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。