基于小波包-GABP的滚动轴承故障诊断分析

作者:张晴;高军伟;张彬;毛云龙;董宏辉; 刊名:青岛大学学报(工程技术版) 上传者:王颜全

【摘要】为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型.由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型.同时,运用Matlab软件把采集的数据进行仿真分析.仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高.该研究为滚动轴承的故障诊断提供了理论基础.

全文阅读

2.北京交通大学轨道交通控制与安全国家重点实验室,北京100044)滚动轴承是旋转机械中非常重要的一部分,根据数据显示,30%的旋转机械故障都是由轴承故障引起[1]。因此,对滚动轴承各种故障信号进行采集和分析十分重要。提取信号中有效的特征向量进行故障类型的判别,以便于及时采取相应的处理措施。滚动轴承故障诊断的过程实质上是模式识别的过程,每当滚动轴承出现故障时,轴承振动信号的各频带能量会产生变化,呈现非平稳特征。由于使用经验模态分解[2-4](empiricalmodedecomposi-tion,EMD)提取信号时具有模态混叠、欠包络和过包络等缺点,所以为了有效地提取振动信号中的特征频带信号,本文将小波包变换引入到故障诊断系统中。小波包变换能对轴承故障数据的原始信号进行准确地分解与重构,因此作为本文故障信号的分析工具非常合适。误差反向传播学习算法(errorbackpropagation,EBP)和BP神经网络(backpropagationneuralnetwork,BPNN)是按误差反向传播的学习过程[5],BP神经网络虽然具有非常强的学习能力和多种映射能力,但同时也存在收敛速度慢、网络学习和记忆不稳定等缺点;另外,BP算法采用的是梯度下降法,可能会陷入局部最小值的“陷阱”,得不到全局最优解,因此对其进行优化设计。遗传算法(ge-neticalgorithm,GA)是一种随机化搜索算法,采用的遗传机制是“适者生存,优胜劣汰”,源于生物界的遗传进化规律[6-7]。组合优化中的非确定多项式(non-deterministicpolynomial,NP)问题能通过遗传算法得到有效地解决,例如自动控制、图像处理和机器人学等问题。系统一般使用的迭代方法采用局部优化,容易使系统陷入局部极小的陷阱,遗传算法很好地克服了这个缺点,是一种全局优化算法。因此,本文基于小波包和遗传算法优化BP(geneticalgorithmbackpropagation,GABP)神经设计的网络故障诊断模型,将遗传算法和BP神经网络有机结合,利用遗传算法优化BP神经网络的结构和连接权值,不仅具有较强的学习能力和映射能力,而且能有效避免BP神经网络陷入局部极小值和收敛速度慢等缺点。该研究为滚动轴承的故障诊断奠定了理论基础。1小波包分解基本理论正交小波变换(wavelettransform,WT)[8]继承和发展了短时傅立叶变换(fouriertransformation,FT)[9]局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时、频信号处理和分析的理想工具。小波变换能对时间或空间频率实现局部化的分析,可以逐步通过伸缩和平移运算对信号或函数进行多尺度细化,能自动适应时、频信号分析的要求[10]。但小波变换只能对信号的低频部分做分解与重构,小波包分解(waveletpacketdecomposition,WPD)是在小波分析的基础上优化而来的信号分解和重构方法[11-13]。相比于正交小波变换,小波包分解的优点是能够对信号的高频部分提供更精确的分解,且无疏漏、无冗余,所以小波包对包含大量中、高频信息的信号能进行更好的时域分析,如非平稳机械振动信号、地震信号和生物医学信号等。尺度函数(t)和小波函数(t)在多分辨率分析中满足双尺度方程。双尺度方程[14]为(t)=槡2khk(2t-k)(t)=槡2kgk(2t-k烅烄烆)(1)式中,hk和gk分别表示相互正交的高通和低通滤波器系数。小波包分解算法公式由dj+1,n{}l推导

参考文献

引证文献

问答

我要提问