资源描述：
《基于NNLI技术的齿轮箱故障诊断.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第16卷第3期 军械工程学院学报Vol.16No.32004年6月JournalofOrdnanceEngineeringCollegeJun.,2004文章编号:1008-2956(2004)03-0005-05基于NNLI技术的齿轮箱故障诊断田燕,张志斌,郑海起(军械工程学院火炮工程系,河北石家庄050003)摘要:将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊
2、断实例验证了该方法的有效性。关键词:载荷识别;神经网络;齿轮箱;故障诊断中图分类号:TH165.3文献标识码:A将神经网络技术的理论与研究成果应用到结构系统的载荷识别领域中,就形成了一种新的神经网络载荷识别技术(NeuralNetworkLoadIdentification),简称为NNLI技术。在齿轮箱故障诊断方法中,最常用的方法是利用箱体振动加速度信号的时域和频域特征参量来判断故障情况[1-5]。由于不同型号的齿轮箱、传感器的安装位置等对这些特征参量影响很大,再加上齿轮箱结构上的复杂性,使得特征参量与故障之间的映射关系非常复
3、杂,这些给正确的诊断带来了一定的困难。如果利用箱体轴承座处的动态激励作为诊断信息来源,就能够比传统基于振动响应的诊断方法更准确地判断齿轮箱零部件的工作状态。为此,笔者将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI特征提取的神经网络故障诊断方法,并经实验验证了方法的有效性。1基于NNLI的齿轮箱动态激励识别针对齿轮箱系统的非线性特性,本文利用NNLI技术构造作用在齿轮箱上的载荷和响应之间的非参数映射模型,并以此来识别轴承座处的动态激励。该方法包括以下4个方面:1)动态标定试验在进行实际工况条件下的齿轮箱振动试验之前,首
4、先要进行齿轮箱的动态标定试验,其目的是要获得反映系统特性的输入输出数据,以便在下一阶段作为神经网络的学习数据。第一步要准备大量的学习样本,齿轮箱结构系统的力学特性就包含在这些数据中。2)训练神经网络采用TDNN时延神经网络,将振动响应作为输入信号输入网络,而轴承激励作为指导信号(理想输出),反复训练网络直到输出的真实值与理想值之间的误差达到满意的程度。然后,就能确定用于识别作用在轴承座上动态激励的神经网络模型。第二阶段,网络产生了学习和泛化的功能。齿轮箱结构中固有的又难以用公式表述的激励响应之间的非线性关系将自动建立,并存在于训
5、练好的网络中。3)实际工况条件下的齿轮箱响应测试通过在实际工况条件下的齿轮箱响应测试,获得齿轮箱正常工作状态及各种故障情况下的振动响应数据。4)齿轮箱载荷识别将齿轮箱运转中箱体表面的振动响应信号输入到已经训练好的网络中,由网络输出识别每个轴系通过轴承座对箱体施加的动态激励。收稿日期:2004-04-19;修回日期:2004-05-12基金项目:国家自然科学基金资助项目(59975087)作者简介:田燕(1970—),女,博士研究生,讲师.6军械工程学院学报2004 依据上述方法,首先采用小波分析技术对测得的箱体表面振动响应信号
6、进行降噪处理后代入已训练好的网络中,然后利用循环递归的载荷识别方法,由网络回忆输出得到箱体所受动态激励的时域波形,从而完成齿轮箱载荷识别的过程。图1为齿轮箱正常工况下1号轴承座处的激励信号。此外,笔者还对齿轮箱各种故障情况下的激励信号进行了识别运算。试验结果分析表明,齿轮箱在不同工作状态下的激励信号存在明显区别。因此,通过对识别出的动态激励进行信号处理研究,能够从中提取反映时域、频域变化的特征参量,从而可以判断齿轮箱的工作状态。2基于NNLI的特征参量提取故障诊断问题实际上是一个模式分类和模式识别问题,即由特征空间映射到故障空间
7、。神经网络实现这一分类,关键是找出网络学习所需要的特征向量。基于这一思想,本文分别对正常工况和各种故障状态下识别出的激励信号进行了幅域、频域和倒频域分析,构造出具有表征系统状态能力的特征向量,这一过程称为基于NNLI的特征参量提取。下面对齿轮箱系统的5种状态进行基于NNLI的特征提取,向量的维数为6,分别对应偏态指标Ske、峭度指标Kur、峰值指标Cre、裕度指标Cle、一阶功率带值Pba和倒频谱脉冲指标Fim。具体数值如表1所示。表1齿轮箱各种状态下的特征向量数据类别样本特征模式向量(6维)SkeKurCreClePbaFim
8、1-0.01271.77022.18672.74850.32014.37622 0.06522.89323.57115.25810.30015.38473 0.00311.80712.58173.28770.23797.20134-0.01863.20394.0
