导　　师： 李巍华

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 本文将齿轮传动系统振动响应信号的影响因素分为故障和环境状态,将其引发的数据特征分别称为故障特征和环境特征。齿轮故障智能诊断模型的训练数据通常来自特定环境状态下进行的振动实验,数据中包含了特定环境状态引发的环境特征,这些环境特征无法反映齿轮的真实健康状态,但诊断模型无法获取这一先验知识,训练过程中必然会受其影响,甚至有可能出现根据环境特征判断齿轮健康状态这种完全违反物理意义的情况,导致诊断模型无法在环境状态改变后的故障诊断任务中保持有效性。本文故障诊断的目标为齿轮局部故障,齿轮局部故障会导致齿轮传动系统中出现周期性冲击激励。周期性冲击激励振动响应信号的数据特征受到齿轮传动系统运行转速和频响函数等因素的影响,而运行转速与频响函数属于齿轮传动系统环境状态,通过冲击特征分析发现:周期性冲击激励振动响应信号的幅值谱特征对转速变化不敏感,而时域特征对频响函数变化不敏感。因此,针对运行转速与频响函数的变化,分别提出基于幅值谱特征与基于时域冲击特征的齿轮故障诊断方法,并根据幅值谱特征性质与时域冲击特征性质分别提出基于卷积神经网络(Convolutional Neural Network,CNN)的齿轮故障诊断模型。除了故障激励以外,齿轮传动系统中还会出现环境状态激励,通过振动特性分析可以在一定程度上区分响应信号中的故障响应与环境状态响应,进而在样本构造过程中尽可能地去除环境状态响应,减少环境状态对诊断模型的影响。为了测试环境状态改变对所提诊断模型的影响,以一定环境状态下采集的齿轮箱振动数据训练诊断模型,以环境状态改变后采集的振动数据测试训练好的诊断模型,结果表明所提模型对运行转速、频响函数等环境状态的变化具有较强的鲁棒性。更多还原

关 键 词： 齿轮故障 智能诊断 冲击特征 环境状态 转速 频响函数

领　　域： []