基于Matlab智能BP神经网络(2)

材料

修理

维护

操作

相邻部件缺陷 17%

12% 9% 8% 7% 4% 24% 19%

常见的齿轮失效有如下几种形式： （1）弯曲疲劳与断齿，比例约41％。

轮齿折断有很多种形式，在正常工况下，主要原因是齿根弯曲疲劳折断，因为在轮齿受载时齿根处产生的弯曲应力最大。当齿轮受交变载荷时，会在根部产生裂纹，并逐步扩展，致使轮齿疲劳断齿。

（2）齿面接触疲劳，比例约31％。

齿轮在运行过程中，会受到循环变应力的作用，致使轮齿表层会出细线状疲劳裂纹最终使齿轮金属脱落而成为齿面疲劳点蚀，简称点蚀。

（3）齿面胶合，比例约10％

对于高速重载的齿轮传动，齿面间压力很大瞬时温度很高，润滑效果差，当瞬时温度过高时，相互啮合的齿面金属会熔焊在与之啮合的另一个齿面上，于是在齿面上沿相对滑动方向形成伤痕称为胶合[12]。

（4）齿面磨损，比例约为10％。

当啮合齿面间在有污物如尘埃、沙粒、金属屑木等，润滑油供应不足，齿面即被逐渐磨损而致报废。

（5）其它失效形式，比例约8％，如化学腐蚀、塑性变形、齿面龟裂等。 2.3 齿轮振动分析 2.3.1 齿轮振动分析

若以一对齿轮作为研究对象，则该齿轮副可以看作一个质量、弹簧、阻尼振动系统，忽略齿面上摩接力的影响，则其力学模型如图2-3所示，其振动方程为：

Cx K(t)x K(t)E1 K(t)E2(t) （2-1）Mr x

式中x---沿作用线上齿轮的相对位移； C---齿轮啮合阻尼；

K(t)---齿轮啮合刚度；

Mr---齿轮副等效质量，Mr m1 m2/(m1 m2)；

E1---齿轮受载时的平均静弹性变形；

E2(t)---由于齿轮误差和异常导致的两个齿轮间相对位移

图 2-3 齿轮副力学模型

由上式可知，齿轮振动来源于两部分。一部分是常规啮合振动为另一部分是

，

。常规啮合振动与故障无关，而另一部分与齿轮的啮合刚

度Kt和故障函数E2（t）相关。啮合刚度Kt为周期性的变量， Kt与轮齿的啮合刚度变化引起啮合点位置和啮合的齿数有关。因为每当一对齿轮啮合一个周期，则啮合刚度变化一次。变化曲线如图2-4所示。如图直齿轮刚度是突变，斜齿轮或人字齿轮刚度较为平缓曲线变化。

2-4 图 啮合变化曲线

图 2-4 刚度变化曲线

若主动轮转速为N1，齿数Z1，从动轮为N2，Z2，则齿轮 啮合频率)及它们的谐频为

f Nfz Nn1

z Nn2 z(N 1,2,3 )e1212

6060

（2-2）

无论齿轮处于何种状态下，总是存在啮合频率振动及其谐波。但正常和故障下的振动水平是有很大差异的。因此，依据齿轮振动信号的啮合频率和谐波成分诊断其是否故障是可行的。

2.3.2 齿轮振动主要来源

（1） 齿轮的啮合振动，在啮合过程产生的振动。

（2） 齿轮的固有频率振动，是指齿轮受到外界持续传动力的作用，产生的瞬态自由振动。

（3） 齿轮的制造和装配误差引起振动，齿轮的在制造过程中的工艺缺陷以及装配过程中的产生的安装误差引起振动。

（4） 齿轮损伤引起的振动，齿轮在使用过程中由于出现损伤的状况而引起的振动。

综合齿轮振动的来源，根据经验：当齿轮有故障发生时，振动的幅值比正常情况要大，可以根据幅值的波动范围判定齿轮是否发生故障，但不能判定故障所在的位置。

2.4 齿轮故障诊断方法 ① 温度法：

通过监测箱体轴承座处的温度来判断齿轮箱是否正常工作。 ② 油样分析法；

从齿轮箱取出所使用的润滑油油样，通过过滤收集金属颗粒，分析其大小和形状来判断齿轮箱的运行状态。

③ 振动法

通过在箱体适当位置安装震动传感器，根据对监测的振动信号分析与处理来判断齿轮箱的运行状态。振动诊断法是应用最广泛的。齿轮振动诊是分析获得的齿轮运行时的振动信号来识别其状态特征的诊断方法。而且现阶段能够通过各种传感器、放大器等辅助仪器可以准确地获取齿轮的振动信号。

