基于集合经验模式分解与径向基函数神经网络的齿轮故障诊断

摘要

现在机械生产设备正朝着生产自动化、结构大型化、复杂化、运行高效化的方向发展，设备和设备之间联系更加紧密，这样势必会对其可靠性方面有很高要求。机械设备的某一部件发生故障有可能引起整个生产流程的停止，造成的直接或间接经济损失也会成倍的增加，可见高可靠性、高安全性、低故障率的机械设备对现代化工业生产的重要性。齿轮传动具有结构紧凑、传动比恒定、传递扭矩大等特点，是机械设备中常用的也是应用最广泛的传动方式。同时，它也是机械生产设备中易发生故障的部位。因此，为防止机械设备被迫停止运行，延长使用时间，对其进行状态监测和诊断，及早地发现齿轮传动系统中存在的故障对于安全生产和提高经济效益都具有十分重要的意义。
　　本文提出将集合经验模式分解与RBF神经网络相结合的齿轮故障诊断方法。分析了齿轮振动的机理与特征，阐述了基于齿轮振动信号的时域、频域故障分析方法，基于小波包的故障特征提取方法和集合经验模式分解的故障特征提取方法，介绍了人工神经网络在故障诊断领域的应用。
　　研究实验在故障模拟试验台进行。通过采集的齿轮振动信号，对文章提出的基于集合经验模式分解与RBF神经网络相结合的齿轮故障诊断方法进行验证。实验结果表明该方法效果良好，且具有广泛的应用前景。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 齿轮传动故障诊断的发展现状与趋势

1．2．1 齿轮传动系统故障诊断的发展历程

1．2．2 齿轮传动系统故障诊断的研究现状

1．2．3 发展趋势

1．3 本文研究的主要内容

1．4 本章小结

第2章 齿轮传动故障及其振动机理研究

2．1 齿轮故障分类及其形成原因

2．2 齿轮振动的产生机理分析

2．2．1 齿轮的基本振动分析

2．2．2 齿轮振动信号的调制

2．3 齿轮振动的特点

2．4 本章小结

第3章 齿轮传动故障诊断方法

3．1 时域故障诊断方法

3．2 频域故障诊断方法

3．3 小波分析方法

3．3．1 连续小波变换

3．3．2 小波变换离散化

3．3．3 基于小波变换的信号消噪应用

3．4 小波包分析方法

3．4．1 小波包定义

3．4．2 小波包分解与重构

3．4．2 小波包分析实例仿真

3．5 集合经验模式分解的基本原理

3．5．1 集合经验模式分解算法

3．5．2 Hilbert解调原理

3．5．3 EEMD分解方法的信号仿真

3．5．4 基于EEMD的齿轮故障诊断

3．6 本章小结

第4章 人工神经网络与模式识别

4．1 人工神经网络原理

4．1．1 神经元

4．1．2 神经网络的连接类型

4．2 人工神经网络的学习方式

4．3 人工神经网络的特点

4．4 径向基神经网络基本原理

4．5 人工神经网络与齿轮故障模式识别

4．6 本章小结

第5章 齿轮传动故障信号采集与特征提取

5．1 齿轮时域振动信号的采集

5．1．1 齿轮故障模拟实验平台介绍

5．1．2 信号采集

5．2 振动信号的时域特征提取方法

5．3 振动信号的频域特征提取方法

5．4 基于小波包分解的特征量提取

5．5 基于EEMD方法的特征量提取

5．6 本章小结

第6章 基于RBF神经网络的齿轮故障诊断

6．1 RBF神经网络的建模步骤

6．2 小波包与RBF神经网络相结合的齿轮故障诊断

6．3 EEMD与RBF神经网络相结合的齿轮故障诊断

6．4 本章小结

第7章 总结与展望

7．1 总结

7．2 展望

致谢

参考文献

作者简介

攻读硕士学位期间发表的论文