[发明专利]基于小波神经网络的齿轮裂纹识别方法

说明书

本发明公开了一种基于小波神经网络的齿轮裂纹识别方法，该方法首先收集各种不同工况下的原始振动信号，采用小波包分析方法提取振动信号的故障特征。然后根据基于反向传播算法的小波神经网络对小波函数的相关参数进行优化。小波神经网络用非正交小波函数代替s形函数作为隐层的激活函数，通过对小波函数的放大和平移运算，可以根据不同的实际应用情况对小波函数进行控制和调整，可以检测局部特征同时在时域和频域也可对原始信号进行全局处理。

技术领域

本发明属于无损检测技术领域，尤其涉及一种基于小波神经网络的齿轮裂纹识别方法。

背景技术

齿轮箱是机械系统中有效地将动力和扭矩从一个轴传递到另一个轴的重要部件之一。它典型的应用是在飞机，导航和汽车工业。齿轮箱的工作状态对机械设备的功能和性能有很大的影响。当机器关键部件在运行过程中发生故障时，意外停机会造成巨大的经济损失和灾难性事故。对齿轮箱的故障诊断进行研究具有重要意义。在过去的几十年中，人们对齿轮箱的故障诊断进行了大量的研究。然而，提高某些机械部件的诊断速度和诊断精度仍然是必要的。基于人工智能技术的旋转机械故障诊断与状态监测的理论和方法有很多。

目前齿轮裂纹故障诊断常采用的两种方法，即加权K近邻分类算法和多维混合智能方法。其中加权K近邻分类算法目前还没有一种智能的方法来评估系数K和特征权重的值，这对故障诊断的结果有很大的影响。同样对于多维混合智能方法而言，该方法要更多的时间来得到最终的分类结果，较为复杂。

发明内容

本发明所要解决的技术问题是，提供一种基于小波神经网络的齿轮裂纹识别方法，通过将基于人工神经网络的智能故障诊断方法应用于变速箱的状态监测和故障诊断，提高了齿轮箱测试系统中齿轮故障诊断的可靠性。

本发明解决其技术问题所采用的技术方案是：提供一种基于小波神经网络的齿轮裂纹识别方法，该方法包括以下步骤，步骤1，收集不同工况下的原始振动信号；

步骤2，采用小波包分析方法提取振动信号的故障特征；

步骤3，根据基于反向传播算法的小波神经网络和对小波函数的相关参数进行优化；

步骤4，对齿轮裂纹进行识别。

用非正交小波函数代替s形函数作为隐层的激活函数，通过对小波函数的放大和平移运算，可以根据不同的实际应用情况对小波函数进行控制和调整，可以检测局部特征同时在时域和频域也可对原始信号进行全局处理。

按上述技术方案，步骤1中所述不同工况分别是：裂纹水平为0％(F1)；裂纹水平0％-25％(F2，不包括0％，包括25％)；裂纹水平25％-50％(F3，不包括25％，包括50％)；裂纹水平50％-75％(F4，不包括50％，包括75％)。

按上述技术方案，所述步骤2中具体包括：

步骤21，使用WPA的三级分解来分析来自齿轮箱的原始振动信号并产生八个子带；

步骤22，计算每个频带中特征信号的能量值；

步骤23，构造一组特征向量；

步骤24，归一化一组特征向量X＝[x₁，x₂，…，x₈],由

获得作为WNN的特征输入向量的新向量X′。

根据所述小波函数将原始信号同时分解为低频和高频信号，克服了多分辨率分析的缺点，对信号的高频部分不作进一步的分解。WPA根据分析信号的特征，自适应地选择合适的频带，使原始信号与信号频谱相匹配，提高了时频分辨率。

按上述技术方案，所述步骤3中的小波函数的相关参数包含振荡参数(n)、缩放参数(j)、平移参数(k)，权系数(ω)，阈值(b)。