声明
摘要
第1章 绪论
1.1 课题概述
1.1.1 课题来源
1.1.2 课题研究的目的及意义
1.2 齿轮及齿轮箱诊断技术的发展与现状
1.1.1 故障诊断技术概述
1.2.2 齿轮箱信息处理技术国内外发展概况
1.2.3 智能诊断技术国内外发展概况
1.3 本文研究的主要内容
第2章 齿轮箱故障机理分析
2.1 齿轮常见失效形式及故障原因
2.2 齿轮的简化振动模型及振动机理分析
2.3 齿轮振动信号频率组成
2.3.1 各轴转频及其高次谐波
2.3.2 齿轮啮合频率及其高次谐波
2.3.3 齿轮的固有振动频率
2.3.4 齿轮产生故障时的调制现象和边频带分布特点
2.3.5 齿轮振动信号中的其他频率成分
2.4 齿轮典型故障的振动信号特征
2.4.1 断齿振动特征分析
2.4.2 齿面点蚀振动特征分析
2.4.3 齿面磨损振动特征分析
2.4.4 齿根裂纹振动特征分析
2.5 齿轮箱噪声产生机理分析
2.6 本章小结
第3章 实验方案设计
3.1 实验测试系统方案设计
3.2 齿轮箱故障模拟试验台的设计
3.2.1 试验台的设计
3.2.2 齿轮故障模拟
3.3 传感器的选择及安装
3.3.1 传感器的选择
3.3.2 传感嚣的安装
3.4 本章小结
第4章 齿轮箱故障诊断数据采集系统设计
4.1 数据采集的软件架构
4.2 数据采集的硬件选择
4.2.1 数据采集系统平台的选择
4.2.2 数据采集卡的选择
4.2.3 数据采集卡的安装及其参数设置
4.3 数据采集系统软件设计
4.3.1 数据采集
4.3.2 数据存储
4.3.3 数据读取
4.3.4 数据库的访问
4.4 本章小结
第5章 信号分析处理方法及其仿真
5.1 机械振动的基础
5.1.1 振动信号的分类
5.1.2 振动信号的描述
5.2 信号特征的时域分析方法
5.3 信号特征的频域分析方法
5.4 信号特征的时频分析方法
5.4.1 小波分析
5.4.2 小波包分析
5.4.3 经验模态分解法
5.5 信号处理方法的MATLAB仿真
5.6 本章小结
第6章 实验及数据分析
6.1 实验数据采集
6.2 振动信号时域特征提取
6.3 振动信号谱分析
6.3.1 频谱功率谱分析
6.3.2 基于小波变换的Hilbert包络谱分析
6.3.3 基于经验模态分解的Hilbert边际谱分析
6.4 振动信号特征能量提取
6.4.1 小波包能量提取
6.4.2 EMD能量提取与选择
6.5 噪声信号特征能量提取与选择
6.5.1 噪声信号特征能量提取
6.5.2 噪声信号特征能量选择
6.6 本章小结
第7章 基于遗传BP神经网络的齿轮故障类型识别
7.1 神经网络概述
7.2 BP神经网络原理及实现
7.2.1 BP网络概述
7.2.2 BP算法
7.3 遗传BP神经网络学习算法
7.3.1 遗传算法简介
7.3.2 遗传算法优化BP网络过程
7.3.3 遗传BP神经网络算法的MATLAB实现
7.4 遗传BP神经网络模型的建立与应用
7.4.1 基于BP网络的小波包能量法与EMD能量法的比较
7.4.2 遗传BP神经网络结构的确定
7.4.3 遗传BP神经网络训练集与测试集的确定
7.4.4 遗传BP神经网络算法选择及参数设计
7.4.5 遗传BP神经网络的训练与测试
7.4.6 与一般BP网络比较
7.5 本章小结
第8章 结论与展望
8.1 工作总结
8.2 工作展望
参考文献
攻读硕士学位期间发表的学术论文
致谢