基于BP神经网络的齿轮设备故障诊断应用
时间:2020-10-30 15:18:38 来源:达达文档网 本文已影响 人
周福来
摘要:本文提出了基于BP神经网络的齿轮故障诊断模型研究。首先构建了基于遗传算法的BP神经网络预测模型,并设计了基于遗传算法的齿轮故障诊断算法流程;然后,通过案例对本文构建的模型及设计的算法进行了验证,实验结果表明,本文设计的模型及算法收敛速度快,故障诊断效果较好,具有较强的使用价值。
[关键词]设备诊断 遗传算法 BP神经网络 齿轮箱
1绪论
全球经济发展步伐放缓,我国经济发展步入新常态,这为制造企业的发展带来了挑战。在新的经济发展形势下,制造企业由传统的粗放型发展模式将逐步向精细化的发展模式进行转型升级,然而,在生产制造过程中,设备的故障的难以避免的,当设备发生故障时,无疑会给企业乃至社会带来不必要的损失,然而,传统的机械化设备故障诊断方法以不能满足现代智能化发展进程中对生产制造故障维修快速响应设备故障的要求,在此背景下研究设备故障诊断方法具有重要的现实意义与使用价值。
通过国内外研究文献分析整理发现,当前国内外研究学者针对设备故障诊断问题展开了大量的研究工作,并取得了一系列的研究成果。王建國提出一种变分模态分解(VariationalModeDecomposition,VMD)与多特征融合的齿轮故障诊断方法,Shi,Weiwei等提出了一种基于ApacheSpark的综合数据预处理框架(DPF),以提高数据丢失点和分类精度对噪声数据的预测精度,满足大数据的需求,主要将数据丢失预测、数据融合、数据清理和故障类型分类相结合,对设备故障诊断模型进行了研究,GuangLi等提出了一种基于数据可视化的机械设备故障诊断方法,NanZhou等提出了一种基于功率极大似然估计的局部放电检测方法,解决了设备的故障诊断问题,FupingZeng等构建了36个特征量的五个特征集,用于gie一pd故障诊断,并对其有效性进行了分析,刘涌针等对航天测控设备故障诊断难度日益增大的问题,将基于案例推理方法应用于设备故障诊断中,刘继军以电工实验设备常见的故障为对象,以小波变换、神经网络等为技术手段,对实际故障排查进行了研究,冯言勇通过大数据分析的方式,进行精馏塔设备建模、故障诊断以及应用实施方案的研究,Yi,Gui介绍了一种基于匹配滤波器抗干扰净化和智能检测技术的机电设备故障信号频谱分析及自适应特性方法,GuoSheng提出了一种新的诊断方法,利用卷积神经网络(CNN)直接对连续小波变换尺度图(CWTS)进行分类,,对设备故障诊断进行了研究,牛行通对传统铁路列车无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车无线通信设备故障诊断研究。
通过对国内外关于设备故障诊断研究成果分析发现,当前,国内外研究学者针对设备故障诊断的方法、技术、方案等进行了大量的研究,亦取得了一系列研究成果,然而,针对汽车齿轮箱故障诊断的相关研究成果较少,然而,齿轮作为汽车的核心零部件,通过合适的方法对其诊断以实现事先维护对于降低其故障率具有重要的作用,基于此,本文提出了基于BP神经网络的齿轮设备故障诊断应用研究。
2问题描述
在汽车零部件中,齿轮属于其核心的零部件之一,但是由于汽车行驶条件及环境复杂,极易造成齿轮的损坏而导致车辆发生故障,因此,导致齿轮发生故障的原因也形形色色,如何对齿轮的故障进行诊断,以达到事先预防性维护的效果,对于减少由于故障而导致的成本损失具有重要的使用意义。
然而,对于齿轮的故障诊断问题可以根据齿轮发生故障时的特征值进行描述,例如当齿轮发生故障时,如检测到发生故障时的齿轮出现了裂纹,则可以归结为由于齿轮的裂纹而导致齿轮出现故障,此时就可以重点对齿轮的裂纹实施预防性维护。但是,由于导致齿轮故障原因有许多,对每一次的齿轮故障都进行原因分析,将无疑增加企业的成本,此外,对所有故障齿轮原因进行统计分析也不现实。然而BP神经网络可以根据少量的样本数据来推测出预期结果,无需事先确定输入与输出之间映射关系,因此,BP神经网络在用于齿轮故障诊断问题中具有一定优越性,本文将重点研究BP神经网络模型在齿轮故障诊断中的应用。
3模型及算法设计
采用遗传算法优化的BP神经网络优化算法流程主要包括神经网络的拓扑结构的确定,神经网络中阈值及权重的计算,对种群进行编码生产初始种群,误差分析,种群进化的适应度函数值设计,交叉操作,变异操作等步骤,其中,本文设计的基于遗传算法的BP神经网络模型求解算法步骤如图1所示。
由于采用神经网络算法对一般模式识别问题的求解中,三层网络可以较好地实现样本的快速训练,因此,本文在设计BP神经网络层次时,选择使用三层网络来设计基于遗传算法的神经网络求解结构。其中,适应度函数值用衡量个体在交叉、变异进化过程中的适应能力,适应度函数值越大表示该个体越优。
4案例应用
在汽车齿轮箱的生产制造过程中,时常会发生生产出的齿轮箱不合格,经过对不合格的齿轮箱统计分析发现,造成齿轮箱不合格约65%的原因是因为齿轮故障产生的,所以,在对齿轮箱不合格进行诊断时,本文主要是针对齿轮进行诊断。在对齿轮进行故障诊断时,本文选取了能够代表齿轮故障的频域中选取几个特征向量,而齿合频率处的边缘带上极易出现故障,因此,本文选择在1,2,3档时在1,2,3轴的边频带族f。土nf。处的振幅值Aj;、Aj:2、Ai3作为特征值,其中f表示齿合频率,fo表示转频。由于表征齿轮故障的不同特征值属于不同的量纲,因此,经过归一化处理后得到的齿轮箱状态样本数据如表1所示。
由于齿轮的故障状态存在三种状态,即正常,裂纹,断齿,因此,本文采用数量向量形式对其进行表达,即用[100]表示合格,[010]表示裂纹,[001]表示断齿,为了对训练好的数据进行更好地测试,现给出三种用于网络测试的新数据如表2所示。
