带偏差单元递归神经网络齿轮箱故障诊断(2)

　　2.2带偏差单元的递归神经网络算法实现
　　带偏差单元的递归神经网络算法学习流程图如图3所示，其实现过程具体如下：
　　（1）初始化；
　　（2）选区输入模式Ak，Yk提供给网络；
　　（3）用输入模式Ak，连接{Wij}计算中间层各单元的输入Sj，然后通过S函数计算中间各层各单元的输出{bj}
　　（4）用中间层的输入{bj}、连接权{Vji}计算输出各单元的输入{Lt}，然后用{Lt}通过S函数计算输出层的各单元的响应{C[kt]}；
　　（5）计算一般化训练误差；
　　（6）用中间层各单元的一般化误差修正连接权{Wij}，判断训练误差的精度要求；
　　（7）判断训练误差的精度要求，执行步骤（3）；
　　（8）转回到步骤（2）。因此，带偏差单元的递归神经网络正好弥补了BP神经网络的缺点。
　　3基于带偏差单元的递归神经网络齿轮箱故障
　　诊断
　　3.1带有偏单元的递归神经网络诊断模型的建立
　　神经网络用于故障分类诊断的流程图如图4表示。本研究中使用的输入层是27个神经元，其对应的测试点是11个，隐层神经元16个。用基于带有偏单元的递归神经网络来实现故障分类：表1所示是标准样本，当其中测试编码为1时代表有故障，且故障的各种特征参数的数据值在故障的范围内，当测试编码为0时代表无故障，且其各种特征参数的数据值在无故障范围内，如，表1中第二行的1代表存在第一种故障，其他的0代表无其他故障；网络输入及输出分别使用测试编码和故障编码，第一层和第二层的学习速率均取1.5，输入和输出偏差学习速率分别取1.0和3100；带有偏单元的递归神经网络误差的收敛结果如图5所示，可以看出：网络学习到第八步时，其精度优于0.006，且随着训练步数的增加，误差呈收敛状态。
　　应用典型数据（包括有故障数据与无故障数据）分别对网络进行训练，并将训练好的网络冻结，然后将测试编码作为输入，使网络处于回想状态，结果见表2。
　　3.2带有偏单元的递归神经网络诊断
　　本文使用我国某新型坦克，研究其齿轮箱的故障诊断。根据前面第3.1中对齿轮箱中常发生故障的部件的分析，选取轴承、齿轮和轴的典型故障，如外圈、内圈、滚珠、保持架故障、齿轮磨损、齿形误差、断齿、点蚀、轴弯曲、轴向窜动、轴不对中等11种故障为研究对象，并选取一种为正常情况。
　　诊断过程分两类：其一是采用本实验采集到的处理后的数据，使用带有偏单元的递归神经网络诊断模型判断其是否有故障，表3为模型的实际输出；其二是人为设置一些故障，通过带有偏单元的递归神经网络诊断模型判断其是否有故障并确定其故障类型，表4为实际输出与理论输出的比较。
　　结果分析：由表3可以看出，经过程序模型判断，现在坦克齿轮箱无故障，符合实际情况，本研究采集的是全新坦克数据。
　　从表4可以看出，实际判断的故障与模拟故障相吻合，并可确定前三组为单一故障分别为断齿、滚珠破损、外圈剥落。后三种分别为混合故障，且第四组为断齿和外圈剥落，第五组为断齿和滚珠破损，第六组为断齿、外圈剥落和滚珠破损。
　　因此，带偏差单元的递归神经网络在本型号坦克齿轮箱的故障诊断中不仅能对齿轮箱的单一故障做出正确的诊断，而且对混合故障也具有良好的识别能力。算法精度高，收敛性好。
　　4结语
　　本文对某型号坦克传动系统的齿轮箱的故障诊断是基于带偏差单元的递归神经网络模型的算法。以齿轮箱的常见故障为基础，以带偏差单元的递归神经网络模型为模式识别技术，实现了齿轮箱故障的有效诊断。本文的研究对其他领域故障诊断的成功率的进一步提高起到了积极地推动作用。
　　参考文献
　　[1]马锐.齿轮箱的非线性故障机理研究及实验诊断[D].哈尔滨：哈尔滨工业大学，2012.
　　[2]林近山，陈前.基于非平稳时间序列双指标特征的齿轮箱故障诊断[J].机械工程学报，2012，48（13）：108?114.
　　[3]管森森.基于振动信号分析的齿轮箱故障诊断系统开发[D].北京：华北电力大学，2011.
　　[4]赵军，张丹，王金光.齿轮箱的失效原因与振动诊断[J].中国修船，2008，21（5）：15?17.
　　[5]HAGANMT，DEMUTHHB，BEALEMH.Neuralnetworkdesign[M].戴葵，译.北京：机械工业出版社，2002.
　　[6]魏江涛，陈方涛，姜美雷.BP神经网络在设备故障诊断方面的应用[J].现代电子技术，2012，35（19）：131?134.