概率神经网络在车辆齿轮箱典型故障诊断中的应用*

doi:10.19562/j.chinasae.qcgc.2020.07.018

汽车工程 ›› 2020, Vol. 42 ›› Issue (7): 972-977.doi: 10.19562/j.chinasae.qcgc.2020.07.018

概率神经网络在车辆齿轮箱典型故障诊断中的应用^*

张阳阳¹, 贾云献¹, 吴巍屹¹, 苏小波¹, 时晓文²

1.陆军工程大学石家庄校区,石家庄 050003;
2.32654部队,济南 250000

收稿日期:2019-10-16 出版日期:2020-07-25 发布日期:2020-08-14
通讯作者: 张阳阳,硕士,E-mail:2108007979@qq.com。
基金资助:
*国家自然科学基金(71871220)资助。

Application of Probabilistic Neural Network to Typical Fault Diagnosis of Vehicle Gearbox

Zhang Yangyang¹, Jia Yunxian¹, Wu Weiyi¹, Su Xiaobo¹, Shi Xiaowen²

1. Shijiazhuang Campus, Army Engineering University, Shijiazhuang 050003;
2. Unit 32654 of PLA, Jinan 250000

Received:2019-10-16 Online:2020-07-25 Published:2020-08-14

摘要/Abstract

摘要： 为提高汽车齿轮箱典型故障的诊断效率和准确性,提出一种基于概率神经网络的齿轮箱故障诊断方法。通过对某型齿轮箱的实验采集齿轮箱在正常状态、齿根裂纹和断齿状态下的振动信号,经过数据处理得到样本数据后输入概率神经网络模型,通过交叉验证并与BP神经网络对比的结果表明:概率神经网络能准确地识别出齿轮箱典型故障,且与BP神经网络相比,诊断准确率更高、诊断速度更快。

关键词: 齿轮箱, 故障诊断, 概率神经网络, 模式识别

Abstract: In order to enhance the diagnosis efficiency and accuracy of the typical faults of automotive gearbox, a fault diagnosis method of gearbox based on probabilistic neural network (PNN) is proposed. The vibration signals of the gearbox under normal state, tooth root cracks and broken tooth are collected through an experiment on a gearbox. After data processing, the sample data are obtained and input into PNN model. The results of cross-validation and comparison with the BP neural network (BPNN) show that PNN can accurately identify the typical faults of the gearbox and has higher diagnostic accuracy and faster diagnostic speed compared with BPNN.

Key words: gearbox, fault diagnosis, probabilistic neural network, pattern recognition

张阳阳, 贾云献, 吴巍屹, 苏小波, 时晓文. 概率神经网络在车辆齿轮箱典型故障诊断中的应用^*[J]. 汽车工程, 2020, 42(7): 972-977.

Zhang Yangyang, Jia Yunxian, Wu Weiyi, Su Xiaobo, Shi Xiaowen. Application of Probabilistic Neural Network to Typical Fault Diagnosis of Vehicle Gearbox[J]. Automotive Engineering, 2020, 42(7): 972-977.

参考文献

[1] 段礼祥,谢骏遥,王凯,等.基于不同工况下辅助数据集的齿轮箱故障诊断[J].振动与冲击,2017,36(10):104-108+116.
[2] 江星星,李舜酩,周东旺,等.时频脊融合方法及时变工况行星齿轮箱故障识别[J].振动工程学报,2017,30(1):127-134.
[3] 何正嘉,陈进,王太勇,等.机械故障诊断理论及应用[M].北京:高等教育出版社,2012.
[4] 胡杰,颜伏伍.基于BP神经网络的汽油机失火故障诊断方法的研究[J].汽车工程,2011,33(2):101-105.
[5] 孔祥创,赵万忠,王春燕.基于BP-EKF算法的锂电池SOC联合估计[J].汽车工程,2017,39(6):648-652.
[6] 李清泉,王伟,王晓龙.利用DGA-NN诊断油浸式电力变压器故障[J].高电压技术,2007(8):48-51.
[7] 梁超,路鹏,郜宁,等.基于LPP的转子振动故障特征提取方法[J].振动工程学报,2018,31(3):539-544.
[8] 张莹松,吴灿,唐海龙,等.基于故障检测的某涡扇发动机维修决策方法[J].航空动力学报,2017,32(1):82-88.
[9] 程加堂,艾莉,段志梅,等.CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用[J].太阳能学报,2017,38(8):2112-2116.
[10] 莫易敏,齐飞,张健.基于动态学习率与BP神经网络的变速箱故障诊断研究[J].机械设计与制造,2017(11):49-52.
[11] 蒋玉秀,赵晓欢,邓元望.基于概率神经网络的电子油门踏板故障诊断[J].中南大学学报(自然科学版),2019,50(6):1370-1377.
[12] 胡步发,黄首宁.双目标精英策略的三维人脸表情特征筛选及识别[J].华南理工大学学报(自然科学版),2015,43(5):86-91.
[13] 蔡英凤,王海.视觉车辆识别迁移学习算法[J].东南大学学报(自然科学版),2015,45(2):275-280.
[14] 叶树彬,徐亮,李亚凯,等.基于人工神经网络的傅里叶变换中红外光谱法对食用油油烟种类识别研究[J].光谱学与光谱分析,2017,37(3):749-754.
[15] 周建民,符正晴,李鹏,等.孔洞缺陷的红外无损检测和PNN识别与定量评估[J].红外与激光工程,2015,44(4):1193-1197.
[16] SPECHT D F. Probabilistic neural networks[J]. Neural Networks,1990,3(1):109-118.
[17] 杜振东,赵建民,李海平,等.基于SA-EMD-PNN的柱塞泵故障诊断方法研究[J].振动与冲击,2019,38(8):145-152.
[18] 易军,李太福,田应甫,等.基于对称Alpha稳定分布概率神经网络的铝电解槽况诊断[J].化工学报,2012,63(10):3196-3201.
[19] 韩嫚莉,侯卫民,孙靖国,等.基于PCA与协同表示的高光谱图像分类研究[J].电子科技大学学报,2019,48(1):117-121.

