文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.190668
中文引用格式: 張永超,李金才,趙錄懷. PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)齒輪箱故障診斷[J].電子技術(shù)應(yīng)用,2019,45(12):42-46,50.
英文引用格式: Zhang Yongchao,Li Jincai,Zhao Luhuai. Diagnosis of gearbox faults based on particle swarm optimization BP neural network[J]. Application of Electronic Technique,2019,45(12):42-46,50.
0 引言
齒輪箱主要由齒輪、軸承、旋轉(zhuǎn)軸等振動(dòng)部件組成,具有傳動(dòng)轉(zhuǎn)矩大、結(jié)構(gòu)緊湊等優(yōu)點(diǎn),廣泛應(yīng)用在航空機(jī)械、農(nóng)業(yè)機(jī)械中,用來傳遞動(dòng)力和改變轉(zhuǎn)速[1]。齒輪箱通常工作在高速、重載等環(huán)境下,導(dǎo)致齒輪箱發(fā)生問題的概率大大增加[2]。為確保其安全可靠運(yùn)行,對(duì)齒輪與軸承等關(guān)鍵部件進(jìn)行故障診斷具有重要意義[3]。
基于神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷在很多領(lǐng)域都得到了廣泛應(yīng)用,通過齒輪箱故障樣本訓(xùn)練便可掌握輸入的振動(dòng)信號(hào)與輸出的故障類型之間的內(nèi)在聯(lián)系[4-7]。如文獻(xiàn)[8]利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)齒輪箱進(jìn)行故障檢測,對(duì)無故障、齒根裂紋、斷齒這3種模式進(jìn)行判斷;文獻(xiàn)[9]采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行獨(dú)立的局部故障診斷,以及采用D-S證據(jù)理論規(guī)則,將3個(gè)測點(diǎn)的神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行融合,得到整個(gè)齒輪箱的故障診斷結(jié)果;文獻(xiàn)[10]利用LabVIEW的本身優(yōu)勢(shì)和集成特性建立了齒輪故障智能診斷系統(tǒng),實(shí)現(xiàn)了對(duì)齒輪振動(dòng)的診斷工作;文獻(xiàn)[11]基于動(dòng)態(tài)慣性權(quán)重粒子群算法的齒輪箱故障診斷研究,提出了確定特征重要程度的方法。以上方法存在的缺點(diǎn)是:(1)正確識(shí)別率低;(2)對(duì)人工神經(jīng)網(wǎng)絡(luò)的控制參數(shù)依靠經(jīng)驗(yàn)選取;(3)對(duì)故障類型劃分較為粗糙。
本文通過對(duì)振動(dòng)信號(hào)特征向量的提取,利用BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)、粒子群優(yōu)化(Particle Swarm Optimization,PSO)BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)[12]對(duì)齒輪箱的5種狀態(tài)(斷齒、斷齒磨損、正常、點(diǎn)蝕和點(diǎn)蝕磨損)進(jìn)行故障檢測分類,并對(duì)3種方法進(jìn)行比較,仿真結(jié)果顯示PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)故障識(shí)別率高。
1 3種神經(jīng)網(wǎng)絡(luò)的對(duì)比
BP神經(jīng)網(wǎng)絡(luò)是一個(gè)處理非線性優(yōu)化問題的神經(jīng)網(wǎng)絡(luò),但是容易陷入局部極小值,魯棒性差,并且對(duì)初始化參數(shù)權(quán)值和閾值比較敏感,所以預(yù)測準(zhǔn)確率較低。而對(duì)于PNN神經(jīng)網(wǎng)絡(luò),不同平滑因子,故障識(shí)別率不同,要依靠人工經(jīng)驗(yàn),才能找到spread最優(yōu)解,否則誤差率較大。
粒子群算法是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法。本文將BP神經(jīng)網(wǎng)絡(luò)和PSO算法有機(jī)結(jié)合,提出一種PSO-BP神經(jīng)網(wǎng)絡(luò)方法,利用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,將該方法用于齒輪箱系統(tǒng)的故障診斷與分類中,結(jié)果表明,PSO-BP神經(jīng)網(wǎng)絡(luò)可有效提高齒輪箱故障診斷的正確率。
2 齒輪箱故障分類及特征參數(shù)采集
2.1 齒輪箱故障分類
齒輪箱經(jīng)常工作在強(qiáng)噪聲干擾、重載環(huán)境下,故障時(shí)有發(fā)生?,F(xiàn)場運(yùn)行表明,較為常見的故障類型主要有斷齒、斷齒磨損、正常、點(diǎn)蝕、點(diǎn)蝕磨損。
