基于盲源分离和神经网络在齿轮故障诊断中的策略研究

发布时间：2017-04-07 12:11

  本文关键词：基于盲源分离和神经网络在齿轮故障诊断中的策略研究，由笔耕文化传播整理发布。

【摘要】：汽车的品质特性是衡量汽车制造质量的一个综合性指标。统计表明,整车约1/3的故障问题与车辆的NVH问题有关,国际上各大汽车公司有近20%的研发费用消耗在解决车辆的NVH问题上。汽车后桥是汽车传动系统中的关键部件,其性能直接影响整车品质。 汽车后桥主减装配的的故障种类繁多,如齿轮毛刺、异响等。面对这些问题,目前国内外厂商和研究机构多采用测量后桥噪音的办法来确定主减合格与否以及质量特性。 齿轮故障诊断一般步骤包括信号采集、特征提取、状态识别这三个环节。齿轮故障类型的不同导致产生的机械振动信号是不同的,通过对传感器采集到的振动信号进行适当的分析处理,可以降低噪声的影响,提高信噪比,获得所提取信号的准确量值,得到其准确的特征,以发现测试对象的本质特点。 本文对信号的特征提取采用了盲源信号分离的技术,利用盲源分离的优势是可以在不知源信号和传输通道的参数的情况下,根据输入源信号的统计特征,仅由观测信号来恢复源信号的各个独立成分的过程。将独立成分分析方法应用于盲源分离,能够从混合信号中重现不可观测的各源信号成分,而所需要的仅仅是源信号统计独立等容易满足的先验条件。神经网络作为一种自适应的模式识别技术被应用于信号的状态识别中,神经网络不需要预先给出有关模式的经验知识和判别函数,它通过自身的学习机制自动形成所要求的决策区域。 本文建立了一种基于独立成分分析和神经网络的齿轮故障诊断方法,采用独立成分分析中的快速独立成分分析方法进行了振动信号的特征提取,对传感器接收的振动信号进行了盲源分离。然后采用概率神经网络实现了分离信号的状态识别,进行了故障的类别识别。最后,本文给出了齿轮故障诊断策略的Matlab仿真分析。
【关键词】：齿轮故障诊断 盲源分离 ICA FastICA PNN神经网络
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP183;TH165.3
【目录】：

• 中文摘要4-5
• Abstract5-7
• 目录7-9
• 第1章 绪论9-17
• 1.1 研究背景和意义9-10
• 1.2 国内外发展与现状10-14
• 1.2.1 盲源分离的发展与现状10-12
• 1.2.2 人工神经网络的发展与现状12-13
• 1.2.3 齿轮诊断的发展与现状13-14
• 1.3 机械振动的特性及常见齿轮故障14-15
• 1.4 论文的研究内容与结构安排15-17
• 第2章 盲源分离的基础知识17-29
• 2.1 盲源分离的概念17-18
• 2.2 盲源分离的方法及应用18-20
• 2.3 盲源分离的独立性判据20-22
• 2.4 盲源分离的数学模型22-24
• 2.5 盲源分离的预处理方法24-26
• 2.5.1 中心化24
• 2.5.2 白化处理24-26
• 2.6 分离效果的评价指标26-27
• 2.6.1 性能指数26
• 2.6.2 相似系数26-27
• 2.6.3 二次残差27
• 2.7 盲源分离与独立成分分析27-28
• 2.8 本章小结28-29
• 第3章 盲源分离的独立成分分析方法29-46
• 3.1 独立成分分析概述29-33
• 3.1.1 ICA的定义29-30
• 3.1.2 ICA的假设条件30-31
• 3.1.3 ICA的不确定性31-32
• 3.1.4 ICA与白化32-33
• 3.2 独立成分分析的基本方法33-37
• 3.2.1 ICA的目标函数33-36
• 3.2.2 ICA优化算法36-37
• 3.3 快速独立成分分析37-41
• 3.3.1 普通FastICA算法38-40
• 3.3.2 优化FastICA算法40-41
• 3.4 算法仿真41-45
• 3.5 本章小结45-46
• 第4章 人工神经网络与故障模式识别46-54
• 4.1 人工神经网络模型46-49
• 4.1.1 神经元结构模型46-47
• 4.1.2 神经网络的连接形式47-49
• 4.2 人工神经网络特点49-50
• 4.3 人工神经网络与模式识别50-51
• 4.4 概率神经网络51-53
• 4.5 本章小结53-54
• 第5章 齿轮故障诊断中的仿真分析54-60
• 5.1 齿轮振动信号的盲分离54-57
• 5.2 概率神经网络的训练及仿真57-59
• 5.2.1 输入和目标向量设计57-58
• 5.2.2 概率神经网络设计58-59
• 5.3 本章小结59-60
• 第6章 总结与展望60-62
• 6.1 全文工作总结60-61
• 6.2 展望61-62
• 致谢62-63
• 参考文献63-66

【参考文献】

中国期刊全文数据库 前10条

1 李舜酩,杨涛;盲源信号分离及其发展[J];传感器技术;2005年04期

2 陈锡明;黄硕翼;;盲源分离综述——问题、原理和方法[J];电子信息对抗技术;2008年02期

3 汪军，，何振亚;瞬时混叠信号盲分离[J];电子学报;1997年04期

4 张贤达,保铮;盲信号分离[J];电子学报;2001年S1期

5 李舜酩;转子振动故障信号的盲分离[J];航空动力学报;2005年05期

6 李鸿燕;郝润芳;马建芬;王华奎;;基于维纳滤波和快速独立分量分析的有噪混合图像盲分离[J];计算机应用研究;2007年10期

7 宋晓萍;廖明夫;;双转子航空发动机振动信号的分离测试技术[J];机械科学与技术;2006年04期

8 张希军;吴志真;雷勇;;航空发动机试车中转子故障诊断[J];计算机测量与控制;2005年11期

9 杨竹青,李勇,胡德文;独立成分分析方法综述[J];自动化学报;2002年05期

10 李志农;郝伟;韩捷;何永勇;褚福磊;;噪声环境下机械故障源的盲分离[J];农业机械学报;2006年11期

中国博士学位论文全文数据库 前1条

1 张安清;盲分离技术及其在水声信号中的应用研究[D];大连理工大学;2006年

中国硕士学位论文全文数据库 前2条

1 郝青青;复杂混叠声信号的盲分离方法及其应用研究[D];南京航空航天大学;2010年

2 杨涛;多混叠振动信号的盲源分离及实验研究[D];南京航空航天大学;2006年

  本文关键词：基于盲源分离和神经网络在齿轮故障诊断中的策略研究，由笔耕文化传播整理发布。

本文编号：290409