基于BP神经网络的齿轮故障模式识别研究

论文摘要

齿轮是汽车变速器的重要组成部分,担负着传递发动机动力的巨大作用,其工作状态直接影响传动系统的效率。齿轮是应用最为广泛,同时也是最易损坏的零件,因此,对齿轮实施故障诊断非常必要,受到了越来越多的重视。对齿轮实施故障诊断的实质就是模式识别。齿轮模式识别是通过对提取的特征信息进行分析和处理实现的。传统的信号时域和频域分析方法,可以提取故障特征信息,为进一步提高齿轮故障诊断的准确性和快速性,随着各种新技术的产生,信号的分析方法也有了新的发展,例如小波变换、包络分析等。振动信号是齿轮故障特征信息的载体,本文系统的介绍了齿轮振动信号的特征提取方法,用时域分析、频域分析、时频分析和包络分析等方法综合分析齿轮故障信号。模拟齿轮故障实验,提取时域和频域内的故障特征信息。构建人工神经网络模型对提取的特征信息进行诊断,实现齿轮故障模式识别。神经网络具有独特的结构和处理信息的方法,将其应用到齿轮模式识别中,为齿轮故障诊断开辟了一条新途径。基于MATLAB平台,利用构建的PNN模型和BP神经网络模型对齿轮进行故障诊断。同时,对BP神经网络进行改进,通过对比,验证改进后的模型对齿轮模式识别效果更好,提高了齿轮故障诊断的效率,具有广阔的应用前景。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外发展现状及趋势
• 1.2.1 研究方法及现状
• 1.2.2 发展趋势
• 1.3 本文的主要研究内容
• 1.4 本章小结
• 第二章 齿轮振动故障诊断的基础
• 2.1 概述
• 2.1.1 齿轮的劣化规律
• 2.1.2 齿轮的主要故障原因
• 2.2 齿轮振动故障诊断系统
• 2.3 齿轮的振动机理
• 2.3.1 齿轮的振动分析
• 2.3.2 幅值调制和频率调制
• 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 振动信号的时域分析
• 3.1.1 幅值域分析
• 3.1.2 时差域分析
• 3.1.3 时域平均分析
• 3.2 振动信号的频域分析
• 3.2.1 频谱分析
• 3.2.2 功率谱分析
• 3.2.3 细化谱分析
• 3.2.4 倒频谱分析
• 3.3 振动信号的时频分析
• 3.4 振动信号的包络分析
• 3.5 本章小结
• 第四章 齿轮故障诊断实验
• 4.1 实验系统的组成
• 4.1.1 实验台的组成
• 4.1.2 振动测试系统
• 4.2 齿轮故障诊断实验的实施
• 4.2.1 齿轮故障类型选择
• 4.2.2 数据采集与处理
• 4.3 本章小结
• 第五章 神经网络在齿轮故障诊断中的应用
• 5.1 基于神经网络齿轮故障诊断
• 5.1.1 概率神经网络
• 5.1.2 BP神经网络
• 5.1.3 方法对比
• 5.2 BP神经网络的改进
• 5.3 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