CN108444696A - 一种齿轮箱故障分析方法 - Google Patents
一种齿轮箱故障分析方法 Download PDFInfo
- Publication number
- CN108444696A CN108444696A CN201810192708.XA CN201810192708A CN108444696A CN 108444696 A CN108444696 A CN 108444696A CN 201810192708 A CN201810192708 A CN 201810192708A CN 108444696 A CN108444696 A CN 108444696A
- Authority
- CN
- China
- Prior art keywords
- gear
- particle
- signal
- value
- particle filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种齿轮箱故障分析方法,其方法为:建立齿轮箱信号采集设备系统,通过齿轮箱信号采集设备系统来采集齿轮信号,采用径向基粒子滤波法来将采集到的齿轮信号进行去噪处理,然后提取相关的特征参数,最后将提取的相关特征参数导入经过粒子群优化后的小波神经网络中进行故障诊断输出,径向基粒子滤波方法可以使各粒子状态更新更加符合实际情况地趋向于真实状态,同时还提高了对目标状态的概率分布估计精度,减少了粒子更新过程中误差累积对状态估计的影响,具有良好的去噪效果;采用经过粒子群优化的小波神经网络来进行故障诊断输出,可以减少粒子迭代次数,提高诊断精度,能够快速准确地诊断出齿轮裂纹受损情况。
Description
技术领域
本发明涉及设备故障和信号处理领域,尤其是涉及一种齿轮箱故障分析方法。
背景技术
现代化的机器设备、交通工具、生产设施等在不断更新换代的计算机科学应用技术下,越来越向着生产能力大、技术先进、效率高的方向去发展,与此同时这些设备也就变得越来越复杂和精密,人们对这些机器设备的可靠性也提出了越来越高的要求。加强对这些设备的管理和运行维护,减少这些设备因为故障导致的各种损失也就变的日益重要。对设备和状态的检测以及预测包含两方面的内容:1、对机器设备运行时的监测,发现异常情况后作出故障分析和诊断;2、设备故障诊断技术的发展和应用使维修由原来的定期维修过度到以状态检测为基础的维修,提高了经济效益,减少了损失。
齿轮箱的振动故障特征信息目前可以通过各种信号传感器、放大器及其它仪器测量出来,这里主要涉及到信号的分析和处理。提取故障信号的特征值是诊断的关键步骤,也是设备故障诊断与预测理论过程中研究的热点之一。机械运行过程中故障信号大都是非线性非高斯非平稳的,并且还夹杂着运行中自身产生的和外界产生的各种未知噪声信号。常用的信号分析处理方法有很多,其中时域分析法包含相位调解、时域波形、调幅解调等;频域分析法包含有细化谱、功率谱;时频分析法包含维格纳分布、短时傅里叶分布、小波分析、瞬态信号分析法、倒频谱分析法等等。提取这些复杂信号中故障信号的特征值用传统的方法往往效果不佳,尤其是对于处理非线性非高斯状态的噪声信号有时更显无能为力。
故障诊断采集的信号一般会夹杂着大量的噪声信号,在处理非线性、非高斯时变系统方面粒子滤波对参量的状态估计具有独特的优势,粒子滤波广泛应用在图形与现代信号处理等领域。粒子滤波算法可以视为某种搜索算法,其主要过程可以描述为:从状态空间中随机抽取一组样本作为被估计的对象即先验概率分布,然后将由系统模型通过观测数据求得的各样本的似然度当作概率权重代入重采样中,经过重采样后从原来的样本集中抽取具有与之相对权重的样本近似为后验概率分布,以此保留有意义的样本数,重复上述过程使样本能更进一步的估计出系统的真实状态。在故障诊断过程中,传统粒子滤波算法存在以下缺陷:1、样本贫化问题。当表示粒子滤波先验概率分布的样本比较少时,根据观测信息计算出的似然概率不能与先验概率相匹配,只有很小部分的粒子权重在重采样后会增大,然而在抽样的过程中保证足够多的粒子数才能够准确地反映出观测信息;2、如果齿轮箱系统的初始状态是不确定的就需要用大量的粒子样本对系统的状态进行预估计,当粒子数取得较少时,在系统真实状态周围分布的粒子数可能趋于零,像这样经过反复迭代之后粒子对系统的估计就很难反应出其真实的状态。
发明内容
本发明所要解决的技术问题是提供一种克服样本贫化缺陷、能够真实地反应出齿轮箱状态的齿轮箱故障分析方法。
