论文部分内容阅读
随着近年来建设“海洋强国”战略目标的实施,我国船舶工业进入全新的发展阶段,对船舶和船舶设备的可靠性也提出了更高的要求。作为船舶机械设备中的主要传动装置,齿轮箱的健康状况与整个机械设备系统的运行状态息息相关。如果可以及时知晓齿轮箱的健康状况并准确地识别出其故障类型,不仅能提高船舶营运的安全性,也能在一定程度上指导后期的维护检修工作。因此,齿轮箱故障诊断已经逐渐成为船舶机械领域重要的研究方向之一。针对齿轮箱振动信号中的故障特征提取困难和传统诊断方法中的特征选取过于依赖主观经验的问题,本文以齿轮箱作为研究对象,结合深度学习技术,研究基于深度置信网络(DBN)的齿轮箱关键零部件的智能故障诊断方法。本文的主要研究内容如下:(1)根据DBN的网络框架和基本原理,阐述了DBN前向贪婪学习和后向微调的训练方法。利用仿真信号探讨DBN主要参数对网络分类效能的影响,给出了DBN超参数设置策略。(2)对齿轮箱中易发生故障的零部件进行分析,探讨了滚动轴承和齿轮的故障类型及其振动信号特征,并推导了齿轮啮合点处的振动模型。设计了Labview平台下的振动数据采集系统,在齿轮故障模拟实验台开展实验,获得了不同工况下的齿轮故障诊断数据集。(3)提出了一种基于变分模态分解(VMD)算法的DBN轴承故障诊断方法。综合运用VMD方法、能量熵、时域频域统计特征以及特征选择策略构建得到敏感特征向量集,将其输入到参数优化选择的DBN中训练并得到诊断模型。通过与其它诊断方法进行对比分析,表明该方法有更高的准确率和更好的稳定性。(4)提出了一种基于小波降噪的DBN齿轮故障诊断方法。综合利用小波分析方法的有效降噪能力,DBN对原始输入数据强大的重构能力,将小波降噪后的信号直接输入DBN自动进行多层次特征提取,对DBN模型进行训练构建齿轮故障诊断模型。通过与传统诊断方法的对比分析,表明经充分训练后的DBN模型能有效地对不同工况下的齿轮状态进行识别分类,诊断性能更为优越。