结合小波包和改进的BP神经网络的齿轮箱故障识别
中专
结合了小波包和BP神经网络的改进齿轮箱的故障识别。时建峰1’2路线也是1许征途2史少辉3点伟4按钮效果鹏5
(1太原理工大学机械与电子工程研究所太原，030024 ) 2石家庄学院国有资产管理处石家庄，050035 )。(3石家庄学院物理系石家庄，050035 ) )《石家庄学院科学研究所石家庄，050035》(5 《石家庄学院学报》编辑部石家庄，050035 )。摘要利用小波包分解技术提取齿轮箱振动信号中的故障特征向量，以此作为改进BP神经网络的输入对神经与联系人进行了培训，制作了用于识别齿轮箱运行状态的齿轮箱运行状态识别器。 实验结果表明，小波包分解与神经网络合齿轮箱齿轮故障识别方法可靠，能准确识别齿轮箱故障。关键词包BP神经网络齿轮箱故障识别中图分类号TH 133.33查词
齿轮箱是机械装备的重要组成部分易故障部件，其运行状态对整机的
对工作绩效有很大的影响。 因此，齿轮箱故障诊断技术手术研究受到广泛关注和重视，科技工作者为此而开展示了很多研究。传统的信号时域、频域分析方法是齿轮箱故障
诊断奠定了坚实的基础，解决了许多实际问题[1]。 一起各种新技术应运而生，目前面向齿轮箱故障诊断技术也发展了。 例如，小波变换、神经网络等提高故障诊断的准确性和快速性。 本文利用小以每个频带的能量作为故障特征值的分组分解技术结合当前非线性逼近能力强的BP神经网络对特对特征值进行了分类，提出了小波包与BP神经网络的结合的齿轮箱故障识别方法。1小波包分析与BP神经网络的基本原理
I.1从小波包中提取能量特征量的方法小波包分析在小波分析的基础上提高
高频分辨率为信号提供了精细的分析方法。 因为.山西省科技攻关项目(编号： 2007032054。受理日期： 2008—12—15； 修订版的收到日期： 2009-07-30。该小波包具有广泛的应用价值。时间信号工厂(的最高频率为(，w )。 (t )=工厂()，小波包分解的定义如下[2-3wz.(f )=h ) k ) w。 (2z一五) )1) )。jZ
Ji1(t )=g ) k ) w.) 2t (一五) (2) ) ) ) ) ) ) ) ) ) ) ) w.)对工厂(f )，分解层小波包，(得到组小波包系数分别为硼j、i 9i=0,1、1、1、…、2。 1、这27组系数的对对应的频带为[专^，等无]。
E“=0斯. f II 2=I I靴. f () (I 2 )”滴滴涕、密码—val定理为"，可知时域计算信号能量和频域计算能量因为量是一致的，所以各频带的能量以西'日. r为基础
素可结构化的特征向量是T_--I-Ej .e、…、日.一。 ]，令由于e----max(w川)，所以特征向量可以归一化为脚=[日]。 /e，E/E，e加，一。 /E3，以脚为特征值的神经网络点击1.2 BP神经网络
BP神经网络是目前应用最广泛、发展最快的为了成熟的神经网络，它由三层神经元组成，即输内层、抑制层、输出层[s]。 输入神经元的数量故障特征向量x=(z )。z。…、岛)的元素数、输出层神经元数等于故障模式矢量y1(y-，Yz，y )。 ）万方数据322振动，测试和诊断第29卷
的因素数、抑制层神经元数的选择一般取决于试验检查的方法被确定。理论上，标准BP算法的误差可以任意达到
意思很小的程度。
教务网络系统
)2)从数学上看，BP算法是梯度最快的下下降法，这可能会产生局部极小问题。 如果局部变得极小的情况下，表面上误差满足条件，但得到的解并不一定问题的最优解。 因此，标准BP算法尚不完善。本文采用动量法和学习速度自适应调整两种策略为了稍微改善一下神经网络：(1)添加动量项)普通BP网络的学习算法利用梯度下降法进行f吸引，即