概率神经网络在车辆齿轮箱典型故障诊断中的应用^*

Application of Probabilistic Neural Network to Typical Fault Diagnosis of Vehicle Gearbox

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	刘凉,张滢,史晨阳,赵新华,孟宪明,刘增昌. 铆接铝合金板铆钉失效缺陷检测方法研究[J]. 汽车工程, 2024, 46(2): 366-374.
[2]	张鹏博, 陈仁祥, 邵毅明, 孙世政, 闫凯波. 纯电动汽车电驱动系统故障诊断研究进展[J]. 汽车工程, 2024, 46(1): 61-74.
[3]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[4]	张奇祥,靳立强,靳博豪,张伊晗,陈鹏飞,刘永腾,李建华. EMB夹紧力控制与传感器故障诊断研究进展[J]. 汽车工程, 2022, 44(5): 736-746.
[5]	于海,邓钧君,王震坡,孙逢春. 基于卷积神经网络的逆变器故障诊断方法[J]. 汽车工程, 2022, 44(1): 142-152.
[6]	靳莹,乔新勇,顾程,郭浩,宁初明. 基于Res⁃CNN和燃油压力波的柴油机喷油器故障诊断方法[J]. 汽车工程, 2021, 43(6): 943-951.
[7]	张莉,高兴奇,张健豪. 基于平均-差异模型的电池组短路电流估计[J]. 汽车工程, 2021, 43(11): 1702-1709.
[8]	朱绍鹏, 傅琪涛, 黄小燕, 王志威, 杨兴浩. 分布式四驱电动汽车电机故障诊断及失效控制^*[J]. 汽车工程, 2020, 42(9): 1284-1291.
[9]	彭运赛, 夏飞, 袁博, 王志成, 罗志疆. 基于改进CNN和信息融合的动力电池组故障诊断方法^*[J]. 汽车工程, 2020, 42(11): 1529-1536.
[10]	赵治国, 付十豪, 姜斯文, 陈家毅. 干式DCT同步器作动电机位置传感器故障诊断^*[J]. 汽车工程, 2020, 42(11): 1585-1594.
[11]	陈奇, 汪金成, QadeerAhmed, 姚志刚, 陈无畏. 基于模型的汽车电动助力转向系统故障诊断[J]. 汽车工程, 2019, 41(7): 839-850.
[12]	周小龙, 刘薇娜, 姜振海, 马风雷. 变分模态分解的Volterra模型和形态学分形维数在发动机故障诊断中的应用^*[J]. 汽车工程, 2019, 41(12): 1442-1449.
[13]	贾继德，贾翔宇，梅检民，曾锐利，张帅. 基于小波与深度置信网络的柴油机失火故障诊断[J]. 汽车工程, 2018, 40(7): 838-.
[14]	陈奇, 姚志刚, Qadeer Ahmed, 陈无畏, 樊浩. 基于结构分析法的汽车ABS故障诊断和识别系统设计与校验^*[J]. 汽车工程, 2018, 40(11): 1354-1363.
[15]	贾继德, 任刚, 贾翔宇, 韩佳佳. 柴油机振动信号自适应分解方法的比较^*[J]. 汽车工程, 2018, 40(10): 1172-1178.