基于遗传神经网络的液压齿轮泵特征层融合诊断.pdf

2 0 1 3年 7月 第 4 1 卷 第 1 3期 机床与液压 MACHI NE TOOL HYDRAUL I CS J u 1 ．2 0 1 3 Vo 1 ． 41 No ．1 3 DO I 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 3 ． 1 3 ． 0 5 2 基于遗传神经网络的液压齿轮泵特征层融合诊断 万俊盛，陈小虎，毋文峰 ，姚春江，王旭平 第二炮兵工程大学，陕西西安 7 1 0 0 2 5 摘要 针对 B P 神经网络的不足，引入遗传算法，提出了改进的遗传神经网络算法，解决了 B P 神经网络容易陷入局部 极小值的问题。将该算法应用于液压齿轮泵进行特征层融合诊断 ，结果表明该算法具有很强的模式识别能力。 关键词B P神经网络；遗传算法；液压齿轮泵；故障诊断 中图分类号T H1 6 5 ． 3 文献标识码 A 文章编号1 0 0 1 3 8 8 1 2 0 1 3 1 3 1 8 6 2 Fus i o n Di a g n o s i s o f Fe a t ur e Le v e l s Ba s e d o n Ge n e t i c Ne ur a l Ne t wo r k f o r Hy d r a u l i c Ge a r P u mp WA N J u n s h e n g ，C H E N X i a o h u ，WU We n f e n g ，Y A O C h u n j i a n g ，WA N G X u p i n g T h e S e c o n d A r t i l l e r y E n g i n e e r i n g U n i v e r s i t y o f P L A，X i ’ a n S h a n n x i 7 1 0 0 2 5 ，C h i n a Ab s t r a c t Ac c o r d i n g t o t h e l i mi t a t i o n s o f B P n e u r a l n e t w o r k，a n i mp r o v e d a d a p t i v e g e n e t i c n e u r al n e t wo r k alg o r i t h m wa s p r o p o s e d b y i n t r o d u c i n g t h e a d a p t i v e g e n e t i c alg o r i t h m．T h i s alg o ri t h m c a n i n c r e a s e t h e g l o b al s e a r c h i n g c a p a c i t y o f B P n e t w o r k a n d a v o i d t h e l o c a l mi n i mu m o f B P alg o ri t h m．Th e e x p e ri me n t a l r e s u l t s o f h y d r a u l i c g e a r p u mp i n d i c a t e t h a t t h i s a l g o ri t h m c a n b e a p p l i e d t o f u s i o n d i a g n o s i s o f f e a t u r e l e v e l s w i t h p o w e r f u l p a t t e r n r e c o g n i t i o n a b i l i t y ． Ke y wo r d s B P n e u r al n e t wo r k ；G e n e t i c alg o rit h m；Hy d r a u l i c g e a r p u mp ；F a u l t d i a g n o s i s B P神经网络不具有全局搜索能力 ，容易陷人局 部极小值 ；遗传算法采用群体到群体的搜索策略，搜 索始终遍及整个解空间，具有全局搜索能力 ，因此， 遗传算法更易于达到全局最优解。利用遗传算法来优 化 B P神经网络 ，可 以解决 B P神经网络易陷入局部 极小值问题。将 B P神经网络和遗传算法二者结合起 来 ，可以充分利用两者的优点，使其既具有神经网络 的非线性映射能力和学习能力，又具有遗传算法强大 的全局有向搜索能力和鲁棒性。 作者提出了一种遗传 B P神经网络学习算法。该 算法利用遗传算法来优化 B P神经网络的权值 ，使改 进的 B P神经网络具有强大的全局有向搜索能力 ，并 提高网络的收敛性。将该算法应用于液压齿轮泵故障 诊断中，可以提高其故障诊断的准确性。 1 基于遗传神经网络的特征层融合诊断 利用遗传算法来优化神经网络 ，可以使神经网络 具有自进化、自适应能力 ，进而构造出进化的神经网 络模型。作者利用遗传算法来优化 B P神经网络的连 接权值 ，构造出遗传 B P网络。其优化算法如下 1 由 B P神经网络权值的初值设定方法产生 Ⅳ 个不同的初始权值 ，并经 B P神经网络训练不同的次 数 ，得到不同的权值分布，形成规模为 Ⅳ初始群体； 2 针对权值形成的初始群体进行编码； 收稿 日期 2 0 1 2 0 51 0 作者简介 万俊盛 ，Em a i l d m a i l 1 6 3 ． c o n。 3 计算误差 E t 一0 ， 适 P 1 应度函数可以选为 C E， ，C ／ E，其 中，C为一 常数，文中选择适应度函数为． 厂 1 ／ E； 4 利用 I A G A进行遗传操作 ，得到新的群体， 利用群体解码得到的权值，再使 B P神经网络运行一 次，针对权值进行一次寻优 ； 5 重复步骤 3 一 4 ，直到 B P神经网络 满足精度或达到预定的进化代数为止。 