咄，(一七)7(aEp/旭，)3) ) ) )。其中，17是作为学习速度e、傍晚的样本的网络输出错误差； %是权重%的修正值。推导上式
咄f—r13，x，(4) ) ) ) ) ) ) ) ) ) ) ) )0) )如果没有附加的动量，网络有可能陷入浅的局部极小值有可能利用附加动量的作用在此滑动几个极小值。 此时，的修正值为’
Awu (研1 )=机械地otAzolj )，1 ) (5) ) ) ) ) ) )。)2)学习率和运动量项的调整：对参数端口和r/进行通过自适应调整，可以减少寻找学习速度的训练次数以及训练时间，允许网络在训练的不同阶段自动设置口为了提高学习速度，宣传大小。2小波分析与BP神经网络的结合目前，小波分析与神经网络的结合方式松散
型键和紧凑型键[7]。 松散耦合，aptJ，波分析工作向神经网络提供输入给神经网络预处理手段特征向量。 紧凑结合，即小波函数和尺度函数形成为神经元，形成小波和神经网络的直接融合。 正文为利用小波和神经网络的稀疏耦合方式进入齿轮箱进行故障排除。 图1是本文齿轮箱故障诊断的框图。3基于小波包分析和BP神经网络齿轮箱故障识别
本节通过试验室齿轮箱测试系统验证本文的提交振动信号预处理
小波包提取能量特征值学习样本
求解诊断对象样本IIBP神经网络期待输出l|实际输出南.磊
得出故障类型求出修正权值图1齿轮箱故障诊断框图方法在齿轮箱故障诊断中的有效性。3.1齿轮箱试验系统
齿轮箱试验装置及传感器测定点配置如图2所示能表示出来。 试验台部分主要由齿轮箱、电机、变频器可以与磁粉装载机等组合，通过变频器将电机控制在一定范围内
内转，齿轮箱齿轮齿数z。 一三一、z=69，模量Z't，/一-----------------------------------------------------------=========-- -。3 )轴承型号为6206，磁粉装载机起到负载作用。图2齿轮箱试验装置及传感器测量点的配置示意图齿轮箱振动信号的检测系统由传感器、放大
由机器和测试机器等构成。 本试验采用kistlerlCP型3轴加速度传感器检测齿轮箱壳体表面的振动加速度信号； 使用ST-1型涡流传感器测量输入轴的转速。测试仪器采用了奥地利DEWETRON公司开发的16通道信号分析仪和附属软件的软件包、采样频率率工厂j=2,000Hz。万方数据
三期高峰建设等：结合小波包和改进BP神经网络的齿轮箱故障识别3233.2提取齿轮箱运行状态的特征向量
关于齿轮箱正常、齿面磨损、断齿、轴承内轮故障和外轮故障的5种情况分别利用db5小波对对齿轮箱振动信号进行三层小波包分解，得到8个利用频带的小波包变换系数，针对每个频繁的能量进行计算，然后，经过归一化处理，按照e(3，I )、I---0、1、…、7顺序作为BP神经网络的输入3.3编制齿轮箱运行状态分类器设立神以将故障的特征信号分类
网络模型。 该模型采用三层BP神经网络，输入和输出层神经元分别为8和1，用于选择隐层神经元数量
一直以来都没有理论依据，笔者经过多次网络的训练，发现选择是隐性的层神经元为6的网络可以获得较好的分类效果和收敛速度。 输入神经元和输出神经元的传递函数被选择为线性传递传递函数purelin，隐层神经元的传递函数选双曲正切s型传递函数tansig，目标误差为le-3。 神经网络采用改进的BP神经网络，学习函数为梯度下降动量学习函数learngdm的运动量因子为0.9。3.4识别齿轮箱的运行状态针对齿轮箱的5种情况，分别给出15个学
教学诊改
表1经小波包处理的部分诊断故障样本籁好吵
jI|】j麟，~
迭代次数
图3BP改进算法的误差-训练次数曲线2部分神经网络诊断结果万方数据