2.2 數(shù)據(jù)采集
為獲取齒輪箱的故障建模數(shù)據(jù),以JZ250型齒輪箱為對(duì)象在實(shí)驗(yàn)室模擬了1種正常狀態(tài)和4種典型故障狀態(tài),實(shí)驗(yàn)平臺(tái)利用激光轉(zhuǎn)速儀加速度傳感器,獲取齒輪箱多處測試點(diǎn)的振動(dòng)信號(hào),實(shí)驗(yàn)臺(tái)和數(shù)據(jù)采集及處理系統(tǒng)如圖1所示。采樣點(diǎn)數(shù)設(shè)置為52 000,采樣頻率設(shè)置2 000×2.56 Hz,采樣負(fù)載電流分別設(shè)置為0.05 A、0.1 A、0.2 A和空載電流。提取故障特征樣本如表1所示,每種狀態(tài)列舉兩組數(shù)據(jù)??刂破饔肍PGA芯片,為Altera公司EP1C6Q240C8 Cyclone系列,電源電壓為3.3 V,最高工作頻率為275 MHz,LCD采用1602LCD液晶顯示器。
3 BP神經(jīng)網(wǎng)絡(luò)齒輪箱故障診斷
以齒輪箱故障特征參數(shù)為輸入、故障編碼為輸出,建立BP神經(jīng)網(wǎng)絡(luò)并仿真。
3.1 BP神經(jīng)網(wǎng)絡(luò)建立
本文采集的特征參數(shù)為9類,所以輸入神經(jīng)元為9個(gè),輸出編碼為一個(gè)。
設(shè)計(jì)隱含層神經(jīng)元個(gè)數(shù)時(shí),隱含層神經(jīng)元個(gè)數(shù)過少會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)兼容性較差,導(dǎo)致學(xué)習(xí)樣本的能力比較差;隱含層神經(jīng)元個(gè)數(shù)過多會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間較長,泛化能力較弱。本文的輸入神經(jīng)元個(gè)數(shù)為15,輸出神經(jīng)元個(gè)數(shù)為1,根據(jù)公式:
式中:L為隱含層節(jié)點(diǎn)數(shù)目,m為輸入層節(jié)點(diǎn)數(shù)目,n為輸出層節(jié)點(diǎn)數(shù)目,a為1~10的調(diào)節(jié)常數(shù)。
可得隱含層神經(jīng)元個(gè)數(shù)為0.18<L<36,結(jié)合L=2m+1得L=15。
為了防止小數(shù)值信號(hào)被淹沒,將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理,即把實(shí)驗(yàn)數(shù)據(jù)轉(zhuǎn)化為[0,1]區(qū)間內(nèi)。
3.2 BP神經(jīng)網(wǎng)絡(luò)仿真驗(yàn)證
設(shè)允許最大訓(xùn)練步數(shù)為2 000步,訓(xùn)練目標(biāo)最小誤差為0.001,每間隔100步顯示一次訓(xùn)練結(jié)果,學(xué)習(xí)速率為0.05。具體為net.trainParam.epochs=1000;net.trainParam.goal=0.001;et.trainParam.show=10;net.trainParam.lr=0.05。
利用200組樣本訓(xùn)練網(wǎng)絡(luò),利用50組非訓(xùn)練樣本檢測網(wǎng)絡(luò)的正確識(shí)別率,BP神經(jīng)網(wǎng)絡(luò)對(duì)齒輪箱的5種狀態(tài)分類結(jié)果如圖2所示,縱坐標(biāo)編碼1~5分別表示齒輪箱的5種狀態(tài):斷齒、斷齒磨損、正常、點(diǎn)蝕和點(diǎn)蝕磨損。
由圖2可知,第6,7,9,10,11,16,17,18,19,20組樣本預(yù)測錯(cuò)誤,正確組數(shù)為41組,正確分辨率為82%。
4 PNN神經(jīng)網(wǎng)絡(luò)齒輪箱故障診斷
以齒輪箱特征參數(shù)為輸入、故障編碼為輸出,建立PNN神經(jīng)網(wǎng)絡(luò)并仿真。
4.1 PNN神經(jīng)網(wǎng)絡(luò)建立
概率神經(jīng)網(wǎng)絡(luò)(PNN)是一個(gè)前饋神經(jīng)網(wǎng)絡(luò),其被廣泛用于分類和模式識(shí)別問題。只要樣本數(shù)目夠多,該方法所獲得的函數(shù)可以連續(xù)平滑地逼近原概率密度函數(shù)[13]。由Parzen方法得到PDF公式為:
式中,Xai為故障模式θi的第i個(gè)訓(xùn)練向量;θA為故障模式的訓(xùn)練樣本數(shù)量,σ為平滑因子,P為類的概率密度函數(shù),m′為求和層節(jié)點(diǎn)數(shù)。
PNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、競爭層、求和層和輸出層組成。
PNN神經(jīng)網(wǎng)絡(luò)對(duì)齒輪箱進(jìn)行故障診斷分為訓(xùn)練階段和診斷階段,故障診斷流程如圖3所示,具體為:(1)對(duì)訓(xùn)練集和測試集中的各樣本數(shù)據(jù)進(jìn)行歸一化處理,形成訓(xùn)練樣本集和測試樣本集;(2)設(shè)置spread的值對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到相應(yīng)的故障診斷模型;(3)利用得到的故障診斷模型,對(duì)待測試的樣本進(jìn)行診斷;(4)得出診斷結(jié)果。
