基于GA和LM组合优化BP神经网络的滚动轴承故障诊断方法.pdfVIP

第12期 组合机床与 自动化加工技术 No.12 2014 年12 月 Modular Machine Tool Automatic Manufacturing Technique Dec. 2014 文章编号:1001-2265(2014)12-0091-05　 　 　 　 DOI:10.13462/ ki.mmtamt.2014.12.024 基于 GA和 LM组合优化 BP神经网络的 滚动轴承故障诊断方法∗ 1 1 2 钟小倩 ,马文科 ,宋萌萌 (1.萍乡学院机械电子工程系,江西 萍乡　 337055;2.宁德师范学院 物理与电气工程系,福建 宁德 352100) 摘要:针对传统BP神经网络在滚动轴承故障诊断中存在收敛速度慢且易陷入局部极小等问题,提出 一种GA和LM组合优化BP神经网络的故障诊断方法。 利用小波包变换对不同故障类型的振动信 号进行软阈值消噪处理,然后进行三层小波包分解及重构,并成功提取了8 个频带构建的故障能量 特征向量。 利用GA优化了BP神经网络的隐含层层数及节点数、初始权值和阈值的网络参数,采用 LM算法改进网络的搜索空间。 以美国凯斯西储大学提供的滚动轴承实验数据进行诊断,结果表明, 与GA优化的诊断结果相比,组合优化后的BP神经网络具有更高的诊断效率和精度。 关键词:故障能量特征量;GA;LM算法;BP神经网络;故障诊断 中图分类号:TH166;TG659　 　 　 文献标识码:A Fault Diagnosis Method in Rolling Bearing Based on GA and LM Combined-Optimization BP Neural Network ZHONG Xiao-qian ,MA Wen-ke ,SONG Meng-meng1 1 2 (1.Department of Mechanical Electronic Engineering,Pingxiang University,Pingxiang Jiangxi 337055,Chi- na;2.Department of Physics and Electrical Engineering,Ningde Normal University,Ningde Fujian 352100, China) Abstract:Aim to the problem of slow convergence and easy to fall into local minimum for traditional BP neural network inrollingbearingfault diagnosis,a fault diagnosismethodisproposedbased on GA andLM combined-optimization BP neural network. Vibration signal of different failure types were used wavelet packet transformtocarryout softthresholdde-noising,andthenweretakenadvantageofthreewaveletpack- et for decomposition and reconstruction,and were successfully extracted fault energy eigenvectors of eight bands. Use GA to optimize the hidden layers and the number of nodes,the network parameters of initial weights a