齿轮弯曲疲劳试验常采用全寿命成组试验法,此法试验结果较准确,但需在每一应力水平均投入较多的试件,耗资大,时间也比较长1为此,需要寻找一种耗资少、时间短、结果准确的新方法1本文利用遗传算法和神经网络相结合的方法,建立进化神经网络模型,根据给定的条件预测齿轮弯曲疲劳寿命数据,并取得成功,为齿轮的可靠性预测另辟了新径12002年 6月第32卷第3期山东大学学报(工学版)JOURNAL OF SHANDONG UNIVERSITY(ENGINEERING SCIENC E)Vol.32 No.3 Jun. 2002图1 三层BP 网络模型Fig.1 Three layers BP network model1 BP 神经网络预测模型对于预测齿轮弯曲疲劳寿命的问题,可以看作是非线性映射问题,为此本文采用三层BP 网络模型,它由输入层、输出层及一个隐含层组成1其拓扑结构如图1所示1该网络是一个典型的前馈型层次网络,其中,输入层含m 个节点,对应于BP 网络可感知的m 个输入;输出层含有n 个节点,与BP 网络的几种输出响应相对应;隐含层节点的数目s 可根据需要设置1设第k 组输入模式向量为P (k)=(P 1,P 2,,,P m ),希望输出向量为T (k )=(T 1,T 2,,,T n );隐含层节点输出向量为H (k )=(H 1,H 2,,,H s ),输出层节点输出向量为A (k)=(A 1,A 2,,,A n );输入层至隐含层连接权为w i j ,i =1,2,,,m ;j =1,2,,,s ;隐含层至输出层连接权为u j t ,j =1,2,,,s ;t =1,2,,,n ;隐含层节点的阈值为b j ,j =1,2,,,s ;输出层节点的阈值为v t ,t =1,2,,,n;k =1,2,,,g ,g 为样本组数1则:隐含层节点的输出函数为H j =f (E m +1i =1w ij P i ) (j =1,2,,,s)(1)输出层节点的输出函数为A t =f (E s +1j =1u jt H j ) (t =1,2,,,n)(2)其中,f (x )为sigmoid 函数,即f (x )=(1+e -x )-11全部g 个样本学习后其总误差为E =12E g k =1E n t =1(T t (k )-A t(k ))2(3)根据梯度算法,可得到每一层的权的迭代公式为u jt (n 0+1)=u jt (n 0)-G5E 5u(4)w ij (n 0+1)=w ij (n 0)-G 5E5w(5)式中:n 0为迭代次数,G 为学习率1隐含层至输出层连接权为u j t (n 0+1)=u j t (n 0)+G E gk =1D (k )j t H (k )j(6)D (k)j t =(T (k )t -A (k )t )A (k )t (1-A (k )t )(7)其中,D j t 为输出层各节点的误差1输入层至隐含层连接权为w ij (n 0+1)=w ij (n 0)+G E gk =1D (k )ij P (k )i(8)D (k)ij =E nt =1D (k )jt #u (k)jt #H (k )j (1-H (k)j )(9)其中,D i j 为隐含层各节点的误差1由公式(6)可知,连接权的调整量依赖于三个因素:调整量与学习率成正比,学习率小时,学习收敛过程228 山东大学学报(工学版)2002年第3期安艳秋等:基于进化神经网络的齿轮可靠性预测229缓慢;学习率大时,学习速度加快,但却容易引起学习过程震荡1调整量与误差成比例,即误差越大,调整的幅度也就越大1调整量与连接权所对应的隐含层单元的输出值成比例,即隐含层单元的激活值越高,它在这次学习过程中就越活跃,则连接权的调整幅度也就应该越大1尽管BP网络非常适合于描述变量之间复杂的非线性关系,但它并不是一个完美无缺的网络,由于采用的连接权学习方法是一种梯度下降算法,易于陷入样本误差平方和的局部极小点1[1]2遗传算法优化神经网络的连接权遗传算法是一种基于自然选择的自适应随机全局优化算法,本文引入该算法,意在将它与BP网络有机的结合起来,以便于克服神经网络局部收敛的问题1由于GA的结构是开放式的,所以容易和其它算法综合1本文利用遗传算法来优化神经网络的连接权1在遗传算法中,问题的表示是一个很重要的问题,它是联系GA和实际问题的桥梁1GA将给定的问题用不同的编码方式表示为一个给定长度的串结构,进而采用遗传算子直接对这种定长串进行处理1对于不同的应用问题,遗传算子的形式多种多样,本文采用了权值交叉和权值变异算子1权值交叉算子:对于子代染色体中的每个权值输入位置,交叉算子以交叉率P