4.2 PNN神經(jīng)網(wǎng)絡(luò)仿真驗(yàn)證
當(dāng)spread的值接近于0時(shí),它構(gòu)建成最鄰分類器;當(dāng)spread的值較大時(shí),它構(gòu)成對(duì)幾個(gè)訓(xùn)練樣本的臨近分類器。所以分別取spread=0.1,spread=1,spread=6,利用200組訓(xùn)練樣本去訓(xùn)練網(wǎng)絡(luò),利用50組樣本檢測網(wǎng)絡(luò)的正確分類識(shí)別率結(jié)果如圖4~圖6所示,縱坐標(biāo)編碼1~5分別表示齒輪箱的5種狀態(tài):斷齒、斷齒磨損、正常、點(diǎn)蝕和點(diǎn)蝕磨損。
由圖4可知,第1組到第40組樣本預(yù)測錯(cuò)誤,第41組到50組數(shù)據(jù)正確,正確分辨率為20%。
由圖5可知,第6,7,8,9,10,16,17,18,19,20,23,24,29組樣本預(yù)測錯(cuò)誤,有37組數(shù)據(jù)預(yù)測正確,正確分辨率為74%。
由圖6可知,第6組樣本預(yù)測錯(cuò)誤,有49組預(yù)測正確,正確分辨率98%。
5 PSO-BP神經(jīng)網(wǎng)絡(luò)齒輪箱故障診斷
以齒輪箱特征參數(shù)為輸入、故障編碼為輸出,建立PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)并仿真。
5.1 PSO-BP神經(jīng)網(wǎng)絡(luò)建立
網(wǎng)絡(luò)建立分為6步,流程如圖7所示:(1)定義PSO-BP神經(jīng)網(wǎng)絡(luò)模型的輸入輸出,首選單隱層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行PSO優(yōu)化;(2)將輸入?yún)?shù)進(jìn)行歸一化預(yù)處理,使各個(gè)參數(shù)處于[-1,1]的區(qū)間內(nèi);(3)初始化粒子群PSO算法,優(yōu)化的參數(shù)為BP神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和閾值的集合[14];(4)更新粒子位置速度,將所有粒子輸入到模型中進(jìn)行訓(xùn)練,通過計(jì)算粒子群的適應(yīng)度函數(shù)來評(píng)估粒子的好壞,以此為基礎(chǔ)調(diào)整每個(gè)粒子的位置和速度,粒子群的適應(yīng)度函數(shù)值越小,適應(yīng)度越高;(5)迭代計(jì)算輸出最優(yōu)粒子,PSO算法的終止條件有兩種形式,一是當(dāng)種群粒子的適應(yīng)度值小于給定值時(shí)停止算法,二是當(dāng)種群進(jìn)化次數(shù)達(dá)到上限T時(shí)停止,為了克服 PSO-BP神經(jīng)網(wǎng)絡(luò)算法的過度擬合問題[15]。
本文提出第3種終止條件,當(dāng)連續(xù)幾代最優(yōu)適應(yīng)度的差小于給定值時(shí),PSO算法終止。如果此時(shí) PSO算法繼續(xù)運(yùn)行下去,PSO-BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的預(yù)測誤差仍會(huì)逐漸減小,但此時(shí)PSO-BP神經(jīng)網(wǎng)絡(luò)的通用性和魯棒性將會(huì)逐漸降低,事實(shí)上,此時(shí)大多數(shù)粒子已經(jīng)訓(xùn)練得很好了。算法停止時(shí),可以獲得全局最優(yōu)解,此時(shí)將其映射到BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。
隨后進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練,確定 PSO-BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值后,可以輸入訓(xùn)練數(shù)據(jù)訓(xùn)練 PSO-BP神經(jīng)網(wǎng)絡(luò)模型。
5.2 PSO-BP神經(jīng)網(wǎng)絡(luò)仿真驗(yàn)證
用200組訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò),用50組檢測樣本檢測網(wǎng)絡(luò)的正確識(shí)別率。
由圖8可知,50組樣本預(yù)測完全正確,正確識(shí)別率為100%。
5.3 3種神經(jīng)網(wǎng)絡(luò)仿真結(jié)果比較及分析
BP、PNN和PSO-BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果如表2所示。
由表2可知:(1)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值,魯棒性差,對(duì)初始化參數(shù)比較敏感,所以預(yù)測準(zhǔn)確率較低;(2)PNN神經(jīng)網(wǎng)絡(luò)的識(shí)別正取率由spread值決定,該值依據(jù)經(jīng)驗(yàn)選取,PNN神經(jīng)網(wǎng)絡(luò)的spread=6,正確識(shí)別率最高,證明不同平滑因子,故障識(shí)別率不同;(3)PSO-BP神經(jīng)網(wǎng)絡(luò)有效提高了非線性映射能力,故障識(shí)別率達(dá)到100%。
