【基于GA-ACO-BP的齿轮箱和轴承关键部件故障诊断方案设计5200字】

[57]。由于在使用过程中，轴承的内外圈和滚动体之间不可避免的会存在一定的振动，使得内外圈和滚动体存在一定范围的频率，其表达式为：内外圈频率：fio滚动体频率：fb内圈出现故障时的频率：fi外圈出现故障时的频率：fo滚动体出现故障时的频率：fb图1.2轴承各部分结构1.1.3GA-ACO-BP算法思想通常BP神经网络的各层初始参数由人为选取，这将导致算法的学习过程和最终结果存在不稳定性；同时，随机给定参数可能导致在训练过程中需要反复的修改，使得算法的训练时间过长。考虑到ACO算法能够实现参数的优化和组合，尝试将其用于BP的参数选择。在使用ACO寻优的过程中，一般选择路径长度作为判断标准。在本次的参数组合问题中，决定使用BP的诊断误差作为判断标准。在一个结构为m×p×n的网络中，所有参数的个数为m+n+1p+n。也就是说，每一只蚂蚁要选择的节点数为l=m+n+1p+n。在这在蚁群算法中，信息素的初始情况可以直接影响蚂蚁的选择过程。然而，在初始化蚁群时，一般将信息素浓度设置为同一数值，使得算法易陷入局部最优。基于上述原因，尝试通过遗传算法调整蚁群的初始信息素。给定信息素浓度范围作为GA的求解问题，多次运行GA算法，将最终结果作为初始信息素。1.1.4GA-ACO-BP算法流程将GA-ACO算法用于BP神经网络各层参数的选择和组合，其主要步骤及各步的详细操作包括：第一步，初始化GA的相关参数，设置ACO中信息素的范围作为GA的求解问题，执行GA。第二步，初始化BP神经网络和蚁群。初始化所需参数的范围，形成元素集合Ini。选择恰当的蚂蚁数量S，信息素挥发系数ρ以及目标误差E第三步，S只蚂蚁开始搜索并更新信息素。蚂蚁随机选择各个节点，直到全部的蚂蚁完成选择。同时，蚂蚁会根据下面公式完成信息素的更新。τj第四步，对蚁群执行相关操作。将神经网络算法的误差作为本次实验的适应度函数并计算其大小，判断是否达到问题的要求，是则进入到下一步，否则转入第三步。第五步，将上一步中蚁群算法的结果作为BP神经网络的参数，训练神经网络，计算误差e。eq其中，Oq表示实际值；Yq表示预测值；第六步，根据第五步的结果更新BP神经网络的所有参数。判断是否达到要求，是则全部算法结束，输出故障特征，否则转入第四步。图1.3GA-ACO-BP算法流程图1.2基于GA-ACO-BP的关键部件故障诊断实验及分析1.2.1齿轮箱故障诊断1.2.1.1数据预处理和特征提取本实验齿轮箱数据集包括前文所述四种故障及正常状况下数据，数据集大小为150M，采样频率2000*2.56hz。首先，为了使数据更加规范，需要对其进行处理，去除异常值和噪声值。本文使用小波变换对数据集中的某些信号完成消噪处理。小波变换共包括两个基本的部分：小波分解和小波重构。本文选用coif5函数完成7层分解，分解过程1-3层置为0，4-7层使用软阈值函数。随后根据处理结果完成小波重构，得到处理后的数据。图1.4为数据处理前后的效果。a.正常信号b.点蚀信号c.点蚀磨损信号d.断齿信号e.磨损信号图1.4小波变换降噪前后对比图在完成对相关数据的预处理之后，还需要对所得数据进行适当的特征选取。首先通过FFT完成对数据的时频域转换；根据所选择的特征完成两种域下的特征提取；随后对提取到的所有时频域特征值做归一化处理，计算公式为：xi表1.1部分样本特征值归一化结果。相关指标正常0.316217270.297297690.162719960.280125960.0022543950.0150513300.1342301080.540244580.518429720.192051880.568610790.0636249210.0175598850.144985087点蚀故障0.672502780.671111760.780017770.65625510.0015870410.0086788400.0643219740.626402290.624922450.851132370.5667226800.0101253140.069475673点蚀磨损0.260863330.243447410.493751330.4179560.0602409770.0285481340.1700224890.257769380.240480050.355494010.369144460.0682731080.0333061560.183645278断齿故障0.606705990.597659740.582963240.746215130.0003980190.0175514790.1041944630.695954240.687924660.669205190.809072140.0984028150.0204767260.112542883磨损故障0.304561930.283646950.358638250.533414190.0002952630.0347542530.1985230790.24013730.222135240.28737220.496601690.0004133680.0405466280.2144294331.2.1.2实验验证及结论由于经典的3层BP神经网络就能够实现从n维到m维的函数映射，故本节将使用三层神经网络完成对齿轮箱数据的建模和测试。