一种基于鱼群算法优化BP网络的齿轮箱故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110097143A(43)申请公布日2019.08.06(21)申请号201910455439.6(22)申请日2019.05.29(71)申请人上海海事大学地址201306上海市浦东新区海港大道1550号(72)发明人唐刚朱立军胡雄周浩(51)Int.Cl.G06K9/62(2006.01)G06N3/00(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于鱼群算法优化BP网络的齿轮箱故障诊断方法(57)摘要本发明公开了一种基于鱼群算法优化BP网络的齿轮箱故障诊断方法。针对标准人工鱼群算法中的两个主要参数视野和步长的固定机制，本发明首先对原有的鱼群算法进行改进，提出了一种动态自适应人工鱼群算法(DLAFSA)，再利用动态自适应人工鱼群算法优化BP神经网络的初始权值和阈值，构建了DLAFSA-BP网络模型，并应用于齿轮箱故障诊断。本发明充分发挥了算法运行前期人工鱼群算法的全局寻优能力和后期BP神经网络精细的局部搜索能力，可以更准确、可靠地识别齿轮箱的故障。本专业技术人员只需要将该方法用于采集到的齿轮箱振动数据，即可判断出故障类型，同时解决了传统齿轮箱故障诊断技术的精度低、可靠性差的问题。CN110097143ACN110097143A权利要求书1/2页1.一种基于鱼群算法优化BP网络的齿轮箱故障诊断方法，其特征在于，包括以下步骤：步骤一、利用加速度传感器采集齿轮箱变速系统的振动信号，得到正常、保持架断裂故障、断齿故障、轴承外圈故障、组合故障(同时存在齿轮断齿和外圈裂纹)五种状态下的振动数据；步骤二、提取故障特征参数，根据各指标对齿轮箱五种不同工况的敏感性提取特征参数，并进行归一化处理；步骤三、将上述提取并作归一化处理的特征参数作为动态自适应人工鱼群算法优化的BP神经网络(DLAFSA-BP)的输入，齿轮箱的五种状态作为网络输出；步骤四、利用DLAFSA-BP网络模型获得齿轮箱故障诊断结果。2.根据权利要求1所述的基于鱼群算法优化BP网络的齿轮箱故障诊断方法，其特征在于，步骤三中，将标准人工鱼群算法中的两个主要参数视野和步长的固定机制调整为一种动态机制，利用Logistic模型的动态变化性对参数visual进行调整，设视野visual的变化范围为[visualmin，visualmax]，参数visual的变化设定为公式：则visual的计算公式为：其中，t为算法的迭代次数；α为初始衰减速度，α值越大，visual下降速度越快；设置步长Step随视野visual的动态自适应变化规律如下式：Step＝β*Visual(3)其中，β为视步系数0<β<1；2)在改进的鱼群算法中，忽略原有的拥挤度因子。公告板中记录每次人工鱼执行一个行为后食物浓度最高的人工鱼状态，迭代过程中始终保证公告板中人工鱼的状态是最优的；结合公告板的鱼群聚群行为表达式如下：其中，rand表示[0，1]之间的一个随机数；Xc表示第t次迭代时，邻域内n(t)条邻居鱼的中心位置；ggbx表示公告板中人工鱼的状态；Xnext(i)表示第i条人工鱼的下一个状态；式(4)中Xc的计算公式如下：其中，Xmi表示人工鱼Xi的第m(0<m<n(t))条邻居鱼；结合公告板的鱼群觅食行为表示式如下：2CN110097143A权利要求书2/2页其中，Xmax表示人工鱼Xi邻域结构内食物浓度最高的那条邻居鱼；利用所述的自适应动态鱼群算法优化BP神经网络，其具体步骤如下：1)确定BP神经网络拓扑结构，包括网络层数和每一层网络的神经元数目；2)根据网络结构随机初始化N条人工鱼，形成初始鱼群；3)设置动态自适应人工鱼群算法(DLAFSA)的参数，包括重复探索次数try-number，最大迭代次数T，视野范围[visualmin，visualmax]，衰减速度α，视步系数β；4)计算初始鱼群中每条人工鱼的食物浓度。将人工鱼的状态设为神经网络的初始权值和阈值，每条人工鱼都对应一个神经网络，神经网络训练误差的倒数作为人工鱼的食物浓度；5)运行DLAFSA算法，算法结束后，提取公告板中人工鱼的状态ggbx；6)将公告板中人工鱼的状态ggbx作为初始权值和阈值赋给BP神经网络；7)训练BP神经网络，并用训练好的网络进行故障诊断；将人工鱼的状态设为神经网络的初始权值和阈值，神经网络训练误差的倒数作为人工鱼的食物浓度，则网络权值和阈值的寻优过程如下：对一拓扑结构为I-J-K的神经网络，将人工鱼的状态X表示为一个I*J+J+J*K+K维向量：X＝(w11...wi1,b1,...,w1j...wij,bj,v11...vj1,a1,...,v1k...vjk,ak)(7)其中，