使用本文设计的基于遗传算法BP神经网络算法对上述问题进行求解,在Matlab中设定初始参数,对算法进行运行,得到的样本性能测试图如图2所示。
根据图2可知,最佳的测试值为0.25167,其中图2中展示了训练值,验证值,测试值,最佳值,全局值,从图2中可以看出,采用本文设计的算法可以较好地满足对齿轮箱故障诊断样本值的测试。采用BP神经网络得到的训练值与目标值曲线如图3所示。
图3反映了在不同的R训练取值下,目标值与各类训练值之间的关系,包括训练值、验证值、测试值等。其中使用随机权值与阈值得到的测试样本预测结果如下所示:
Y1=
0.50050.50000.5006
0.55110.50830.5001
0.51350.50010.5417
根据运行结果可知,测试样本的仿真误差值为1.0232,训练样本的仿真误差值为1.441。这表明了本文设计的BP神经网络算法能够基本满足对生产制造过程中齿轮箱故障的诊断与预测问题。
5结论
本文基于遗传算法设计了用于齿轮故障诊断的BP神经网络模型、算法,最后以案例对本文設计的模型算法进行了验证,在特征向量方面,本文选择了可以描述齿轮故障的15个特征向量,并选择了10个统计样本,对这10个齿轮故障统计样本采用BP神经网络算法进行了训练,其研究结果表明,本文设计基于遗传算法的BP神经网络优化算法可以较好地满足齿轮故障的诊断,这说明本文研究方法具有一定实用性。
参考文献
[1]王建国,陈帅,张超。基于VMD与多特
征融合的齿轮故障诊断方法[J].机械传动,2017(03):165-170.
[2]王泓然,张涛.BP神经网络下的航空发动
机维修决策系统[J/0L].电子技术与软件工程,2019(07):174.
[3]ShiW, Zhu Y, , Huang T et al.An Integrated Data PreprocessingFramework Based on Apache Spark for Fault Diagnosis of Power GridEquipment[J]. Journal of Signa 1Processing Systems, 201 7, 86(2-3):
221-236.
[4]陈志文,刘立,基于BP神经网络的
PM2.5预测[J].电子技术与软件工程,2019(05):143-144.
[5] Li G Li M Liu D,et al. Faultdiagnosis of mechanical equipmentbased on data visualization[C]//International Congress on Image &Signal Process ing. IEEE,2018.
[6]孟文晔.基于神经网络的无人机传感器故障识别[J].电子技术与软件工程,2019(03):90.
[7]ZhouN , Luo L , Sheng G, , , et al.High Accuracy Insulation Faul tDiagnosis Method of Power EquipmentBased on Power Maximum LikelihoodEstimation [J] . IEEE Transactions onPower Delivery, 2018, PP(99):
1-1.
[8]张钊,神经网络在计算机网络安全评
价中的应用[J].电子技术与软件工程,2019(03):176.
[9] Zeng F , Wu S , Yang X , et al.Fault . Diagnosis and ConditionDivision Criterion of DC GasInsulating Equipment based on SF6Partial Discharge DecompositionCharacteristics[J]. IEEE Access,2019,PP (99):
1-1.
[10]孔峻,深度卷积神经网络在计算机视觉中的应用[J].电子技术与软件工程,2018(21):130-131.
[11]刘涌,李海潮,弓喜忠,etal.基于案例推理的航天测控设备故障诊断[J].电讯技术,2017(02).
[12]刘继军,电气设备故障诊断方法和技术研究[J].机电工程技术,2017(01).
[13]冯言勇,刘桐杰,李昱,etal.通过大
数据分析进行设备故障诊断的技术研究[J].自动化博览,2017(12):72-77.
[14]Yi, Gui. [IEEE 2017 InternationalConference on Robots & IntelligentSystems (ICRIS)-Huai\" an(2017.10.15-2017. 10.16) ] 2017International Conference on Robots& Intelligent System (ICRIS)-AntiInterference Purification Recognitionand Optimization of ElectromechanicalEquipment Fault Signals[C] //International Conference on Robots &IntelligentSystem.IEEE,2017:50-53.
[15] Sheng G , Tao Y , Wei G , et al.A Novel Fault Diagnosis Methodfor Rotating Machinery Based on aConvolutional Neural Network [J] .Sensors,2018, 18(5):
1429.
[16]牛行通,郑云水,康毅军,基于粗糙集与模糊神经网络的车一地无线通信设备故障诊断研究[J].铁道标准设计,2017(06):183-187.