论文部分内容阅读
齿轮作为机械设备中用来改变转速和传递动力的常用零件,被广泛应用在工业生产中,是机械连接和驱动装置中不可缺少的一部分。由于齿轮本身工作状态复杂,长期在重载条件下运行,极易受到损害发生故障,进而造成整个机械传动系统失效,甚至威胁人们的安全。因此,对齿轮的故障进行诊断识别,对于旋转设备的故障检测具有重大意义。为了提高齿轮故障识别的准确率,避免依赖传统的时频分析法对齿轮进行故障诊断,解决齿轮信号特征提取困难的问题,本文采用了声发射技术与深度学习相结合的方法,通过声发射设备对齿轮的故障信号进行采集,搭建了以门控循环单元网络为核心的齿轮故障诊断模型,并采用深度信念网络作为对比网络,实现了对齿轮故障的智能识别。本文以旋转机械设备中的核心部件齿轮作为故障诊断的研究对象,主要完成了以下几个方面的研究。首先通过QPZZ-II型旋转机械振动及故障模拟实验平台分别采集了齿轮在正常状态时、磨损故障时、磨损及沟槽混合故障时三种状态下的声发射信号,然后将采集到的声发射信号经过预处理后提取到的声发射特征参数作为神经网络的输入,最后将采集到的声发射信号数据合理的划分为训练集和测试集,并用训练集样本数据分别对基于深度信念网络、基于门控循环单元的齿轮故障诊断模型进行训练,再通过测试集数据在网络模型上的表现对网络的参数进行调整,搭建最适合的齿轮故障诊断模型。首先构建的是基于深度信念网络的齿轮故障诊断模型,该网络采用自下而上逐层训练受限玻尔兹曼机的方式,为整个网络赋予了较好的初始参数,然后通过对网络整体反向微调获得最优解。实验结果表明,基于深度信念网络的齿轮故障诊断模型,识别准确率为98.7217%,具有一定的可行性。其次搭建了基于门控循环单元网络的齿轮故障诊断模型,因为循环神经网络可以捕捉网络之间的长期依赖性,但传统的循环神经网络存在梯度消失的问题,使得浅层的网络权重得不到更新,为了使网络之间的记忆性得到保障,改善梯度弥散的问题,本文采用门控循环单元对齿轮的故障进行识别诊断,识别的准确率达到了99.8709%,最终验证了该网络在齿轮故障诊断上具有更好地分类效果,提升了齿轮故障识别的准确率。