基于神经网络的齿轮故障诊断..

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。

基于L-M神经网络的齿轮故障诊断毛明明;柳益君;汤嘉立【摘要】齿轮传动工况的复杂性使得其特征参量与故障形式呈非线性映射关系.提出基于Levenberg-Marquardt算法的前向多层神经网络的齿轮故障诊断方法,该方法通过利用二阶导数信息,可以提高收敛速度和增强网络的泛化性能.并以一种齿轮箱故障信号采集实验系统为例,通过MATLAB软件及其神经网络工具建模和仿真研究.结果表明,Levenberg-Marquardt神经网络对齿轮常见故障有良好的识别能力,能稳定、准确地识别各类故障,与标准BP网络相比,收敛速度快且诊断更为准确.%Because of the complexity of gear working condition, there are non-linear relationship between characteristic parameters and fault types. Proposes to apply the feed forward artificial neural network with Levenberg-Marquardt training algorithm, to the problem of gear fault diagnosis. By using second derivative information ,the network convergence speed is promoted and the generalization performance is enhanced. Taking a certain gearbox fault signal acquisition experimental system for an example, MATLAB software and its neural network toolbox are used to model and simulate. The experiment result shows that Levenberg-Marquardi neural network has good performance for the common gear fault diagnosis and it can identify various types of faults stably and accurately. Furthermore, compared with conventional BP neural network,the Levenberg-Marquardt neural network reduces training epochs and promotes prediction accuracy.【期刊名称】《计算机技术与发展》【年(卷),期】2011(021)001【总页数】5页(P210-213,217)【关键词】神经网络;麦夸特算法;齿轮故障诊断【作者】毛明明;柳益君;汤嘉立【作者单位】华为技术有限公司业务与软件产品线,广东,深圳,518129;江苏技术师范学院,计算机工程学院,江苏,常州,213001;江苏技术师范学院,计算机工程学院,江苏,常州,213001【正文语种】中文【中图分类】TP1830 引言齿轮箱是机械设备的一个重要组成部分,其传动比固定、传动转矩大、结构紧凑,是用于改变转速和传递动力的常用传动部件,也是易于发生故障的部件。

基于神经网络的机电传动系统故障检测与诊断算法研究一、引言机电传动系统在工业领域中起着至关重要的作用，它们负责传输能量和转换运动，从而实现各种设备的正常工作。

然而，由于工作环境的恶劣和长期的运行，机电传动系统往往容易遭受各种故障，这些故障可能会导致生产中断和设备损坏。

因此，开发一种准确可靠的机电传动系统故障检测与诊断算法对于提高生产效率和降低维修成本具有重要意义。

近年来，基于神经网络的机电传动系统故障检测与诊断算法受到了广泛关注，它能够从大量的传感器数据中提取特征并进行实时故障诊断，具有良好的适应性和鲁棒性。

二、故障检测与诊断算法的基本原理基于神经网络的机电传动系统故障检测与诊断算法基于以下基本原理进行工作：1. 数据采集与预处理：通过在机电传动系统中安装传感器，实时采集包括转速、温度、振动等关键参数的数据。

