wjp开题报告.docVIP

中 北 大 学 毕业设计开题报告 学 生 姓 名： 王建鹏 学 号： 0902034133 学 院、系： 机械工程与自动化学院过程控制系 专 业： 过程装备与控制工程 设 计 题 目： 基于神经网络的齿轮箱故障诊断研究 指导教师: 姚竹亭教授 2013 年 0 3月 14 日  毕 业 设 计 开 题 报 告 1．结合毕业设计情况，根据所查阅的文献资料，撰写2000字左右的文献综述： 文 献 综 述 1.1课题研究的背景，目的和意义 齿轮箱是用来改变转速和传递动力的常用机械设备，由于齿轮箱本身工作环境恶劣，故容易受到损害和出现故障；而其中的零部件如齿轮、轴、轴承等加工工艺复杂，装配精度要求高，又常常在高速度、重载荷下连续工作，故障率较高，是诱发机器故障的重要原因．因此对齿轮箱进行诊断是自故障诊断技术问世以来一直受到人们普遍重视的课题之一[1]。 对于齿轮箱故障诊断而言，其最根本任务就是通过对齿轮箱的观测信号进行分析、处理，以识别齿轮箱的状态，在一定程度上也可以说齿轮箱故障诊断就足齿轮箱的状态识别。概括来讲，对齿轮箱的诊断，一是早期诊断，防忠于未然；二是故障分析，采取措施。就是指在齿轮箱产生故障以前，能够对可能产生故障的部位和部件进行预测，找出可能产生故障的原因，进而保证齿轮箱能够在安全稳定的工况下运行。在故障发生时，能够迅速分析故障产生原因，判断故障发生部位，及时展开维修[2]。 在齿轮箱故障诊断的发展过程中，人们发现最重要的的问题是提取故障特征，他直接关系到故障诊断的准确性和可靠性，所以齿轮箱故障特征的提取有重要意义。为此，国内外学者利用现代信号处理的理论和技术手段，希望通过对信号的深度加工中获得信息，但由于齿轮箱的复杂结构和众多干扰，都未能如愿。人工神经网络具有自学习、自组织、自适应和容错性等一系列优点，在很多领域已有许多成功的应用[3]。国内外诸多研究单位和学者，已经用人工神经网络方法在机器运行状态预测中做了很多工作，并取得了大量可喜的成果，但对于齿轮等元件的故障机理研究仍然不够深入，需要进一步的完善以提高齿轮箱故障诊断的效率，具有十分重要的意义。 齿轮箱故障诊断的步骤，包括：信号检测，特征提取，状态识别和诊断决策[4]。 常见的齿轮箱故障诊断方法： 温度法：通过监测箱体轴承处的温度来判断齿轮箱工作是否正常。温度检测对齿轮箱齿轮载荷，轴承速度和润滑情况的变化比较明显，而对早期点蚀等微小故障基本上没反应，只有达到一定程度，才能检测到[5]。 油样分析法：从润滑油中提取油样，通过收集和分析油样中的金属颗粒的形态来检测的方法。此方法有局限性，易受其他非齿轮箱损伤掉下的颗粒影响[6]。 振动法：通过振动传感器检测齿轮箱振动信号，并对此信号进行分析处理来检测。优点是适用于各种工况的齿轮箱，可以有效地诊断出早期微小故障，信号测试与处理简单直观，诊断结果可靠，所以应用极为广泛[7]。 振动法包括时域法[8]，频域法[9]和神经网络法[10]。其中人工神经网络是人工智能的一个分支，在80年代中期开始引起学者的广泛重视，并应用于故障诊断。其主要特征为：1.结构化[11]，2.分布式，全息性和鲁棒性[12]，3.并行性[13]，4.非线性[14]。 1.2 国内外研究现状 国外研究现状 Albert K．wong等利用信号的平均方法，建立了齿轮正常状态振动信号的AR模型，然后用这个模型作为线性预报误差的滤波器，来预报齿轮未来的状态．齿轮状态的正常与否，是根据滤波信号和未滤波信号的误差特性来诊断的[15]． BocanialacD等用模糊分类器对故障诊断过程进行精炼，采用PsO算法代替遗传算法，提高了故障识别的精确性，改善了诊断结果，实现分类器故障将正常状态与故障状态分离的概率达99．6％[16]． 国内研究现状 王凯等将小波神经网络用于齿轮的故障诊断中．构建了基于小波特征提取和BP神经网络诊断系统，利用小波分解后各频段能量的分布作为特征向量输入神经网络．在齿轮试验台上采集装配有正常齿轮、裂纹齿轮、断齿齿轮和磨损齿轮的齿轮箱振动信号各15组，分别选择每种情况下的10组数据作为训练样本，对其进行5层db5小波分解，求出各个频带的能量，提取出特征向量，然后输入拓扑结构为6—8—4的BP神经网络进行训练，最后利用已经训练好的网络，把剩余待诊断的20组齿轮振动信号的特征向量输入神经网络，结果表明该方法能准确地诊断出齿轮的故障，诊断误差指标为0．02，诊断精度较高[17]． 进入20世纪90年代后，随着Internet和万网技术的普及和完善，机器设备监测与故障诊断技术和网络技术、通讯技术相结合，形成一种新型的远程监测诊断模式．它将监测诊断现场和诊断中心用网络联系起来．监测现场通过网络向