申请/专利权人：华北水利水电大学

申请日：2018-06-08

公开（公告）日：2021-04-27

公开（公告）号：CN108918137B

主分类号：G01M13/021(20190101)

分类号：G01M13/021(20190101);G01M13/028(20190101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.27#授权;2018.12.25#实质审查的生效;2018.11.30#公开

摘要：本发明是一种基于改进的WPA‑BP神经网络的齿轮箱故障诊断装置及其方法，该方法包含：采集齿轮箱各工况状态下的实验数据，获取各工况下的特征值指标数据，并分为训练样本和测试样本；建立BP神经网络；设定神经网络参数及改进的WPA寻优参数；针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，并利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取用于对齿轮箱故障进行诊断识别的神经网络实时进行故障诊断。本发明可以高效准确的判断出齿轮箱运行过程中的故障类型，并取得理想的诊断识别效果。

主权项：1.一种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，基于改进的WPA-BP神经网络的齿轮箱故障诊断装置实现，实现过程包含如下内容：A采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；B建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；C设定神经网络参数及改进的WPA寻优参数；D针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，通过均方误差的收敛速度及精度来评判训练过程，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；E利用优化后的神经网络实时对齿轮箱故障进行诊断识别，以实现将改进WPA寻优方法的全局寻优能力与BP神经网络的非线性映射能力结合来判断出齿轮箱运行过程中的故障类型；步骤A中每种工况类型下的特征值指标包含波形指标、峰值指标和脉冲指标；步骤D改进的WPA寻优方法包含如下内容：将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物；针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定；按照猎物分配规则，将每个区域中各自的最优值输出并比较；将各区域之间比较后最优值作为神经网络的权值和阈值输出；基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，包含：齿轮箱动力模拟系统、信号采集模块和故障分析模块，其中，齿轮箱动力模拟系统，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；信号采集模块，用于通过设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；故障分析模块，用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别；故障分析模块包含样本数据获取子模块、模型建立子模块、数据初始化子模块、数据训练子模块和故障识别子模块，其中，样本数据获取子模块，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标分为训练样本和测试样本，每种工况类型下的特征值指标包含波形指标、峰值指标和脉冲指标；模型建立子模块，用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；数据初始化子模块，用于初始化神经网络模型参数和寻优参数；数据训练子模块，用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止；并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；故障识别子模块，用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别；步骤C中，初始化神经网络参数及改进的WPA寻优参数，包含：设定输入层神经元个数n，隐含层神经元个数q，输出层数值l，各层神经元之间的传递函数；初始化神经网络模型的权值和阈值向量W、最大迭代次数E、允许误差精度ε；初始化狼群寻优参数中的总数M，迭代次数N，游走步长stepa，奔袭步长stepb，探狼比例因子α，最大游走次数Gmax，距离判定因子w，步长因子S，更新比例因子β；步骤D中优化训练具体包含如下内容：D1、选取训练样本并输入到神经网络中；D2、计算神经网络输出值，并与实际样本值进行比较，计算两者均方误差并以该均方误差作为目标函数，其中，T是训练样本数目，yi是神经网络预测输出，是实际输出；D3、判断当前迭代是否满足预定迭代条件，若满足，则跳转至步骤D5执行，否则，执行步骤D4；D4、修正改进的WPA寻优参数，更新神经网络权值和阈值，并转步骤D2执行；D5、输出最优的权值和阈值作为优化结果；步骤D3中预定迭代条件为达到最大迭代次数E或满足允许误差精度ε；步骤D4中，利用迭代公式：修正改进的WPA寻优参数，其中，为第i匹狼在d维空间中第k次迭代时的权值和阈值向量，为第k代群体头狼在第d维空间中的位置；步骤D中，通过误差测试结果，手动调整神经网络参数和改进的WPA寻优参数，具体为：调整神经网络隐含层神经元个数q，各层神经元之间的传递函数，最大迭代次数E，神经网络允许误差精度ε。

