Print

基于时序模型和自联想神经网络的齿轮故障程度评估

论文摘要

齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。

论文目录

  • 1 时间序列分析
  • 2 自联想神经网络
  • 3 故障程度评估模型和报警阈值
  •   3.1 故障程度指标
  •   3.2 自适应报警阈值
  • 4 试验数据分析
  •   4.1 不同故障程度试验数据
  •   4.2 齿轮全寿命试验数据
  • 5 结 论
  • 文章来源

    类型: 期刊论文

    作者: 张龙,成俊良,杨世锡,李兴林

    关键词: 模型,自联想神经网络,齿轮,故障程度评估,预诊断

    来源: 振动与冲击 2019年02期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 机械工业,自动化技术

    单位: 浙江大学机械工程学院,华东交通大学机电与车辆工程学院,杭州轴承试验研究中心博士后工作站

    基金: 国家自然科学基金(51665013,51865010,51205130),江西省自然科学基金(20161BAB216134,20171BAB206028),江西省研究生创新基金(YC2018-S248)

    分类号: TH132.41;TP183

    DOI: 10.13465/j.cnki.jvs.2019.02.004

    页码: 18-24

    总页数: 7

    文件大小: 324K

    下载量: 163

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/126808b125cc6b2817578f25.html