一種基于自適應(yīng)遺傳算法和som網(wǎng)絡(luò)的齒輪故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，特別是涉及一種基于自適應(yīng)遺傳算法和S0M網(wǎng)絡(luò) 的齒輪故障診斷方法。
【背景技術(shù)】
[0002] 齒輪作為機(jī)械設(shè)備傳動系統(tǒng)中必不可少的傳遞動力的部件，其運(yùn)行狀態(tài)直接影響 到整個機(jī)械設(shè)備的工作效率、可靠性及壽命。對于齒輪的故障診斷問題，目前，國內(nèi)外學(xué)者 提出了多種故障診斷方法。主要采用粗糙集理論、支持向量機(jī)、貝葉斯分類法、模糊邏輯、神 經(jīng)網(wǎng)絡(luò)等方法對齒輪進(jìn)行故障診斷。粗糙集理論在處理模糊和不確定信息上具有較大的優(yōu) 越性，但其決策規(guī)則很不穩(wěn)定，精確性較差，而且是基于完備的信息系統(tǒng)，處理數(shù)據(jù)時，常會 遇到數(shù)據(jù)丟失現(xiàn)象。支持向量機(jī)在解決小樣本、非線性及高維模式識別問題中具有優(yōu)勢，但 識別能力易受自身參數(shù)影響。貝葉斯分類法需要已知確切的分別概率，而實(shí)際上并不能給 出確切的分別概率。模糊邏輯需要一定的先驗(yàn)知識，對參數(shù)選擇具有較強(qiáng)的依賴性。神經(jīng) 網(wǎng)絡(luò)具有簡單的結(jié)構(gòu)和很強(qiáng)的問題求解能力，且可較好地處理噪聲數(shù)據(jù)，但算法存在局部 最優(yōu)問題，收斂性較差，可靠性有限。
[0003]由此可見，在現(xiàn)有技術(shù)中，齒輪故障診斷方法存在精度低、可靠性差等問題。

【發(fā)明內(nèi)容】

[0004]有鑒于此，本發(fā)明的主要目的在于提供一種高精度、可靠性好的齒輪故障診斷方 法。
[0005] 為了達(dá)到上述目的，本發(fā)明提出的技術(shù)方案為：
[0006] -種基于自適應(yīng)遺傳算法和S0M網(wǎng)絡(luò)的齒輪故障診斷方法，所述齒輪故障診斷方 法包括如下步驟：
[0007]步驟1、采用加速度傳感器采集齒輪箱變速系統(tǒng)數(shù)據(jù)，得到正常、齒面磨損、齒面劃 痕和斷齒四種狀態(tài)齒輪的振動信號。
[0008] 步驟2、分別采用db5小波對所述齒輪的振動信號進(jìn)行三層小波包分解與重構(gòu)，并 以第三層8個頻帶各自能量為元素構(gòu)造特征向量，提取齒輪的故障特征，獲得所述齒輪的 振動信號的特征向量T。
[0009] 步驟3、將所述齒輪的振動信號的特征向量T作為S0M網(wǎng)絡(luò)輸入層的神經(jīng)元，S0M網(wǎng)絡(luò)的輸入層為一維，S0M網(wǎng)絡(luò)的輸出層為一個有6X6輸出神經(jīng)元的二維網(wǎng)絡(luò)，輸出層的 神經(jīng)元排成一個鄰域結(jié)構(gòu)，每個神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接，每個輸入神經(jīng)元 都連接至所有輸出神經(jīng)元：S0M網(wǎng)絡(luò)的初始連接權(quán)值為IW= [Wl，w2,. . .，ws]36xs，S0M網(wǎng)絡(luò)的 初始閾值為
其中，Wpw2, . . .《8為較小的非零隨機(jī)數(shù)。
[0010] 步驟4、自適應(yīng)遺傳算法的編碼方式采用實(shí)數(shù)編碼方式，每個個體均為一個實(shí)數(shù)串 組成的染色體，將S0M網(wǎng)絡(luò)的初始連接權(quán)值和閾值編碼為若干染色體組成的初始種群。
[0011] 步驟5、采用誤差平方和的倒數(shù)作為每個個體的適應(yīng)度函數(shù)，具體計算式如下：
[0012]
[0013] 其中，A為第i個個體的適應(yīng)度值，yi實(shí)際輸出值，F(xiàn)為誤差平方和，Ζ為理想輸出 值，根據(jù)所選取的適應(yīng)度函數(shù)，計算每個個體的適應(yīng)度值。
[0014] 步驟6、根據(jù)每個個體的適應(yīng)度值，選擇個體適應(yīng)度值高的染色體進(jìn)行復(fù)制、交叉 和變異操作，產(chǎn)生新的種群。
[0015] 步驟7、獲取最優(yōu)的S0M網(wǎng)絡(luò)權(quán)值和閾值。
[0016] 步驟8、對S0M網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，更新權(quán)值和閾值。
[0017] 步驟9、判別精度滿足要求或達(dá)到最大迭代次數(shù)是否成立；如果成立，則執(zhí)行步驟 10;如果不成立，則執(zhí)行步驟8。
