目前我國工業(yè)發(fā)展迅速,機械設備中齒輪箱的數(shù)量高速增長,同時也對齒輪箱的故障診斷帶來了巨大挑戰(zhàn)。為了適應大數(shù)據(jù)所帶來的發(fā)展,提高齒輪箱的故障診斷效率,需不斷增強故障診斷的智能化程度。目前有很多應用于齒輪箱模式識別的智能故障診斷方法,主要分為基于有監(jiān)督學習的模式識別和無監(jiān)督學習的模式識別,但是因為很難獲得具有通用性的樣本數(shù)據(jù),因此主要基于訓練樣本數(shù)據(jù)的有監(jiān)督學習的模式識別很難在實際應用中使用。在這一前提下,本文主要研究應用于齒輪箱故障診斷的無監(jiān)督學習的模式識別方法。首先,采用了一種基于無監(jiān)督學習的自適應共振（Adaptive Reonance Theory2,簡稱ART2）神經(jīng)網(wǎng)絡,并且利用ART2神經(jīng)網(wǎng)絡來表現(xiàn)齒輪箱的運行狀態(tài),實現(xiàn)ART2神經(jīng)網(wǎng)絡在無訓練樣本的前提下實現(xiàn)齒輪箱運行狀態(tài)的模式識別。在特征值的提取方面采用相對小波包能量作為特征值的提取方法,然后運用ART2神經(jīng)網(wǎng)絡來對提取的特征值進行分析,在警戒值的選取上采用類內(nèi)距離準則函數(shù)的最小值,以提高神經(jīng)網(wǎng)絡的分類精度。并且利用試驗臺測得的軸承壽命振動數(shù)據(jù)對所提出的方法進行分析驗證,分析結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】：石家莊鐵道大學河北省

【文章頁數(shù)】：75 頁

【學位級別】：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 模式識別
        1.2.3 模式識別方法應用于故障診斷的現(xiàn)狀
            1.2.3.1 基于有監(jiān)督學習的模式識別
            1.2.3.2 基于無監(jiān)督學習的模式識別
    1.3 本文研究工作
第二章 齒輪箱故障和模式識別方法理論研究
    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)督學習的模式識別
            2.3.1.1 BP神經(jīng)網(wǎng)絡算法理論
            2.3.1.2 基于BP神經(jīng)網(wǎng)絡的故障診斷
            2.3.1.3 基于有監(jiān)督學習的模式識別存在的問題
        2.3.2 無監(jiān)督學習的模式識別
            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 兩種模式識別的比較
    2.4 本章小結
第三章 基于自適應共振神經(jīng)網(wǎng)絡的齒輪箱故障診斷研究
    3.1 引言
    3.2 ART2 神經(jīng)網(wǎng)絡基本原理
        3.2.1 ART2 神經(jīng)網(wǎng)絡結構
        3.2.2 ART2 神經(jīng)網(wǎng)絡基本算法
    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 相對小波包能量
    3.4 ART2 神經(jīng)網(wǎng)絡的軸承運行狀態(tài)分析
        3.4.1 方法介紹
        3.4.2 試驗介紹
        3.4.3 多種特征值方法分析
        3.4.4 信號相對小波包能量特征值
        3.4.5 基于ART2 神經(jīng)網(wǎng)絡的模式識別
            3.4.5.1 提取特征值
            3.4.5.2 ART2 神經(jīng)網(wǎng)絡參數(shù)設置
            3.4.5.3 試驗數(shù)據(jù)分類結果
    3.5 本章小結
第四章 結合K-means算法的ART2 神經(jīng)網(wǎng)絡的仿真研究
    4.1 結合K-means算法的ART2 神經(jīng)網(wǎng)絡
        4.1.1 ART2 神經(jīng)網(wǎng)絡的固有缺陷
        4.1.2 K-means算法基本原理
        4.1.3 結合K-means算法的ART2 神經(jīng)網(wǎng)絡
    4.2 仿真驗證
    4.3 本章小結
第五章 試驗驗證
    5.1 齒輪箱故障分類方法
    5.2 本章小結
第六章 結論與展望
    6.1 結論
    6.2 展望
參考文獻
致謝
個人簡歷、在學期間的參研課題及科研成果



本文編號：3462237