324振动，测试和诊断第29卷表3齿轮箱检查样品的测试结果4结论
)1)小波包分解是一种有效的齿轮箱振动信号特征提取方法可以提取振动信号在各个频带的特征特征信息、各频带中信号的能量构成的运行状态的特征向量很好地表示齿轮箱的运行状态。(2)采用动量法和学习速度适应的BP神经网络有效地抑制和缩短了网络陷入局部极小学习时间是机器故障诊断的有效方法。)3)结合小波包分解和神经网络的齿轮箱轮齿车轮故障的识别方法可靠，能够正确识别齿轮箱麻烦。)4)本文提出的故障识别方法，相对于其他旋转机机械故障识别也具有参考价值。
参考文献
[1]李晓虎、贾民平、许飞云.频谱分析法在齿轮箱故障诊断断中应用[J] .振动，测试与诊断，2003，23 (3) 168—170。
(美) Percival D B WaldenWavelet A T.Methods fortime series analysis[M] .程正兴，译.北京：机械工业出出版社，2006年。周伟. MATLAB小波分析高级技术[M] .西安：西安电子科技大学出版社，2005年
葛哲学，陈仲生. Matlab时频分析技术及其应用[M]。北京：人民邮电出版社，2006年张乃尧，阎凡.神经网络与模糊控制[M] .北京：清华大学出版社，1998年蒋宗礼.人工神经网络导论[M] .北京：高等教育出版公司，2003年。
杨勇、程也、陈法法。 基于小波包和BP神经网络的角色轴承故障诊断[刀煤矿机电，2008(1) 20—22。侯新国、夏立、吴正国等.基于小波和神经网络的异步电机故障诊断方法研究[J] .数据采集与处理，2003，3 (1) 32—36。第一作者简介：时建峰男，1983年8月月生，硕士。 主要研究方向是机械设备信号分析和故障排除。 发表了《BP神经》网络在振动筛故障诊断中的应用”《动、测试与诊断》2007年增刊)等论文。
E—mail:[email protected]]]]]]]]
眼睛d
I！ l人口K
人口豳
万方数据
结合小波包和改进的BP神经网络的齿轮箱故障识别作者：时建峰、程也、许征途、史少辉、时伟、钮效鹈
作者单位：时建峰(太原理工大学机械与电子工程研究所，太原，030024； 石家庄学院国有资产管理处，石家庄庄，050035 )、程也(太原理工大学机械与电子工程研究所，太原，030024 )、许征途(石家庄学)。院国有资产管理处，石家庄，050035 )、史少辉(石家庄学院物理系，石家庄，050035 )、时伟(石家庄学院科学研究所，石家庄，050035 )、牡丹效果鹈(《石家庄学院学报》编辑部，石家庄、050035 )刊名：振动、测试与诊断
英文刊名： journalofvibrationmeasurementdiagnosis年，卷(期) 2009，29 )3)参考文献(第8条)。
1 .侯新国； 夏立； 程也； 陈法基于小波包和BP神经网络的滚动轴承故障诊断[期刊论文]——煤矿机电2008(01 ) )。3 .蒋宗礼人工神经网络导论20034 .张乃尧； 阎凡神经网络与模糊控制1998
5 .葛哲学； 陈仲生Matlab时频分析技术及其应用20066 .周伟MATLAB小波分析高级技术2005
7.Percival D B； Walden Wavelet A T； 程正兴methodsfortimeseriesanalysis 20068 .李晓虎； 贾民平； 许飞云谱分析法在齿轮箱故障诊断中的应用([期刊论文]-振动测试与诊断2003(03 ) ) ) ) ) ) ) ) )振动测试与诊断2003(03 ) )本文链接： http://d.g.wanfang data.com.cn/periodical _ zdcsyzd 200903017.aspx