[0018] 步驟10、將采用自適應(yīng)遺傳算法優(yōu)化后的S0M網(wǎng)絡(luò)作為分類器，對正常、齒面磨 損、齒面劃痕和斷齒四種狀態(tài)的齒輪進(jìn)行故障診斷，并輸出診斷結(jié)果。
[0019] 綜上所述，本發(fā)明所述基于自適應(yīng)遺傳算法和S0M網(wǎng)絡(luò)的齒輪故障診斷方法將獲 取的所述齒輪的振動信號經(jīng)小波包分析和重構(gòu)后，得到所述齒輪的振動信號的特征向量， 將特征向量分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，先利用訓(xùn)練數(shù)據(jù)訓(xùn)練采用自適應(yīng)遺傳算法優(yōu)化后的 S0M網(wǎng)絡(luò)，不斷更新S0M網(wǎng)絡(luò)的權(quán)值和閾值，直到S0M網(wǎng)絡(luò)輸出的誤差滿足精度要求或達(dá)到 最大迭代次數(shù)為止，然后采用訓(xùn)練好的S0M網(wǎng)絡(luò)去診斷測試數(shù)據(jù)的故障類型，輸出齒輪的 故障診斷結(jié)果，從而提高了齒輪故障診斷的精度和可靠性。
【附圖說明】
[0020] 圖1是本發(fā)明所述一種基于自適應(yīng)遺傳算法和S0M網(wǎng)絡(luò)的齒輪故障診斷方法的流 程圖。
[0021] 圖2是本發(fā)明所述特征向量求解示意圖。
[0022] 圖3是本發(fā)明所述S0M網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖。
[0023] 圖4是本發(fā)明實(shí)施例的S0M網(wǎng)絡(luò)故障診斷流程圖。
[0024] 圖5是本發(fā)明實(shí)施例采集的四種狀態(tài)齒輪振動信號的時域波形圖。
【具體實(shí)施方式】
[0025] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例對 本發(fā)明作進(jìn)一步地詳細(xì)描述。
[0026] 圖1是本發(fā)明所述一種基于自適應(yīng)遺傳算法和S0M網(wǎng)絡(luò)的齒輪故障診斷方法的流 程圖。如圖1所示，本發(fā)明所述齒輪故障診斷方法，包括如下步驟：
[0027] 步驟1、采用加速度傳感器采集齒輪箱變速系統(tǒng)數(shù)據(jù)，得到正常、齒面磨損、齒面劃 痕和斷齒四種狀態(tài)齒輪的振動信號。
[0028] 步驟2、分別采用db5小波對所述齒輪的振動信號進(jìn)行三層小波包分解與重構(gòu)，并 以第三層8個頻帶各自能量為元素構(gòu)造特征向量，提取齒輪的故障特征，獲得所述齒輪的 振動信號的特征向量T。
[0029] 步驟3、將所述齒輪的振動信號的特征向量T作為SOM網(wǎng)絡(luò)輸入層的神經(jīng)元，SOM 網(wǎng)絡(luò)的輸入層為一維，SOM網(wǎng)絡(luò)的輸出層為一個有6X6輸出神經(jīng)元的二維網(wǎng)絡(luò)，輸出層的 神經(jīng)元排成一個鄰域結(jié)構(gòu)，每個神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接，每個輸入神經(jīng)元 都連接至所有輸出神經(jīng)元；S0M網(wǎng)絡(luò)的初始連接權(quán)值為IW= [Wl，w2,. . .，ws]36xs，S0M網(wǎng)絡(luò)的 初始閾值為6 =[，，其中，Wl，w2, · · · ％為較小的非零隨機(jī)數(shù)。
[0030] 步驟4、自適應(yīng)遺傳算法的編碼方式采用實(shí)數(shù)編碼方式，每個個體均為一個實(shí)數(shù)串 組成的染色體，將S0M網(wǎng)絡(luò)的初始連接權(quán)值和閾值編碼為若干染色體組成的初始種群。
[0031] 步驟5、采用誤差平方和的倒數(shù)作為每個個體的適應(yīng)度函數(shù)，具體計算式如下：
[0032]
[0033] 其中，A為第i個個體的適應(yīng)度值，yi實(shí)際輸出值，F(xiàn)為誤差平方和，兄_為理想輸出 值，根據(jù)所選取的適應(yīng)度函數(shù)，計算每個個體的適應(yīng)度值。
[0034] 步驟6、根據(jù)每個個體的適應(yīng)度值，選擇個體適應(yīng)度值高的染色體進(jìn)行復(fù)制、交叉 和變異操作，產(chǎn)生新的種群。
[0035] 步驟7、獲取最優(yōu)的S0M網(wǎng)絡(luò)權(quán)值和閾值。
[0036] 步驟8、對S0M網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，更新權(quán)值和閾值。