本发明所采用的技术方案是,一种齿轮箱故障分析方法,其方法为:建立齿轮箱信号采集设备系统,通过齿轮箱信号采集设备系统来采集齿轮信号,采用径向基粒子滤波法来将采集到的齿轮信号进行去噪处理,然后提取相关的特征参数,最后将提取的相关特征参数导入经过粒子群优化后的小波神经网络中进行故障诊断输出。
本发明的有益效果是:上述齿轮箱故障分析方法,通过采用径向基粒子滤波法来代替传统的粒子滤波法来进行去噪处理,径向基粒子滤波方法可以使各粒子状态更新更加符合实际情况地趋向于真实状态,同时还提高了对目标状态的概率分布估计精度,减少了粒子更新过程中误差累积对状态估计的影响,具有良好的去噪效果;采用经过粒子群优化的小波神经网络来进行故障诊断输出,可以减少粒子迭代次数,提高诊断精度,能够快速准确地诊断出齿轮裂纹受损情况。
作为优先,齿轮箱信号采集设备系统包括设置在齿轮箱垂直方向上的加速传感器、与齿轮箱连接的动态模拟器、与动态模拟器连接的信号分析器以及与信号分析器连接的数据处理端,采用该结构,通过动态模拟器来采集齿轮箱垂直方向上的振动信号,然后利用信号分析器分析采集到的振动信号,从而进行故障诊断。由于齿轮箱垂直方向上的振动信号同其故障诊断关联性强,所以只针对垂直方向上采集得到的振动信号做相关分析和处理。
作为优先,将采集到的齿轮信号进行去噪处理的具体方法为:首先建立振动信号的系统模型;然后将采集到的振动信号导入到系统模型中,对其中的粒子滤波参数进行优化,并对径向基粒子滤波方法进行仿真验证,证明其有效性;最后采用径向基粒子滤波法对优化好的粒子滤波参数进行处理,获取输出,完成对齿轮箱实验中的振动信号进行滤波去噪处理。将优化好的粒子滤波参数输入到径向基粒子滤波法中进行处理,可以使各粒子状态更新将趋向于真实状态更加符合实际情况,减少了粒子更新过程中误差累积对状态估计的影响,从而增强粒子状态估计过程的适应能力。
作为优先,优化好的粒子滤波参数输入到径向基粒子滤波法中进行处理的具体步骤为:
(1)、初始化;在初始时刻,根据初始密度函数P(x0)分布来采样得到即其中x0表示径向基粒子滤波的初始状态,表示从状态空间中采集的样本,N 表示粒子数目;
(2)、构建径向基函数网络;根据系统相关的空间状态模型构建径向基函数网络训练的样本,利用其学习算法得到输出,即得到新的样本 可以表示为:
(3)、重要性权值计算;新的采样根据公式计算得到新的重要性权值,根据公式完成相应的权值归一化。
(4)、重采样;从集合中根据新的重要性权值重新采样;
(5)、输出;其输出状态估计为方差估计
径向基粒子滤波方法是利用径向基函数网络能以任意精度逼近任意连续函数的性能来优化粒子滤波的采样过程。通过径向基函数网络的优化过程,各粒子状态更新将趋向于真实状态更加符合实际情况,同时也提高了对目标状态的概率分布估计精度,减少了粒子更新过程中误差累积对状态估计的影响。径向基粒子滤波方法可以不再利用固定的状态方程更新目标状态,而是根据对目标状态预测的实际需要,通过前若干时刻测量值的干预,避免粒子状态估计受到累积误差的影响,从而增强粒子状态估计过程的适应能力。该方法在信号处理方面比传统的粒子滤波算法能更好的提取信号的真实值,具有良好的去噪效果。
作为优先,小波神经网络进行粒子群优化的方法的具体步骤为:
(1)、设置小波网络参数的初始值,伸缩因子设定为a,平行因子设定为b,其余网络权值初始值设为(0,1)间的随机数;
(2)、初始化粒子群的各个参数:粒子数设为m,适应阀值为ε,惯性权重因子为w,w的最大值设定为wmax,w的最小值设定为wmin,加速因子设为c1和c2,最大允许迭代步数设为MaxIter;粒子的速度设为V,位置为X,初始化为(0,1)之间随机数;
(3)、粒子个数m,随机生成粒子群矩阵;
(4)、对每个粒子的位置X和速度V迭代更新,记录每个粒子的历史最优位置Pid和迄今搜索到最优位置Pgd,利用公式计算适应度值,并记录对应于Pid的适应度值FitPid以及对应于Pgd的适应度值FitPgd;计算适应度值的公式为:其中N是输出的节点数,Di为第i个输出节点的目标值,Yi为第i个输出节点的实际值;
(5)、判断适应度值是否达到设定值,若FitPgd≤设定值或者迭代步数达到了最大设定迭代步数,那么迭代完毕,否则就转至步骤(3);
(6)、将Pgd的值代入小波神经网络中的伸缩因子a,平移因子b和各个权值之中,计算出网络的输出。
