基于对向传播神经网络的齿轮箱故障诊断研究_搜刊网-中文学术期刊检索平台

基于对向传播神经网络的齿轮箱故障诊断研究

来源：互联网 qikanw | 宫唤春

【分　类】信息科技
【关键词】对向神经网络；故障诊断；齿轮
【来　源】互联网
【收　录】中文学术期刊网

正文：
摘要：介绍了CPN网络的原理、算法，并用CPN网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明：该方法能够准确地诊断齿轮箱故障，同时具有训练速度快、结构简单、精度高等特点，是一种行之有效的诊断方法。
关键词：对向神经网络；故障诊断；齿轮
A Diagnosis Research for Gear Box Fault Based on Counter Propagation Neural Network

Abstract: The theory and algorithm of CPN neural network are introduced, and it is used in the gear box diagnosis fault in this paper. The example result shows that this method can accurately inspect the gear box fault and the model is simple, accurate and convergence. This is an effective and feasible diagnosis method.
Keyword: counter propagation neural network; fault diagnosis; gear
1.前言
目前，世界各国以机、电、液、光、气(汽)的一体化为主要特点的旋转机械，向着高转速、高功率、高可靠性、大型化、可测试性、不可接近性或不需接近性的趋势发展，这类系统一旦发生事故，就可能造成人员和财产的巨大损失。因此，切实保障现复杂系统的可靠性与安全性，具有十分重要的意义。发动机变速箱是整机进行减速增扭的部件，它受扭转和拉压两种载荷的综合作用，受力过程非常复杂。因此，发动机的很多故障发生率占据除发动机故障以外的其他所有故障的50%~70%^[1]。在非拆卸状态下，传统的齿轮箱故障诊断手段往往依赖于专家的经验判断。但是，由于齿轮箱是一种非常复杂的传动机构，它的故障模式和特征量之间是一种非常复杂的非线性关系，再加上齿轮箱在不同工况下的随机因素，所以专家的经验并不能解决所有的诊断问题^[2]。人工神经网络是一种重要的人工智能技术，可以在不需要数学模型的情况下模拟人的智能行为，是一个非线性计算系统，可以实现故障与征兆之间复杂的非线性映射关系，因此在机械故障诊断领域中显示了极大的应用潜力。本文利用神经网络具有任意逼近非线性函数的能力，建立起齿轮箱故障征兆与故障原因的对向传播神经网络模型，该模型通过对一些典型特征的学习训练后，用于齿轮箱故障诊断研究。研究结果表明，该方法的诊断精度较高。
2.对向传播神经网络结构
对向传播(Counter Propagation)网络，简称CPN，是将Kohonen特征映射网络与Crossberg基本竞争型网络相结合，发挥各自特长的一种新型特征映射网络。这一网络是美国计算机专家Robert Hecht-Nielsen于1987年提出的。这种网络被广泛地应用于模式分类、函数近似、统计分析和数据压缩等领域。
2.1 CPN网络简介^[3~4]
CPN网络结构如图1所显示。由图可见，网络分为输入层、竞争层和输出层。输入层与竞争层构成SOM网络，竞争层与输出层构成的SOM网络又是一种典型的无教师型神经网络。因此，这一网络既汲取了无教师型网络分类灵活、算法简练的优点，又采纳了有教师型网络分类精细、准确的长处，使两种不同类型的网络有机地结合起来。CPN的基本思想是，由输入层至输出层，网络按照SOM学习规则产生竞争层的获胜神经元，并按这一规则调整相应的输入层至竞争层的连接权值；由竞争层到输出层，网络按照基本竞争型网络学习规则，得到各输出神经元的实际输出值，并按照有教师型的误差校正方法，修正由竞争层到输出层的连接权值。经过反复的学习，可以将任意的输入模式映射为输出模式。
从上述CPN算法思想可以知道，处于网络中间位置的竞争层获胜神经元及与其相关的连接权向量，既反映了输入模式的统计特性，又反映了输出模式的统计特性。因此，可以认为，输入、输出模式通过竞争层实现了相互映射，即网络具有双向记忆的功能。如果输入/输出采用相同的模式对网络进行训练，则由输入模式至竞争层的映射可以认为是对输入模式的压缩；而由竞争层至输出层的映射可以认为是对输入模式的复原。利用这一特性，可以有效地解决图像及通信中的数据压缩及复原问题，并可得到较高的压缩比。