基于RBF-PF和粒子群優(yōu)化小波神經(jīng)網(wǎng)絡在齒輪箱故障診斷中的研究.pdf

1、齒輪傳動是機械傳動的主要形式。齒輪是機器的基礎件，其質(zhì)量、性能、壽命直接影響整個機器設備的技術經(jīng)濟指標。齒輪箱在機械傳動中的運行工況一般較為復雜惡劣，齒輪箱在機械設備中非常容易出現(xiàn)機械故障。齒輪裂紋又是齒輪傳動系統(tǒng)中最常出現(xiàn)的故障類型之一。齒輪裂紋不易察覺并且危害極大。
　　故障診斷一般分為兩個部分：故障特征信號的提取和診斷分類。在故障診斷的過程當中由于故障振動信號含有其它未知信號，不能夠直接獲取齒輪箱的故障振動信號，需要對信號進

2、行相應的降噪預處理。粒子濾波算法是通過蒙特卡洛模擬進而實現(xiàn)最優(yōu)貝葉斯估計的濾波方法，它的基本原理是通過樣本粒子來模擬系統(tǒng)模型并按時間順序向前傳播，由此得到各時刻對應的系統(tǒng)狀態(tài)樣本，從而求得與系統(tǒng)近似的狀態(tài)后驗概率密度函數(shù)。本文通過徑向基粒子濾波（ Particle Filter of Radial Basis Function）對提取的信號進行濾波去噪，為后面的診斷分類作預處理。徑向基粒子濾波消除了過程噪聲引起的估計誤差，提高了先驗概率

3、密度分布估計精度，避免了粒子匱乏，使粒子濾波的性能得到了提升。
　　粒子群是利用粒子的合作與競爭而逐步演變成的群體智能優(yōu)化方法[1]。針對具體的工程實際問題的優(yōu)化，首先需要把實際工程問題轉(zhuǎn)化為對應的數(shù)學模型，然后初始化所涉及到的粒子群優(yōu)化算法的參數(shù)，提出該工程問題的適應值函數(shù)[2]。最后依據(jù)設定的適應值函數(shù)的誤差精度評價優(yōu)化參數(shù)，選取滿足適應值函數(shù)精度時數(shù)學模型的各個參數(shù)。帶有慣性因子的標準粒子群優(yōu)化算法搜索速度快、結(jié)構簡單、全局

4、與局部收斂能力強和易于實現(xiàn)的特點。粒子群優(yōu)化算法替代易陷入局部極小、收斂速度慢的梯度遞減法（也稱BP算法）而得到粒子群優(yōu)化小波神經(jīng)網(wǎng)絡學習算法[3]。它優(yōu)化了小波神經(jīng)網(wǎng)絡中的各個參數(shù)，在齒輪箱故障診斷實驗中，該優(yōu)化算法減少了迭代次數(shù)、提高收斂精度，是小波神經(jīng)網(wǎng)絡的有效訓練算法。
　　本文將徑向基粒子濾波與粒子群優(yōu)化小波神經(jīng)網(wǎng)絡相結(jié)合，在齒輪箱故障檢測的研究中，不但充分利用了徑向基粒子濾波良好的降噪效果和處理非高斯非線性系統(tǒng)的優(yōu)勢，