粒子群优化后的小波神经网络在网络反向传播时,粒子群优化可以让各个粒子在它搜索空间内搜索各层间连接权值、阀值和小波基函数的伸缩平移参数的全局最优值,实现了小波神经网络的优化,粒子群优化神经网络减少了迭代次数,提高了诊断精度,能够快速准确地诊断出齿轮裂纹受损情况。
附图说明
图1为本发明齿轮箱信号采集设备系统的结构示意图;
图2为本发明齿轮箱传动系统主要装置的结构图;
图3为本发明齿轮箱传动系统的故障齿轮;
图4为本发明中径向基粒子滤波法的流程图;
图5为本发明粒子群优化小波神经网络和梯度递减优化小波神经网络的误差演化曲线对比图;
图6为本发明实施方式中齿轮F1径向基粒子滤波前后的对比;
图7为本发明实施方式中故障齿轮F2径向基粒子滤波前后的对比;
图8为本发明实施方式中故障齿轮F3径向基粒子滤波前后的对比;
图9为本发明实施方式中故障齿轮F4径向基粒子滤波前后的对比;
图10为本发明径向基粒子滤波和粒子群优化小波神经网络的齿轮箱故障诊断输出结果。
图11为本发明中径向基粒子滤波法与传统粒子滤波法在状态估计及误差曲线的仿真比较结果;
如图所示:1、加速传感器;2、齿轮箱;3、动态模拟器;4、信号分析器;5、数据处理端。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明,以令本领域技术人员参照说明书文字能够据以实施,本发明保护范围并不受限于该具体实施方式。
本发明涉及一种齿轮箱故障分析方法,其方法为:建立齿轮箱信号采集设备系统,通过齿轮箱信号采集设备系统来采集齿轮信号,采用径向基粒子滤波法来将采集到的齿轮信号进行去噪处理,然后提取相关的特征参数,最后将提取的相关特征参数导入经过粒子群优化后的小波神经网络中进行故障诊断输出。
如图1所示,齿轮箱信号采集设备系统包括设置在齿轮箱垂直方向上的加速传感器、与齿轮箱连接的动态模拟器、与动态模拟器连接的信号分析器以及与信号分析器连接的数据处理端,采用该结构,通过动态模拟器来采集齿轮箱垂直方向上的振动信号,然后利用信号分析器分析采集到的振动信号,从而进行故障诊断。由于齿轮箱垂直方向上的振动信号同其故障诊断关联性强,所以只针对垂直方向上采集得到的振动信号做相关分析和处理。
将采集到的齿轮信号进行去噪处理的具体方法为:首先建立振动信号的系统模型;然后将采集到的振动信号导入到系统模型中,对其中的粒子滤波参数进行优化,并对径向基粒子滤波法进行仿真验证,证明其有效性;最后采用径向基粒子滤波法对优化好的粒子滤波参数进行处理,获取输出,完成对齿轮箱实验中的振动信号进行滤波去噪处理。
在齿轮箱故障分析方法中,采用传统的粒子滤波法对粒子滤波参数进行处理的一个重要缺陷就是会出现样本贫化问题,另一个问题如果粒子集数目比较小,粒子很难收敛到真实状态处,为了克服传统粒子滤波存在的缺点,本发明提出径向基函数网络(RBFN)优化粒子滤波方法,即径向基粒子滤波法,并在机械故障诊断中得到成功应用。
如图4所示,采用径向基粒子滤波法对优化好的粒子滤波参数进行处理的具体方法步骤为:
(1)、初始化;在初始时刻,根据初始密度函数P(x0)分布来采样得到即其中x0表示径向基粒子滤波的初始状态,表示从状态空间中采集的样本,N 表示粒子数目;
(2)、构建径向基函数网络;根据系统相关的空间状态模型构建径向基函数网络训练的样本,利用其学习算法得到输出,即得到新的样本 可以表示为:
(3)、重要性权值计算;新的采样根据公式计算得到新的重要性权值,根据公式完成相应的权值归一化;
(4)、重采样;从集合中根据新的重要性权值重新采样;
(5)、输出;其输出状态估计为方差估计
通过径向基函数网络的优化过程,各粒子状态更新将趋向于真实状态更加符合实际情况,同时也提高了对目标状态的概率分布估计精度,减少了粒子更新过程中误差累积对状态估计的影响。径向基粒子滤波方法可以不再利用固定的状态方程更新目标状态,而是根据对目标状态预测的实际需要,通过前若干时刻测量值的干预,避免粒子状态估计受到累积误差的影响,从而增强粒子状态估计过程的适应能力。该方法在信号处理方面比传统的粒子滤波法能更好的提取信号的真实值,具有良好的去噪效果。如图11所示,显示了两种滤波法在状态估计及误差曲线的仿真比较结果,即径向基粒子滤波法与传统粒子滤波法在状态估计及误差曲线的仿真比较结果,图中RBF.PF估计曲线为径向基粒子滤波法在状态估计及误差曲线的仿真曲线,图中PF估计曲线为传统粒子滤波法在状态估计及误差曲线的仿真曲线,仿真结果经过对比,证明了径向基函数网络优化的粒子滤波方法的优越性。