全文数据：基于改进的WPA-BP神经网络的齿轮箱故障诊断装置及其方法技术领域[0001]本发明属于齿轮箱故障诊断技术领域，特别涉及一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置及其方法。背景技术[0002]齿轮箱作为机械设备中重要的零部件之一，主要被用来传递扭矩和力。被广泛应用在航空航天、电力系统、汽车制造、农业机械、冶金机械等现代工业设备中。但由于其本身结构复杂，工作环境恶劣等原因，齿轮箱很容易出现故障。而齿轮失效是诱发机器故障的重要因素。据统计，传动机械中80%的故障是由齿轮引起的，旋转机械中齿轮故障占其故障的10%左右。因此，及时地对齿轮箱的工作状态进行检测，研究解决齿轮箱故障的诊断技术和方法，确保齿轮箱正常工作是非常具有实际意义的。[0003]随着科学技术的不断进步和发展，机械设备朝着大型化、集成化、高速化、自动化及智能化的方向发展，但这也使影响机器安全运行的因素越来越多。因此，传统的故障诊断技术已经难以满足现在生产发展的需要，智能化的故障诊断技术正在兴起。针对齿轮箱产生的故障，国内外的研究学者进行了大量的研究，形成了许多故障诊断的方法。比如近些年形成的时频分析方法、聚类分析法和专家系统，以及各种群智能优化算法等新型的诊断方法。随着对这些诊断方法的深入研究和不断完善，最后的诊断效果也愈加趋于理想。因此，对故障诊断方法进行多方面、深层次的研究和改进是十分有必要的。发明内容[0004]针对现有技术中的不足，本发明提供一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置及其方法，高效准确的判断出齿轮箱运行过程中的故障类型，并取得理想的诊断识别效果。[0005]按照本发明所提供的设计方案，一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，包含:齿轮箱动力模拟系统、信号采集模块和故障分析模块，其中，[0006]齿轮箱动力模拟系统，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中至少包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；[0007]信号采集模块，用于通过利用设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；[0008]故障分析模块，用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别。[0009]上述的，故障分析模块包含样本数据获取子模块，模型建立子模块、数据初始化子模块、数据训练子模块和故障识别子模块，其中，[0010]样本数据获取子模块，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标数据分为训练样本和测试样本，每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标；[0011]模型建立子模块，用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；[0012]数据初始化子模块，用于初始化神经网络模型参数和寻优参数；[0013]数据训练子模块，用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止;并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；[0014]故障识别子模块，用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别。[0015]一种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，基于上述的基于改进的WPA-BP神经网络的齿轮箱故障诊断装置实现，其实现过程包含如下内容：[0016]A采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；[0017]B建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；[0018]C设定神经网络参数及改进的WPA寻优参数；[0019]D针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；[0020]E利用优化后的神经网络实时对齿轮箱故障进行诊断识别。[0021]上述的方法中，步骤A中每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标。[0022]上述的方法中，步骤C中，初始化神经网络参数及改进的WPA寻优参数，包含:设定输入层神经元个数η，隐含层神经元个数q，输出层数值1，各层神经元之间的传递函数;初始化神经网络模型的权值和阈值向量W、训练次数E、允许误差精度ε;初始化狼群寻优参数中的总数M，迭代次数N，游走步长Stepa，奔袭步长stepb，探狼比例因子α，最大游走次数GmaxJM离判定因子w，步长因子S，更新比例因子β。[0023]上述的方法中，步骤D中，改进的WPA寻优方法包含如下内容:将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物;针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定；按照猎物分配规则，将每个区域中各自的最优值输出并比较;将各区域之间比较后最优值作为神经网络的权值和阈值输出。