本发明专利技术提供一种基于自适应遗传算法和SOM网络的齿轮故障诊断方法，该方法包括：获取齿轮的振动信号，将所述的振动信号进行小波包分析，提取所述的振动信号的特征向量，将特征向量分为训练数据和测试数据，先利用训练数据训练采用自适应遗传算法优化后的SOM网络，不断更新SOM网络的权值和阈值，直到SOM网络输出的误差满足精度要求或达到最大迭代次数为止，然后，采用训练好的SOM网络去诊断测试数据的故障类型，输出齿轮的故障诊断结果。本发明专利技术具有精度高、可靠性强等特点，可广泛应用于机械设备故障诊断领域。
【技术实现步骤摘要】
本专利技术涉及故障诊断
，特别是涉及一种基于自适应遗传算法和S0M网络 的齿轮故障诊断方法。
技术介绍
齿轮作为机械设备传动系统中必不可少的传递动力的部件，其运行状态直接影响 到整个机械设备的工作效率、可靠性及寿命。对于齿轮的故障诊断问题，目前，国内外学者 提出了多种故障诊断方法。主要采用粗糙集理论、支持向量机、贝叶斯分类法、模糊逻辑、神 经网络等方法对齿轮进行故障诊断。粗糙集理论在处理模糊和不确定信息上具有较大的优 越性，但其决策规则很不稳定，精确性较差，而且是基于完备的信息系统，处理数据时，常会 遇到数据丢失现象。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势，但 识别能力易受自身参数影响。贝叶斯分类法需要已知确切的分别概率，而实际上并不能给 出确切的分别概率。模糊逻辑需要一定的先验知识，对参数选择具有较强的依赖性。神经 网络具有简单的结构和很强的问题求解能力，且可较好地处理噪声数据，但算法存在局部 最优问题，收敛性较差，可靠性有限。由此可见，在现有技术中，齿轮故障诊断方法存在精度低、可靠性差等问题。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种高精度、可靠性好的齿轮故障诊断方 法。 为了达到上述目的，本专利技术提出的技术方案为： -种基于自适应遗传算法和S0M网络的齿轮故障诊断方法，所述齿轮故障诊断方 法包括如下步骤：步骤1、采用加速度传感器采集齿轮箱变速系统数据，得到正常、齿面磨损、齿面划 痕和断齿四种状态齿轮的振动信号。 步骤2、分别采用db5小波对所述齿轮的振动信号进行三层小波包分解与重构，并 以第三层8个频带各自能量为元素构造特征向量，提取齿轮的故障特征，获得所述齿轮的 振动信号的特征向量T。 步骤3、将所述齿轮的振动信号的特征向量T作为S0M网络输入层的神经元，S0M网络的输入层为一维，S0M网络的输出层为一个有6X6输出神经元的二维网络，输出层的 神经元排成一个邻域结构，每个神经元同它周围的其他神经元侧向连接，每个输入神经元 都连接至所有输出神经元：S0M网络的初始连接权值为IW= 36xs，S0M网络的 初始阈值为其中，Wpw2, . . .《8为较小的非零随机数。 步骤4、自适应遗传算法的编码方式采用实数编码方式，每个个体均为一个实数串 组成的染色体，将S0M网络的初始连接权值和阈值编码为若干染色体组成的初始种群。 步骤5、采用误差平方和的倒数作为每个个体的适应度函数，具体计算式如下： 其中，A为第i个个体的适应度值，yi实际输出值，F为误差平方和，Ζ为理想输出 值，根据所选取的适应度函数，计算每个个体的适应度值。 步骤6、根据每个个体的适应度值，选择个体适应度值高的染色体进行复制、交叉 和变异操作，产生新的种群。 步骤7、获取最优的S0M网络权值和阈值。 步骤8、对S0M网络进行学习和训练，更新权值和阈值。 步骤9、判别精度满足要求或达到最大迭代次数是否成立；如果成立，则执行步骤 10;如果不成立，则执行步骤8。 步骤10、将采用自适应遗传算法优化后的S0M网络作为分类器，对正常、齿面磨 损、齿面划痕和断齿四种状态的齿轮进行故障诊断，并输出诊断结果。 综上所述，本专利技术所述基于自适应遗传算法和S0M网络的齿轮故障诊断方法将获 取的所述齿轮的振动信号经小波包分析和重构后，得到所述齿轮的振动信号的特征向量， 将特征向量分为训练数据和测试数据，先利用训练数据训练采用自适应遗传算法优化后的 S0M网络，不断更新S0M网络的权值和阈值，直到S0M网络输出的误差满足精度要求或达到 最大迭代次数为止，然后采用训练好的S0M网络去诊断测试数据的故障类型，输出齿轮的 故障诊断结果，从而提高了齿轮故障诊断的精度和可靠性。【附图说明】 图1是本专利技术所述一种基于自适应遗传算法和S0M网络的齿轮故障诊断方法的流 程图。 图2是本专利技术所述特征向量求解示意图。 图3是本专利技术所述S0M网络拓扑结构示意图。 图4是本专利技术实施例的S0M网络故障诊断流程图。 图5是本专利技术实施例采集的四种状态齿轮振动信号的时域波形图。【具体实施方式】 为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对 本专利技术作进一步地详细描述。 图1是本专利技术所述一种基于自适应遗传算法和S0M网络的齿轮故障诊断方法的流 程图。