小波神经网络技术在齿轮箱轴承故障诊断中的应用

论文摘要

滚动轴承是旋转机械中应用最为广泛的机械零件,也是最易损坏的元件之一。旋转机械的许多故障都与滚动轴承有关,轴承工作性能的好坏直接影响到与之相关联的轴及安装在转轴上的齿轮乃至整台机器设备的性能。其缺陷通常使设备产生异常的振动和噪声,发展成故障就将造成设备损坏,甚至发生灾难性事故。因此,开展对滚动轴承的故障诊断具有很现实的意义。近年来,机械设备故障诊断技术在国内外得到了较大的发展,在国民生产中起到了重要作用。本文在总结和汲取他人研究成果的基础上,引入小波神经网络方法,有效地实现了齿轮箱滚动轴承故障诊断,主要研究内容如下:本文以齿轮箱滚动轴承为研究对象,基于齿轮箱滚动轴承的结构,振动机理等特点,对齿轮箱滚动轴承的故障成因,特征频率等作了详细的分析。通过对小波分析和神经网络在齿轮箱滚动轴承故障诊断中应用方法的研究,建立了以小波包为信号降噪和特征提取手段,以RBF神经网络为故障模式识别的信号处理与故障诊断系统。在此基础上,在齿轮箱滚动轴承正常和外圈损伤两种模式下,对滚动轴承振动信号进行了小波包降噪研究;运用“小波包—能量”法提取信号特征,作为神经网络的输入向量,采用RBF神经网络学习算法,针对齿轮箱滚动轴承正常和外圈损伤两种模式对网络进行了训练和模式识别,并对模式识别的正确率进行了分析。通过仿真和实验研究表明:小波包分析对齿轮箱滚动轴承微弱故障信号进行降噪后,能明显地提高信号的信噪比。把小波分析与RBF神经网络结合起来,对齿轮箱滚动轴承进行故障诊断,能够准确识别出齿轮箱滚动轴承工作运行状态中的异常现象;利用小波包频域分解信号构造的能量特征向量准确地反映了齿轮箱滚动轴承振动信号频域能量随着状态信息的变化而变化的情况;利用能量特征向量,小波神经网络能以90%以上的准确率完成从滚动轴承振动信号空间到滚动轴承故障状态空间的非线性映射。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.1.1 课题来源
• 1.1.2 课题研究的目的及意义
• 1.2 国内外设备故障诊断技术的发展研究综述
• 1.2.1 设备故障诊断的发展方向
• 1.2.2 设备故障诊断监测与诊断技术方法
• 1.3 滚动轴承故障诊断的研究意义与发展趋势
• 1.4 本论文研究的主要内容
• 1.5 本章小结
• 第2章 滚动轴承故障诊断概述
• 2.1 概述
• 2.2 滚动轴承结构
• 2.3 滚动轴承失效的基本形式
• 2.4 滚动轴承振动机理及振动特征频率分析
• 2.4.1 滚动轴承振动机理
• 2.4.2 滚动轴承固有振动频率
• 2.4.3 滚动轴承故障特征频率分析
• 2.5 滚动轴承的振动及其故障特征
• 2.6 滚动轴承振动信号的分析频带选择
• 2.7 本章小结
• 第3章 小波分析基本理论
• 3.1 引言
• 3.2 小波分析理论简述
• 3.2.1 小波分析的定义
• 3.2.2 多分辨率分析
• 3.2.3 小波包分析
• 3.2.4 小波或小波包分解的信号重构
• 3.2.5 小波或小波包分解的直观表示
• 3.3 基于小波分析的信号处理
• 3.3.1 信噪分离
• 3.3.2 频带分析技术
• 3.4 本章小结
• 第4章 人工神经网络诊断方法
• 4.1 引言
• 4.2 人工神经网络故障诊断简述
• 4.2.1 人工神经网络的故障诊断能力
• 4.2.2 神经网络故障诊断技术的特点
• 4.3 径向基函数神经网络
• 4.3.1 径向基函数（RBF）神经网络模型
• 4.3.2 RBF神经网络算法
• 4.3.3 RBF网络与多层感知器（MLP）的比较
• 4.3.4 神经网络与模式特征提取
• 4.4 RBF神经网络与BP神经网络仿真比较
• 4.5 本章小结
• 第5章 滚动轴承故障诊断实验研究
• 5.1 实验介绍
• 5.1.1 实验台
• 5.1.2 实验系统设计
• 5.2 实验台的组成
• 5.2.1 故障模拟器的组成
• 5.2.2 传感器的选择
• 5.2.3 数据采集系统
• 5.3 实验台的功能
• 5.4 测点的选择
• 5.5 本章小结
• 第6章 小波神经网络技术在齿轮箱轴承故障诊断中的应用
• 6.1 小波神经网络简介
• 6.1.1 小波神经网络的结合途径
• 6.1.2 小波分析与神经网络的松散型结合
• 6.2 松散型小波神经网络故障诊断的基本构思
• 6.2.1 松散型小波神经网络构思
• 6.2.2 松散型小波神经网络故障诊断过程的具体内容
• 6.3 基于小波分析的振动信号分析
• 6.3.1 正弦信号+白噪声
• 6.3.2 多普勒信号+白噪声
• 6.3.3 小波减噪应用于齿轮箱轴承微弱故障信号诊断
• 6.4 小波神经网络技术应用于齿轮箱轴承智能诊断
• 6.4.1 小波神经网络故障诊断模型
• 6.4.2 齿轮箱轴承故障特征向量的提取
• 6.4.3 诊断结果
• 6.5 本章小结
• 结论及展望
• 参考文献
• 致谢
• 附录A 攻读学位期间所发表的学术论文目录