形态学神经网络在齿轮箱故障诊断中的应用研究

作     者：孙作佩 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：杨家军

授予年度：2016年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：齿轮箱 数学形态学 故障特征提取 形态学神经网络 故障诊断 

摘      要：现代设备正朝着高效率、高精度、自动化、大型化的方向发展,设备越来越昂贵。如果齿轮传动系统出现故障,给人们带来的生命财产损失越来越大。因此,提高齿轮传动系统的可靠性,从而减少或消除由齿轮传动系统故障带来的事故,保证设备的安全运行,具有重要的意义。故障诊断技术是提高齿轮传动系统可靠性的重要手段。故障信号特征提取和分类器的设计是齿轮箱故障诊断的关键环节。本文研究了齿轮箱振动信号的调制现象,从信号调制的角度分析了齿轮副和轴承的振动模型,研究了常见故障与振动信号特征的对应关系。在此基础上建立了能够反应齿轮箱故障特征的仿真信号表达式,这是一种含有周期性脉冲的非线性非平稳信号。利用该仿真信号研究了各种形态学滤波器对齿轮箱故障特征的提取能力。研究表明,形态差值滤波器能够较好的提取周期性脉冲特征并具有较小的计算量;加权多尺度形态滤波具有最好的特征提取能力,同时计算量也大大增加。本文利用形态学神经网络对提取到的齿轮箱振动信号特征参数进行分类。在格代数理论的基础上,研究了形态学神经网络模型,深入分析了其训练算法和输出算法存在的不足,提出了形态学神经网络的局部最优概念和超盒簇冗余的概念,并给出了解决方案。最后,通过对实验数据的计算,验证了形态学神经网络在齿轮箱故障分类中的可行性。