刘景艳,李玉东,杨晓邦
(河南理工大学电气工程与自动化学院,河南焦作454000)
随着科学技术的不断进步,机械设备向着高性能、高效率、高自动化和高可靠性的方向发展.齿轮由于具有瞬时传动比固定、结构紧凑和机械效率高等优点,作为一种常用的机械部件,被广泛应用于变速传动系统中.与其他零部件相比,齿轮的制造和装配精度较低,而工作条件又相对恶劣,往往在高速、重载下运行,因而发生故障的频率较高.由于齿轮在复杂工况运行中的各影响因素与其产生的故障现象间是复杂的非线性关系,故障征兆与故障之间呈现出非线性和耦合性,很难用单一的识别方法将各种故障状态识别出来[1-2].
近年来,BP神经网络广泛应用于齿轮的故障诊断中.但BP神经网络虽具有自学习和数据处理能力,但不适合表达基于规则的知识,在应用于故障诊断时经常会发生误诊现象,特别是在输入信息不精确或不确定时,神经网络的精确性大大降低,有时甚至失效.并且BP神经网络采用的是沿梯度下降的搜索求解算法,存在着网络学习收敛速度慢,容易陷入局部极小值的问题[1-3].针对以上问题,笔者提出了一种基于遗传算法的BP神经网络齿轮故障诊断方法,即在BP神经网络的拓扑结构确定的情况下,用遗传算法训练BP神经网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值;再将它们赋值给BP神经网络,得到全局的最优……