在齿轮箱故障分析方法中,小波神经网络使用传统的梯度下降优化方法存在易于陷入局部最小值、所得的网络训练误差较大且收敛速度慢等缺点。所以本发明中的小波神经网络采用粒子群优化方法,可以在网络反向传播过程时,让各个粒子在它搜索空间内搜索各层间连接权值、阀值和小波基函数的伸缩平移参数的全局最优值,实现优化小波神经网络的目的。
小波神经网络进行粒子群优化的方法的具体步骤为:
(1)、设置小波网络参数的初始值,伸缩因子设定为a,平行因子设定为b,其余网络权值初始值设为(0,1)间的随机数;
(2)、初始化粒子群的各个参数:粒子数设为m,适应阀值为ε,惯性权重因子为w,w的最大值设定为wmax,w的最小值设定为wmin,加速因子设为c1和c2,最大允许迭代步数设为MaxIter;粒子的速度设为V,位置为X,初始化为(0,1)之间随机数;
(3)、粒子个数m,随机生成粒子群矩阵;
(4)、对每个粒子的位置X和速度V迭代更新,记录每个粒子的历史最优位置Pid和迄今搜索到最优位置Pgd,利用公式计算适应度值,并记录对应于Pid的适应度值FitPid以及对应于Pgd的适应度值FitPgd;计算适应度值的公式为:其中N是输出的节点数,Di为第i个输出节点的目标值,Yi为第i个输出节点的实际值;
(5)、判断适应度值是否达到设定值,若FitPgd≤设定值或者迭代步数达到了最大设定迭代步数,那么迭代完毕,否则就转至步骤(3);
(6)、将Pgd的值代入小波神经网络中的伸缩因子a,平移因子b和各个权值之中,计算出网络的输出。
粒子群优化神经网络减少了迭代次数,提高了诊断精度,能够快速准确地诊断出齿轮裂纹受损情况,也印证该发明中径向基粒子滤波算法对非线性、非高斯时变系统方面的振动信号具有很好的滤波降噪效果,粒子群优化的小波神经网络能够快速准确地诊断出齿轮裂纹受损情况。
以下通过实验来对齿轮箱进行故障分析,实验中所选取的齿轮箱振动信号采集设备系统如图1所示,其中包含水平方向上的加速传感器、垂直方向上的型加速传感器、与齿轮箱连接的动态模拟器、与动态模拟器连接的信号分析器以及与信号分析器连接的数据处理端,水平方向上和垂直方向上的加速传感器均采用352C67PCB型加速传感器,将齿轮箱连接Spectra Quest型动态模拟器对其振动信号进行采集,然后利用信号分析器分析实验采集的信号,文中只针对垂直方向上采集得到的振动信号做相关的分析和处理。
操作中力矩和转速在齿轮箱故障诊断实验过程中需要不断调整,调整后的故障和正常齿轮就可以采集其相对应的信号,这样就能就较好地模拟出齿轮传动的实际真实情况。诊断过程中让电机的转速数值固定而不断调整载荷模拟齿轮箱工作,实验过程如下:
(1)、首先建立齿轮箱信号采集设备系统来采集实验的故障信号,齿轮箱中所有零部件都是正常无故障的,用图3中的正常齿轮F1替代装置图2中的齿轮3,当发动机以800rpm转速时,可以看到载荷力矩的最大值为51.77N·m,所以接通电源启动发动机后,将齿轮箱传动系统的转速调整到800rpm;
(2)、将最大力矩载荷51.77N·m的0%设定为采集数据时载荷,发动机以800rpm转速时,通过数据可以看到载荷力矩的最大值为51.77N·m,根据指定采样频率和采样时间采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的50%设定为采集数据时载荷,采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的100%设定为采集数据时载荷,采集齿轮箱故障信号数据;
(3)、其它保持原来状态,仅将图3中的故障齿轮F2替换掉上一步实验中的正常齿轮F1,故障齿轮F2为25%裂纹的齿轮,将发动机的转速调整为800rpm来启动齿轮箱系统,同步骤(1) 的采集实验信号方法类似;
(4)、将最大力矩载荷51.77N·m的0%设定为采集数据时载荷,发动机以800rpm转速时,通过数据可以看到载荷力矩的最大值为51.77N·m,根据指定采样频率和采样时间采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的50%设定为采集数据时载荷,采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的100%设定为采集数据时载荷,采集齿轮箱故障信号数据;