c随机选取,并将这一代染色体在同一位置的内容付给其子代,这样,子代染色体便含有亲代的遗传基因1权值变异算子:对于子代染色体中的每个权值输入位置,变异算子以变异率P m选择随机数,然后与该输入位置上的权值相加1总之,遗传算法被用来取代BP传统的学习算法,用以训练神经网络的权值;同时,多层前馈神经网络可作为遗传搜索的问题表示方法,以增强遗传算法表示问题和解决问题的能力1综上所述,本文用遗传算法优化神经网络权值的主要特点在于:(1)采用实数编码,不需要二进制和实数之间的转换1(2)使用较小的群体1(3)每个权值都由单一的实数值表示,重组只发生在各权值之间1(4)变异操作是将一个随机值加到现存的权值上,而不是取代它13GA+BP学习算法步骤(1)初始化各连接权及阈值,分别赋予w ij、u j t、b j、v t一个[-1、1]之间的随机数1(2)按顺序取一样本,输入到图1的网络中1(3)据公式(1),用输入模式P(k)=(P1,P2,,,P m)、连接权w(k)ij,通过f函数计算隐含层各单元的输出H(k)j1(4)据公式(2),用隐含层的输出H(k)j、连接权u(k)jt,通过f函数计算输出层各单元的输出A(k)t1(5)据公式(7),用希望输出模式T(k)=(T1,T2,,,T n)、网络实际输出A(k)=(A1,A2,,,A n),计算输出层各单元误差D(k)j t1(6)据公式(9),用连接权u(k)j t、输出层的误差D(k)j t,计算隐含层的误差D(k)ij1(7)选取下一个学习模式对提供给网络,返回到步骤(2),直至全部g个模式对训练完毕1(8)据公式(6)、(8),修改各层的连接权值1(9)据公式(3)计算全局误差E,若满足E F E(大于0的给定小数),则学习结束;若不满足要求,则返回步骤(2)利用新权值进行新一轮学习,直至满足要求或学习次数超过给定值1(10)在上述训练结果不能满足工程要求的情况下,利用遗传算法优化神经网络的连接权,然后再进行训练1优化步骤如下:(11)GA算法权值初始化:输入初始权值,产生[-1,1]之间随机数1(12)计算评价函数f =1/E ni =1e 2i ,e i 为网络各连接权的权值1(13)用权值交叉算子进行遗传操作1(14)用权值变异算子进行遗传操作,得出新权值1(15)计算评价函数,若f 减小,返回步骤(11);否则,返回步骤(2)14 材料齿轮弯曲疲劳寿命数据预测表1~6为各应力水平下,齿轮寿命预测结果1表中/*0值为预测值,/目标输出0为实做试验数据14.1 42CrMo 材料齿轮弯曲疲劳寿命数据预测表1~4中,/目标输出0为在50t 万能材料试验机上实做所得试验数据1[2]表1为应力水平S 1=314.27MPa 、隐含层节点数为3个、计算精度为0.0001、设定训练次数为20000次、学习率为0.05、交叉率为0.6、变异率为0.1时的寿命预测结果1实做采集到八组寿命数据1表2为应力水平S 2=264.59MPa 、隐含层节点数为3个、计算精度为0.0001、设定训练次数为20000次、学习率为0.05、交叉率为0.6、变异率为0.1时的寿命预测结果1实做采集到八组寿命数据1表3为应力水平S 3=228.10MPa 、隐含层节点数为5个、计算精度为0.0001、设定训练次数为20000次、学习率为0.05、交叉率为0.6、变异率为0.1时的寿命预测结果1实做采集到九组寿命数据1表4为应力水平S 4=211.41MPa 、隐含层节点数为5个、计算精度为0.0001、设定训练次数为20000次、学习率为0.01、交叉率为0.6、变异率为0.05时的寿命预测结果1实做采集到九组寿命数据1表1 S 1=314.27M Pa 时,齿轮寿命预测结果(@106)Tab.1 Predicted results of gear lif e at the instance ofS 1=314.27M Pa 输入目标输出BP 预测GA+BP 预测0.10.1520.20.1870.30.1880.40.1900.50.2300.60.2400.70.3140.80.3310.3367*0.3366*表2 S 2=264.59M P a 时,齿轮寿命预测结果(@106)Tab.2 Predicted results of g ear life at the instance ofS 2=264.59M P a 输入目标输出BP 预测GA+BP 预测0.10.2600.20.2890.30.3170.40.3260.50.3420.60.3900.70.5070.80.6290.6299*0.6297*表3 S 3=228.10M Pa 时,齿轮寿命预测结果(@107)Tab.3 