6 結(jié)論
本文建立BP、PNN和PSO-BP神經(jīng)網(wǎng)絡(luò)診斷模型,用于齒輪箱的故障診斷建模。主要結(jié)論為:(1)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值,故障識(shí)別正確率為82%;(2)PNN神經(jīng)網(wǎng)絡(luò)對(duì)齒輪箱故障診斷識(shí)別正確率由spread值決定,該值依據(jù)經(jīng)驗(yàn)選取,經(jīng)多次試驗(yàn)當(dāng)spread=6時(shí)故障識(shí)別正確率最高為98%;(3)為了克服BP和PNN神經(jīng)網(wǎng)絡(luò)缺點(diǎn),引入PSO-BP神經(jīng)網(wǎng)絡(luò),故障識(shí)別正確率為100%。
通過3種神經(jīng)網(wǎng)絡(luò)對(duì)比,PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)齒輪箱故障正確率最高達(dá)到100%,為齒輪箱等非線性復(fù)雜系統(tǒng)的故障診斷提供一種通用可行的解決方案。
參考文獻(xiàn)
[1] 鄧海順,鄧月飛,黃坤,等.平衡式雙排軸向柱塞泵缸體力學(xué)性能分析[J].機(jī)床與液壓,2017,45(17):140-144.
[2] 劉景艷,李玉東,郭順京.基于Elman神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J].工礦自動(dòng)化,2016,42(8):47-51.
[3] 陳如清,李嘉春,尚濤,等.改進(jìn)煙花算法和概率神經(jīng)網(wǎng)絡(luò)智能診斷齒輪箱故障[J].農(nóng)業(yè)工程學(xué)報(bào),2018,34(17):192-198.
[4] 彭雅奇,許承東,牛飛,等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的廣播星歷軌道誤差預(yù)測模型[J].系統(tǒng)工程與電子技術(shù),2019,41(7):1617-1622.
[5] 熊青春,王家序,周青華.融合機(jī)床精度與工藝參數(shù)的銑削誤差預(yù)測模型[J].航空學(xué)報(bào),2018,39(8):272-280.
[6] Yang Xinlan,Zhang Shuanglin,Sha Qiuying.Joint analysis of multiple phenotypes in association studies based on cross-validation prediction error[J].Scientific Reports,2019,9(1):1073.
[7] Jia Feng,Lei Yaguo,Guo Liang,et al.A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines[J].Neurocomputing,2018,272(10):619-628.
[8] 許敬成,陳長征.BP神經(jīng)網(wǎng)絡(luò)在齒輪箱故障診斷中的應(yīng)用[J].噪聲與振動(dòng)控制,2018,38(S2):673-677.
[9] 黃劍文,李瑞琴,金劍.基于D-S證據(jù)理論和BP神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J].煤礦機(jī)械,2014,35(10):287-290.
[10] 段志偉,高丙坤,王煥躍,等.基于LabVIEW的齒輪故障智能診斷系統(tǒng)[J].化工自動(dòng)化及儀表,2015,42(1):77-81.
[11] 曹鳳才,魏秀業(yè),潘紅俠.基于動(dòng)態(tài)慣性權(quán)重粒子群算法的齒輪箱故障診斷研究[J].太原理工大學(xué)學(xué)報(bào),2011,42(2):145-148.
[12] PAVAO L V,COSTA C,RAVAGNANI M A S S,et al.Large-scale heat exchanger networks synthesis using simulated annealing and the novel rocket fireworks optimization[J].AIChE Journal,2017,63(5):1582-1601.
[13] JIA F,LEI Y G,GUO L.A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines[J].Neurocomputing,2018,272(10):619-628.
[14] 于耕,方鴻濤.基于BP神經(jīng)網(wǎng)絡(luò)改進(jìn)UKF的組合導(dǎo)航算法[J].電子技術(shù)應(yīng)用,2019,45(4):29-33.
[15] 楊向萍,吳玉丹.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的人體穴位定位系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用,2018,44(9):75-78.
作者信息:
張永超1,李金才1,趙錄懷2
(1.西安交通大學(xué)城市學(xué)院,陜西 西安710018;2.西安交通大學(xué) 電氣學(xué)院,陜西 西安710048)