為識別數(shù)控機床運行過程中滾動軸承的運行狀態(tài),提高滾動軸承的故障狀態(tài)診斷正確率,提出了一種基于小波包分解的改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的滾動軸承故障識別方法。以滾動軸承的4種故障狀態(tài)為研究對象,通過小波包分解振動信號,得到敏感特征向量;針對BP神經(jīng)網(wǎng)絡的缺點,運用改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的閾值和權值,實現(xiàn)最優(yōu)訓練,建立更精確的滾動軸承IGA-BP狀態(tài)預測模型。結(jié)果表明:IGA-BP預測模型收斂速度更快,預測準確率更高,證明了所提方法的有效性。 

【文章來源】：機床與液壓. 2020,48(17)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

小波包分解

通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值,把權值與閾值結(jié)構作為個體,每個個體均由實數(shù)編碼構成,通常需要4個部分構成:輸入-隱含層權值、隱含層閾值、隱含-輸出層權值、輸出層閾值。圖2所示為GA-BP神經(jīng)網(wǎng)絡模型。利用個體適應度f(Si)(i=1,2,......,Psize)計算各個體的選擇概率:

使用IGA-BP神經(jīng)網(wǎng)絡進行樣本訓練,迭代進化速度明顯加快,適應度達到最優(yōu)。同時,計算時間比BP神經(jīng)網(wǎng)絡快了4倍。利用改進遺傳算法優(yōu)化后,IGA-BP網(wǎng)絡不僅能減少網(wǎng)絡的收斂次數(shù)還能加快網(wǎng)絡訓練時間,降低總體誤差,改善了迭代速度慢的缺點。適應度隨迭代數(shù)變化曲線如圖3所示。4 小波分解構成的樣本集

【參考文獻】：
期刊論文
[1]基于VMD共振稀疏分解的滾動軸承故障診斷[J]. 楊偉,王紅軍.  電子測量與儀器學報. 2018(09)
[2]基于遺傳算法的BP神經(jīng)網(wǎng)絡的LED壽命預測模型[J]. 吳志杰,孔凡敏,李康.  半導體技術. 2018(05)
[3]基于小波包分解與權重包絡譜的滾動軸承故障特征增強[J]. 陳慧,胡俊鋒,熊國良.  機械設計與研究. 2017(03)
[4]基于小波包-GABP的滾動軸承故障診斷分析[J]. 張晴,高軍偉,張彬,毛云龍,董宏輝.  青島大學學報(工程技術版). 2017(02)
[5]一種基于改進遺傳算法的神經(jīng)網(wǎng)絡優(yōu)化算法研究[J]. 劉浩然,趙翠香,李軒,王艷霞,郭長江.  儀器儀表學報. 2016(07)
[6]基于經(jīng)驗小波變換的軸承故障診斷研究[J]. 馮博,李輝,鄭海起.  軸承. 2015(12)
[7]基于小波降噪和改進HHT的滾動軸承故障診斷方法研究[J]. 孫國光,劉小平,馬立靜.  煤礦機械. 2015(09)
[8]基于遺傳算法的BP神經(jīng)網(wǎng)絡滾動軸承故障診斷[J]. 唐立力,呂福起.  機械設計與制造工程. 2015(03)
[9]基于小波包分解和EMD的滾動軸承故障診斷方法研究[J]. 文妍,譚繼文.  煤礦機械. 2015(02)

碩士論文
[1]基于遺傳算法的BP神經(jīng)網(wǎng)絡的優(yōu)化研究及MATLAB仿真[D]. 任謝楠.天津師范大學 2014



本文編號：3418315