齿轮故障的特征提取与模式识别技术研究

发布时间：2022-01-02 02:41

　　齿轮是机械设备中广泛使用的重要部件,它的损伤和失效常常导致传动系统或整机的故障,从而导致重大安全事故。因此,作为动力传递核心的齿轮箱装置的状态监测与故障诊断受到了越来越多的重视。而研究表明,齿轮箱故障的60%是由齿轮本体失效造成的,基于此,本文对齿轮故障的特征提取和模式识别技术进行了深入的研究。其主要研究内容如下: 第一,研究齿轮及齿轮箱振动噪声的产生机理,建立了齿轮振动的数学模型,在对影响齿轮振动的主要因素——轮齿刚度和传动误差进行详细探讨的基础上,分析了齿轮的大周期故障和小周期故障的频谱特征。 第二,系统地研究了齿轮信号的特征提取方法,用时域分析、频域分析以及解调分析等方法综合分析齿轮故障信号,对典型的大、小周期故障信号进行特征提取。 第三,研究了BP神经网络的算法原理及存在的问题,并对其进行了改进。采用改进的BP算法来训练神经网络,并对网络的拓扑结构及其训练参数的选择进行了分析。通过对典型大、小周期故障样本进行特征分析,构建了一个BP神经网络对提取的故障特征进行诊断。结果表明,将BP网络应用于齿轮的大、小周期故障的诊断是切实可行的。 第四,针对在实际工程应... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题概述
        1.1.1 课题的来源
        1.1.2 课题的提出及意义
    1.2 齿轮故障诊断技术的发展概况
    1.3 本文的主要研究内容
    1.4 本章小结
第二章 齿轮的振动机理及特征分析
    2.1 齿轮的失效形式
    2.2 齿轮的振动机理
        2.2.1 齿轮振动的基本参数
        2.2.2 齿轮振动的数学模型
        2.2.3 齿轮故障的频谱特征
    2.3 齿轮的振动特征
        2.3.1 啮合频率及其各次谐波
        2.3.2 由调制效应而产生的边频带
        2.3.3 其它成份
    2.4 本章小结
第三章 齿轮振动信号的分析与特征提取
    3.1 齿轮信号的时域和频域特征
    3.2 齿轮信号的常规分析方法
        3.2.1 时域平均分析
        3.2.2 时域分析
        3.2.3 频域分析
        3.2.4 倒频谱分析
    3.3 齿轮信号的解调分析方法
        3.3.1 希尔伯特变换
        3.3.2 希尔伯特变换解调的原理
    3.4 本章小结
第四章 神经网络在齿轮故障诊断中的应用
    4.1 人工神经网络的基本原理
        4.1.1 人工神经元的基本模型
        4.1.2 人工神经网络的拓扑结构和分类
        4.1.3 神经网络的特点
    4.2 BP神经网络模型及其算法
        4.2.1 BP训练算法原理
        4.2.2 BP算法的改进
    4.3 神经网络在齿轮故障诊断中的实际应用
        4.3.1 确定神经网络的输入与输出
        4.3.2 网络结构的选择
        4.3.3 网络的训练和检验
    4.4 神经网络的局限性
    4.5 本章小结
第五章 基于支持向量机的齿轮故障诊断的研究
    5.1 统计学习理论
        5.1.1 VC维
        5.1.2 推广性的界
        5.1.3 结构风险最小化
    5.2 支持向量机
        5.2.1 广义最优分类面
        5.2.2 支持向量机
    5.3 支持向量机在齿轮故障诊断中的应用
        5.3.1 用支持向量机方法实现齿轮故障的二分类
        5.3.2 支持向量机的多分类算法
        5.3.3 用一对多方法实现少样本的齿轮多故障分类
    5.4 本章小结
第六章 结论与展望
    6.1 本文的主要工作和结论
    6.2 展望
参考文献
致谢


【参考文献】：
期刊论文
[1]人工神经网络在过程工业中的应用[J]. 陈丙珍.  中国有色金属学报. 2004(S1)
[2]基于神经网络的传感器故障诊断仿真[J]. 王琳,李木,李文,丁鸣艳.  大连铁道学院学报. 2004(03)
[3]一种新的多类分类算法[J]. 孙德山,吴今培,肖健华.  模式识别与人工智能. 2004(03)
[4]利用小波分析早期发现齿轮故障隐患[J]. 王妙云.  中国设备工程. 2004(07)
[5]基于高阶累积量的齿轮箱故障诊断研究[J]. 王华民,陈霞,安钢,樊新海.  机械强度. 2004(03)
[6]迅速崛起的机器学习技术——支持向量机[J]. 张爱,陆有忠,郑璐石.  宁夏工程技术. 2004(02)
[7]基于支持向量机的多故障分类器及应用[J]. 张周锁,李凌均,何正嘉.  机械科学与技术. 2004(05)
[8]神经网络在齿轮故障诊断中的应用[J]. 高兴元,姚竹亭,杨秋英.  山西电子技术. 2003(05)
[9]包络谱细化的新方法及在齿轮故障诊断中的应用[J]. 皮钧,王建军.  拖拉机与农用运输车. 2003(05)
[10]小波分析在大型齿轮箱故障诊断中的应用[J]. 周凤星,程耕国,高立新.  武汉科技大学学报(自然科学版). 2003(03)



本文编号：3563305