基于时频综合特征提取与BP神经网络的齿轮箱故障诊断研究

发布时间：2017-05-26 02:06

  本文关键词：基于时频综合特征提取与BP神经网络的齿轮箱故障诊断研究，由笔耕文化传播整理发布。

【摘要】：随着现代科学技术的进步和工业技术的完善，机械设备正朝着连续化与自动化方向发展，机械设备之间的连接更为紧密。齿轮箱具有传动力矩大、传动比固定、传动精度高、结构紧凑等优点，是机械设备中非常重要的通用零部件。齿轮箱振动信号中包含齿轮箱运行状态的所有信息，当齿轮箱的运行状态发生变化时，其振动信号特性也必然会相应发生变化。研究齿轮箱振动特性，从其振动信号中提取有用信息，对齿轮箱故障诊断及实时监测有重要意义，不仅能够降低设备维修成本，而且能有效提高齿轮箱工作过程中的可靠性与稳定性，对人民生命财产安全保护意义重大。 人工神经网络是自上世纪40年代发展起来的一门新兴交叉学科，与传统数据处理方法不同，人工神经网络以其强大的学习能力以及非线性、自适应性等特点，在故障诊断领域得到了迅速发展。 本文以齿轮箱为研究对象，在研究齿轮箱内部结构与组成的基础上，建立了齿轮副振动模型，对齿轮箱的振动机理进行了深入分析。在此基础上，搭建了齿轮箱故障诊断实验台，，对常见的五种齿轮箱故障进行了模拟，然后利用时、频域分析方法对所测得的振动信号进行特征提取，利用归一化后的特征参数对不同学习率下的BP网络进行训练，经过一系列的训练与检测，得到以下结论：在各参数值设置合适的情况下，论文中所构建的网络对齿轮箱的故障诊断正确率在86%以上，对于两种或两种以上的组合故障，该网络依然是适用的。
【关键词】：齿轮箱 故障诊断 时频特征提取 BP神经网络
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH132.41
【目录】：

• 摘要4-5
• Abstract5-10
• 第一章 绪论10-17
• 1.1 课题背景10-11
• 1.1.1 课题来源10
• 1.1.2 课题研究的目的及意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 齿轮箱故障诊断现状11-13
• 1.2.2 利用神经网络的齿轮箱故障诊断研究现状13-14
• 1.2.3 设备故障诊断的发展方向14-15
• 1.3 本文的主要研究内容15-16
• 1.4 本章小结16-17
• 第二章 齿轮箱故障分类及故障机理研究17-31
• 2.1 齿轮箱的组成及故障分类17-19
• 2.1.1 齿轮箱的结构组成17-19
• 2.1.2 齿轮箱的故障分类19
• 2.2 齿轮的振动机理及故障特征分析19-26
• 2.2.1 齿轮的故障类型19-23
• 2.2.2 齿轮的振动模型23-24
• 2.2.3 齿轮故障信号的特征分析24-26
• 2.3 轴承的振动机理及故障特征26-29
• 2.3.1 轴承的故障类型26-27
• 2.3.2 轴承的振动机理27-28
• 2.3.3 轴承的振动信号模型28-29
• 2.4 旋转轴的故障类型及故障特征29-30
• 2.5 本章小结30-31
• 第三章 人工神经网络研究31-48
• 3.1 人工神经网络模型的产生和发展31-33
• 3.1.1 人工神经网络产生的背景31
• 3.1.2 人工神经网络的发展31-32
• 3.1.3 人工神经网络的适用领域32-33
• 3.2 人工神经网络研究33-40
• 3.2.1 神经网络的特点33-34
• 3.2.2 神经网络的分类34-36
• 3.2.3 神经网络的学习方式36-37
• 3.2.4 神经网络的学习规则37-40
• 3.3 BP 神经网络40-47
• 3.3.1 BP 网络模型40-42
• 3.3.2 BP 算法42-44
• 3.3.3 BP 网络的不足与改进44-47
• 3.4 本章小结47-48
• 第四章 齿轮箱故障诊断实验48-56
• 4.1 实验设备48-49
• 4.2 实验方案设计49-52
• 4.2.1 故障实验台的搭建49-51
• 4.2.2 齿轮箱故障设置及其特征参数51-52
• 4.3 故障信号的采集52-55
• 4.3.1 振动信号时频域分析52-55
• 4.4 本章小结55-56
• 第五章 神经网络方法在齿轮箱故障诊断中的应用56-69
• 5.1 实验数据预处理56-63
• 5.1.1 时频域特征参数的提取56-62
• 5.1.2 特征参数的归一化62-63
• 5.2 网络的构建及故障诊断的实现63-68
• 5.2.1 网络的构建63-64
• 5.2.2 神经网络的输入及期望输出目标向量设计64-65
• 5.2.3 神经网络的训练与诊断65-68
• 5.3 本章小结68-69
• 第六章 结论和展望69-71
• 6.1 结论69-70
• 6.2 展望70-71
• 参考文献71-75
• 攻读硕士学位期间发表的学术论文75-76
• 附表76-81
• 致谢81-82

【参考文献】

中国期刊全文数据库 前10条

1 魏秀业;潘宏侠;;齿轮箱故障诊断技术现状及展望[J];测试技术学报;2006年04期

2 母晓科;蹇滔;李新科;;浅析人工智能与专家系统[J];电脑知识与技术;2009年07期

3 陈学峰;赵质良;王金光;;基于BP神经网络的齿轮箱故障模式识别[J];装备制造技术;2010年10期

4 杨树莲;;BP神经网络在齿轮箱故障诊断中的应用[J];机床与液压;2006年07期

5 张长胜;欧阳丹彤;岳娜;张永刚;;一种基于遗传算法和LM算法的混合学习算法[J];吉林大学学报(理学版);2008年04期

6 马波;王正群;沈杰;邹军;;自适应模糊神经网络构建方法[J];江南大学学报(自然科学版);2007年06期

7 田大新;刘衍珩;李宾;吴静;;基于Hebb规则的分布神经网络学习算法[J];计算机学报;2007年08期

8 刘庆;;镁合金塑性变形机理研究进展[J];金属学报;2010年11期

9 白士红,李晓雷,庞思勤;模糊-灰色关联-神经网络故障诊断方法研究[J];机械设计与制造;2003年06期

10 周正干;刘斯明;;非线性无损检测技术的研究、应用和发展[J];机械工程学报;2011年08期

中国博士学位论文全文数据库 前2条

1 徐东;球轴承疲劳剩余寿命分析与预测方法研究[D];国防科学技术大学;2011年

2 谢小正;数控机床主轴组件故障的知识发现研究[D];兰州理工大学;2013年

  本文关键词：基于时频综合特征提取与BP神经网络的齿轮箱故障诊断研究，由笔耕文化传播整理发布。

本文编号：395518