[0024]上述的方法中，步骤D中优化训练具体包含如下内容：[0025]Dl、选取训练样本并输入到神经网络中；[0026]D2、计算神经网络输出值，并与实际样本值进行比较，计算两者均方误差刃、并以该均方误差作为目标函数，其中，Τ是训练样本数目，^是神经网络预测输出，是实际输出；[0027]D3、判断当前迭代是否满足预定迭代条件，若满足，则跳转至步骤D5执行，否则，执行步骤D4;[0028]D4、修正改进的WPA寻优参数，更新神经网络权值和阈值，并转步骤D2执行；[0029]D5、输出最优的权值和阈值作为优化结果。[0030]上述的方法中，步骤D3中预定迭代条件为达到最大迭代次数E或满足允许误差精度ε。[0031]上述的方法中，步骤D4中，利用迭代公式：修正改进的WPA寻优参数，其中，4为第i匹狼在d维空间中第k次迭代时的权值和阈值向量，β为第k代群体头狼在第d维空间中的位置。[0032]上述的方法中，步骤D中，通过误差测试结果，手动调整神经网络参数和改进的WPA寻优参数，具体为：调整神经网络隐含层神经元个数q，各层神经元之间的传递函数，最大迭代次数E，神经网络允许允许误差精度ε。[0033]本发明的有益效果：[0034]本发明利用改进的WPA算法全局寻优的优势，优化选取BP神经网络的权值和阈值，其具有易于理解，运行简单的特点;通过改进WPA中的搜索规则，使得WPA算法的全局寻优能力得到了一定的提高，并结合BP神经网络的自学习能力和非线性映射的能力，改善了传统BP算法的精度低，收敛慢，易陷入局部极值的问题;精度高，速度快，建模易，能够极大程度提升齿轮箱故障诊断实验研究的效率，避免大量重复性的劳动，并且为齿轮箱故障诊断的进一步研究提供了基础。附图说明：[0035]图1为实施例中故障诊断装置原理图；[0036]图2为实施例中故障分析模块示意图；[0037]图3为实施例中故障诊断方法流程图；[0038]图4为实施例中BP神经网络结构模型；[0039]图5为实施例中利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练的流程图。具体实施方式：[0040]为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。[0041]针对齿轮箱产生的故障类型，为了能够更加准确、快速的诊断和识别出来，本发明实施方式，参见图1所示，提供一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，包含:齿轮箱动力模拟系统001、信号采集模块002和故障分析模块003，其中，[0042]齿轮箱动力模拟系统001，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中至少包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；[0043]信号采集模块002,用于通过利用设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；[0044]故障分析模块003,用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别。[0045]相对于传统的齿轮箱故障诊断方法，本实施方式针对齿轮箱运行特点及神经网络，利用神经网络模型进行故障优化训练及诊断识别，减少了大量人为因素和外部环境的干扰，其实现依赖于现有市场上的齿轮箱动力模拟系统设备，该系统设备包含：电机、变频控制器、齿轮箱、制动器等部分，性能稳定，可承受一定的载荷冲击，有充足的空间便于齿轮的更换、安装和监测装置的安装，可模拟多种不同类型故障工况，能够适用于齿轮箱动力学分析、噪声特性分析、振动特性分析和健康监测及故障诊断的研究。实验数据均从上述的齿轮箱动力模拟系统设备采集所得，通过在箱体上安装压电式加速度传感器便可以采集到齿轮箱在各种工况下运行的实验数据。[0046]根据实验数据利用神经网络模型进行故障优化训练过程中，本发明的另一个实施方式中，参见图2所不，故障分析模块003包含样本数据获取子模块3001，模型建立子模块3002、数据初始化子模块3003、数据训练子模块3004和故障识别子模块3005,其中，[0047]样本数据获取子模块3001，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标数据分为训练样本和测试样本，每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标；[0048]模型建立子模块3002,用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；[0049]数据初始化子模块3003,用于初始化神经网络模型参数和寻优参数；[0050]数据训练子模块3004,用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止;并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；[0051]故障识别子模块3005,用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别。[0052]基于上述的基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，参见图3所示，本发明还提供一种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其实现过程包含如下内容：[0053]SOI采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；[0054]S02建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；[0055]S03设定神经网络参数及改进的WPA寻优参数；[0056]S04针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；[0057]S05利用优化后的神经网络实时对齿轮箱故障进行诊断识别。