论文部分内容阅读
微车以其小巧轻便、价格低廉、油耗低等特点,在生活中扮演重要运输工具的角色。微车相对于其他车型制造成本比较低,制造工艺粗糙、精度不高,这也导致了其出现故障问题的几率也比较高。随着社会的发展,微车安全性及舒适度也慢慢成为更多消费者选车时候参考的标准。衡量汽车舒适性能的主要参数包括:噪声(Noise)、振动(Vibration)和声振粗糙度(Harshness),也被称作NVH。作为汽车传动系的后桥,它贡献的NVH约占汽车总体NVH的20%,所以,汽车后桥的品质优劣对于汽车整体性能有至关重要的影响。汽车后桥主要组成部件是齿轮,齿轮的优劣及故障问题直接影响到汽车后桥的整体品质。本课题旨在基本不提高微车制造成本的前提下,检测出存有故障的后桥,避免其直接装车,从而提高出厂微车的舒适度及质量。目前,常用的齿轮故障诊断方法主要可以概括为:分析齿轮振动信号的波形特征,根据不同故障类型所对应的波形不同来辨别齿轮故障类型,这要求工人的经验丰富,而且往往造成误判。人工神经网络作为人工智能技术之一,能够以任意精度逼近复杂的非线性映射,具有很强的识别分类能力,因此被逐渐引入到设备故障诊断中,使故障诊断实现自动化、智能化,同时提高诊断的精度。RBF网络作为一种特殊的前传网络,它是在隐层对输入数据进行了RBF变换。构成RBF网络的基本思想是:用径向基函数构成隐层节点,使得输入信号只在靠近基函数中心范围内产生局部响应。当基函数的中心和宽度确定以后,这种映射关系也就基本确定了。隐层空间到输出层空间的映射是线性的,即网络的输出是隐层各节点输出的线性加权和。与一般的前传网络相比,RBF网络能够快速学习并可避免陷入局部极小,它的性能具有明显的优越性。但传统RBF网络训练方法对隐层节点数目、基函数中心和宽度等参数的确定比较困难,往往是不断尝试,常得不到满意的效果。本课题针对传统前传神经网络的不足以及简单遗传算法的特点,结合RBF网络具有结构简单和任意精度逼近能力的特征,引入了一种改进遗传算法优化了的RBF神经网络。该网络引入包含自适应机制的、基于浮点数编码的遗传算法,并将该算法与梯度下降法交互融合计算,作为径向基函数网络的学习算法。并将设计的网络应用于微车后桥齿轮的故障诊断上面。