[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

说明书

本发明公开了一种基于BP神经网络和主元分析法的齿轮箱故障诊断方法及系统，本方法包括：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；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；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；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。本发明将BP神经网络与主元分析和粒子滤波相结合，能广泛应用于不同类型的齿轮箱故障诊断，且具有较高识别率和精度，普适性高。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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，本发明将BP神经网络与主元分析和粒子滤波相结合，能广泛应用于不同类型的齿轮箱故障诊断，且具有较高识别率和精度，普适性高。

本发明所采用的技术方案是：

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，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。

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。

进一步地，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。

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。

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。