(5)、其它保持原来状态,仅用图3中的故障齿轮F3替换掉上一步实验中的故障齿轮F2,故障齿轮F3为50%裂纹的齿轮,将发动机的转速调整为800rpm来启动齿轮箱系统,同步骤(1) 的采集实验信号方法类似;
(6)、将最大力矩载荷51.77N·m的0%设定为采集数据时载荷,发动机以800rpm转速时,通过数据可以看到载荷力矩的最大值为51.77N·m,根据指定采样频率和采样时间采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的50%设定为采集数据时载荷,采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的100%设定为采集数据时载荷,采集齿轮箱故障信号数据;
(7)、其它保持原来状态,仅用图3中的故障齿轮F4替换掉上一步实验中的故障齿轮F3,故障齿轮F4为75%裂纹的齿轮,将发动机的转速调整为800rpm来启动齿轮箱系统,同步骤(1) 的采集实验信号方法类似;
(8)、将最大力矩载荷51.77N·m的0%设定为采集数据时载荷,发动机以800rpm转速时,通过数据可以看到载荷力矩的最大值为51.77N·m,根据指定采样频率和采样时间采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的50%设定为采集数据时载荷,采集齿轮箱故障信号数据;将最大力矩载荷51.77N·m的100%设定为采集数据时载荷,采集齿轮箱故障信号数据;
(9)、通过上述步骤获得四种不同故障的齿轮在不同载荷下的信号集合,用径向基粒子滤波对转速为800rpm、载荷为50%的同转速同载荷情况下四种不同齿轮箱故障状态的信号进行滤波去噪;
(10)、提取相关的特征参数,将提取的相关特征参数导入经过粒子群优化后的小波神经网络中进行故障诊断输出。
Claims (6)
1.一种齿轮箱故障分析方法,其特征在于:其方法为:建立齿轮箱信号采集设备系统,通过齿轮箱信号采集设备系统来采集齿轮信号,采用径向基粒子滤波法来将采集到的齿轮信号进行去噪处理,然后提取相关的特征参数,最后将提取的相关特征参数导入经过粒子群优化后的小波神经网络中进行故障诊断输出。
2.根据权利要求1所述的一种齿轮箱故障分析方法,其特征在于:齿轮箱信号采集设备系统包括设置在齿轮箱垂直方向上的加速传感器、与齿轮箱连接的动态模拟器、与动态模拟器连接的信号分析器以及与信号分析器连接的数据处理端。
3.根据权利要求1所述的一种齿轮箱故障分析方法,其特征在于:将采集到的齿轮信号进行去噪处理的具体方法为:首先建立振动信号的系统模型;然后将采集到的振动信号导入到系统模型中,对其中的粒子滤波参数进行优化,并对径向基粒子滤波法进行仿真验证,证明其有效性;最后采用径向基粒子滤波法对优化好的粒子滤波参数进行处理,获取输出,完成对齿轮箱实验中的振动信号进行滤波去噪处理。
4.根据权利要求3所述的一种齿轮箱故障分析方法,其特征在于:采用径向基粒子滤波法对优化好的粒子滤波参数进行处理的具体步骤为:
(1)、初始化;在初始时刻,根据初始密度函数P(x0)分布来采样得到即其中x0表示径向基粒子滤波的初始状态,表示从状态空间中采集的样本,N表示粒子数目;
(2)、构建径向基函数网络;根据系统相关的空间状态模型构建径向基函数网络训练的样本,利用其学习算法得到输出,即得到新的样本可以表示为:
(3)、重要性权值计算;新的采样根据公式计算得到新的重要性权值,根据公式完成相应的权值归一化。
(4)、重采样;从集合中根据新的重要性权值重新采样;
(5)、输出;其输出状态估计为方差估计
5.根据权利要求1所述的一种齿轮箱故障分析方法,其特征在于:小波神经网络进行粒子群优化的方法的具体步骤为:
(1)、设置小波网络参数的初始值,伸缩因子设定为a,平行因子设定为b,其余网络权值初始值设为(0,1)间的随机数;
(2)、初始化粒子群的各个参数:粒子数设为m,适应阀值为ε,惯性权重因子为w,w的最大值设定为wmax,w的最小值设定为wmin,加速因子设为c1和c2,最大允许迭代步数设为MaxIter;粒子的速度设为V,位置为X,初始化为(0,1)之间随机数;
(3)、粒子个数m,随机生成粒子群矩阵;
(4)、对每个粒子的位置X和速度V迭代更新,记录每个粒子的历史最优位置Pid和迄今搜索到最优位置Pgd,利用公式计算适应度值,并记录对应于Pid的适应度值FitPid以及对应于Pgd的适应度值FitPgd;
(5)、判断适应度值是否达到设定值,若FitPgd≤设定值或者迭代步数达到了最大设定迭代步数,那么迭代完毕,否则就转至步骤(3);