通过对数据进行滤波、去噪和特征提取等预处理操作，将其转化为适合神经网络输入的形式。

2. 建立神经网络模型：选择合适的神经网络结构，并通过有监督学习的方法使用训练集对其进行训练。

训练过程中，将经过预处理的数据作为输入，对应的故障状态作为输出，通过不断调整网络参数，使其能够准确地对不同故障状态进行分类和诊断。

3. 故障检测与诊断：当机电传动系统处于运行状态时，连续地采集传感器数据，并将其输入训练好的神经网络模型中。

通过网络模型对输入数据进行分析和处理，可以实现对各种故障状态的检测和诊断。

三、神经网络模型的选择与优化在基于神经网络的机电传动系统故障检测与诊断算法中，选择合适的网络模型对算法的准确性和效率具有至关重要的影响。

常用的神经网络模型包括BP神经网络、RBF神经网络和CNN神经网络等，其中每种网络模型都具有各自的特点和适用范围。

为了优化神经网络模型，可以采用以下方法：1. 参数调优：通过调整神经网络的层数、节点数和激活函数等参数来提高模型的性能。

同时，使用正则化、Dropout等技术可以避免过拟合问题。

基于神经网络的机械故障分类与诊断随着科技的不断进步，机械设备在我们的生活中扮演着越来越重要的角色。

然而，这些机械设备在长时间的工作中难免会出现各种故障。

快速而准确地分类和诊断机械故障对于维修和保养工作至关重要。

而基于神经网络的故障分类与诊断系统可以提供一种高效的解决方案。

神经网络是一种人工智能技术，模仿人类大脑的工作原理。

它由大量的人工神经元组成，这些神经元通过连接进行信息传递和处理。

在机械故障分类与诊断中，神经网络可以通过学习和训练，从输入数据中提取特征，并以准确的方式将机械故障分类。

首先，为了建立机械故障分类与诊断系统，我们需要收集大量的故障数据。

这些数据可以是机械设备在不同工作条件下的数据，包括振动、噪音、温度等。

这些数据将作为神经网络的输入。

接下来，我们需要准备和标记这些数据。

这意味着我们需要将数据按照不同的故障类型进行分类，并为每个故障类型添加标签。

例如，我们可以将数据分为电机故障、轴承故障、齿轮故障等。

这样做的目的是使神经网络能够识别并分类不同的机械故障。

然后，我们将数据集分为训练集和测试集。

训练集将用于训练神经网络，而测试集将用于评估和验证系统的性能。

现在，我们可以开始构建神经网络模型。

神经网络模型一般由输入层、隐藏层和输出层组成。

输入层接收机械故障数据作为输入，隐藏层将对数据进行处理和特征提取，输出层将输出机械故障的分类结果。

在构建神经网络模型之后，我们需要选择适当的训练算法和激活函数。

常用的训练算法包括反向传播算法和梯度下降算法。

激活函数是用来给神经网络模型增加非线性能力的函数，如Sigmoid函数和ReLU函数等。

接下来，我们使用训练集对神经网络进行训练。

训练过程中，神经网络将不断调整权重和偏差，以最大程度地减小输出结果与实际结果之间的误差。

训练完成后，我们使用测试集评估神经网络的性能和准确性。

最后，我们可以将经过训练和测试的神经网络应用于实际的机械故障分类与诊断任务中。

通过输入机械故障数据，神经网络将输出对应的故障类型。

基于时序模型和自联想神经网络的齿轮故障程度评估张龙;成俊良;杨世锡;李兴林【摘要】齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础.目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测.提出一种基于自回归时序模型(Auto-Regressive,AR)和自联想神经网络(Auto-Associative Neural Network,AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估.提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型.将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数.基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列.基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标.离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深.【期刊名称】《振动与冲击》【年(卷),期】2019(038)002【总页数】7页(P18-24)【关键词】AR模型;自联想神经网络;齿轮;故障程度评估;预诊断【作者】张龙;成俊良;杨世锡;李兴林【作者单位】浙江大学机械工程学院,杭州330027;华东交通大学机电与车辆工程学院,南昌330013;杭州轴承试验研究中心博士后工作站,杭州310022;华东交通大学机电与车辆工程学院,南昌330013;浙江大学机械工程学院,杭州330027;杭州轴承试验研究中心博士后工作站,杭州310022【正文语种】中文【中图分类】TH165+.3;TH132.417齿轮及齿轮传动装置作为传递动力的常用零部件，其失效是诱发机械系统故障的主要原因之一,因此齿轮故障诊断得到了广泛研究。

基于小波包与改进BP神经网络的齿轮故障诊断时建峰;时军;时伟;周明;李增贺【摘要】对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP 神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态.结果表明,该方法对齿轮故障诊断十分有效.【期刊名称】《机械研究与应用》【年(卷),期】2011(000)001【总页数】4页(P82-84,87)【关键词】小波包;BP神经网络;齿轮;故障诊断【作者】时建峰;时军;时伟;周明;李增贺【作者单位】石家庄学院,河北,石家庄,050035;北京市第十中学,北京,100072;石家庄学院,河北,石家庄,050035;石家庄学院,河北,石家庄,050035;石家庄学院,河北,石家庄,050035【正文语种】中文【中图分类】TH133.331 引言齿轮是齿轮箱的一个重要组成部分，但也是易于发生故障的一个部件，其运行状态对机械的工作性能有很大影响［1］。

