【摘要】：近幾年來,我國在機械制造領域的發(fā)展可謂是日新月異,胡麻嶺隧道、復興號、港珠澳大橋等一件件超級工程的圓滿完成,向世界展示了我國制造業(yè)蒸蒸日上的實力,而機械設備在其中扮演著極其關鍵的角色,齒輪箱是實際工業(yè)設備中最常用,同時也是最重要的傳動部件,其能否在工作過程中保持健康的狀態(tài)將成為實際工業(yè)生產中重要的一環(huán),因此齒輪箱故障診斷技術的研究具有非常重要的意義。BP神經網絡是一種應用及其廣泛的智能故障模式識別技術,具有強大的非線性處理能力,但同時也存在易陷入局部極值的缺點,本文論述了一種改進后的魚群算法,利用該算法優(yōu)秀的全局尋優(yōu)能力優(yōu)化BP網絡的初始權值與閾值,結合二者的優(yōu)勢構建了ADAFSA-BP網絡模型,并應用到齒輪箱故障診斷中以驗證該模型的可行性。本文首先介紹了課題的研究背景和意義,包括齒輪箱故障診斷研究現狀、神經網絡和魚群算法的國內外研究現狀,還有當前智能化診斷技術的發(fā)展現狀。隨后對齒輪箱的常見故障形式及其振動機理做了系統(tǒng)的分析,并介紹了處理振動信號常用的時頻域分析方法。之后詳細論述了魚群算法及其改進模式,包括算法中的參數設置和行為規(guī)則描述,將改進后的魚群算法與BP神經網絡相結合,用于優(yōu)化BP網絡的初始權值閾值,并構建了ADAFSA-BP網絡模型,在MATLAB中進行了仿真驗證,證明了該模型在模式識別中的可行性。最后搭建了齒輪箱故障診斷實驗平臺,采集了JZQ250型齒輪箱五種工況下的振動信號,利用ADAFSA-BP網絡模型對齒輪箱的故障狀態(tài)進行智能識別,分析實驗數據可知,ADAFSA-BP網絡模型展現出較優(yōu)的診斷能力,同時為齒輪箱故障診斷提供了一種新的智能識別方法。
【圖文】：

椒ǎ嚅，

本文編號：2603714