基于GA-NN的旋轉(zhuǎn)機(jī)械故障逐次診斷研究.pdf

1、論文從研究傳統(tǒng)的旋轉(zhuǎn)機(jī)械故障的特征參數(shù)識(shí)別兩類狀態(tài)的能力出發(fā)，提出了特征參數(shù)靈敏度評(píng)價(jià)標(biāo)準(zhǔn)，并對(duì)其進(jìn)行了實(shí)驗(yàn)驗(yàn)證；在傳統(tǒng)的特征參數(shù)基礎(chǔ)上，文中提出利用遺傳算法對(duì)特征參數(shù)進(jìn)行自組織生成新的高靈敏度的特征參數(shù)，并采用遺傳算法對(duì)由所有特征參數(shù)組成的特征集合進(jìn)行選擇，去除了冗余的特征參數(shù)；最后建立了基于神經(jīng)網(wǎng)絡(luò)的逐次診斷模型，降低了診斷系統(tǒng)輸入量的維數(shù)，并通過實(shí)驗(yàn)驗(yàn)證了整個(gè)診斷系統(tǒng)的有效性。該診斷系統(tǒng)結(jié)合了特征靈敏度的評(píng)價(jià)、特征提取、特征選擇和

2、逐次神經(jīng)網(wǎng)絡(luò)模型，有一定創(chuàng)新性，且易于實(shí)現(xiàn)，具有良好的工程應(yīng)用價(jià)值?，F(xiàn)將論文主要的研究成果歸納如下：
　　①提出了用于評(píng)價(jià)特征參數(shù)識(shí)別故障的靈敏度的概念。并假設(shè)特征參數(shù)概率密度函數(shù)是正態(tài)分布情況下，從理論上推導(dǎo)出了靈敏度的計(jì)算公式。最后通過實(shí)驗(yàn)驗(yàn)證了靈敏度與特征參數(shù)區(qū)分兩種狀態(tài)的識(shí)別率是成正比關(guān)系的，靈敏度高的特征參數(shù)就具有高的識(shí)別率。
　　②傳統(tǒng)特征參數(shù)不能很好的區(qū)分兩種狀態(tài)，文中采用遺傳算法重新提取新的高靈敏度的特征參數(shù)

3、；該方法是對(duì)傳統(tǒng)的特征參數(shù)進(jìn)行再組織生成新的特征參數(shù)，文中用樹形圖來表示特征參數(shù)的公式，便于利用遺傳算法進(jìn)行交叉和變異；用特征參數(shù)靈敏度作為遺傳算法的適應(yīng)度函數(shù)。最后實(shí)驗(yàn)驗(yàn)證了新的特征參數(shù)的識(shí)別率高，證明了該方法的有效性。
　?、畚闹袑鹘y(tǒng)特征參數(shù)和由遺傳算法提取的新的特征參數(shù)共17個(gè)組成特征參數(shù)集合。提出了以類內(nèi)和類間距離為適應(yīng)度函數(shù)，基于遺傳算法的特征選擇策略，選擇出最有效的幾個(gè)特征參數(shù)來降維，同時(shí)達(dá)到提高識(shí)別兩類狀態(tài)識(shí)別率的