因此，齿轮的故障诊断技术研究得到了广泛关注和重视。

传统的信号时域、频域分析方法为齿轮故障诊断已经打下了坚实的基础，解决了很多实际问题。

但是为了进一步提高故障诊断的准确性和快速性，随着各种新技术的产生，针对齿轮的故障诊断技术也有了新的发展，例如小波变换、神经网络等。

笔者利用小波包分解技术，以每个频段的能量作为故障特征值，再结合目前非线性逼近能力较强的BP 神经网络对特征值进行分类，提出了小波包和BP 神经网络结合的齿轮故障诊断方法。

2 小波包分析和BP 神经网络的基本原理2．1 小波包分析小波包分析是在小波分析的基础上，通过提高高频的分辨率，为信号提供一种更加精细的分析方法。

因此小波包具有更广泛的应用价值。

2．1．1 小波包的定义小波包是小波概念的推广，所谓的小波包简单的说就是一个函数族，由此构造出L2(R)的规范正交基库，从此库中可以选出L2(R)的许多组正交规范基［2，3］。

由式(1)、(2)两尺度方程定义的μn(t)，n=2l或n=2l+1，l=0，1，2，…，称为关于正交尺度函数μn(t)=φ(t)的小波包。

基于模糊神经算法的风电机组齿轮箱故障在线诊断文章提出了一种以模糊神经网络（FNN）为核心算法的风电机组齿轮箱故障在线诊断系统。

该系统分为数据采集、特征提取和波形识别三部分，通过识别齿轮磨损、齿轮点浊和齿轮断齿三种重要齿轮故障的波形，不仅可以在线检测风电机组齿轮箱运行状态，而且可以对潜在故障进行预警。

FNN是对模糊逻辑和神经网络优缺点进行深入分析，再将两者优点相结合的一种算法。

通过对振动信号进行分析和处理，用以上三种故障波形对FNN进行训练，同时采取多振动传感器的方式，确保了振动信号的准确性。

标签：模糊神经网络；故障预警；在线监测；故障波形识别引言对于任何大型发电设施，例如核电厂的发电机或火力发电机，在线状态监测系统对于故障检测和事故预警是非常重要的。

在机器损坏之前及时进行停机检修，可以避免设备损坏带来的不必要的经济损失和人身伤亡[1]。

机械振动是工程中普遍存在的现象，风电机组齿轮箱的振动信号，无疑是直接反应其健康状况的重要数据。

当齿轮或轴承出现故障时，会有特殊频率的振动，我们可以通过分析这种特征频率的振动来检测齿轮及轴承是否完好。

但是，在齿轮箱内部会产生多种振动信号，为了避免系统误报警，需要对采集的振动信号进行深度分析[2]。

研究者通常运用模糊逻辑与人工神经网络相结合的模糊神经网络（FNN）来识别和分析以上三种振动信号[3][4]。

模糊逻辑强项是逻辑推理，一种用数学模型模拟人脑进行结果分析，但是并不具有对历史数据总结的能力和对已分析结果的储存[5]。

神经网络恰恰相反，它具备对历史数据反复学习和挖掘的功能，并且有一定的容错能力。

所以才将两个算法合并，取长补短，发挥每种算法的最大优点以解决实际复杂问题[6]。

1 风电机组齿轮箱常见故障1.1 齿轮磨损齿轮的磨损是指在齿轮箱在运作过程中，齿轮与齿轮不慎进入金属微粒或沙粒，使齿面擦伤或者齿面涂层掉落。

会导致齿轮变薄，侧缝间隙变大，咬合不稳甚至形成断齿。

而这种故障占齿轮总故障的14%。

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法一、概述行星齿轮箱作为机械设备中的核心传动部件，其运行状态直接关系到整个设备的性能与稳定性。

