基于BP神经网络的变速箱故障诊断方法研究  

作者:刘鑫;贾云献;孙磊;刘天斌 刊名:《计算机测量与控制》 上传者:周永生

【摘要】针对变速箱的工作时间不能真实反映实际健康状况的问题,通过提取变速箱的振动信号作为状态参数,建立了基于BP神经网络的变速箱故障诊断模型;该模型首先提取振动信号中对故障反映灵敏的成分作为特征值,获得BP神经网络的训练数据,并通过对比确定最优的隐含层节点数,确定BP神经网络的结构参数;模型训练结束后,以验证数据为例进行故障诊断研究,并对诊断结果进行评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。

全文阅读

0引言变速箱是车辆系统的重要部件,主要由齿轮和轴承组成,变速箱在使用过程中,其健康状况将随着使用时间的增长逐渐劣化。由于使用环境、使用强度及工作地点等因素不尽相同,很难通过使用寿命(摩托小时或里程等)准确的反映其实际的健康状况[1]。同时,由于变速箱在底盘中的重要作用,其健康状况对车辆的性能有重要的影响,一旦发生故障将可能导致严重后果。所以,对变速箱进行早期故障诊断具有重要的研究价值。人工神经网络(artificialneuralnetwork)由于具有优良的非线性逼近特性、并行式分布结构、较好的容错性以及自适应学习和归纳能力,使其在诸如建模、时间序列分析、模式识别、信号处理和工业控制等领域都得到了广泛的应用[2]。BP神经网络(back-propagationneuralnetwork)是人工神经网络中最有实用价值的部分之一。文献[1]将BP神经网络应用于装甲车辆发动机的状态评估,文献[3]中开发了利用该模型实现轴承寿命预测的应用平台,文献[4]利用人工神经网络实现了衬垫磨损过程中的寿命预测。该研究表明BP神经网络能有效实现设备的故障模式识别与剩余寿命预测。基于以上研究,本文以某型变速箱为研究对象,测量变速箱在正常状态、齿根裂纹和断齿状态下的振动信号,选取频谱中对故障反映灵敏的啮合频率及其边带成分处的幅值为特征值,建立BP神经网络模型,实现变速箱的故障诊断,验证了方法的有效性。1BP神经网络模型BP神经网络是至今为止应用最为广泛的神经网络,其基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成,在正向传播与反向传播中,各层的权值不断得到调整,也就是网络的训练过程,此过程直到达到误差可接受的程度结束[3]。在多层前馈神经网络的应用中,以图1中的单隐层神经网络的应用最为普遍,该神经网络包括了输入层、隐含层和输出层。图1BP神经网络结构设计BP神经网络预测模型时,主要考虑的是各函数的选取和各层神经元个数。对于一般预测模型,选取只包含一个隐含层的三层BP神经网络,假设输入层节点为xi,隐含层节点为k,输出层节点为yj。输入层节点与隐含层节点的权值为wik,隐含层节点与输出层节点间的权值为wkj,输出层节点对应输出的期望值为rj,则:隐含层节点输出为:k=fi(wikxi+)k=f(netk)(1)输出层节点的输出为:yj=fkwkj(k+)j=f(netj)(2)输出节点的误差为:E=12j(rj-yj)2(3)在BP神经网络中若选用sigmoid函数作为输出层的传递函数,其输出值智能在[-1,+1]之间,若选用线性函数purelin,则可以输出任意值[5]。输入层和输出层神经元个数与样本有关。BP神经网络设计的难点是确定隐层神经元数目[6]。隐节点的作用是从样本中提取并储存其内在的规律,隐节点数量的设置取决于训练样本的多少、样本噪声的大小以及样本中蕴含规律的复杂程度等因素[7]。在确定各层神经元数量后,依据公式(1)~(3),根据图2所示流程,可以对神经网络进行训练。2数据预处理与程序设计变速箱作为传动机构的关键部件,一旦发生故障将会对整个系统造成重大影响,所以对变速箱进行准确的故障诊断,提前发现故障征兆并采取积极的维修策略,对预防重大事故的发生具有重要的作用[4]。基于神经网络的诊断方法就是利用神经网络对变速箱的故障进行模式分类,此时,需要选择相应的参数作为输入,以故障原因作为输出,利用模型实现变速箱的模式分类。其基本步骤为:(1)通过实验获得设定故障和无故障状态下的监控参数,经预处理为网络的输入模式;(2)建立神图2BP神经网络学习和

参考文献

引证文献

问答

我要提问