基于振动信号分析和神经网络的齿轮箱故障诊断技术研究

论文摘要

振动信号分析是进行齿轮箱状态监测与故障诊断的重要手段。本文旨在研究适用于齿轮和滚动轴承的振动信号处理方法,并应用神经网络对各种处理方法处理后的数据进行模式识别,最后有效地分辨各种齿轮箱故障。首先,本文对齿轮和滚动轴承的故障机理及各种激励因素对振动信号的影响进行了详细剖析,研究了齿轮和轴承振动信号的故障特征。然后从时域、频域和时频域详细介绍了齿轮和滚动轴承的各种故障诊断方法,最后确定了几种信号处理方法对本齿轮箱进行简易诊断和精密诊断。其次,在了解齿轮、滚动轴承的振动机理和诊断方法基础上,搭建了齿轮箱故障试验装置,分别模拟了齿轮故障和滚动轴承故障,并对故障诊断方法进行了验证。基于各种方法在诊断本齿轮箱各种故障时的局限性(有时不能诊断出齿轮,特别是轴承故障)。本文提出了一种小波包络解调分析方法,并通过实践证明:与传统方法相比,小波包络解调分析方法能更好的解决由于实际的齿轮、轴承噪声大,振动信号的信噪比低,难以获得微弱故障特征等问题,为提取齿轮、特别是轴承早期故障特征提供了有效的分析手段。最后,利用BP神经网络对齿轮箱故障进行分类。结果说明此类神经网络能够提取输入信号的细微特征,对故障分类具有很高的准确性和可靠性。

论文目录

• 摘要
• Abstract
• 第一章 概述
• 1.1 齿轮箱故障诊断的发展历程
• 1.2 齿轮箱故障诊断的方法研究及其发展趋势
• 1.3 本文的主要研究内容
• 第二章 齿轮箱故障诊断基础
• 2.1 齿轮箱的结构和组成部件
• 2.2 齿轮振动机理及故障特征信息
• 2.2.1 齿轮振动机理分析
• 2.2.1.1 齿轮传动的动力学模型
• 2.2.1.2 齿轮副的啮合刚度
• 2.2.2 齿轮故障特征信息
• 2.2.2.1 啮合频率及其各次谐波
• 2.2.2.2 幅值调制和频率调制
• 2.2.2.3 齿轮及齿轮箱固有频率调制
• 2.2.2.4 其它频率成分
• 2.2.3 齿轮典型故障分析
• 2.2.3.1 正常齿轮的时频域特征
• 2.2.3.2 齿轮均匀磨损
• 2.2.3.3 齿轮局部异常
• 2.2.3.4 轴有较严重不平衡
• 2.2.3.5 轴轻度弯曲
• 2.2.3.6 轴严重弯曲
• 2.3 滚动轴承振动机理及故障特征信息
• 2.3.1 滚动轴承振动机理分析
• 2.3.1.1 轴承结构本身引起的振动
• 2.3.1.2 轴承故障引起的振动
• 2.3.2 滚动轴承故障特征信息
• 2.3.3 滚动轴承典型故障分析
• 2.4 本章小结
• 第三章 齿轮箱振动信号处理基础
• 3.1 数据预处理
• 3.1.1 消除趋势项
• 3.1.2 数据平滑处理
• 3.2 时域分析
• 3.2.1 时域统计分析
• 3.2.2 时域相关分析
• 3.3 频域分析
• 3.3.1 幅值谱和功率谱
• 3.3.2 离散频谱校正技术
• 3.3.3 细化谱分析技术
• 3.3.4 倒频谱分析技术
• 3.4 时频分析
• 3.5 本章小结
• 第四章 齿轮箱故障诊断试验设计及试验数据分析
• 4.1 齿轮箱故障试验设计
• 4.1.1 齿轮箱故障诊断试验装置
• 4.1.2 齿轮箱故障模拟
• 4.1.3 传感器在齿轮箱上的安装
• 4.2 试验数据分析
• 4.2.1 数据预处理
• 4.2.2 时域分析
• 4.2.2.1 利用有效值判断
• 4.2.2.2 利用峭度指标判断
• 4.2.3 频域分析
• 4.2.3.1 频谱和细化谱
• 4.2.3.2 倒频谱分析
• 4.3 本章小结
• 第五章 小波包络解调分析
• 5.1 小波包络解调基本原理
• 5.1.1 小波变换滤波基本原理
• 5.1.2 希尔伯特包络检波基本原理
• 5.2 数字信号仿真
• 5.3 试验信号验证
• 5.3.1 齿轮故障振动信号验证
• 5.3.2 轴承故障振动信号验证
• 5.4 本章小结
• 第六章 基于信号处理的BP神经网络故障模式识别
• 6.1 BP神经网络训练算法
• 6.2 BP算法的改进
• 6.3 敏感参数选择
• 6.3.1 输入数据设计
• 6.3.2 时域参数
• 6.3.3 频域参数
• 6.4 BP神经网络诊断
• 6.5 本章小结
• 第七章 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