Predicted results of gear life at the instance ofS 3=228.10M Pa 输入目标输出BP 预测GA +BP 预测0.10.03800.20.04640.30.05000.40.05660.50.06110.60.07030.70.09360.80.12150.1210*0.1268*0.90.19810.1230*0.1584*表4 S 4=211.41M Pa 时,齿轮寿命预测结果(@107)Tab.4 Predicted results of gear lif e at the instance ofS 4=211.41M Pa输入目标输出BP 预测GA +BP 预测0.10.07650.20.08150.30.08980.40.09200.50.09460.60.09620.70.11210.80.11650.1188*0.1228*0.90.21060.1210*0.1356*4.2 20CrMnMo 材料齿轮弯曲疲劳寿命数据预测表5、6为20CrM nMo 齿轮在应力水平分别为498.26MPa 、372.27MPa,隐节点数分别为3个、5个,计算精度为0.0001,设定训练次数为20000次,学习率为0.05、交叉率为0.6、变异率为0.1时的寿命预测结果1表3实做采集到五组寿命数据,表4实做采集到六组寿命数据1[3]230山东大学学报(工学版)2002年表5 S =498.26M Pa 时,齿轮寿命预测结果(@106)Tab.5 Predicted results of gear life at the instance ofS =498.26M Pa输入目标输出BP 预测BP+GA 预测0.10.09240.20.11910.30.16910.40.17920.50.19030.1808*0.1996*表6 S =372.27M Pa 时,齿轮寿命预测结果(@106)Tab.6 Predicted results of gear life at the instance ofS =372.27M Pa输入目标输出BP 预测BP +G A 预测0.10.057050.20.074480.30.090420.40.100000.50.133270.1221*0.1342*0.60.203485 结果分析本文利用基于进化(GA)三层BP 网络对42CrMo 材料和20CrMnMo 材料齿轮弯曲疲劳寿命进行了预测,在试验验证的基础上与BP 预测方法进行了比较,以便更好地说明本文所述方法的可行性1由于已知序列值较短,又考虑到预测应具有一定的内插及递推性,故对于该序列预测中的输入节点数、输出节点数采用拟合的方式确定,人为加入一个输入节点对应一个寿命值作目标输出,隐含层节点数据需要设置1对42CrMo 材料齿轮进行弯曲疲劳寿命预测,BP 预测结果及GA+BP 预测结果列于表1~4中,由各表可以看出,当用BP 网络预测结果不理想时,利用BP+GA 方法预测精确度有所提高1同理对20CrM nMo 材料齿轮弯曲疲劳寿命预测时,预测结果如表5、6所示,表5为递推式数据预测,表6为内插式数据预测1从而验证了该方法既适用于递推式预测问题也适用于内插式预测问题1由表中数值可见,BP+GA 预测精度优于BP 预测精度且随着训练样本的增多这种优势越发明显1[4]6 结论遗传算法的本质特征在于交叉,它是一种以进化思想为基础的全新的一般方法论,是解决复杂问题的有力工具1本文提出的基于进化神经网络算法,可应用于小子样的复杂机械系统可靠性预测1仿真试验结果表明,该算法收敛快、运算量小、预测精度高1对于改进齿轮可靠性试验,解决复杂机械系统可靠性预测和设计具有重要的意义1参考文献:[1] 李旭东.神经网络技术在切削用量选择中的应用[D].济南:山东工业大学机械工程学院,1998.[2] 安艳秋.基于进化神经网络仿真试验的复杂机械系统可靠性预测[D].济南:山东工业大学机械工程学院,1999.[3] 万耀青.机电工程现代设计方法[M ].北京:北京理工大学出版社,1994.316~321.[4] 王建明,王胜春.空间杆系结构优化设计[J].山东工业大学学报,2001,31(5):457~463.作者简介:安艳秋安艳秋,女,1963年生,讲师,硕士.主要研究方向:机械系统可靠性预测及机电一体化.陈举华,女,1948年生,博士生导师,大学.主要研究方向:机械系统可靠性设计预测及虚拟样机技术.张洪才,男,1963年生,副教授,在读博士.主要研究方向:机械系统可靠性设计及预测.第3期安艳秋等:基于进化神经网络的齿轮可靠性预测231。