[发明专利]一种基于改进PSO-BP神经网络齿轮箱故障诊断方法及装置

说明书

本发明提供了一种基于改进PSO‑BP神经网络的齿轮箱故障诊断方法及装置，故障诊断方法具体包括以下步骤：(1)采集齿轮箱正常状态的振动信号以及不同故障状态下的振动信号；(2)对数据样本进行打标签；(3)通过归一化方法对数据进行归一化处理；(4)采用主成分分析法对数据进行降维处理；(5)采用改进后的PSO算法优化BP神经网络权值和阈值，基于优化后的BP神经网络建立齿轮箱故障诊断模型；(6)利用所述优化后的BP神经网络故障诊断模型进行训练，得到最终的基于改进PSO‑BP神经网络故障诊断模型。本发明提供的故障诊断方法及装置有效的提高了齿轮箱故障诊断的准确率，对于提高安全生产效率、降低经济损失，具有重要的实际工程意义。

技术领域

本发明涉及旋转机械故障诊断技术领域，具体涉及一种基于改进PSO-BP神经网络齿轮箱故障诊断方法及装置。

背景技术

齿轮箱作为机械设备的重要部件，在机械领域中有着广泛的应用，其运行状态正常与否直接决定了整台机械设备的运行情况。齿轮箱是一个结构复杂的系统，其中不仅包含起整体支撑和密封作用的箱体，还有传递动力和运动的齿轮、轴、轴承，以及其它必要的构件等。如果齿轮箱在运行过程中产生故障问题，不仅会给生产效益带来一定的损失，而且还会对人身安全造成伤害。因此，为了保障设备正常运行和保护生命财产安全，对齿轮箱的运行状态进行及时的评价具有重要的应用价值和意义。

传统齿轮箱故障诊断方法是分析收集到的振动信号的频谱,然后通过人工或机器模式识别判断是否有故障。然而，由于齿轮箱故障的原因与征兆之间关系存在不确定性、由于季节和环境等因素也会对正确诊断产生较大影响，导致齿轮箱故障错判、漏判率较高，对设备的正常运行造成较大安全隐患。因此，研究齿轮箱故障诊断方法，对于保障设备的安全运行至关重要。

近年来，由于人工智能技术的发展步伐加快，进而促进故障诊断技术也进入一个崭新的阶段。基于人工智能的齿轮箱故障诊断技术不需要故障原因与征兆之间精确的物理模型，可以很好地解决不确定性问题。因此，进一步深入研究基于人工智能的齿轮箱故障诊断方法，提高诊断效率和准确率，对于提高安全生产效率、降低经济损失，具有重要的实际工程意义。

发明内容

本发明提供了一种基于改进PSO-BP神经网络齿轮箱故障诊断方法及装置，将改进的粒子群算法(Particle Swarm Optimization,PSO)和BP神经网络相结合，提高齿轮箱故障诊断的准确率，弥补神经网络算法在故障诊断领域存在的不足。

为实现上述目的，本发明提供了如下的技术方案：

一种基于改进PSO-BP神经网络齿轮箱故障诊断方法，具体步骤如下：

步骤1000：采集齿轮箱正常状态的振动信号以及不同故障状态下的振动信号，形成第一数据集，所述第一数据集是一个n×m的矩阵，其中，n为所测数据的样本数，m是传感器个数；

步骤2000：对所述第一数据集中的数据样本打标签，采用0、1组合来表示正常工作状态和故障状态，形成第二数据集；

步骤3000：通过归一化方法对所述第二数据集中的数据进行归一化处理，形成第三数据集，数据归一化采用Min-Max归一化方法，归一化公式采用公式(1)进行计算：

公式(1)中，MaxValue表示样本数据的最大值；MinValue表示样本数据的最小值；x表示样本原始数据；y表示归一化之后的数据；

步骤4000：采用主成分分析法对所述第三数据集中的数据进行降维处理，形成第四数据集，所述步骤4000进一步包括步骤4100-步骤4600：

步骤4100：齿轮箱第三数据集中的n个样本，每个样本测得m个属性，将这n×m个数据构成矩阵X：