机电工程
機電工程
궤전공정
MECHANICAL & ELECTRICAL ENGINEERING MAGAZINE
2013年
6期
678-682
,共5页
齿轮缺陷检测%集合经验模态分解%降噪%BP神经网络%时域同步平均
齒輪缺陷檢測%集閤經驗模態分解%降譟%BP神經網絡%時域同步平均
치륜결함검측%집합경험모태분해%강조%BP신경망락%시역동보평균
gear defect detection%ensemble empirical mode decomposition(EEMD)%denoising%back propagation(BP) neural network%time synchronous averaging(TSA)
针对齿轮传动噪声信号复杂,且啮合产生的噪声往往被外界噪声所掩盖而不利于噪声分析的问题,提出了一种基于集合经验模态分解(EEMD)算法、时域同步平均(TSA)和BP神经网络结合的齿轮缺陷检测方法.首先运用集合经验模态分解算法将原始噪声信号分解,以齿轮啮频及其倍频为参考从中提取有用信号,并作时域同步平均进一步去噪；然后,计算去噪以后的特征,并选取不同缺陷状态下差异明显的特征,构建为一组特征向量；最后,将特征向量输入到BP神经网络分类器中进行缺陷的自动识别.研究结果表明,应用EEMD以及TSA相结合的方法去噪效果良好,数据进行处理以后所反映的缺陷特征明显；应用BP神经网络进行的智能识别避免了传统分析中过多依靠人主观判断而产生的缺陷,识别结果更准确.
針對齒輪傳動譟聲信號複雜,且齧閤產生的譟聲往往被外界譟聲所掩蓋而不利于譟聲分析的問題,提齣瞭一種基于集閤經驗模態分解(EEMD)算法、時域同步平均(TSA)和BP神經網絡結閤的齒輪缺陷檢測方法.首先運用集閤經驗模態分解算法將原始譟聲信號分解,以齒輪齧頻及其倍頻為參攷從中提取有用信號,併作時域同步平均進一步去譟；然後,計算去譟以後的特徵,併選取不同缺陷狀態下差異明顯的特徵,構建為一組特徵嚮量；最後,將特徵嚮量輸入到BP神經網絡分類器中進行缺陷的自動識彆.研究結果錶明,應用EEMD以及TSA相結閤的方法去譟效果良好,數據進行處理以後所反映的缺陷特徵明顯；應用BP神經網絡進行的智能識彆避免瞭傳統分析中過多依靠人主觀判斷而產生的缺陷,識彆結果更準確.
침대치륜전동조성신호복잡,차교합산생적조성왕왕피외계조성소엄개이불리우조성분석적문제,제출료일충기우집합경험모태분해(EEMD)산법、시역동보평균(TSA)화BP신경망락결합적치륜결함검측방법.수선운용집합경험모태분해산법장원시조성신호분해,이치륜교빈급기배빈위삼고종중제취유용신호,병작시역동보평균진일보거조；연후,계산거조이후적특정,병선취불동결함상태하차이명현적특정,구건위일조특정향량；최후,장특정향량수입도BP신경망락분류기중진행결함적자동식별.연구결과표명,응용EEMD이급TSA상결합적방법거조효과량호,수거진행처리이후소반영적결함특정명현；응용BP신경망락진행적지능식별피면료전통분석중과다의고인주관판단이산생적결함,식별결과경준학.
