基于遗传算法的BP神经网络滚动轴承故障诊断.pdfVIP

2015年 3月 机械设计与制造工程 Mal-．2015 第4_4卷 第3期 MachineDesignandManufacturingEngineering Vo1．44No．3 DOI：10．3969／j．issn．2095—509X．2015．03．014 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) 摘要：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。 关键词：滚动轴承 ；故障诊断；遗传算法；BP神经网络 中图分类号：TP183 文献标识码 ：A 文章编号：2095—509X(2015)03—0065—04 滚动轴承是机械设备中最常用的部件，在工作 2 滚动轴承故障诊断的BP神经网络模型 过程 中，由于装配不当、润滑不 良、水分和异物侵 模型采用 3层BP神经网络，输人层为5个神 入、腐蚀或过载等都可能使轴承损坏。目前，滚动 经元，对应于峰值因子、波形因子、脉冲因子、裕度 轴承故障的智能诊断方法多种多样 ，BP神经网络 因子和峭度5个特征参数。 诊断法是其中一种 ¨I5J，由于网络结构、初始连接 隐层 神 经元 个数 根 据 Kolmogorov定 理确 权值和阈值的选择对网络训练的影响很大，又无法 定 ： 准确获得，再加上BP神经网络本身存在学习收敛 M =2N+1 (1) 速度慢、容易陷入局部极小点的问题，导致诊断精 式中： 为隐层神经元节点数；Ⅳ为输入层神经元 确性降低甚至误诊。为了解决这些问题，许多学者 节点数，值为5，故 肘等于 11。 对BP神经网络进行了改进或优化，比如将小波分 网络的输 出对应着轴承的5种状态，将这 5种 析和BP神经网络相结合 一 、对 BP神经网络进 输出状态分别编码为：正常(10000)，内圈故障 行优化 以及其他一些改进方法 ¨ J。 (01000)，外圈故障(00100)，滚动体故障(00 本文以某型滚动轴承为例，提出了一种基于遗 010)，保持架故障(00001)。因而输 出层神经 传算法的BP神经网络滚动轴承故障诊断方法，用 元节点数取为5。 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 3 遗传算法优化的BP神经网络 网络进行诊断，加快了收敛的速度 ，克服 了极小点 首先利用遗传算法对 BP神经网络结构中的 问题，提高了滚动轴承故障诊断的精度和速度。 输人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 1 滚动轴承特征参数提取 权值和阈值的较优解 ；再将该较优解代入 BP神经 选取某型滚动轴承的5个特征参数，分别是峰 网络中，用遗传算法对网络权值和阈值进行迭代计 值因子、波形因子、脉冲因子、裕度因子和峭度 ¨ ， 算、反复优化后得到初始权值和阈值的最优解。具 这 5个参数组成 BP神经网络的输入 向量。轴承 体计算步骤