基于小波包与PCA遗传神经网络相结合的齿轮箱故障诊断方法-论文.pdf

《基于小波包与PCA遗传神经网络相结合的齿轮箱故障诊断方法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、化工自动化及仪表第41卷基于小波包与PCA遗传神经网络相结合的齿轮箱故障诊断方法罗毅甄立敬(华北电力大学控制与计算机工程学院，北京102206)摘要针对风电机组齿轮箱振动信号非平稳、不确定的特点，提出基于小波包与PCA遗传神经网络相结合的风电机组齿轮箱故障诊断方法。该方法选取振动信号的峭度和峰值作为时域特征值，利用小波包算法提取频带能量和二范数作为时频域特征值。考虑到特征值之间的相关性，利用主成分分析法确定主成分，从而减少神经网络的输入变量。利用遗传算法对BP神经网络权值和偏置进行优化，建立遗传神经网络的故障诊断模型。仿真测试结果证实了算法的有效性。关键词风电机组齿轮箱故障诊断故障特征小波

2、包分解遗传算法BP神经网络中图分类号TH165．3文献标识码A文章编号1000—3932(2014)02-0144-06齿轮箱是风电机组的关键部件，也是机组中经网络在机械故障诊断中的应用及实例。BP故障发生率最高的部件，故障百分比已超过神经网络具有较强的非线性拟合能力，遗传算法60％⋯，齿轮箱一旦发生问题维修非常不便。因是一种高效、并行且全局搜索的方法。此，加强对风电机组齿轮箱的监测和故障诊断，对笔者利用遗传算法与神经网络结合能有效地降低风电场维护费用和提高风电场运行的经济效解决传统BP网络的收敛速度慢、易陷入局部极益具有重要意义。小值的缺陷，并提高网络的学习精度’m。提出齿轮箱故障诊断已

3、成为目前国内外热门的研了一种小波包和PCA遗传神经网络相结合的风究课题之一。郭艳平等通过小波分析等方法诊断电机组齿轮箱故障诊断方法。该方法选取振动信了其故障类型和部位，但是小波分析只是对低中号的峭度和峰值作为时域特征值，利用小波包算频段部分做了分解，而机组的故障特征信号也存法提取频带能量和二范数作为时频域特征值。利在于高频信号中。小波包分解能够较好地提取用主成分分析法消除特征值之间的相关性，得到出振动信号在各个频带上的特征信息，并通过这的新变量作为神经网络的输入。利用遗传算法对些频带上的信息表征齿轮的运行状态。笔者采BP神经网络权值和偏置进行优化，建立遗传神经用小波包提取时频域特征值。宋崇

4、智等建立了基网络对故障进行诊断。于改进Elman神经网络的齿轮箱故障诊断模型，1小波包与PCA遗传神经网络结合算法虽然该方法具有收敛快且能避免局部最小的优1．1小波包分解点，但是只提取频域特征值作为神经网络的输小波包算法是一般化的小波变换，对信号的入。笔者充分考虑故障与时域和时频域特征值低、高频都需要进行分解，弥补了小波分析的不之间的因果关系，选择提取时域和时频域特征值。足¨，齿轮箱发生故障时不同故障类型的振动信龙泉等提出了一种基于粒子群优化BP神经网络号在相同频带内信号的能量和二范数会发生变风电机组齿轮箱故障诊断方法，有一定的实用性，化，它使得一些频带内的信号能量有增大或减小但是选择的输

5、入之间具有一定的相关性。主成的趋势，因此，在各频带成分信号的能量和二范数分分析法可以用较少的互不相关的综合变量来反中包含着丰富的故障信息。所以笔者选用利用频映原变量所提供的绝大部分信息，笔者利用主成分分析法消除相关性，确定主成分，从而减少神经收稿日期：2013-08-02网络的输入变量。张新海和雷勇介绍了BP神基金项目：国家自然科学基金资助项目(61273144)第2期罗毅等．基于小波包与PCA遗传神经网络相结合的齿轮箱故障诊断方法145带能量和二范数来构造振动信号的特征向量，其b．建立相关矩阵R，并计算其特征值和特征构造过程如下：1向量。R=—y，其中Y为标准化后的数据矩f1．利用db小

6、波对采集来的信号S(t)进行，‘一1三层小波包分解，从而获得从低频到高频的8个阵。求得R的特征值为A。≥A≥⋯≥A和相应小波包分解系数。的特征向量a{=(fl'口⋯，)。，i=1，2，⋯，P。b．对小波包分解系数进行单节点重构，提取C．计算方差贡献率和累积方差贡献率P08个频带范围的重构信号s(．『=0，1，⋯，7)，它分口(k)，卢=A／I∑A，／3(k)=_∑A／XA。别包含了故障信号从低频到高频的信息。d．求出主成分=，若V∈,ZYaOl(0，1)，且当c．求给频带的能量和二范数。频带能量卢(s)≥，则z，，z：，⋯，z称为样本，：，⋯，。E=fIs；ldt：．∑．1I，当能量较大时

7、，通常是的显著性水平为OL的主成分。其中口(s)为第sJ1一个较大的数值，分析时很不方便。可对其进行归个主成分累计贡献率。以z，z：，⋯，z来代替，：，⋯，，既降低了输入维数又消除了原样本一化处理，OPE=—，归一化的特征向量为空间的自相关性。／∑lEfl1．3遗传神经网络建模R=[，E。，E：，E，，E4，，，E]。二范数构造的笔者采用遗传算法优化神经网络的初始权值特征向量R2=[A。，A。，A2，A3，A，A5，A6