基于函数型数据拟合与卷积神经网络的行星齿轮故障预测

发布时间：2020-05-15 02:03

【摘要】：随着机械设备的自动化与智能化程度日益提升,人们对机械设备健康状态评估及管理的需求变得尤为迫切。而行星齿轮作为旋转机械中最重要的组成部分,通常在低速、重载的环境下工作,一旦发生故障,会引起连锁反应,造成巨大的经济损失、危害人身安全。因此对其进行预知维修具有非常重要的意义。本文以行星齿轮为研究对象,进行故障预测的研究,主要研究内容如下:首先,提出原始离散振动数据函数化转换的方法。针对离散数据存在的数据丢失等问题,采用函数型数据分析思想中的函数型数据拟合方法,对离散数据进行函数化转换,以函数形式代替离散数据点,对正常运转的行星齿轮数据,采用传统的傅立叶基函数进行拟合,对不适用传统基函数的故障数据,建立不同故障位置基函数模型。经误差参数筛选后提取函数系数作为新的样本数据集。其次,提出行星齿轮卷积神经网络预测模型。针对行星齿轮数据,建立结构深度为3层的行星齿轮卷积神经网络预测模型,来解决浅层预测方法仅适用于小批量样本数据的局限性,弥补传统浅层预测方法需人为进行特征提取与特征降维的不足。并与浅层预测模型中最具代表性的BP神经网络进行对比分析,证明所建预测模型在针对样本数据量过多的数据时,预测效果更好。再次,研究卷积神经网络内部结构对预测结果的影响。针对卷积神经网络内部结构,从输入数据的维度不同、卷积核大小不同、有无批量归一化层、模型结构深度不同等方面进行研究,分析以上因素对预测结果的影响,对卷积神经网络预测模型的内部结构参数进行改进。最终确定输入数据形式为一维、卷积核尺寸随层数增多而减小、具有批量归一化层的7层深卷积神经网络预测模型。最后,搭建行星齿轮故障试验台。设计行星齿轮模拟故障试验方案,进行原始时域信号的数据采集,对行星齿轮离散数据进行函数化转换,以建立的结构深度为7层的卷积神经网络预测模型进行故障预测,与结构深度为3层的卷积神经网络预测模型相比提高了预测精度。
【图文】：

技术路线图

振动数据,行星齿轮

能真正作为拟合方式进行应用。（4）小波基函数现阶段小波函数得到了快速的发展，特别适用于数据的局部特征信息突出，或者数据不连续、存在迅速变化行为的情况。这使得学者可以对原始数据的函数进行合理的推断，以及当局部特征存在时，进行很好的拟合，计算公式如下：/2( ) 2 (2 )j jjk t t k(2-6)此外还有其他诸多基函数等方法，同上述基函数展开方式一样各有优劣，由于本文篇幅所限且并不常用故而不再一一列举。上述所列 4 种基函数拟合方法是应用最广的拟合方法，，特别是傅立叶基函数和 B 样条基函数能够满足实际的离散数据拟合。2.2.3 正常行星齿轮振动数据的函数曲线拟合通常情况下对于无故障的旋转机械来说，其在正常运转下的振动数据一般符合三角函数的形式，为了验证这一观点，采集正常运转的行星齿轮振动加速度数据进行观测，如图 2-2 所示。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH132.425

【相似文献】