带偏差单元递归神经网络齿轮箱故障诊断（论文资料）.docVIP

带偏差单元递归神经网络齿轮箱故障诊断（论文资料） 文档信息 ： 文档作为关于“IT计算机”中“数据结构与算法”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文6308字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：带偏差单元递归神经网络齿轮箱故障诊断 2 1齿轮箱的故障分析[3] 2 （4）齿面塑性变形：如压碎、趋皱。 4 （1）制造过程中的问题，新轴产生的严重的不平衡现象； 5 2带偏差单元的递归神经网络原理及算法实现[5] 5 （1）初始化； 6 （2）选区输入模式Ak，Yk提供给网络； 6 （5）计算一般化训练误差； 6 （7）判断训练误差的精度要求，执行步骤（3） 6 3基于带偏差单元的递归神经网络齿轮箱故障 6 文2：风力发电机组齿轮箱故障诊断 8 1 风力发电机组齿轮箱的构造和工作原理 8 2 风力发电机齿轮箱中常见故障和问题 9 3 诊断故障和问题的方法与技术 10 4 结束语 11 参考文摘引言： 12 原创性声明（模板） 12 文章致谢（模板） 13 正文 带偏差单元递归神经网络齿轮箱故障诊断（论文资料） 文1：带偏差单元递归神经网络齿轮箱故障诊断 0引言 作为机械设备重要结构部件之一的齿轮箱，维修保养工作量大；由于容易受安装位置、运行工况等复杂因素的影响，故障与征兆间的关系不很明确，是非线性映射关系；且不解体诊断技术的实现也相当复杂。因此，齿轮箱的故障诊断是一个非常复杂的问题，对此技术的深入研究，具有重要的理论意义、学术价值和广阔的应用前景[1?2] 作为一种有效的模式识别技术，BP神经网络模型具有其特定的优势：较强的自学习、自适应、联想记忆和非线性模式识别能力，在多故障、多征兆复杂模式识别方面显示出极大应用潜力，因而被广泛应用到齿轮箱故障诊断方面。标准BP神经网络具有一定的局限性：收敛速度太慢；不能保证收敛到最小点；学习记忆不稳定。 本文主要实现了某新型号坦克传动系统的齿轮箱的故障诊断。为实现齿轮箱的智能化故障诊断建立基础，首先从坦克齿轮箱的故障特点分析入手，然后研究了带有偏单元的递归神经网络理论，建立了基于带有偏单元的递归神经网络的齿轮箱故障诊断模型，最后，将数据采集器现场采集到的齿轮箱数据作预处理后的数据和人为设置了一些故障的数据分别用此模型进行分析判断，研究结果表明，带有偏单元的递归神经网络方法能够实现本型号坦克齿轮箱的满意的诊断结果。 1齿轮箱的故障分析[3] 齿轮箱是各类机械的变速传动部件，其运行状况将直接影响整个机器或机组的工作。齿轮箱主要由轴承、齿轮和轴组成，因此齿轮箱的失效原因主要包括轴承失效、齿轮失效、轴失效、箱体失效等。且齿轮箱各部件失效的比例大致如下：齿轮60%，轴承19%，轴10%，箱体等其他11%。因此，本文主要分析齿轮箱中齿轮、轴承和轴的故障诊断。 滚动轴承的主要故障 滚动轴承经过一段时间的运转通常会出现疲劳剥落和磨损等现象影响机器的正常工作。滚动轴承常见的主要故障有： （1）疲劳剥落：滚动轴承工作时，滚动和滚动体表面既承受载荷有相对滚动，又由于交变载荷的作用，首先在表面下一定深度（除最大剪应力处）形成裂纹，继而扩展到接触表层发生剥落坑，最后发展到大片剥落。在正常工作条件下，疲劳剥落往往是滚动轴承故障的主要原因； （2）磨损：滚道和滚动体的相对运动（包括滚动和滑动）和尘埃异物的侵入等都会引起表面磨损，而当润滑不良时更会加剧表面磨损； （3）塑性变形：在工作负荷过重的情况下，轴承受到过大的冲击载荷或静载荷，或者因为热变形引起额外的载荷，或者当有高硬度的异物侵入时，都会在滚道表面上形成凹痕或划痕； （4）腐蚀：当水分直接侵入轴承时就会引起轴承腐蚀，另一方面，当轴承停止工作时，轴承温度下降达到零点，空气中的水分凝结成水滴吸附在轴承的表面上会引起腐蚀，此外，当轴承内部有电流通过时，在滚道和滚动体之间的接触点处，电流通过很薄的油膜引起火化，使表面局部熔融，在表面上形成波纹状的凹凸不平； （5）断裂：当载荷超过轴承滚道或滚动体的强度极限时会引起轴承零件的破裂； （6）胶合：在润滑不良，高速重载的情况下，由于摩擦发热，轴承零件可能在极短的时间内达到很高的温度，从而导致表面烧伤及损坏； （7）保持架损坏：通常，由于装配或使用不当而引起保持架发生变形，从而就可能增加保持架与滚动体之间的摩擦，甚至使某种滚动体卡死而不能滚动，或保持架与内外滚道发生摩擦等均可能引起保持架损坏，这也使振动、噪声和发热增加。 综合滚动轴承的各种故障，其主要表现在内环、外环、滚珠或保持架等故障。