基于小波包和BBO-RBFNN的滚动轴承故障诊断

作者:张晴;高军伟;张彬;毛云龙;董宏辉; 刊名:工业控制计算机 上传者:范文磊

【摘要】为了提高诊断滚动轴承故障的效率和准确率,将小波包分解(Wavelet Packet Decomposition,WPD)、径向基函数神经网络(Radical Basis Function Neural Network,RBFNN)和生物地理学优化算法(Biogeography-Based Optimization,BBO)三者结合起来,提出了一种基于小波包和BBO-RBFNN的故障诊断模型。首先,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。其次,利用生物地理学优化算法优化RBFNN,然后训练和诊断滚动轴承信号的故障类型。运用MATLAB软件把采集的数据进行了仿真,由MATLAB仿真结果可得,生物地理学优化算法的引入使得轴承故障诊断的适应度和准确率更高。

全文阅读

当滚动轴承出现故障时,振动信号的各频带能量会有所变化,会呈现非平稳特征。为了有效地提取振动信号中的特征频带信号,本文将小波包分解(WaveletPacketDecomposition,WPD)[1-2]引入到故障诊断系统中。1小波包分解正交小波变换只对信号的低频部分做分解,小波包是在小波分析基础上优化而来的信号分解和重构方法,其变换的优点是能对信号的高频部分提供更精确的分解,且无冗余,也无疏漏。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。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,双尺度方程如下[2]:(t)=姨2khk(2t-k)(t)=姨2kgk(2t-k)(1)式中,hk和gk为相互正交的高通和低通滤波器系数。小波包分解方程为:dj,2nl=khk-2ldj+1,nkdj,2n+1l=kgk-2ldj+1,nk(2)式中,hk-2l、gk-2l分别为小波包分解的高通和低通滤波器系数。小波包重构方程为:dj+1,nl=k(hl-2kdj,2nk+gl-2kdj,2n+1k)(3)式中,hl-2k、gl-2k分别为小波包重构的高通和低通滤波器系数。2BBO-RBFNN算法2.1径向基函数RBFNN径向基函数网络是借鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络[7],由输入层、隐含层和输出层构成的三层前向网络,隐含层采用径向基函数作为激励函数,其径向基函数一般为高斯函数[3]。隐含层的每个神经元与输入层相连的权值向量和输入矢量之间的距离乘上阈值作为该神经元的输入。由此可得隐含层的第i个神经元的输入为:kqi=j(w1ji-xqj)2姨b1i(4)输出为:rqi=exp(-(kqi)2)=exp(-(x1i-Xqb1i)2)(5)输出层的输入为各隐含层神经元输出的加权求和。由于激励函数为纯线性函数,因此输出为:yq=ni=1riw2i(6)2.2BBO的设计原理生物种群生活在不同的栖息地,每个栖息地的适宜度指数(HabitatSuitabilityIndex,HIS)是不同的[4]。与HIS有关系的特征包括降雨量、植被的多样性、地质的多样性和气候等因素,这些特征变量形成一个描述栖息地适宜度的向量SIV(SuitableIndexVector,SIV),其中的每个适宜度变量被称为SIVs(SuitableIndexVariables)用生物地理学的分配机制构建的BBO算法,解决优化问题主要依赖于[8]:1)栖息地的特征向量SIV对应优化问题的解。栖息地的适宜度指数是对适宜度的向量SIV优劣的度量值,对应于优化问题的度量函数值。好的方案对应较高HIS值的栖息地。2)栖息地的迁入和迁出机制对应优化算法中的信息交叉机制。3)BBO算法能够根据栖息地容纳种群数量不同,计算相应的突变率,对栖息地进行突变操作,使得算法具备较强的自适应能力。2.3BBO-RBFNNBBO算法的基本思想是根据栖息地之间物种迁移来完成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)信息流通,通过调整迁移过程中的迁入率与迁出率、迁移拓扑、迁移时间间隔和迁移策略来实现信息共享,调高栖息地的适应性,从而得到问题的最优解。进化过程实质是通过迁移和变异来提高物种的适应度。2.3.1迁移假定栖息地能够容纳的最大物种数为n,其中迁入率k与迁出率k是关于栖息地上物种种类k的函数。符合自然规律的复杂迁移模型要优于简单的线性迁移模型,其中以余弦迁移模型效果最佳,所以本文选用余弦迁移率模型,具体公式如下:

参考文献

引证文献

问答

我要提问