通过对所提取的振动信号进行各种方式的分析和处理，首先将提取齿轮状态的特征信息转换成特征向量的形式。在利用matlab语言建立神经网络模型，利用振动信号信息对已建立的神经网络模型进行训练检验，根据诊断结果，判断能否实现故障模式识别的功能。

下面是BP神经网络齿轮故障诊断技术路线图

3 神经网络结构及BP神经网络

3.1 神经元与网络结构

关于人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)，T. Koholen的定义是“人工神经网络是能够模拟生物神经系统对真实世界所做出的反应。”简言之，人工神经网络是在对人脑组织机构和运行机制深入认识和理解基础之上，模拟人脑的结构，更重要的是模拟人脑的智能行为[11]。

从广义上说，故障可以被理解为任何异常的齿轮振动现象，即齿轮在啮合过程中出现的不期望的运动特性，通常表现为该系统中某个或某些重要变量的特性偏离了正常范围。人类在实际生产过程中获得齿轮箱各种运行模式信息，从而建立齿轮正常及不同的故障的模式。在进行故障诊断时，人类会根据不同的故障信号征兆来完成模式映射过程。

本文基于matlab软件，利用matlab语言建立神经网络模型，利用实验获得的各种模式下的齿轮振动信号来分析处理提取特征参数后转换成特征向量，然后将特征向量与故障模式建立映射关系，映射关系是可以自适应地进行调整，实现齿轮的故障诊断。

3.1.1 生物神经元与人工神经元

人类大脑大约由1012个神经元构成，而神经网络有神经元互相连接构成。神经元是具有长突起的细胞，它由细胞体和细胞突起构成，是大脑处理信息的基本单元，细胞突起主要由树突、轴突和突触组成。 如图3-1所示。

图 3-1 生物神经元

在神经元中，信号的处理与传递主要在突触附近。当其受到刺激时，细胞体上轴突以电信号进行传递。当脉冲幅度超过突触前膜的阈值电位后，突触前膜将用于神经传递的化学物质释放在突触间隙以便突触后膜接受传递信号。而模拟神经元模型可用图3-2。

图3-2 人工神经元（感知器）示意图

当神经元j有多个输入xi(i=1，2, ,m)和单个输出yj时，输入和输出的关系可表示为:

m

sj wijxi j

其中j为阈值，wij为从神经元i到神经元j的连接权重因子，f( )为传递函数，或激励函数。

3.2 BP神经网络及其原理

BP神经网络是误差逆传播算法训练的多层前馈网络的简称，它的组成包括：输入层、隐含层和输出层。每一层由一定数量的的神经元构成。这些神经元是互

相关联的就像生物神经元那样。其结构图

3-3所示：

图3-3 BP神经网络模型

生物神经元信号的传递是在突触内发生的的一个复杂的电化学等过程, 而人工神经网络的传递是将生物神经元简化模拟通过自适应学习而不断修正的过程，由此得到了神经元间连接权重。神经系统中的感觉神经元即是网络的输入层，同样只接收输入信号。输入层输入信号，经隐含层由输出层输出。再比较输出信号与期望输出，如果存在误差，则将误差信号反馈到输出层。在这个过程中，通过梯度下降算法的误差，分配给每个单元层，从而得到各单元的误差信号，这是基于误差信号校正单元的权值，网络的权重因此再分配。由此输入信号再由输入

层输入网络且按上述过程重复进行，由于周而复始的不断调整各层权值的， …… 此处隐藏：2822字，全部文档内容请下载后查看。喜欢就下载吧 ……