如图1所示，本专利技术所述齿轮故障诊断方法，包括如下步骤： 步骤1、采用加速度传感器采集齿轮箱变速系统数据，得到正常、齿面磨损、齿面划 痕和断齿四种状态齿轮的振动信号。 步骤2、分别采用db5小波对所述齿轮的振动信号进行三层小波包分解与重构，并 以第三层8个频带各自能量为元素构造特征向量，提取齿轮的故障特征，获得所述齿轮的 振动信号的特征向量T。 步骤3、将所述齿轮的振动信号的特征向量T作为SOM网络输入层的神经元，SOM 网络的输入层为一维，SOM网络的输出层为一个有6X6输出神经元的二维网络，输出层的 神经元排成一个邻域结构，每个神经元同它周围的其他神经元侧向连接，每个输入神经元 都连接至所有输出神经元；S0M网络的初始连接权值为IW= 36xs，S0M网络的 初始阈值为6 =[，，其中，Wl，w2, · · · ％为较小的非零随机数。 步骤4、自适应遗传算法的编码方式采用实数编码方式，每个个体均为一个实数串 组成的染色体，将S0M网络的初始连接权值和阈值编码为若干染色体组成的初始种群。 步骤5、采用误差平方和的倒数作为每个个体的适应度函数，具体计算式如下： 其中，A为第i个个体的适应度值，yi实际输出值，F为误差平方和，兄_为理想输出 值，根据所选取的适应度函数，计算每个个体的适应度值。 步骤6、根据每个个体的适应度值，选择个体适应度值高的染色体进行复制、交叉 和变异操作，产生新的种群。 步骤7、获取最优的S0M网络权值和阈值。 步骤8、对S0M网络进行学习和训练，更新权值和阈值。 步骤9、判别精度满足要求或达到最大迭代次数是否成立；如果成立，则执行步骤 10 ;如果不成立，则执行步骤8。 步骤10、将采用自适应遗传算法优化后的S0M网络作为分类器，对正常、齿面磨 损、齿面划痕和断齿四种状态的齿轮进行故障诊断，并输出诊断结果。 总之，本专利技术所述基于自适应遗传算法和S0M网络的齿轮故障诊断方法将获取的 所述齿轮的振动信号经小波包分析和重构后，得到所述齿轮的振动信号的特征向量，将特 征向量分为训练数据和测试数据，先利用训练数据训练采用自适应遗传算法优化后的S0M 网络，不断更新S0M网络的权值和阈值，直到S0M网络输出的误差满足精度要求或达到最大 迭代次数为止，然后采用训练好的S0M网络去诊断测试数据的故障类型，输出齿轮的故障 诊断结果，从而提高了齿轮故障诊断的精度和可靠性。 本专利技术方法中，所述步骤2包括如下步骤： 步骤21、采用db5小波对所述齿轮的振动信号进行三层小波分解，分别提取第3 层从低频到高频8个频率成分的齿轮振动信号特征，得到从低频到高频的小波分解系数序 列，分解中用（i，j)表示第i层的第j个结点，每个结点都代表一定的齿轮振动信号特征， 结点（〇,〇)表示原始信号S，结点（1，0)表示小波包分解的第1层低频系数&。，结点（1，1) 表示小波包分本文档来自技高网...
【技术保护点】
一种基于自适应遗传算法和SOM网络的齿轮故障诊断方法，其特征在于，所述齿轮故障诊断方法包括如下步骤：步骤1、采用加速度传感器采集齿轮箱变速系统数据，得到正常、齿面磨损、齿面划痕和断齿四种状态齿轮的振动信号；步骤2、分别采用db5小波对所述齿轮的振动信号进行三层小波包分解与重构，并以第三层8个频带各自能量为元素构造特征向量，提取齿轮的故障特征，获得所述齿轮的振动信号的特征向量T；步骤3、将所述齿轮的振动信号的特征向量T作为SOM网络输入层的神经元，SOM网络的输入层为一维，SOM网络的输出层为一个有6×6输出神经元的二维网络，输出层的神经元排成一个邻域结构，每个神经元同它周围的其他神经元侧向连接，每个输入神经元都连接至所有输出神经元；SOM网络的初始连接权值为IW＝[w1，w2，...，w8]36×8，SOM网络的初始阈值为其中，w1，w2，...w8为较小的非零随机数；步骤4、自适应遗传算法的编码方式采用实数编码方式，每个个体均为一个实数串组成的染色体，将SOM网络的初始连接权值和阈值编码为若干染色体组成的初始种群；步骤5、采用误差平方和的倒数作为每个个体的适应度函数，具体计算式如下：fi=1F=1Σin(yi-yi*)2]]>其中，fi为第i个个体的适应度值，yi实际输出值，F为误差平方和，为理想输出值，根据所选取的适应度函数，计算每个个体的适应度值；步骤6、根据每个个体的适应度值，选择个体适应度值高的染色体进行复制、交叉和变异操作，产生新的种群；步骤7、获取最优的SOM网络权值和阈值；步骤8、对SOM网络进行学习和训练，更新权值和阈值；步骤9、判别精度满足要求或达到最大迭代次数是否成立；如果成立，则执行步骤10；如果不成立，则执行步骤8；步骤10、将采用自适应遗传算法优化后的SOM网络作为分类器，对正常、齿面磨损、齿面划痕和断齿四种状态的齿轮进行故障诊断，并输出诊断结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘景艳，张伟，郭顺京，王晓卫，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。