[0058]相对于传统的齿轮箱故障诊断方法，群智能优化方法减少了大量人为因素和外部环境的干扰。通过对WPA算法规则的改进，将改进的WPA算法的全局寻优能力和BP神经网络的非线性映射能力结合在一起，并应用于齿轮箱的故障诊断，以取得理想的诊断识别效果。[0059]本发明的另一个实施例中，对于齿轮箱故障诊断的方法，是在对狼群算法wolfpackalgorithm，WPA进行分析的基础上，提出的一种基于改进的WPA-BP神经网络的故障诊断识别方法，参见图4所示，具体包含如下内容：[0060]步骤1:根据齿轮箱动力模拟系统设备，模拟齿轮箱各工况下的运行状态，分别为正常状态、齿轮缺齿、齿面磨损、齿轮偏心四种工况下的运行状态，并采集各工况下的实验数据，计算各工况下的波形指标、峰值指标、脉冲指标等八项特征值指标。并将该八项特征值指标作为改进的WPA-BP神经网络算法的训练样本和测试样本。[0061]步骤2:建立改进的WPA-BP神经网络算法优化模型。首先建立神经网络的结构模型，采用前向型BP神经网络，包括输入层、隐含层和输出层。步骤1中的八项特征值指标作为神经网络的输入向量，将齿轮箱的四种工况作为神经网络的输出值。其次建立神经网络训练模型，利用改进的WPA寻优算法训练BP神经网络权值和阈值，以达到网络计算输出值与真实值的均方误差最小化。狼群算法wolfpackalgorithm，WPA是基于狼群群体智能，模拟狼群捕食行为及其猎物分配方式，抽象出游走、召唤、围攻3种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制，该WPA算法过程主要包含:WPA初始化;将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物;针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定;按照猎物分配规则，将每个区域中各自的最优值输出并比较;将各区域之间比较后的最优值作为BP神经网络的权值和阈值输出。[0062]步骤3:设定BP神经网络初始参数和改进的WPA算法初始参数。根据故障特征向量的确定BP神经网络的拓扑结构8-8-4,隐含层传递函数为S型正切函数trainsig，输出层的传递函数为S型对数函数Iogsig，训练函数选用trainlm，训练次数为E=1000,学习速率为V=0.1，训练目标为ε=0.0001。狼群总数M=100，迭代次数N=500，游走步长Stepa=2，奔袭步长Stepb=O.5,h=5,探狼比例因子α=〇.1，最大游走次数Gmax=20,距离判定因子W=0.3,步长因子S=0.7,更新比例因子β=1。[0063]步骤4:利用改进的WPA算法训练BP神经网络。根据步骤2所构建的优化模型与步骤3中设置的初始化参数，进行神经网络权值和阈值的优化训练，通过均方误差的收敛速度及精度来评判训练过程，直至满足迭代终止次数或者满足误差精度为止。其优化训练过程又可分为以下几个步骤：[0064]步骤4.1:选取训练样本并输入到BP神经网络中。[0065]步骤4.2:计算BP神经网络输出值，并与实际样本值进行比较，计算样本的均方误差并以此作为目标函数，其中T是训练样本数目，71是神经网络预测输出，37是实际输出。[0066]步骤4.3:判断该次迭代是否满足终止条件之一:达到迭代次数或者满足网络允许误差。满足终止条件，转步骤4.5，若不满足，转步骤4.4进行BP神经网络和改进的WPA算法参数的更新。[0067]步骤4.4:更新改进的WPA算法参数，并利用改进的WPA算法中的迭代公式，进行更新网络权值和阈值。其中4为第i匹狼在d维空间中第k次迭代时的解权值和阈值向量），gj为第k代群体头狼在第d维空间中的位置。并转步骤4.2。[0068]步骤4.5:输出最优权值和阈值作为优化结果。[0069]步骤5:利用测试样本进行神经网络误差测试。利用绝对误差和相对误差进行测试样本的评判过程，若满足精度要求，转步骤7，不满足转步骤6。[0070]步骤6:根据步骤5中的仿真训练结果手动修正BP神经网络与改进的WPA算法初始值，可手动调整的参数包括神经网络隐含层神经元个数，传递函数的选择，最大迭代次数，神经网络允许误差均方误差），并转入步骤4。[0071]步骤7:确定BP神经网络的权值和阈值，利用优化后的BP神经网络进行齿轮箱故障诊断和识别。[0072]该优化方法结合了各工况下采集的实验数据以及特征值指标，优化模型理论联系实际，对齿轮箱故障诊断的研究具有十分现实的意义。通过改进WPA中的搜索规则，使得WPA算法的全局寻优能力得到了一定的提高;并结合BP神经网络的自学习能力和非线性映射的能力，实现齿轮箱故障诊断，改善传统BP算法的精度低，收敛慢，易陷入局部极值的问题。[0073]以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。对所公开的实施方式的说明，使本领域专业技术人员能够实现或使用本申请。对这些实施方式的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施方式中实现。因此，本申请将不会被限制于本文所示的这些实施方式，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

