基于BP神经网络的故障诊断模型研究

作者:冯玉芳;卢厚清;殷宏;曹林; 刊名:计算机工程与应用 上传者:陈桂秋

【摘要】滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏,而它的工作条件通常比较复杂,很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性,构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型(IQABC-BP)。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题,提出了一种改进量子蜂群算法,然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化,建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型,并应用于滚动轴承的故障诊断中。实验结果表明,IQABC-BP模型收敛速度更快,故障诊断效果更好,具有很好的应用价值。

全文阅读

1引言随着世界高精尖技术的发展和战争形态的转变,现代化军事装备的信息化程度越来越高,所涉及的高新技术领域越来越广,信息控制系统也越来越复杂,致使信息化装备故障诊断的难度增大,传统的机械化故障诊断方法与手段已不能对我军现有装备故障做出快速、有效诊断[1]。滚动轴承是军用机械设备中应用最广泛的元件之一。轴承故障是实际应用中常见的一个问题,轴承故冯玉芳,卢厚清,殷宏,等.基于BP神经网络的故障诊断模型研究.计算机工程与应用,2019,55(6):24-30.FENG Yufang, LU Houqing, YIN Hong, et al. Study on fault diagnosis model based on BP neural network. ComputerEngineering and Applications, 2019, 55(6):24-30.障的准确检测已成为该领域的研究热点。在实际应用中,由于工作条件的复杂性和各种典型故障的耦合性,得到的轴承振动信号往往是非平稳的,故障症状和故障模式表现出复杂的非线性映射关系。为了有效地提取关键特征和消除冗余,提高故障诊断的准确性,研究者们提出了很多方法。如Dong等人将核主成分分析和小波核支持向量机相结合的方法,对机械轴承的退化状态进行识别[2]。Li等人提出了基于改进的多尺度排列熵和最小二乘支持向量机的滚动轴承故障诊断策略[3]。Kang等人提出了一种基于时变多分辨率包络分析和判别特征分析的轴承故障诊断方法[4]。Xu等人将小波包变换和支持向量机相结合,提出了一种新型有效的轴承故障诊断方法[5]。Meng等人提出了一种基于第二代小波去噪和形态滤波的滚动轴承故障诊断方法[6]。Tang等人提出了一种基于支持向量机的稀疏成分分析的滚动轴承故障诊断方法[7]。Deng等人提出了一种利用厄米特小波分析、核主成分分析和支持向量机,对滚动轴承进行故障诊断的有效方法[8]。Cheng等人提出了一种基于SIFT-KPCA和SVM的轴承故障诊断方法[9]。然而上述方法对滚动轴承的故障诊断有一定的局限性。反向传播(BP)网络作为一种典型的人工神经网络(ANN),由于其优越的非线性映射能力,在机器故障诊断中得到了广泛的应用[10-15]。如Zhang等人提出了一种将小波变换(WT)、主成分分析(PCA)和人工神经网络(ANN)相结合的旋转机械故障分类和预测方法[16]。Zhang等人利用遗传算法(GA)和模糊C均值聚类算法(FCM)优化BP网络,成功构建了一个新的模型。该模型能够较好地克服训练数据和BP网络的不足,具有较高的诊断准确率和泛化能力[17]。Zhao等人提出了一种新的基于改进的蛙跳算法的BP神经网络模型,并将其应用于轴承的故障诊断中。该模型利用改进的蛙跳算法对BP神经网络的权值和阈值进行优化,具有较好的泛化能力和较强的鲁棒性[18]。BP神经网络虽然在许多领域得到了广泛的应用,但在应用中仍存在一些不足,如局部优化、过拟合、收敛困难等。为了克服这些缺点,研究人员提出了许多优化方法,其中最常用的是利用智能算法优化初始参数以提高BP神经网络的性能[19-26]。通过智能算法对初始参数的优化,BP神经网络的训练结果更加稳定,使得诊断结果更加准确。然而这些算法仍然存在收敛速度慢,容易陷入“早熟”收敛,计算稳定性不好等一系列问题。本文建立了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型。本文首先针对量子蜂群算法在种群初始化和进化过程中存在的问题,提出了一种改进量子蜂群算法,然后利用改进量子蜂群

参考文献

引证文献

问答

我要提问