(6)、将Pgd的值代入小波神经网络中的伸缩因子a,平移因子b和各个权值之中,计算出网络的输出。
6.根据权利要求5所述的一种齿轮箱故障分析方法,其特征在于:计算适应度值的公式为:其中N是输出的节点数,Di为第i个输出节点的目标值,Yi为第i个输出节点的实际值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192708.XA CN108444696A (zh) | 2018-03-09 | 2018-03-09 | 一种齿轮箱故障分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192708.XA CN108444696A (zh) | 2018-03-09 | 2018-03-09 | 一种齿轮箱故障分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108444696A true CN108444696A (zh) | 2018-08-24 |
Family
ID=63193888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810192708.XA Pending CN108444696A (zh) | 2018-03-09 | 2018-03-09 | 一种齿轮箱故障分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108444696A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389325A (zh) * | 2018-11-02 | 2019-02-26 | 国网四川省电力公司电力科学研究院 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
CN111076927A (zh) * | 2019-12-19 | 2020-04-28 | 佛山科学技术学院 | 基于深度神经网络的齿轮故障诊断方法、装置及系统 |
CN112132294A (zh) * | 2020-07-10 | 2020-12-25 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于多信息融合的交流接触器状态评估方法 |
CN112183867A (zh) * | 2020-09-30 | 2021-01-05 | 南京中车浦镇海泰制动设备有限公司 | 一种基于小波神经网络的epla电空变换阀退化预测方法 |
CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
CN113109669A (zh) * | 2021-04-12 | 2021-07-13 | 国网陕西省电力公司西安供电公司 | 一种基于行波特征频率的配电网混联线路故障定位方法 |
CN113468809A (zh) * | 2021-06-30 | 2021-10-01 | 重庆大学 | 一种风电齿轮箱平行级齿根裂纹模式识别方法 |
CN113567117A (zh) * | 2021-09-24 | 2021-10-29 | 南京农业大学 | 基于psoobp-cs算法的齿轮箱故障诊断方法 |
CN114295365A (zh) * | 2022-03-09 | 2022-04-08 | 深圳市信润富联数字科技有限公司 | 插针机精度异常监测方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458252A (zh) * | 2014-08-30 | 2015-03-25 | 吉林大学 | 一种高速列车齿轮箱运行状态监测方法 |
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
-
2018
- 2018-03-09 CN CN201810192708.XA patent/CN108444696A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458252A (zh) * | 2014-08-30 | 2015-03-25 | 吉林大学 | 一种高速列车齿轮箱运行状态监测方法 |
