基于ART2神经网络的齿轮箱智能故障诊断方法研究

发布时间：2021-10-27 20:01

　　目前我国工业发展迅速,机械设备中齿轮箱的数量高速增长,同时也对齿轮箱的故障诊断带来了巨大挑战。为了适应大数据所带来的发展,提高齿轮箱的故障诊断效率,需不断增强故障诊断的智能化程度。目前有很多应用于齿轮箱模式识别的智能故障诊断方法,主要分为基于有监督学习的模式识别和无监督学习的模式识别,但是因为很难获得具有通用性的样本数据,因此主要基于训练样本数据的有监督学习的模式识别很难在实际应用中使用。在这一前提下,本文主要研究应用于齿轮箱故障诊断的无监督学习的模式识别方法。首先,采用了一种基于无监督学习的自适应共振（Adaptive Reonance Theory2,简称ART2）神经网络,并且利用ART2神经网络来表现齿轮箱的运行状态,实现ART2神经网络在无训练样本的前提下实现齿轮箱运行状态的模式识别。在特征值的提取方面采用相对小波包能量作为特征值的提取方法,然后运用ART2神经网络来对提取的特征值进行分析,在警戒值的选取上采用类内距离准则函数的最小值,以提高神经网络的分类精度。并且利用试验台测得的轴承寿命振动数据对所提出的方法进行分析验证,分析结果表明了该方法可以体现轴承由正常到失效的状态变... 

【文章来源】：石家庄铁道大学河北省

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究的背景和意义
    1.2 智能故障诊断发展现状
        1.2.1 专家系统
        1.2.2 模式识别
        1.2.3 模式识别方法应用于故障诊断的现状
            1.2.3.1 基于有监督学习的模式识别
            1.2.3.2 基于无监督学习的模式识别
    1.3 本文研究工作
第二章 齿轮箱故障和模式识别方法理论研究
    2.1 齿轮故障类型
    2.2 轴承故障类型
    2.3 智能故障诊断
        2.3.1 有监督学习的模式识别
            2.3.1.1 BP神经网络算法理论
            2.3.1.2 基于BP神经网络的故障诊断
            2.3.1.3 基于有监督学习的模式识别存在的问题
        2.3.2 无监督学习的模式识别
            2.3.2.1 GG聚类理论算法
            2.3.2.2 基于GG聚类的分类案例
        2.3.3 两种模式识别的比较
    2.4 本章小结
第三章 基于自适应共振神经网络的齿轮箱故障诊断研究
    3.1 引言
    3.2 ART2 神经网络基本原理
        3.2.1 ART2 神经网络结构
        3.2.2 ART2 神经网络基本算法
    3.3 小波变换基本原理
        3.3.1 连续小波变换
        3.3.2 离散小波变换
        3.3.3 小波包变换
        3.3.4 相对小波包能量
    3.4 ART2 神经网络的轴承运行状态分析
        3.4.1 方法介绍
        3.4.2 试验介绍
        3.4.3 多种特征值方法分析
        3.4.4 信号相对小波包能量特征值
        3.4.5 基于ART2 神经网络的模式识别
            3.4.5.1 提取特征值
            3.4.5.2 ART2 神经网络参数设置
            3.4.5.3 试验数据分类结果
    3.5 本章小结
第四章 结合K-means算法的ART2 神经网络的仿真研究
    4.1 结合K-means算法的ART2 神经网络
        4.1.1 ART2 神经网络的固有缺陷
        4.1.2 K-means算法基本原理
        4.1.3 结合K-means算法的ART2 神经网络
    4.2 仿真验证
    4.3 本章小结
第五章 试验验证
    5.1 齿轮箱故障分类方法
    5.2 本章小结
第六章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
个人简历、在学期间的参研课题及科研成果



本文编号：3462237