液压膨胀技术现在也可用于粗铣.pdfVIP

第 13期 万俊盛 等：基于遗传神经网络的液压齿轮泵特征层融合诊断 ·187 · 以发挥BP神经网络的非线性映射能力，而且具有遗 动信号提取如下时域数字特征：有效值 、峰值指 传算法的全局有向搜索能力，使得网络最可能收敛到 标 C、裕度指标 、峭度指标K 等；并且 ，针对 全局最小点，提高网络的模式识别能力。 泵壳振动信号进行奇异值分解 ，可以得到它的奇异谱 2 液压齿轮泵融合诊断试验 熵 ，它们一起构成 BP神经网络的输入特征向量。 文中以CB—Kp63齿轮泵为试验对象 ，研究基于 表2所示为液压齿轮泵时域特征值的部分样本。因 遗传神经网络的液压泵特征层融合诊断。 此，BP神经网络结构为5X8X4。 CB．Kp63齿轮泵试验台架及其加速度传感器设置 表 2 液压齿轮泵时域特征值 如图2所示，其中，齿轮泵轴转速为定速 1480r／rnin。 故障类型 G K 在遗传 BP神经网络训练好之后，为了进一步测 试网络的可靠性 、稳健性和泛化能力 ，在液压齿轮泵 4种状态下各采集25组振动信号样本 ，组成 100个 测试样本，利用该算法针对神经网络进行测试，测试 统计结果显示齿轮泵故障诊断率可以达到90％以上。 3 小结 3 3 3 3 针对 BP神经网络的不足，提出了利用遗传算法 45 66 65 85 来优化BP神经网络权值 的方法，使得 BP神经网络 2 1 6 4 图2 CB—Kp63齿轮泵加速度传感器设置 8 O 3 4 具有强大的全局有向搜索能力，有效避免了BP算法 2 1 2 2 利用齿轮泵壳振动信号来进行齿轮泵的正常状 6 9 2 3 易陷入局部极小值的缺陷。将改进的遗传 BP神经网 8 7 9 9 态、气穴故障、侧板磨损和齿轮磨损等4种状态的模 97 06 46 97 络应用于液压齿轮泵故障诊断中，故障诊断试验表 4 8 3 O 式识别。首先建立三层 BP神经网络结构，传递函数 明：遗传BP神经网络具有很强的模式识别能力。 7 8 6 7 均为log-sigmoid，为了更好地实现 log—sigmoid函数的 2 8 9 2 参考文献： 22 95 83 47 非线性映射，神经网络 的理想输 出如表 1所示 ，其