基于时、频域—小波分析和神经网络方法的齿轮箱故障诊断研究

发布时间：2020-09-30 00:59

【摘要】： 随着科学技术的不断进步,机械设备向着高性能、高效率、高自动化和高可靠性的方向发展。齿轮箱由于具有传动比固定、传动转矩大、结构紧凑等优点,被用于改变转速和传递动力的传动部件中,它是机械设备的一个重要组成部分,也是易于发生故障的一个部件,其运行状态对整机的工作性能有很大的影响。因此,对齿轮箱进行状态监测及故障诊断意义重大,不仅可以缩短维修时间、降低维修成本,还可提高诊断准确性和维修质量,创造可观的经济效益。 齿轮箱的振动信号相当复杂,除反映有关齿轮和轴承本身工作情况的信息外,也包含了大量机械中其它运动部件和结构的信息,因此如果仅仅单从时域与频域或小波分析对齿轮箱的振动信号进行分析,则很难准确诊断出齿轮箱各类故障。本文提出并研究了一种新的齿轮箱故障诊断技术——基于时、频域和小波分析的神经网络诊断法,该方法联合时、频域和小波分析的特性来识别齿轮箱故障信号,将所得到的综合信息,进行神经网络训练和诊断,结果证明该研究方法可提高齿轮箱故障诊断的准确性和可靠性。 具体研究内容如下: 1)研究齿轮箱故障振动的机理。分析齿轮和轴承的常见故障类型及产生的原因,在此基础上研究了齿轮和轴承几种典型故障的振动机理。 2)研究时、频域分析方法进行齿轮箱故障特征提取的特点。介绍了一些时域和频域分析方法的理论,通过分析实验所得的齿轮箱5种典型故障信号,得出相应的时域与频域特征。 3)研究小波分析方法进行齿轮箱故障特征量提取的特点。根据小波分析和小波包分析的基本理论,采用了基于小波包能量的特征提取方法,并用实例证明了该方法的可靠性。 4)根据BP神经网络算法的原理,提出了一种改进的BP算法,即基于误差修正的自适应学习速率法,并针对这种算法进行了仿真测试。测试结果表明改进的BP算法缩短了学习时间,提高了学习效率,并在一定程度上避免了学习中的局部极小问题的出现。 5)对本文提出的研究方法进行实验验证。利用实验室齿轮箱实验台模拟了齿轮箱五种典型故障形式,并采集了各工况下的振动信号。对信号进行时、频域分析和小波分析并提取特征值,作为改进BP神经网络的输入,建立了齿轮箱故障诊断模型。用该模型对大量实测数据进行分析和处理,其诊断结果表明本论文研究提出的方法是可行的,该方法可提高齿轮箱故障诊断的准确性和可靠性。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：TH132.41
【图文】：

所以从测试的角度来看，研究轴承有缺陷时的振动才有意义。而有缺陷的轴承在频谱分析中，在其特征频率上的谱线会有明显的变化。滚动轴承各元件在单一缺陷时的振动特征频率的一般公式(参照图2一3)126]:l)滚动体缺陷特征频率几二杀lfa厂刀2、一大}11一竺二 eosZal“‘又少)(2一7)2)内滚道(外圈)缺陷特征频率;一量}、一、}〔l一兰cos。D)(2一8)3)外滚道(内圈)缺陷特征频率fo一引fr一faJ艺-〔l、兰cosa)(2一9)

a(‘)=}u(‘)卜l=丫夕’(，)+夕’(，)一l。(，卜arctan【夕‘风，)，一(2呱‘+，，(3可见经Hilbert变换很容易分离a(O和b(O。因此，对幅值调制信号进行包络频率调制信号进行包络分析都能很好的确定故障的特征频率。.2齿轮箱振动信号的时、频域特征根据前面章节对齿轮箱故障振动机理的分析和齿轮箱时、频域分析方法的研究者所做的实验验证(其中数据采用我研究所试验台所测数据)，得出各种状态的、频域特征如下:2.1正常JJJ!11111一一

太原理工大学硕士研究生学位论文号具有近似正弦波的啮合波形，如图3一1所示。(2)频域特征:正常齿轮箱的信号反映在功率谱上，主要有齿轮啮合频率及波分量，即以啮合频率成份为主nfm(n二1，2，，:，其高次谐波依次减小，如图3一2所同时，在解调谱中低频处有齿轮轴旋转频率及其高次谐波mfr(m二1，2，…，如图3示。

【引证文献】

中国期刊全文数据库 前2条

1 姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙;;基于小波包分析的滚动轴承的故障诊断方法研究[J];浙江农业学报;2012年02期

2 李康;刘冰;陈雪军;陈海小;赵乾宏;;基于第二代小波包解调技术的船载天线轴承故障诊断方法研究[J];遥测遥控;2012年06期

中国重要会议论文全文数据库 前1条

1 蔡安江;豆卫涛;柴彦昌;孙少军;;基于人工神经网络技术的齿轮箱故障诊断应用研究[A];陕西省机械工程学会第九次代表大会会议论文集[C];2009年

中国硕士学位论文全文数据库 前10条

1 李会臣;基于时频分析的齿轮故障机理及诊断研究[D];郑州大学;2010年

2 彭建云;基于小波分析对变速箱进行故障诊断[D];江西理工大学;2010年

3 赵娟;基于人工智能的电机匝间耐压检测算法研究[D];河北科技大学;2011年

4 周莹;基于MIV特征筛选和BP神经网络的滚动轴承故障诊断技术研究[D];北京交通大学;2011年

5 李娓;基于粗糙集的粒计算在数据挖掘中的研究与应用[D];武汉理工大学;2011年

6 高阳;基于DSP和分层时序记忆的齿轮箱故障诊断系统[D];中北大学;2011年

7 张永帅;电励磁双凸极风力发电机的控制及整流电路故障诊断[D];南京航空航天大学;2010年

8 付芹;基于PNN模型的机械设备状态预警和故障诊断方法研究[D];西安建筑科技大学;2010年

9 侯秀松;基于振动测试的旋转设备状态分析与故障诊断[D];内蒙古科技大学;2012年

10 浦晓清;测量船天线故障预警与诊断技术研究[D];南京理工大学;2013年

本文编号：2830516