[发明专利]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

权利要求书

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X_i和速度V_i，最大迭代次数epoch_max，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/epoch_max)^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＝ω_min+(ω_max-ω_min)·y(epoch)计算惯性系数ω，ω_min和ω_max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X_kj＝X_kj+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f_it[i]，并与其个体最优值P_i进行比较if f_it[i]＞P_i then P_i＝f_it[i]，求解全局最优值G_i，即if P_i＞G_ithen G_i＝P_i；

步骤22.5、根据式更新粒子的速度V_i和位置X_i；当达到最大迭代次数或者粒子群的最优值符合某阈值ε时，则输出结果即可得到新的粒子样本

7.如权利要求6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23中，计算重要性权值包括，

采样重要性权值的计算公式为权值归一化计算公式为