基于LabVIEW的齿轮箱故障诊断

/1

军械工程学院学报55555555555555555555

.1165

行!"网络的训练，获得!"网络的相应权值和阈值并确定其诊断的网络结构。

在检测部分中，将采集的故障信号经#$%转换输入计算机。同样，利用&’()*+,小波工具箱提取信号的特征参量，并将归一化的结果传入已训练好的!"神经网络对齿轮箱故障加以识别和诊断，获取齿轮箱故障类型。

!"#$系统中的主要技术问题及其解决方案

系统存在的主要技术问题如下：

-）故障信号特征参量的提取及其归一化处理；.）!"神经网络的训练，即网络权值的提取；/）!"神经网络的应用，即网络确定后的故障识别。

!"#"!$提取故障信号特征参量的小波分析及其归一化处理

此系统是利用&’()*+,的小波控件实现对信号的小波变换和特征参量的提取。其主要的框图程序如图.所示。

此系统利用小波分析将故障信号进行!层分解，获得一组低频信号和!组高频信号，并提取其"，…，"｝，且高频信号的系数分量｛"，

"%&（’(），（!$(）)，

$

$

-.

#

!"#"#$!"神经网络的训练

此系统是利用&’()*+,数组控件和神经网络相应的算法实现!"神经网络的训练以获取适用于故障诊断的神经网络权值。

此系统结合故障识别机构，选择使用/层典型!"网络。输入层节点个数!为小波分解层数，输出层节点个数-为齿轮箱故障类型个数。而隐藏层节点个数.是不确定的，它是由输入层和输出层个数共同决定，据经验公式可得；.%/0，

式中，0为-0-1之间的整数。节点个数分别取2、-1、3。

!"网络以典型的故障类型识别为基础可以得到较好的训练。此系统是以齿轮箱典型故障信号的特征向量为网络样本输入向量，以齿轮箱故障类型为网络的样本输出向量，按照!"算法，利用实验样本进行网络训练，获取输入层到隐藏层、隐藏层到输出层的权值和阈值，使得整个网络总体误差达到要求，其中总体误差的变化曲线可以体现其变化的趋势。

!"#"%$!"神经网络的应用

!"神经网络的应用，即网络确定后的故障识别，是利用&’()*+,相关算法来实现的。把已获得的权值赋予使用网络，实现对测得的信号的判别，获取故障类型。其程序框图程序如图/所示。此环节是完成齿轮箱故障诊断的重要步骤。它是将实时采集的故障信号特征参量读入，并利用已经训练完毕的!"神经网络加以识别，获得最后的故障类型。此过程是一种!"网络标准的动力学计算过程。

（/）

在此系统中!"网络输入层、输出层和隐藏层

（-）

式中，’（(）为信号函数，（(）为尺度函数。设*$为!则有：第$层高频小波分解系数序列"的能量，

#

*$%

$

(+%-

,"$+,.，

（.）

式中，#为"中分量的个数。

通过以上的计算获得各层高频小波分解系数序列的能量。按照尺度顺序将各层高频小波分解系数序列的能量归一化，组成向量即为所要提取获得的特征参量。

（下转第4/页）