基于系统模型的齿轮箱故障诊断.pdfVIP

学兔兔 第 l期 (总第170期) 机 械 工程 与 自动 化 No．1 2O12年2月 MECHANICAL ENGINEERING AUTOMATION Feb． 文章编号：1672—6413(2012)01—0118—02 基于系统模型的齿轮箱故障诊断 王金雷，王 刚 (中北大学 机电_T-程学院，山西 太原 030051) 摘要：用时间序列和神经网络相结合的方法，建立振动信号的时间序列模型，作为齿轮箱系统模型。 分析模 型特性·提取齿轮箱故障的特征参数．然后以此建立相应的神经网络，识别齿轮箱的运行故障。结果表明该 方法能很大地提高诊断的准确性。 关键词：时间序列模型；齿轮箱；神经网络；故障诊断 中图分类号：TH132．41：TH165 ．3 文献标识码：A 0 引言 参数和BP神经网络相结合的方法，实现故障诊断的 齿轮箱故障诊断，就是通过对齿轮箱运行状态的 智能化，以提高故障诊断的正确率。 模式识别，即提取机器运行状态的特征参数，从而建 2 基于时间序列的BP神经网络的故障诊断 立特征参数与运行状态之间的关系，达到监测系统状 BP网络是一种多层前馈网络 (MFNN)，其中神 态的目的。本文运用时间序列的分析方法以及神经网 经元的变换函数采用S型函数，所以输出是O～1之间 络自适应的模式识别技术，对齿轮箱的运行状态进行 的连续量，可以实现从输入到输出的任意非线性映射。 模式分类和故障识别。 由于时序模型的特征系数 (i一1，2…，户) 1 建立时间序列模型 凝聚了原时间序列信号的全部信息，因此可以通过对 本文采用自回归模型 AR(p)(auto regression) 它的特征系数进行研究，从而达到对齿轮箱各类状态 的自回归参数作为特征向量来表示齿轮的所处状态。 的诊断和识别目的。首先对采集到的正常情况和4种 AR( )自回归模型表示为： 故障状态的振动信号进行去除趋势项、剔除奇异点、 ． 27f一 1．27 1+ zr一2+…+ p一1=6／r。 …… 滤波等预处理，然后分别建立 5种工况下的AR模 … … … … … … … … … … … … … … … … … … … (1) 型，提取AR模型的自回归系数作为特征向量。由于 E(“，)一0。 ………………………………… (2) 各特征向量是在区间 (一1，1)的数，故无需进行归 Var(a )一 。 ……………………………… (3) 一 化处理。 其中：五为随机过程或时序的观测值； 为特征系数 表1为定义的各输出单元所代表的意义，即各种 (1≤ ≤ )；P为模型个数； 为残差，白噪声序列； 工况下神经网络的输入对应的理论输出结果。表2为 为“ 的方差；E(a，)为数学期望。 BP神经网络的AR特征向量训练输入样本。 用软件 MATLAB来实现时间序列建模，其中， 表l 定义 BP网络的输出单元 模型参数的估计采用Burg算法。将模型曲线特征对 输出单元的节点号