本文關鍵詞：基于提升小波變換與EEMD的神經網絡齒輪故障診斷方法　出處：《組合機床與自動化加工技術》2017年09期 　論文類型：期刊論文

  更多相關文章： 提升小波變換 EEMD 相關系數法則 神經網絡

【摘要】：針對單一的信號處理診斷方法難以實現齒輪故障準確診斷的局限性,文章將提升小波變換、集成經驗模態(tài)分解(ensemble empirical mode decomposition,EEMD)與相關系數相結合,提出一種新的信號消噪方法,并在此方法的基礎上,分別利用BP、Elman和RBF神經網絡完成了齒輪故障診斷。首先采用提升小波變換對故障信號進行初步消噪,然后對其作EEMD分解,得到一組固有模態(tài)函數(intrinsic mode function,IMF)分量;然后計算各分量的相關系數,剔除相關性較小的偽分量后進行重構,完成二次消噪;最后計算剩余分量的能量特征,并將其作為神經網絡的輸入向量,進而完成齒輪斷齒、裂紋和磨損狀況下的故障診斷。仿真分析和應用實例表明:基于提升小波變換與EEMD分解并結合相關系數篩選的消噪方法,比僅用提升小波方法消噪的效果更好。三種神經網絡均成功辨別出了齒輪的故障類型,但不同方法各有優(yōu)劣之處;就診斷效率和準確性而言,BP神經網絡的診斷效果最好。
[Abstract]:Aiming at the limitation that it is difficult to realize the accurate diagnosis of gear fault by single signal processing diagnosis method, this paper will raise wavelet transform. The integrated empirical mode decomposition (EMD) is combined with the correlation coefficient. A new signal denoising method is proposed, and based on this method, BP is used separately. Elman and RBF neural network complete the gear fault diagnosis. Firstly, the lifting wavelet transform is used to eliminate the noise of the fault signal, and then it is decomposed by EEMD. A set of intrinsic mode function IMF components are obtained. Then the correlation coefficients of each component are calculated and the pseudo-components with less correlation are eliminated and reconstructed to complete the quadratic de-noising. Finally, the energy characteristic of the residual component is calculated and used as the input vector of the neural network to complete the gear tooth breaking. Fault diagnosis under the condition of crack and Wear. Simulation analysis and application examples show that the noise reduction method is based on lifting wavelet transform and EEMD decomposition combined with correlation coefficient screening. The three neural networks have successfully identified the fault types of gears, but different methods have their own advantages and disadvantages. In terms of diagnostic efficiency and accuracy, BP neural network has the best diagnostic effect.
【作者單位】： 寧德師范學院物理與電氣工程系;上海大學機電工程與自動化學院;
【基金】：福建省自然科學基金項目(2015J01643) 福建中青年教師教育科研項目(JA15545) 寧德市科技計劃項目(20150034) 福建省高校杰出青年科研人才培育計劃資助(閩教科[2015]54號)
【分類號】：TH132.41
【正文快照】： 海200072)0引言齒輪是機械設備中最重要的連接和傳動部件,及時發(fā)現齒輪在傳動過程中的故障,能經濟合理地安排設備的維護與維修時間,避免發(fā)生事故[1]。目前的齒輪故障診斷方法多建立于采集振動信號的基礎上,尚無較為系統的診斷方法,因此本文對齒輪故障診斷方法的探索具有一定的

【相似文獻】

相關期刊論文 前10條

1 賈爽;賀利樂;;基于粒子群優(yōu)化SOM神經網絡的軸系多振動故障診斷[J];機械傳動;2011年06期

2 唐貴基;楊玉婧;宋彩萌;;基于神經網絡的旋轉機械振動故障診斷[J];機械工程師;2012年01期

3 欒美潔;許飛云;賈民平;;旋轉機械故障診斷的神經網絡方法研究[J];噪聲與振動控制;2008年01期

4 高強;錢林方;侯遠龍;王力;;泵控缸電液位置伺服系統的神經網絡模型參考自適應控制[J];機床與液壓;2008年06期

5 徐小力;左云波;吳國新;;量子神經網絡在旋轉機組狀態(tài)趨勢預測中的應用[J];機械強度;2010年04期

6 何文;同淑榮;王克勤;;基于神經網絡的質量控制圖異常診斷[J];機械制造;2013年05期

7 許寧,黃之初;神經網絡在旋轉機械故障診斷中的應用研究[J];礦山機械;2005年08期

8 宋文杰;劉伯峰;王平;姜冰;;基于小波—神經網絡的故障劣化趨勢檢測[J];職大學報(自然科學版);2006年02期

9 王志濤;肖明清;謝化勇;禚真福;薛輝輝;;基于神經網絡的故障診斷效能模糊綜合評價研究[J];計算機測量與控制;2011年12期

10 戴中浩;林瓊;王秋成;;基于神經網絡的再制造自動變速箱檢測及試驗研究[J];機械制造;2012年01期

相關會議論文 前9條

1 杜福銀;封其勃;;一種基于Hopfield神經網絡作業(yè)車間調度問題的優(yōu)化方法[A];2009年中國智能自動化會議論文集（第一分冊）[C];2009年

2 宋國明;王厚軍;姜書艷;劉紅;;基于神經網絡的融合智能診斷方法在模擬電路故障診斷中的應用[A];2007'中國儀器儀表與測控技術交流大會論文集（二）[C];2007年

3 宋軼民;余躍慶;張策;馬文貴;;基于神經網絡的機敏機構振動自校正控制[A];第十二屆全國機構學學術研討會論文集[C];2000年

4 吳洪民;;氣動伺服定位系統的神經網絡模糊自適應PID控制[A];第一屆全國流體動力及控制工程學術會議論文集（第二卷）[C];2000年

5 黎啟柏;桂佩佩;韓君;;二次調節(jié)控制系統的模糊-神經網絡自學習自適應控制[A];液壓與氣動學術研討會論文集[C];2004年

6 黎啟柏;桂佩佩;韓君;;二次調節(jié)控制系統的模糊-神經網絡自學習自適應控制[A];第三屆全國流體傳動及控制工程學術會議論文集（第三卷）[C];2004年

7 曹春紅;張斌;王利民;李文輝;;基于免疫神經網絡的幾何約束求解技術的研究[A];第二十七屆中國控制會議論文集[C];2008年

8 謝進;閻開印;陳永;;神經網絡技術在平面機構綜合中的應用[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（下冊）[C];2002年

9 徐志方;賀小明;張傳維;沈路;;集成神經網絡信息融合技術在給水泵故障診斷中的應用[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

相關碩士學位論文 前10條

1 王栗;面向電機軸承的快速故障診斷方法研究[D];沈陽理工大學;2015年

2 于會超;機械觸覺機構及控制的研究與應用[D];華北理工大學;2015年

3 李捷;基于神經網絡的軸承故障診斷技術研究[D];電子科技大學;2015年

4 楊航;基于神經網絡和遺傳算法的軸流風機葉輪優(yōu)化[D];燕山大學;2015年

5 劉r，

本文編號：1400906