發(fā)布時(shí)間：2021-10-27 20:01

　　目前我國工業(yè)發(fā)展迅速,機(jī)械設(shè)備中齒輪箱的數(shù)量高速增長,同時(shí)也對(duì)齒輪箱的故障診斷帶來了巨大挑戰(zhàn)。為了適應(yīng)大數(shù)據(jù)所帶來的發(fā)展,提高齒輪箱的故障診斷效率,需不斷增強(qiáng)故障診斷的智能化程度。目前有很多應(yīng)用于齒輪箱模式識(shí)別的智能故障診斷方法,主要分為基于有監(jiān)督學(xué)習(xí)的模式識(shí)別和無監(jiān)督學(xué)習(xí)的模式識(shí)別,但是因?yàn)楹茈y獲得具有通用性的樣本數(shù)據(jù),因此主要基于訓(xùn)練樣本數(shù)據(jù)的有監(jiān)督學(xué)習(xí)的模式識(shí)別很難在實(shí)際應(yīng)用中使用。在這一前提下,本文主要研究應(yīng)用于齒輪箱故障診斷的無監(jiān)督學(xué)習(xí)的模式識(shí)別方法。首先,采用了一種基于無監(jiān)督學(xué)習(xí)的自適應(yīng)共振（Adaptive Reonance Theory2,簡(jiǎn)稱ART2）神經(jīng)網(wǎng)絡(luò),并且利用ART2神經(jīng)網(wǎng)絡(luò)來表現(xiàn)齒輪箱的運(yùn)行狀態(tài),實(shí)現(xiàn)ART2神經(jīng)網(wǎng)絡(luò)在無訓(xùn)練樣本的前提下實(shí)現(xiàn)齒輪箱運(yùn)行狀態(tài)的模式識(shí)別。在特征值的提取方面采用相對(duì)小波包能量作為特征值的提取方法,然后運(yùn)用ART2神經(jīng)網(wǎng)絡(luò)來對(duì)提取的特征值進(jìn)行分析,在警戒值的選取上采用類內(nèi)距離準(zhǔn)則函數(shù)的最小值,以提高神經(jīng)網(wǎng)絡(luò)的分類精度。并且利用試驗(yàn)臺(tái)測(cè)得的軸承壽命振動(dòng)數(shù)據(jù)對(duì)所提出的方法進(jìn)行分析驗(yàn)證,分析結(jié)果表明了該方法可以體現(xiàn)軸承由正常到失效的狀態(tài)變... 

【文章來源】：石家莊鐵道大學(xué)河北省

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 智能故障診斷發(fā)展現(xiàn)狀
        1.2.1 專家系統(tǒng)
        1.2.2 模式識(shí)別
        1.2.3 模式識(shí)別方法應(yīng)用于故障診斷的現(xiàn)狀
            1.2.3.1 基于有監(jiān)督學(xué)習(xí)的模式識(shí)別
            1.2.3.2 基于無監(jiān)督學(xué)習(xí)的模式識(shí)別
    1.3 本文研究工作
第二章 齒輪箱故障和模式識(shí)別方法理論研究
    2.1 齒輪故障類型
    2.2 軸承故障類型
    2.3 智能故障診斷
        2.3.1 有監(jiān)督學(xué)習(xí)的模式識(shí)別
            2.3.1.1 BP神經(jīng)網(wǎng)絡(luò)算法理論
            2.3.1.2 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷
            2.3.1.3 基于有監(jiān)督學(xué)習(xí)的模式識(shí)別存在的問題
        2.3.2 無監(jiān)督學(xué)習(xí)的模式識(shí)別
            2.3.2.1 GG聚類理論算法
            2.3.2.2 基于GG聚類的分類案例
        2.3.3 兩種模式識(shí)別的比較
    2.4 本章小結(jié)
第三章 基于自適應(yīng)共振神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究
    3.1 引言
    3.2 ART2 神經(jīng)網(wǎng)絡(luò)基本原理
        3.2.1 ART2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 ART2 神經(jīng)網(wǎng)絡(luò)基本算法
    3.3 小波變換基本原理
        3.3.1 連續(xù)小波變換
        3.3.2 離散小波變換
        3.3.3 小波包變換
        3.3.4 相對(duì)小波包能量
    3.4 ART2 神經(jīng)網(wǎng)絡(luò)的軸承運(yùn)行狀態(tài)分析
        3.4.1 方法介紹
        3.4.2 試驗(yàn)介紹
        3.4.3 多種特征值方法分析
        3.4.4 信號(hào)相對(duì)小波包能量特征值
        3.4.5 基于ART2 神經(jīng)網(wǎng)絡(luò)的模式識(shí)別
            3.4.5.1 提取特征值
            3.4.5.2 ART2 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置
            3.4.5.3 試驗(yàn)數(shù)據(jù)分類結(jié)果
    3.5 本章小結(jié)
第四章 結(jié)合K-means算法的ART2 神經(jīng)網(wǎng)絡(luò)的仿真研究
    4.1 結(jié)合K-means算法的ART2 神經(jīng)網(wǎng)絡(luò)
        4.1.1 ART2 神經(jīng)網(wǎng)絡(luò)的固有缺陷
        4.1.2 K-means算法基本原理
        4.1.3 結(jié)合K-means算法的ART2 神經(jīng)網(wǎng)絡(luò)
    4.2 仿真驗(yàn)證
    4.3 本章小結(jié)
第五章 試驗(yàn)驗(yàn)證
    5.1 齒輪箱故障分類方法
    5.2 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間的參研課題及科研成果



本文編號(hào)：3462237