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) |