由于行星齿轮箱结构复杂、工作环境恶劣以及长期运行导致的磨损等原因，其故障发生率相对较高，且故障类型多样，这给故障诊断带来了极大的挑战。

开展行星齿轮箱故障诊断研究具有重要的理论意义和应用价值。

传统的行星齿轮箱故障诊断方法多依赖于人工经验、信号处理技术以及简单的机器学习算法。

这些方法在应对复杂多变的故障类型时，往往存在诊断精度低、稳定性差等问题。

近年来，随着深度学习技术的快速发展，深度卷积神经网络（DCNN）在故障诊断领域的应用逐渐增多。

DCNN具有强大的特征学习和分类能力，能够自动提取信号中的深层特征，从而提高故障诊断的准确性和稳定性。

经验模态分解（EMD）作为一种有效的信号分析方法，能够将复杂的信号分解为若干个固有模态函数（IMF），从而提取出信号中的关键信息。

将EMD与DCNN相结合，可以充分利用EMD在信号特征提取方面的优势，以及DCNN在特征学习和分类方面的能力，实现对行星齿轮箱故障的有效诊断。

本文提出了一种基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法。

该方法首先利用EMD对行星齿轮箱的振动信号进行分解，获取IMF将IMF作为输入，构建深度卷积神经网络模型进行分类根据模型输出，实现行星齿轮箱的故障诊断。

通过实验验证，该方法具有较高的准确性和稳定性，能够有效地诊断行星齿轮箱的各种故障类型。

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法是一种有效且先进的故障诊断方法，具有重要的实际应用价值和推广前景。

1. 行星齿轮箱在机械设备中的重要作用及其故障诊断的意义行星齿轮箱作为一种重要的传动装置，在各类机械设备中发挥着不可或缺的作用。

它能够将动力从一个轴传递到另一个轴，同时实现减速或增速的功能，使得机械设备能够按照预定的速度和扭矩进行工作。

160数据库技术Database Technology电子技术与软件工程Electronic Technology & Software Engineering风电机组运行环境通常较为恶劣，由风机部件频繁发生故障造成的停机发电损失，以及产生的维护费用都会对风电场的效益产生严重影响[1]。

齿轮箱是风机的核心传动部件，其故障发生率一直居高不下，必要时需要下塔进行周期较长的维修，从而造成经济损失。

为此，及时准确的发现隐患，有计划性的定期维护，可以有效预防齿轮箱出现严重故障[2]。

针对齿轮箱故障诊断，可以通过对采集的高频振动数据进行分析，文献[3]和文献[4]分别提出了一种基于粒子群优化和纵横交叉法优化的BP 神经网络算法，提取振动信号特征，建立误差模型，进行故障诊断。

但由于高频振动数据需要在机舱内安装大量传感器，也会出现故障且成本较高，而有效利用风机SCADA 系统采集的多通道数据同样可以对齿轮箱故障进行诊断预警[5,6]。

文献[7]利用随机森林算法对SCADA 数据的特征进行提取。

文献[8]对SCADA 数据建立的神经网络模型，依据马氏距离对主轴承进行故障预警。

本文提出了一种基于遗传算法优化的BP 神经网络模型，可以解决网络易陷入局部极小值问题，从而有效的进行全局搜索。

以齿轮箱轴承温度为预测目标，利用L1正则化对SCADA 数据进行特征选取作为网络输入，建立齿轮箱故障预警模型。

测试表明了该方法的有效性，对齿轮箱故障的更深层次分析提供了一种新的研究方法。

1 基于GA-BP的神经网络模型采用误差反向传播(BackPropagation, BP)算法的多层前馈神经网络，由输入层，隐含层和输出层组成[9]，图1为有n 个输入节点，m 个隐层节点，l 个输出节点的单隐层神经网络结构。

算法的基本流程是根据网络结构，将输入层各神经元信号逐层激活并传递，进而得到预测的输出层结果，再将预测值与实际值的均方误差进行反向传播，根据误差函数梯度下降算法不断迭代修改网络权值和阈值，最小化误差，从而使得预测的结果逐渐逼近真实值，权值更新如式（1）所示：（1）基于GA-BP 神经网络的风机齿轮箱故障预警算法戴幸泽 窦慧洋（内蒙古工业大学信息工程学院 内蒙古自治区呼和浩特市 010051）式中，η代表学习率，在0-1范围取值，w jk 为隐含层第j 个节点到输出层第k 个节点的权值，v ij 代表输入层第i 个节点到隐含层第j 个节点的权值。