取上一节中标准化好的特征值作为网络的输入层节点值，输出为故障的种类，因此本文所用神经网络的结构为5-11-5，选择Sigmoid作为网络各层的激励函数，使用trainlm作为训练函数。其中不同算法的各类参数如表1.2-1.4所示：表1.2BP神经网络各参数学习率0.01目标误差0.001最大迭代次数1000表1.3遗传算法各参数种群大小50变异率0.6交叉率0.01最大迭代次数100表1.4蚁群优化算法各参数蚂蚁数量50信息素挥发系数0.02目标误差0.01图1.5为使用BP神经网络对鼓风机齿轮箱进行故障诊断时的最终结果。可以看出，有多个故障未得到正确分类，分类的正确率大约为81.5%。图1.6是使用本文所述算法对同一组数据进行故障分类时的结果图，仅有少量数据被错误的分类。此时分类正确率约为96%。相比于没有改进的算法，所述方法的分类正确率提高了12.5%。同时，由于网络的各层参数得到了优化，使得BP的训练速度有了一定的提高。图1.5BP神经网络诊断结果图1.6GA-ACO-BP故障诊断结果表1.5两种算法效果比较BP神经网络GA-ACO-BP神经网络测试误差0.21140.0174CPU运行时间（S）9.5051.941准确率0.847360.96644在上述实验中，通过调整蚁群和遗传算法的参数找到合适的组合值，并对文中所述方法进行训练，使用齿轮箱数据集完成上述模型效果的验证。得出结论：GA-ACO-BP算法在诊断速度和故障识别率等方面明显好于传统的神经网络，能够有效地对齿轮箱的几种常见故障进行识别且准确率较高。1.2.2轴承故障诊断1.2.2.1数据预处理和特征提取本实验的轴承数据集包含三种故障数据和正常数据。各类数据信号在时域图中的情况如图1.7所示。从图中能够看出各类数据在分布上有着明显的不同，且同类型的数据在一定的时间周期内存在一定的规律。图1.7四种轴承类型时域信号图为了验证文中所述方法对轴承故障的识别效果，选取轴承数据中包括正常情况在内的四类数据一共1000组，每一类数据250组。将这些数据以8:2的比例划分成两类，分别用于网络的训练和测试。随后，使用前文所述的方法对这些数据集完成相关的处理。表1.6列出了部分轴承数据处理后的结果。表1.6部分轴承数据处理结果相关指标正常0.0837930.1025830.0057260.0280120.00225430.01505300.14201080.1029.50.1120760.0051840.0318690.03624210.01758850.1498087内圈故障0.1471280.3553541.0058620.3600120.00157010.10868400.07297410.1432660.3425300.8511320.3445910.01170580.10131040.0697673滚动体0.1632850.3785421.1049360.4179560.05040970.02841340.17022890.1546850.3622561.2158760.3642150.05873080.03306560.1864278外圈故障0.1736540.0983856.1586280.7462150.00039095.01755171.10414630.1813350.0661825.1869750.8090740.00840251.02046261.11254831.2.2.2实验验证及结论将上一步中处理好的特征值按照种类分别标记为1，2，3，4号标签，其中1号标签表示正常情况，2号标签表示外圈故障，3号标签表示滚动体故障，4号标签表示内圈故障数据。使用上文中已经搭建好的GA-ACO-BP算法对所选轴承特征向量进行实验验证，图1.8为本文算法的最终诊断结果。从图中可以发现，有3个正常数据被分成外圈故障；2个外圈故障被分成内圈故障，1个被分成滚动体故障，1个被划分为正常；1个滚动体故障被划分成内圈故障；2个内圈故障被分成外圈故障，1个被分成正常情况。综合考虑，该方法的最终分类正确率约为94.5%。为了证明该方法的优点，用同样的数据集完成对BP神经网络效果的验证。图1.9为BP算法的最终诊断结果。可以看出，被错分的数据较多，最终的分类正确率大约为89%。相较于本文所述的GA-ACO-BP算法，分类正确率较低。图1.8GA-ACO-BP轴承故障诊断结果图1.9BP神经网络轴承故障诊断结果1.3污水处理厂关键部件故障诊断应用研究本次实验的应用场景为黑龙江某污水处理厂，该污水处理厂日均可处理约五万吨废水，建设有鼓风机房、曝气沉砂池、提升泵房、加药间等污水处理厂常见设施。在以上设施中，鼓风机房共配有三台鼓风机，如图1.10所示。左图是三台鼓风机的外部机箱构造图，右图为鼓风机内部图。鼓风机型号为KA10SV-G210，额定功率为440KW。其构造主要包含齿轮箱和轴承两个关键部件，同时也是故障频发的两种关键部件。图1.10黑龙江某污水处理厂KA10SV-G210鼓风机本章的前两节已经验证了GA-ACO-BP算法对齿轮箱和轴承的诊断效果。由于设备级的故障诊断可以划分为对其内部关键零部件的故障诊断，因此可将污水处理厂鼓风机的故障分为齿轮箱的故障和轴承的故障。对这两类关键性的零部件分别进行故障的检测和诊断可以实现鼓风机的初步故障诊断。完成污水处理厂鼓风机的初步诊断可以有效防止这些故障的进一步恶化，同时也可以为更加全面完整的鼓风机故障诊断提供一定的思路。1.4本章小结本章介绍了齿轮箱和轴承的故障种类及在其测量数据上特征，调整了