权利要求：1.一种基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，其特征在于，包含:齿轮箱动力模拟系统、信号采集模块和故障分析模块，其中，齿轮箱动力模拟系统，用于通过更换齿轮箱中的齿轮和轴承模拟多种工况类型的齿轮箱故障，该多种工况类型中至少包含有齿轮正常、齿轮缺齿、齿面磨损和齿轮偏心四种类型工况；信号采集模块，用于通过利用设置在齿轮箱上的压电式加速度传感器采集齿轮箱在各种工况类型下运行的实验数据；故障分析模块，用于接收信号采集模块的实验数据，根据实验数据利用神经网络模型进行故障优化训练，并利用优化训练后的神经网络模型进行齿轮箱故障诊断识别。2.根据权利要求1所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断装置，其特征在于，故障分析模块包含样本数据获取子模块、模型建立子模块、数据初始化子模块、数据训练子模块和故障识别子模块，其中，样本数据获取子模块，用于根据实验数据获取各工况类型下的特征值指标，该各工况类型下的特征值指标数据分为训练样本和测试样本，每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标；模型建立子模块，用于构建包含输入层、隐含层和输出层的前向型BP神经网络，将特征值指标作为该神经网络的输入向量，齿轮箱的工况类型作为神经网络的输出向量；数据初始化子模块，用于初始化神经网络模型参数和寻优参数；数据训练子模块，用于依据特征值指标中的训练样本并利用改进的WPA寻优方法对神经网络模型进行优化训练，直至满足预定迭代次数为止;并利用测试样本进行误差测试，确定神经网络模型的权值和阈值向量，获取优化后的神经网络模型；故障识别子模块，用于根据优化后的神经网络模型对齿轮箱故障进行实时诊断识别。3.—种基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，基于权利要求1所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断装置实现，该实现过程包含如下内容：A采集齿轮箱各工况状态下的实验数据，并根据实验数据获取各工况下的特征值指标数据，将各工况下的特征值指标数据分为训练样本和测试样本；B建立包含输入层、隐含层和输出层的前向型BP神经网络，以特征值指标数据作为该神经网络的输入向量，以齿轮箱的工况类型作为该神经网络的输出向量；C设定神经网络参数及改进的WPA寻优参数；D针对训练样本，利用改进的WPA寻优方法对神经网络的权值和阈值进行优化训练，直至满足预设迭代停止条件为止，利用测试样本对神经网络的误差进行测试，通过误差测试结果修正神经网络参数和改进的WPA寻优参数，迭代执行神经网络的权值和阈值的优化训练，直至满足预设允许误差精度为止，得到神经网络的权值和阈值，获取优化后的神经网络；E利用优化后的神经网络实时对齿轮箱故障进行诊断识别。4.根据权利要求3所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤A中每种工况类型下的特征值指标至少包含波形指标、峰值指标、脉冲指标。5.根据权利要求3所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤C中，初始化神经网络参数及改进的WPA寻优参数，包含:设定输入层神经元个数n，隐含层神经元个数q，输出层数值1，各层神经元之间的传递函数;初始化神经网络模型的权值和阈值向量W、训练次数E、允许误差精度ε;初始化狼群寻优参数中的总数M，迭代次数Ν，游走步长Stepa，奔袭步长stepb，探狼比例因子α，最大游走次数Gmax，距离判定因子w，步长因子S，更新比例因子β。6.根据权利要求3所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤D中，改进的WPA寻优方法包含如下内容:将整个狼群随机划分为若干区域，且每个区域中都含有若干猎物;针对每个区域，各自独立进行游走行为、召唤行为、围攻行为的相应判定;按照猎物分配规则，将每个区域中各自的最优值输出并比较;将各区域之间比较后最优值作为神经网络的权值和阈值输出。7.根据权利要求6所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤D中优化训练具体包含如下内容：Dl、选取训练样本并输入到神经网络中；D2、计算神经网络输出值，并与实际样本值进行比较，计算两者均方误差;并以该均方误差作为目标函数，其中，T是训练样本数目，yi是神经网络预测输出，J7是实际输出；D3、判断当前迭代是否满足预定迭代条件，若满足，则跳转至步骤D5执行，否则，执行步骤D4;D4、修正改进的WPA寻优参数，更新神经网络权值和阈值，并转步骤D2执行；D5、输出最优的权值和阈值作为优化结果。8.根据权利要求7所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤D3中预定迭代条件为达到最大迭代次数E或满足允许误差精度ε。9.根据权利要求7所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤D4中，利用迭代公式：修正改进的WPA寻优参数，其中，为第i匹狼在d维空间中第k次迭代时的权值和阈值向量：为第k代群体头狼在第d维空间中的位置。10.根据权利要求3或7所述的基于改进的WPA-BP神经网络的齿轮箱故障诊断方法，其特征在于，步骤D中，通过误差测试结果，手动调整神经网络参数和改进的WPA寻优参数，具体为:调整神经网络隐含层神经元个数q，各层神经元之间的传递函数，最大迭代次数EJi经网络允许允许误差精度ε。

百度查询： 华北水利水电大学 基于改进的WPA-BP神经网络的齿轮箱故障诊断装置及其方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD