"Akademik makale" PSO optimize edilmiş BP sinir ağı dişli kutusu arıza teşhisi
Özet:
Düşük doğru tanıma oranı problemlerini hedefleyen ve sinir ağı arıza teşhisini kullanan mevcut dişli kutusu sistemindeki parametreleri seçme deneyimine güvenerek, BP ağında partikül sürüsü optimizasyonuna dayalı bir dişli kutusu arıza teşhis yöntemi önerilmiştir. Bir arıza modeli oluşturmak için karakteristik parametreleri çıkarmak için dişli titreşim ilkelerinin kullanımını kısaca tanıtın.Model, giriş olarak dişli kutusunun özellik vektörünü ve çıktı olarak arıza tipini alır.BP sinir ağı, olasılıklı sinir ağı ve parçacık sürüsü optimizasyonu BP sinir ağı aracılığıyla dişli kutusu arızalarının gerçekleşmesini ayrıntılı olarak analiz eder. Teşhis. Simülasyon sonuçları, BP sinir ağının dişli kutusu arıza teşhisi için yavaş bir yakınsama oranına sahip olduğunu ve arıza tanıma oranının% 82 olduğunu göstermektedir; olasılıklı sinir ağının model arıza teşhisi tanıma oranı, deneyim seçimi yayılma değerine göre belirlenir ve maksimum hata tanıma oranı% 98'dir; parçacık sürüsü optimizasyonu İkinci BP sinir ağının arıza teşhis sınıflandırması ve tanıma oranı% 100'dür ve uyarlanabilir yetenek güçlüdür.
Çince alıntı biçimi: Zhang Yongchao, Li Jincai, Zhao Luhuai.PSO optimize edilmiş BP sinir ağı şanzıman arıza teşhisi.Elektronik Teknoloji Uygulaması, 2019, 45 (12): 42-46, 50.
İngilizce alıntı biçimi: Zhang Yongchao, Li Jincai, Zhao Luhuai.Partikül sürüsü optimizasyonu BP sinir ağına dayalı dişli kutusu arızalarının teşhisi.Elektronik Tekniğin Uygulanması, 2019, 45 (12): 42-46, 50.
0 Önsöz
Dişli kutusu esas olarak dişliler, yataklar, dönen şaftlar ve diğer titreşimli parçalardan oluşur.Geniş şanzıman torku ve kompakt yapı avantajlarına sahiptir.Güç iletmek ve hızı değiştirmek için havacılık makinelerinde ve tarım makinelerinde yaygın olarak kullanılır. Dişli kutuları genellikle yüksek hızlı, ağır hizmet tipi ve diğer ortamlarda çalışır, bu da dişli kutusu sorunlarının olasılığını büyük ölçüde artırır. Güvenli ve güvenilir çalışmasını sağlamak için, dişliler ve yataklar gibi temel bileşenlerin arıza teşhisi büyük önem taşımaktadır.
Sinir ağına dayalı arıza teşhisi birçok alanda yaygın olarak kullanılmaktadır.Vites kutusu arıza örneği eğitimi sayesinde, giriş titreşim sinyali ile çıkış arıza tipi arasındaki dahili bağlantı kavranabilir. Örneğin, literatür, dişli kutusundaki arızaları tespit etmek için eğitimli BP sinir ağı modelini kullanır ve arızasız üç modu, diş kökü çatlağını ve kırık dişi yargılar; literatür, bağımsız yerel arıza teşhisi için gelişmiş bir BP sinir ağı kullanır ve kullanır DS kanıt teorisi kurallarına göre, tüm dişli kutusunun arıza teşhis sonucunu elde etmek için 3 ölçüm noktasının sinir ağı çıktı sonuçları birleştirilir; literatür, dişli titreşiminin kontrolünü gerçekleştiren bir dişli arızası akıllı teşhis sistemi oluşturmak için LabVIEW'in avantajlarını ve entegre özelliklerini kullanır. Teşhis çalışması; dinamik atalet ağırlıklı parçacık sürüsü algoritmasına dayanan dişli kutusu arıza teşhisi araştırmasına dayanan literatür, özelliklerin önemini belirlemek için bir yöntem önerdi. Yukarıdaki yöntemlerin dezavantajları şunlardır: (1) Doğru tanıma oranı düşüktür; (2) Yapay sinir ağının kontrol parametreleri deneyime göre seçilir; (3) Hata türlerinin sınıflandırılması nispeten kabadır.
Bu makale, titreşim sinyali özelliği vektörlerinin çıkarılması yoluyla 5 çeşit dişli kutusu çıkarmak için BP sinir ağı, Olasılıksal Sinir Ağı (PNN), Parçacık Sürü Optimizasyonu (PSO) ve BP Sinir Ağı (PSO-BP) kullanır. Durum (kırık diş, kırık diş aşınması, normal, çukurlaşma ve çukur aşınması) hata algılama sınıflandırması ve üç yöntemi karşılaştıran simülasyon sonuçları, PSO-BP sinir ağının yüksek hata tanıma oranına sahip olduğunu göstermektedir.
13 çeşit sinir ağının karşılaştırılması
BP sinir ağı, doğrusal olmayan optimizasyon problemleriyle ilgilenen bir sinir ağıdır, ancak yerel minimumlara düşmesi kolaydır, zayıf sağlamlığa sahiptir ve başlatma parametre ağırlıklarına ve eşiklerine daha duyarlıdır, bu nedenle tahmin doğruluğu düşüktür. PNN sinir ağı için, farklı yumuşatma faktörleri farklı hata tanıma oranlarına sahiptir ve yayılma için en uygun çözümü bulmak için manuel deneyim gereklidir, aksi takdirde hata oranı nispeten büyüktür.
Parçacık sürüsü algoritması, kuşların yiyecek arama davranışını simüle ederek geliştirilen grup işbirliğine dayalı rastgele bir arama algoritmasıdır. Bu yazıda, BP sinir ağı ve PSO algoritması organik olarak birleştirilmiştir ve bir PSO-BP sinir ağı yöntemi önerilmiştir.BP sinir ağının ağırlıklarını ve eşiklerini optimize etmek için PSO algoritması, dişli kutusu sisteminin arıza teşhisi ve sınıflandırılmasında bu yöntem kullanılmıştır. PSO-BP sinir ağının dişli kutusu arıza teşhisinin doğruluğunu etkili bir şekilde artırabildiğini göstermektedir.
2 Dişli kutusu arıza sınıflandırması ve karakteristik parametre toplama
2.1 Şanzıman arıza sınıflandırması
Dişli kutuları genellikle güçlü gürültü paraziti ve ağır yüklü ortamlarda çalışır ve zaman zaman arızalar meydana gelir. Saha çalışması, daha yaygın hata türlerinin başlıca kırık dişler, kırık diş aşınması, normal, çukurlaşma ve çukur aşınmasını içerdiğini göstermektedir.
2.2 Veri toplama
Dişli kutusunun arıza modelleme verilerini elde etmek için laboratuvarda nesne olarak JZ250 dişli kutusu ile bir normal durum ve dört tipik arıza durumu simüle edilmiştir.Deneysel platform, dişli kutusunun test noktalarını elde etmek için lazer takometre ivme sensörünü kullanmaktadır. Titreşim sinyali, deney tablosu ve veri toplama ve işleme sistemi Şekil 1'de gösterilmektedir. Örnekleme noktalarının sayısı 52000, örnekleme frekansı 2000 × 2.56 Hz ve örnekleme yük akımı 0,05 A, 0,1 A, 0,2 A ve yüksüz akım olarak ayarlanmıştır. Hata özelliği örneklerini Tablo 1'de gösterildiği gibi çıkarın, her durum için iki veri seti numaralandırın. Denetleyicide kullanılan FPGA yongası, Altera'nın EP1C6Q240C8 Cyclone serisidir, güç kaynağı voltajı 3,3 V, maksimum çalışma frekansı 275 MHz'dir ve LCD, 1602LCD likit kristal ekran kullanır.
3 BP sinir ağı şanzıman arıza teşhisi
Giriş olarak vites kutusu arıza karakteristik parametreleri ve çıkış olarak arıza kodu ile BP sinir ağı kurulur ve simüle edilir.
3.1 BP sinir ağı kurulumu
Bu yazıda toplanan özellik parametreleri 9 türdür, yani 9 giriş nöronu ve bir çıkış kodu vardır.
Gizli katman nöronlarının sayısını tasarlarken, çok az gizli katman nöronu, zayıf sinir ağı uyumluluğuna yol açacak ve bu da zayıf öğrenme örneği yeteneğine neden olacaktır; çok fazla gizli katman nöronu, ağ eğitim süresine yol açacaktır. Daha uzun, daha zayıf genelleme yeteneği. Bu makaledeki giriş nöronlarının sayısı 15 ve çıkış nöronlarının sayısı aşağıdaki formüle göre 1'dir:
Formülde: L, gizli katman düğümlerinin sayısıdır, m, giriş katmanı düğümlerinin sayısıdır, n, çıkış katmanı düğümlerinin sayısıdır ve a, 1'den 10'a kadar bir ayarlama sabitidir.
Gizli katmandaki nöron sayısı 0.18 < L < 36. L = 15 elde etmek için L = 2m + 1'i birleştirin.
Küçük değer sinyalinin batmasını önlemek için deneysel veriler normalize edilir, yani deneysel veriler bir aralığa dönüştürülür.
3.2 BP sinir ağı simülasyon doğrulaması
İzin verilen maksimum eğitim adımı sayısının 2000 adım olduğunu, eğitim hedefinin minimum hatasının 0,001 olduğunu, eğitim sonucunun her 100 adımda bir görüntülendiğini ve öğrenme oranının 0,05 olduğunu varsayalım. Özellikle net.trainParam.epochs = 1000; net.trainParam.goal = 0.001; et.trainParam.show = 10; net.trainParam.lr = 0.05.
Ağı eğitmek için 200 set örnek kullanılır ve ağın doğru tanıma oranını tespit etmek için 50 set eğitim dışı örnek kullanılır BP sinir ağı, Şekil 2'de gösterildiği gibi dişli kutusunun 5 durumunu sınıflandırır. Sırasıyla 1'den 5'e kadar olan ordinat kodları, dişli kutusunun 5'ini temsil eder. Durum türleri: kırık diş, kırık diş aşınması, normal, çukurlaşma ve çukur aşınması.
Şekil 2'den 6, 7, 9, 10, 11, 16, 17, 18, 19 ve 20 gruplara ait örneklemlerin tahminlerinin yanlış olduğu, doğru grup numarasının 41 grup olduğu ve doğru çözünürlüğün% 82 olduğu görülmektedir.
4 PNN sinir ağı şanzıman arıza teşhisi
Giriş olarak dişli kutusunun karakteristik parametreleri ve çıkış olarak hata kodu ile bir PNN sinir ağı kurulur ve simüle edilir.
4.1 PNN sinir ağı kurulumu
Olasılıksal Sinir Ağı (PNN), sınıflandırma ve örüntü tanıma problemlerinde yaygın olarak kullanılan ileri beslemeli bir sinir ağıdır. Örneklerin sayısı yeterince büyük olduğu sürece, bu yöntemle elde edilen işlev, orijinal olasılık yoğunluk işlevine sürekli ve sorunsuz bir şekilde yaklaşabilir. Parzen yöntemi ile elde edilen PDF formülü şöyledir:
Formülde, Xai, başarısızlık modu ii'nin i'nci eğitim vektörüdür; A, başarısızlık modunun eğitim numunelerinin sayısıdır, , yumuşatma faktörüdür, P, sınıfın olasılık yoğunluk fonksiyonudur ve m ', toplama katmanındaki düğüm sayısıdır.
PNN sinir ağı yapısı bir giriş katmanından, bir rekabet katmanından, bir toplama katmanından ve bir çıktı katmanından oluşur.
Dişli kutusunun PNN sinir ağı tarafından arıza teşhisi, bir eğitim aşamasına ve bir teşhis aşamasına bölünmüştür.Hata teşhis süreci, özellikle: (1) Eğitim oluşturmak için eğitim seti ve test setindeki her bir örnek veriyi normalleştirin Numune seti ve test numune seti; (2) Karşılık gelen arıza teşhis modelini elde etmek üzere ağı eğitmek için yayılma değerini ayarlayın; (3) Test edilecek numuneyi teşhis etmek için elde edilen arıza teşhis modelini kullanın; (4) Teşhis sonucunu alın .
4.2 PNN sinir ağı simülasyon doğrulaması
Yayılmanın değeri 0'a yakın olduğunda, en yakın komşu sınıflandırıcıyı oluşturur; yayılma değeri daha büyük olduğunda, birkaç eğitim örneği için bir komşu sınıflandırıcı oluşturur. Dolayısıyla sırasıyla yayılma = 0.1, yayılma = 1, yayılma = 6 alın, ağı eğitmek için 200 takım eğitim örneği kullanın ve ağın doğru sınıflandırmasını ve tanıma oranını tespit etmek için 50 örnek kümesi kullanın.Sonuçlar Şekil 4 ~ Şekil 6'da gösterilmektedir ve ordinat 1 ~ kodlanmıştır. 5, dişli kutusunun 5 durumunu temsil eder: kırık diş, kırık diş aşınması, normal, çukurlaşma ve çukur aşınması.
Şekil 4'ten görülebileceği gibi, birinci gruptan 40'ıncı gruplara örneklerin tahminlerinin yanlış, 41. ila 50. gruplardan gelen verilerin doğru ve doğru çözünürlüğün% 20 olduğu görülmektedir.
Şekil 5'den 6, 7, 8, 9, 10, 16, 17, 18, 19, 20, 23, 24 ve 29 gruplarındaki örneklemlerin tahminlerinin yanlış olduğu, 37 veri grubunun doğru tahmin edildiği ve doğru çözünürlüğün% 74 olduğu görülmektedir.
Şekil 6'dan görülebileceği gibi altıncı örneklem grubunun öngörüsü yanlış, 49 grup tahmin doğru ve doğru çözünürlük% 98'dir.
5 PSO-BP sinir ağı şanzıman arıza teşhisi
Giriş olarak dişli kutusu karakteristik parametreleri ve çıkış olarak hata kodu ile PSO optimize BP sinir ağı oluşturuldu ve simüle edildi.
5.1 PSO-BP sinir ağı kurulumu
Ağ kurulumu 6 adıma bölünmüştür ve süreç Şekil 7'de gösterilmiştir: (1) PSO-BP sinir ağı modelinin giriş ve çıkışını tanımlayın. Tek gizli katmanlı BP sinir ağı, PSO optimizasyonu için tercih edilir; (2) Giriş parametreleri normalleştirilir ve önceden tanımlanmıştır. İşleme, her parametreyi aralıkta yapın; (3) Parçacık sürüsü PSO algoritmasını başlatın, optimize edilmiş parametre BP sinir ağındaki sahiplik değeri ve eşik değeri kümesidir; (4) Parçacık konumunu ve hızını güncelleyin ve tüm parçacıkları modele girin. Eğitim, parçacık sürüsünün uygunluk işlevini hesaplayarak parçacıkların kalitesini değerlendirin ve bu temelde her parçacığın konumunu ve hızını ayarlayın.Parçacık sürüsünün uygunluk işlevi değeri ne kadar küçükse, uygunluk o kadar yüksek olur; (5) Yinelemeli hesaplama Optimal parçacıkların çıktısını alın.PSO algoritması için iki tür sonlandırma koşulu vardır. Birincisi, popülasyon parçacıklarının uygunluk değeri belirli bir değerden düşük olduğunda algoritmayı durdurmak, diğeri ise PSO-BP sinirini aşmak için popülasyon evriminin sayısı üst sınır T'ye ulaştığında durmaktır. Ağ algoritmalarının aşırı uyumu.
Bu makale üçüncü bir sonlandırma koşulu önermektedir: Ardışık nesiller için optimal uygunluktaki fark, belirli bir değerden daha az olduğunda, PSO algoritması sona erer. PSO algoritması bu zamanda çalışmaya devam ederse, PSO-BP sinir ağının tahmin hatası yine de kademeli olarak azalacaktır, ancak şu anda PSO-BP sinir ağının çok yönlülüğü ve sağlamlığı kademeli olarak azalacaktır. Aslında şu anda, Parçacıkların çoğu iyi eğitilmiştir. Algoritma durduğunda, global optimal çözüm elde edilebilir ve ardından BP sinir ağının ağırlıklarına ve eşiklerine eşlenir.
Sinir ağı modeli eğitimi yapıldıktan sonra, PSO-BP sinir ağının ağırlıkları ve eşikleri belirlendikten sonra, PSO-BP sinir ağı modelini eğitmek için eğitim verileri girilebilir.
5.2 PSO-BP sinir ağı simülasyon doğrulaması
Ağı eğitmek için 200 set eğitim örneği kullanın ve ağın doğru tanıma oranını tespit etmek için 50 set test örneği kullanın.
Şekil 8'den 50 numune grubunun tahminlerinin tamamen doğru olduğu ve doğru tanıma oranının% 100 olduğu görülebilmektedir.
5.33 çeşit sinir ağı simülasyon sonucunun karşılaştırılması ve analizi
BP, PNN ve PSO-BP sinir ağının tanı sonuçları Tablo 2'de gösterilmektedir.
Tablo 2'den görülebileceği gibi: (1) BP sinir ağının yerel minimumlara düşmesi kolaydır, zayıf sağlamlığa sahiptir ve başlatma parametrelerine daha duyarlıdır, bu nedenle tahmin doğruluğu düşüktür; (2) PNN sinir ağının tanıma pozitif oranı yayılma değeriyle belirlenir, Bu değer deneyime dayalı olarak seçilir. PNN sinir ağının yayılması 6'dır ve doğru tanıma oranı en yüksektir, bu da farklı yumuşatma faktörlerinin farklı hata tanıma oranlarına sahip olduğunu kanıtlar; (3) PSO-BP sinir ağı, doğrusal olmayan haritalama yeteneğini etkili bir şekilde geliştirir ve hata tanıma oranı 100'e ulaşır %.
6. Sonuç
Bu makale, dişli kutularının arıza teşhis modellemesi için BP, PNN ve PSO-BP sinir ağı teşhis modellerini oluşturur. Ana sonuçlar şunlardır: (1) BP sinir ağının yerel minimuma düşmesi kolaydır ve hata tanıma doğruluk oranı% 82'dir; (2) PNN sinir ağının dişli kutusu arıza teşhisinde ve tanımada doğruluğu, deneyime dayalı olarak seçilen yayılma değeriyle belirlenir. Birçok deneyden sonra, yayılma = 6 olduğunda, hata tanıma doğruluk oranı% 98'e kadar çıkar; (3) BP ve PNN sinir ağlarının eksikliklerinin üstesinden gelmek için PSO-BP sinir ağı tanıtıldı ve hata tanıma doğruluk oranı% 100'dür.
Üç tür sinir ağının karşılaştırılmasıyla, PSO-BP sinir ağı, dişli kutusu arızaları için maksimum% 100 doğruluğa sahiptir ve dişli kutuları ve diğer doğrusal olmayan karmaşık sistemlerin arıza teşhisi için evrensel ve uygulanabilir bir çözüm sağlar.
Referanslar
Deng Haishun, Deng Yuefei, Huang Kun, vb. Dengeli çift sıralı eksenel pistonlu pompa silindirinin mekanik performans analizi .. Takım Tezgahı ve Hidrolik, 2017, 45 (17): 140-144.
Liu Jingyan, Li Yudong, Guo Shunjing. Elman sinir ağına dayalı dişli kutusu arıza teşhisi, Endüstri ve Maden Otomasyonu, 2016, 42 (8): 47-51.
Chen Ruqing, Li Jiachun, Shang Tao, vb. Dişli kutusu arızalarını akıllıca teşhis etmek için geliştirilmiş havai fişek algoritması ve olasılıklı sinir ağı.Çin Ziraat Mühendisliği İşlemleri, 2018, 34 (17): 192-198.
Peng Yaqi, Xu Chengdong, Niu Fei ve diğerleri.PSO-BP sinir ağına dayalı yayın efemeris yörünge hatası tahmin modeli.Sistem Mühendisliği ve Elektronik Teknolojisi, 2019, 41 (7): 1617-1622.
Xiong Qingchun, Wang Jiaxu, Zhou Qinghua Takım tezgahı doğruluğunu ve proses parametrelerini birleştiren frezeleme hatası tahmin modeli Açta Aeronautica Sinica, 2018, 39 (8): 272-280.
Yang Xinlan, Zhang Shuanglin, Sha Qiuying. Çapraz doğrulama tahmin hatasına dayalı ilişkilendirme çalışmalarında birden çok fenotipin ortak analizi. Scientific Reports, 2019, 9 (1): 1073.
Jia Feng, Lei Yaguo, Guo Liang ve diğerleri.Derin öğrenme tekniği ve makinelerin akıllı hata teşhisine uygulanmasıyla oluşturulmuş bir sinir ağı. Neurocomputing, 2018, 272 (10): 619-628.
Xu Jingcheng, Chen Changzheng. Şanzıman Arıza Teşhisinde BP Sinir Ağı Uygulaması. Gürültü ve Titreşim Kontrolü, 2018, 38 (S2): 673-677.
Huang Jianwen, Li Ruiqin, Jin Jian.D-S kanıt teorisine ve BP sinir ağına dayalı şanzıman arıza teşhisi Kömür Madeni Makinaları, 2014, 35 (10): 287-290.
Duan Zhiwei, Gao Bingkun, Wang Huanyue, vb LabVIEW'e Dayalı Dişli Arızası Akıllı Tanı Sistemi Kimyasal Otomasyon ve Enstrümantasyon, 2015, 42 (1): 77-81.
Cao Fengcai, Wei Xiuye, Pan Hongxia.Dinamik atalet ağırlıklı partikül sürüsü optimizasyon algoritmasına dayalı dişli kutusu arıza teşhisi üzerine araştırma. Journal of Taiyuan University of Technology, 2011, 42 (2): 145-148.
PAVAO L V, COSTA C, RAVAGNANI MA S S, et al. Simüle tavlama ve yeni roket havai fişek optimizasyonu kullanılarak büyük ölçekli ısı eşanjörü ağlarının sentezi.AIChE Journal, 2017, 63 (5): 1582-1601.
JIA F, LEI Y G, GUO L.A sinir ağı derin öğrenme tekniği ve bunun makinelerin akıllı arıza teşhisine uygulanması. Neurocomputing, 2018, 272 (10): 619-628.
Yu Geng, Fang Hongtao. BP sinir ağına dayalı geliştirilmiş UKF entegre navigasyon algoritması. Elektronik Teknoloji Uygulaması, 2019, 45 (4): 29-33.
Yang Xiangping, Wu Yudan.PSO-BP Sinir Ağına Dayalı İnsan Akupunktur Noktası Konumlandırma Sisteminin Tasarımı. Elektronik Teknoloji Uygulaması, 2018, 44 (9): 75-78.
yazar bilgileri:
Zhang Yongchao 1, Li Jincai 1, Zhao Luhuai 2
(1. Şehir Koleji, Xi'an Jiaotong Üniversitesi, Xi'an, Shaanxi 710018; 2. Elektrik Mühendisliği Okulu, Xi'an Jiaotong Üniversitesi, Xi'an, Shaanxi 710048)
Orijinal beyan: Bu içerik AET web sitesinde orijinaldir, yetkisiz çoğaltılması yasaktır.
