基于遗传算法的BP神经网络滚动轴承故障诊断

唐立力，吕福起

(重庆工商大学融智学院，重庆400033)

    针对滚动轴承的故障诊断问题，提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数，利用遗传算法进行BP神经网络的权值和阈值优化，并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真，结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。

    滚动轴承是机械设备中最常用的部件，在工作过程中，由于装配不当、润滑不良、水分和异物侵入、腐蚀或过载等都可能使轴承损坏。目前，滚动轴承故障的智能诊断方法多种多样，BP神经网络诊断法是其中一种［1-5］，由于网络结构、初始连接权值和阈值的选择对网络训练的影响很大，又无法准确获得，再加上BP神经网络本身存在学习收敛速度慢、容易陷入局部极小点的问题，导致诊断精确性降低甚至误诊。为了解决这些问题，许多学者对BP神经网络进行了改进或优化，比如将小波分析和BP神经网络相结合［6-7］、对BP神经网络进行优化［8-12］以及其他一些改进方法［13-16］。

    本文以某型滚动轴承为例，提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法，用遗传算法优化BP神经网络的权值和阈值，得到网络的最优初始权值和阈值。利用最优值BP神经网络进行诊断，加快了收敛的速度，克服了极小点问题，提高了滚动轴承故障诊断的精度和速度。

1滚动轴承特征参数提取

    选取某型滚动轴承的5个特征参数，分别是峰值因子、波形因子、脉冲因子、裕度因子和峭度［14］，这5个参数组成BP神经网络的输入向量。轴承状态主要分为正常、内圈故障、外圈故障、滚动体故障、保持架故障5大类，可作为BP神经网络所要诊断的5种类型。

2滚动轴承故障诊断的BP神经网络模型

    模型采用3层BP 神经网络, 输入层为5个神经元，对应于峰值因子、波形因子、脉冲因子、裕度因子和峭度5个特征参数。

    隐层神经元个数根据Kolmogorov定理确定［17］：

                       M=2N+1    （1）

式中：M为隐层神经元节点数；N为输入层神经元节点数，值为5，故M等于11。

    网络的输出对应着轴承的5种状态，将这5种输出状态分别编码为：正常(1 0 0 0 0)，内圈故障(0 1 0 0 0)，外圈故障(0 0 1 0 0)，滚动体故障(0 0 0 1 0)，保持架故障(0 0 0 0 1)。因而输出层神经元节点数取为5。

3遗传算法优化的BP神经网络

    首先利用遗传算法对BP神经网络结构中的输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值进行初始优化，得到权值和阈值的较优解；再将该较优解代入BP神经网络中，用遗传算法对网络权值和阈值进行迭代计算、反复优化后得到初始权值和阈值的最优解。具体计算步骤为：（1）初始化种群，随机产生n个可行解Xi（个体，i=1,2,…,n）组成初始种群；（2）选择BP神经网络测试误差的范数作为遗传算法的〖CM(21*2〗目标函数，再通过该目标函数计算种群中个体的.......

作者简介：唐立力(1983—)，男，重庆人，重庆工商大学融智学院讲师，硕士，主要研究方向为智能控制、智能信息处理。
（文章来源《机械设计与制造工程》如需详细资料请联系江苏机械门户网025-83726289）