【技术实现步骤摘要】
基于BP神经网络和主元分析法的齿轮箱故障诊断方法及系统
本专利技术涉及齿轮箱故障诊断方法，具体涉及一种基于BP神经网络和主元分析法的齿轮箱故障诊断方法及系统。
技术介绍
齿轮箱是用来改变转速和传递动力的常用机械设备，由于齿轮箱本身工作环境恶劣，容易受到损害和出现故障。当齿轮箱发生机械故障时，总会出现噪声和振动等现象。想要通过振动信号来准确的识别故障类型，需要对振动信号进行有效的去噪处理，以排除噪声对故障特征的干扰和影响。粒子滤波，即通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”。粒子滤波算法是一种处理非线性信号的有效算法，该算法在故障诊断、导航定位、无限通讯等诸多领域应用广泛，是当今国内外研究的热点。但是，粒子滤波算法易于陷入局部极值的缺陷，识别率和精度低，对于不同的齿轮箱，普适性不高。
技术实现思路
本专利技术的目的是提供一种基于BP神经网络和主元分析法的齿轮箱故障诊断方法及系统，...
【技术保护点】
1.一种基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：包括步骤，/n步骤1、采用正常和若干种不同故障状态的齿轮作为实验模型，采集振动信号；/n步骤2、运用改进的粒子滤波算法对采集的振动信号进行降噪处理；改进的粒子滤波算法是将遗传变异算法和粒子群优化算法结合并引入到粒子滤波算法的采样过程中；/n步骤3、对降噪后的振动信号进行主元分析，获得优化和选取的特征值；/n步骤4、构建BP神经网络模型，根据获得的特征值进行齿轮箱故障识别，并运用四折交叉验证精确度。/n
【技术特征摘要】
1.一种基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：包括步骤，
步骤1、采用正常和若干种不同故障状态的齿轮作为实验模型，采集振动信号；
步骤2、运用改进的粒子滤波算法对采集的振动信号进行降噪处理；改进的粒子滤波算法是将遗传变异算法和粒子群优化算法结合并引入到粒子滤波算法的采样过程中；
步骤3、对降噪后的振动信号进行主元分析，获得优化和选取的特征值；
步骤4、构建BP神经网络模型，根据获得的特征值进行齿轮箱故障识别，并运用四折交叉验证精确度。
2.如权利要求1所述的基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：在步骤1中，振动信号通过加速度传感器和动态模拟器采集；采集前，根据正常和若干种不同故障状态的齿轮的参数信息分别确定加速度传感器的参数和动态模拟器的参数。
3.如权利要求2所述的基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：正常和若干种不同故障状态的齿轮的参数信息包括齿轮的尺寸、裂纹角度和微裂纹的位置，加速度传感器的参数包括安装位置和工作参数，动态模拟器的参数包括安装位置和采集参数设置。
4.如权利要求1所述的基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：在步骤2中，改进的粒子滤波算法包括步骤，
步骤21、初始化；
步骤22、优化粒子集样本分析；
步骤23、计算重要性权值；
步骤24、重采样；
步骤25、输出。
5.如权利要求4所述的基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：在步骤21中，初始化包括在k＝0时刻，根据P(x0)分布采样得到即初始化群体数目N，学习因子C1和C2，惯性系数ω，初始粒子的位置Xi和速度Vi，最大迭代次数epochmax，预设变异率m。
6.如权利要求5所述的基于BP神经网络和主元分析法的齿轮箱故障诊断方法，其特征在于：在步骤22中，优化粒子集样本分析包括步骤，
步骤22.1、按式y(epoch)＝(1-(epoch/epochmax)α)β计算控制函数y(epoch)，epoch为迭代次数，α和β为变异控制系数；
步骤22.2、按式ω＝ωmin+(ωmax-ωmin)·y(epoch)计算惯性系数ω，ωmin和ωmax分别为最小惯性系数和最大惯性系数；
步骤22.3、根据式u＝m·y(epoch)计算变异率u，根据式M＝[N*u]计算变异粒子数M，按式Xkj＝Xkj+rand*y(epoch)进行变异操作；
步骤22.4、对于每个粒子，按式计算适应度值fit[i]，并与其个体最优值Pi进行比较iffit[i]＞PithenPi＝fit[i]，求解全局最优值G...
【专利技术属性】
技术研发人员：陈汉新，黄浪，苗育茁，王琪，柯耀，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42
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。