基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

发布时间：2021-10-02 08:16

　　为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。 

【文章来源】：机床与液压. 2020,48(17)北大核心

【文章页数】：4 页

【部分图文】：

小波包分解

通过遗传算法优化BP神经网络的初始权值和阈值,把权值与阈值结构作为个体,每个个体均由实数编码构成,通常需要4个部分构成:输入-隐含层权值、隐含层阈值、隐含-输出层权值、输出层阈值。图2所示为GA-BP神经网络模型。利用个体适应度f(Si)(i=1,2,......,Psize)计算各个体的选择概率:

使用IGA-BP神经网络进行样本训练,迭代进化速度明显加快,适应度达到最优。同时,计算时间比BP神经网络快了4倍。利用改进遗传算法优化后,IGA-BP网络不仅能减少网络的收敛次数还能加快网络训练时间,降低总体误差,改善了迭代速度慢的缺点。适应度随迭代数变化曲线如图3所示。4 小波分解构成的样本集

【参考文献】：
期刊论文
[1]基于VMD共振稀疏分解的滚动轴承故障诊断[J]. 杨伟,王红军.  电子测量与仪器学报. 2018(09)
[2]基于遗传算法的BP神经网络的LED寿命预测模型[J]. 吴志杰,孔凡敏,李康.  半导体技术. 2018(05)
[3]基于小波包分解与权重包络谱的滚动轴承故障特征增强[J]. 陈慧,胡俊锋,熊国良.  机械设计与研究. 2017(03)
[4]基于小波包-GABP的滚动轴承故障诊断分析[J]. 张晴,高军伟,张彬,毛云龙,董宏辉.  青岛大学学报(工程技术版). 2017(02)
[5]一种基于改进遗传算法的神经网络优化算法研究[J]. 刘浩然,赵翠香,李轩,王艳霞,郭长江.  仪器仪表学报. 2016(07)
[6]基于经验小波变换的轴承故障诊断研究[J]. 冯博,李辉,郑海起.  轴承. 2015(12)
[7]基于小波降噪和改进HHT的滚动轴承故障诊断方法研究[J]. 孙国光,刘小平,马立静.  煤矿机械. 2015(09)
[8]基于遗传算法的BP神经网络滚动轴承故障诊断[J]. 唐立力,吕福起.  机械设计与制造工程. 2015(03)
[9]基于小波包分解和EMD的滚动轴承故障诊断方法研究[J]. 文妍,谭继文.  煤矿机械. 2015(02)

硕士论文
[1]基于遗传算法的BP神经网络的优化研究及MATLAB仿真[D]. 任谢楠.天津师范大学 2014



本文编号：3418315