[0037] 步驟9、判別精度滿足要求或達(dá)到最大迭代次數(shù)是否成立；如果成立，則執(zhí)行步驟 10 ;如果不成立，則執(zhí)行步驟8。
[0038] 步驟10、將采用自適應(yīng)遺傳算法優(yōu)化后的S0M網(wǎng)絡(luò)作為分類器，對正常、齒面磨 損、齒面劃痕和斷齒四種狀態(tài)的齒輪進(jìn)行故障診斷，并輸出診斷結(jié)果。
[0039] 總之，本發(fā)明所述基于自適應(yīng)遺傳算法和S0M網(wǎng)絡(luò)的齒輪故障診斷方法將獲取的 所述齒輪的振動信號經(jīng)小波包分析和重構(gòu)后，得到所述齒輪的振動信號的特征向量，將特 征向量分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，先利用訓(xùn)練數(shù)據(jù)訓(xùn)練采用自適應(yīng)遺傳算法優(yōu)化后的S0M 網(wǎng)絡(luò)，不斷更新S0M網(wǎng)絡(luò)的權(quán)值和閾值，直到S0M網(wǎng)絡(luò)輸出的誤差滿足精度要求或達(dá)到最大 迭代次數(shù)為止，然后采用訓(xùn)練好的S0M網(wǎng)絡(luò)去診斷測試數(shù)據(jù)的故障類型，輸出齒輪的故障 診斷結(jié)果，從而提高了齒輪故障診斷的精度和可靠性。
[0040] 本發(fā)明方法中，所述步驟2包括如下步驟：
[0041] 步驟21、采用db5小波對所述齒輪的振動信號進(jìn)行三層小波分解，分別提取第3 層從低頻到高頻8個頻率成分的齒輪振動信號特征，得到從低頻到高頻的小波分解系數(shù)序 列，分解中用（i，j)表示第i層的第j個結(jié)點(diǎn)，每個結(jié)點(diǎn)都代表一定的齒輪振動信號特征， 結(jié)點(diǎn)（〇,〇)表示原始信號S，結(jié)點(diǎn)（1，0)表示小波包分解的第1層低頻系數(shù)&。，結(jié)點(diǎn)（1，1) 表示小波包分解的第1層高頻系數(shù)Xn，其它以此類推。
[0042] 步驟22、對小波包分解系數(shù)重構(gòu)，提取各頻帶范圍的齒輪振動信號特征，小波包分 解計算式如下：
[0043]
[0044] 其中，山為頻帶函數(shù)，dk為小波包基，ak，bk分別為小波分解共輒濾波器的系數(shù)，小 波包重構(gòu)的計算式如下：
[0045] K
[0046] 其中，pk，qk分別為小波重構(gòu)共輒濾波器系數(shù)，用S3。表不X3。的重構(gòu)信號，S31表不 X31的重構(gòu)信號，其它以此類推，對第3層的所有結(jié)點(diǎn)進(jìn)行分析，總信號S的計算式如下：
[0047] S=S30+S31+. · · +S37
[0048] 步驟23、計算各頻帶信號的總能量，S3j對應(yīng)的能量為E3j(j= 0,. . .，7)，總能量的 計算式如下：
[0049]
[0050] 其中，xjk(j= 0,…，7;k= 1，…，η)為重構(gòu)信號S3j的離散點(diǎn)的幅值。
[0051] 步驟24、所述的齒輪的振動信號的全部能量計算式如下：
[0052]
[0053] 某頻段的相對小波包能量計算式如下：
[0054]
[0055] 相對小波包能量特征向量為T= (T3。，T31，. . .，T37)，則選取特征向量T為所述齒 輪的振動信號的特征向量。
[0056] 本發(fā)明步驟3中，所述編碼方式具體為：
[0057] 實(shí)數(shù)編碼方式的染色體串長計算式如下：
[0058] L=LiXL0+L0
[0059] 其中，L為染色體長度，SOM網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)目，L。為SOM網(wǎng)絡(luò)輸出層 的神經(jīng)元數(shù)目。
[0060] 本發(fā)明方法中，所述步驟6包括如下步驟：
[0061] 步驟61、從當(dāng)前種群中采用輪盤賭的方法選擇個體適應(yīng)度值高的染色體，染色體 的適應(yīng)度值越高，被選擇的機(jī)會越大，輪盤賭方法的選擇概率計算式如下：
[0062]
[0063] 其中，Pl為第i個個體的選擇概率，η為種群的大小。
[0064] 步驟62、將個體適應(yīng)度值高的染色體進(jìn)行自適應(yīng)交叉和變異操作，交叉概率Ρ。隨 適應(yīng)度值的大小進(jìn)行自適應(yīng)的調(diào)整，對性能較差的個體采用較大的交叉概率Ρ。，對性能優(yōu) 良的個體根據(jù)個體適應(yīng)度值的大小，采用合適的Ρ。，交叉概率Ρ。的計算式如下：
[0065]
[0066] 變異