基于遗传神经网络的机械故障诊断过程如图 1 所 刁 。 信号 H 董篷整萎卜 IAGA算法 、 诊 断 的消 热 _’- 结 嗓与 特征 提取 最小特征属性测试样本卜_ 果 图 1 基于遗传神经网络的故障诊断过程 首先，在机械设备的各种可能故障状态 包括 正常状态采集故障信号，并对信号进行消噪处理 和特征提取，得到反映机械设备故障状态的特征向 量 ；其次 ，针对样本的特征 向量进行属性 约简；然 后 ，根据最小特征属性，确定 B P神经网络的结构， 并进行训练 ；最后，利用 B P神经网络实施故障诊 断。采用遗传算法来优化 B P神经网络权值 ，不仅可 第 1 3期 万俊盛 等基于遗传神经网络的液压齿轮泵特征层融合诊断 1 8 7 以发挥 B P神经网络的非线性映射能力，而且具有遗 传算法的全局有向搜索能力 ，使得网络最可能收敛到 全局最小点，提高网络的模式识别能力。 2液压齿轮泵融合诊断试验 文中以 C B K p 6 3齿 轮 泵 为试 验 对象 ，研 究基 于 遗传神经网络的液压泵特征层融合诊断。 C B ． K p 6 3 齿轮泵试验台架及其加速度传感器设置 如图2所示，其中，齿轮泵轴转速为定速 1 4 8 0 r ／ r n i n 。 图 2 C B K p 6 3齿轮泵加速度传感器设置 利用齿轮泵壳振动信号来进行齿轮泵 的正常状 态、气穴故障、侧板磨损和齿轮磨损等 4种状态的模 式识别。首先建立三层 B P神经网络结构，传递函数 均为 l o g - s i g m o i d ，为了更好地实现 l o g s i g m o i d函数的 非线性映射，神经网络 的理想输 出如表 1所示 ，其 中， ～ 分别表示正常状态、气穴故障、侧板磨 损和齿轮磨损 4种故障类型。 表 I B P神经网络的理想输出 一 般，随机信号的时域统计特征反映了其故障成 分的发生与发展的变化趋势。因此 ，针对齿轮泵壳振 动信号提取如下时域数字特征 有效值 、峰值指 标 C 、裕度指标 、峭度指标 K 等；并且 ，针对 泵壳振动信号进行奇异值分解 ，可以得到它的奇异谱 熵 ，它们一起构成 B P神经网络的输入特征向量。 表 2所示为液压齿轮泵时域特征值的部分样本。因 此，B P神经网络结构为5 X 8 X 4 。 表 2 液压齿轮泵时域特征值 故障类型 G K 在遗传 B P神经网络训练好之后 ，为了进一步测 试网络的可靠性 、稳健性和泛化能力 ，在液压齿轮泵 4种状态下各采集 2 5组振动信号样本 ，组成 1 0 0个 测试样本 ，利用该算法针对神经网络进行测试，测试 统计结果显示齿轮泵故障诊断率可以达到9 0 ％以上。 3小结 针对 B P神经网络的不足，提出了利用遗传算法 来优化 B P神经网络权值 的方法，使得 B P神经网络 具有强大的全局有向搜索能力，有效避免了 B P算法 易陷入局部极小值的缺陷。将改进的遗传 B P神经网 络应用于液压齿轮泵故障诊断中，故障诊断试验表 明遗传 B P神经网络具有很强的模式识别能力。 参考文献 【 1 】 H A G A N M T ． 神经网络设计[ M] ． 戴葵， 等， 译． 北京 机 械工业出版社， 2 0 0 3 ． 【 2 】H O L L A N D J H ． A d a p t a t i o n i n N a t u r a l a n d A r t i fi c i a l S y s t e m s [ M] ． M I T P r e s s ， 1 9 9 2 ． 【 3 】陈国良 遗传算法及其应用[ M] ． 北京 人 民邮电出版 社 。 1 9 9 6 ． 【 4 】S R I N I V A S M， P A T N A I K L M． A d a p t i v e P r o b a b i l i t i e s o f C r o s s o v e r a n d M u t a t i o n i n G e n e t i c A l g o r i t h ms [ J ] ． I E E E T r a n s a c t i o n o n S y s t e ms ， Ma n an d C y b e r n e t i c s ， 1 9 9 4， 2 4 4 6 5 6 6 6 7 ． “ ” “ ” ” “ ” ” “ ” ” “ “ ” ” “ 。 ” “ ” “ “ ” ” 。 ” “ “ ” ” 一 ． ” “ ” ” “ ” ” “ 、 液压膨胀技术现在也可用于粗铣 {T 以前 ，液压膨胀夹紧原理主要用于孔加工 ，而在进行铣加工时，最多也就是将其用于精加工。现在，瓦尔特向 ； 市场推出 A K 1 8 2液压刀柄，由于同轴精度和减震性高，也适用于粗加工。 j 瓦尔特的这款新型液压刀柄能够满足对强劲而精确的现代化刀柄所提出的所有要求。其在结构设计上具有减震 十 的特点 ，可明显降低铣削时由于振动而发生刀具松脱的危险。此外 ， 这也有利于延长刀具的使用寿命。与同类液压 t 扭矩传输能力明显更高。这样 ，刀具就不会从液压刀柄中拔出，因此也可以用于 液压刀柄同样适用于钻孔、铰孔和螺纹加工。该液压刀柄主要适于组合瓦尔特 一 合金铣刀进行粗加工以及螺纹铣削。实验室测试结果表明，这是市场上最好的液 内容来源中国机床 商务网 2 5 6 7 2 4 5 7 7 3 3 6 8 5 O 7 7 9 7 6 4 6 l 7 3 7 O 5 2 1 1 5 5 3 3 1 3 6 2 2 l 1 1 1 7 2 4 3 2 5 8 7 2 9 3 4 2 8 9 2 7 8 6 7 4 8 3 O 7 0 6 7 9 6 4 9 8 7 9 9 6 9 2 3 2 1 2 2 8 O 3 4 2 1 6 4 5 6 5 8 4 6 6 5 3 3 3 3