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨柳: "基于RBF-PF和粒子群优化小波神经网络在齿轮箱故障诊断中的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389325A (zh) * | 2018-11-02 | 2019-02-26 | 国网四川省电力公司电力科学研究院 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
CN109389325B (zh) * | 2018-11-02 | 2021-10-08 | 国网四川省电力公司电力科学研究院 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
CN111076927A (zh) * | 2019-12-19 | 2020-04-28 | 佛山科学技术学院 | 基于深度神经网络的齿轮故障诊断方法、装置及系统 |
CN112132294A (zh) * | 2020-07-10 | 2020-12-25 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于多信息融合的交流接触器状态评估方法 |
CN112132294B (zh) * | 2020-07-10 | 2024-07-26 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于多信息融合的交流接触器状态评估方法 |
CN112183867A (zh) * | 2020-09-30 | 2021-01-05 | 南京中车浦镇海泰制动设备有限公司 | 一种基于小波神经网络的epla电空变换阀退化预测方法 |
CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
CN113109669A (zh) * | 2021-04-12 | 2021-07-13 | 国网陕西省电力公司西安供电公司 | 一种基于行波特征频率的配电网混联线路故障定位方法 |
CN113468809A (zh) * | 2021-06-30 | 2021-10-01 | 重庆大学 | 一种风电齿轮箱平行级齿根裂纹模式识别方法 |
CN113468809B (zh) * | 2021-06-30 | 2022-10-04 | 重庆大学 | 一种风电齿轮箱平行级齿根裂纹模式识别方法 |
CN113567117A (zh) * | 2021-09-24 | 2021-10-29 | 南京农业大学 | 基于psoobp-cs算法的齿轮箱故障诊断方法 |
CN114295365A (zh) * | 2022-03-09 | 2022-04-08 | 深圳市信润富联数字科技有限公司 | 插针机精度异常监测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN108760266B (zh) | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 | |
CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 | |
CN113469066B (zh) | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 | |
CN115114955B (zh) | 一种基于声音与振动信号的设备故障检测方法 | |
Yan et al. | Research on Bearing Fault Diagnosis Based on SPWVD and Grid Optimization CNN | |
CN112347917A (zh) | 一种燃气轮机故障诊断方法、系统、设备及存储介质 | |
Zhang et al. | Improved sparse representation of rolling bearing fault features based on nested dictionary |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |