基于小波神经网络的齿轮故障诊断

随着科学技术的不断进步,机械设备向着高性能、高效率、高自动化和高可靠性的方向发展。齿轮箱是改变转速和传递动力的最常用的传动部件,是机械设备的一个重要组成部分,由于具有传动比固定、传动转矩大、结构紧凑等优点,因而被广泛的应用,同时也是故障易于发生的一个部件,所以其运行状态对整机的工作性能有很大的影响。 针对实际生产中齿轮故障频发且难以监测的问题,首先,利用动力学理论,建立齿轮系统啮合耦合型振动模型,从理论上分析了齿轮常见的几种典型故障对齿轮振动信号的影响;其次,利用仿真实验证明了小波神经网络具有比BP网络更为优越的学习速度、收敛性、联想性,特别是对于规模较大的网络,优势更为突出;第三,构建了适合齿轮故障诊断的小波神经网络模型,网络学习算法采用带动量项的学习速率自适应调整的BP算法,通过不同故障类型振动信号的特征参数训练小波神经网络,调整网络中的权值和阈值,实现了齿轮模式的识别;最后采用Visual Basic开发工具开发了齿轮智能故障诊断系统,使用本系统分析处理模拟的齿轮振动信号,实现了齿轮故障的智能诊断,为应用于现场实时诊断打下基础。 结果表明,基于小波神经网络技术的齿轮故障诊断专家系统能够实现对齿轮箱进行故障诊断,提高了设备诊断的效率,具有较好的应用前景。