[发明专利]一种基于分数阶小波变换和BP神经网络的齿轮缺陷智能分析方法

说明书

技术领域

本发明涉及一种齿轮缺陷智能分析方法，特别是基于分数阶小波变换(Fractional WaveletTransform,FRWT)和BP(BackPropagation)神经网络的齿轮缺陷智能分析方法，属于齿轮配对检测和故障诊断领域。

背景技术

齿轮作为现代机械结构中传递动力和运动不可或缺的机械部件，具有承载能力大、传动精度高、传动功率恒定等优点，广泛应用于机械设备中。随着设备向大型化、复杂化、自动化和连续化方向发展，齿轮的缺陷和故障给整个生产造成的损失将会越来越大。因此，必须在齿轮的生产和运行等各个环节进行质量检测。尤其是在齿轮安装之前，必须对齿轮进行配对检测，剔除有缺陷的齿轮对，也称之为齿轮缺陷检测。目前国内大多数齿轮厂采取的方法是人工手动的方式控制齿轮滚动机运转，听取齿轮啮合所产生的噪声来判别齿轮的状态，效率及准确度较低。因此研究一种齿轮缺陷智能分析方法，具有十分重要的现实意义，不仅可以提高缺陷分析的效率和精度，同时可以减轻工作人员负担。

当齿轮存在缺陷时，通常会表现在齿轮啮合传动所产生的振动信号中，其中振动信号分析一般采用以快速傅里叶变换(Fast Fourier Transform,FFT)为核心的经典信号处理方法，即频谱分析方法。这种方法要求信号是平稳的。而当齿轮存在缺陷时，所测得的动态信号就包含了大量的非平稳信号成分。对非平稳信号进行频谱分析，其频谱结果会在整个被分析时间段上被平均，不能反映信号突变的细节。时频分析方法可以有效地应用于非平稳信号的分析，弥补了传统的基于FFT的频谱分析方法只适用于平稳信号分析的缺陷，在缺陷分析领域中是一种迅速发展的新方法。小波变换(Wavelet transform,WT)被认为是最为理想的时频分析工具，在语音、图像、通信、雷达等领域得到了广泛应用。小波变换是近几年才开始应用于振动信号处理的时频分析方法，它能同时提供振动信号的时域和频域的局部化信息。小波分析还具有多尺度性和“数学显微”特性，这些特性使得小波分析能够识别振动信号中的突变信号。但随着研究对象和研究范围的不断扩展，也逐步暴露了其在研究某些问题上的局限性。这种局限性主要体现在，不同尺度的小波变换相当于一组频域带通滤波器对信号进行处理，因此小波变换仅局限在时、频域内分析信号。对于那些在频域能量非最佳聚集的信号如自然界和人工场合普遍存在的chirp类信号，比如升降速阶段的齿轮振动信号就是chirp-like信号(即线性调频类信号)，小波分析结果将不是最优的。为此，人们提出了分数阶傅里叶变换(Fractional Fourier Transform,FRFT)、短时分数阶傅里叶变换、Radon-Wigner变换、分数阶小波变换(Fractional Wavelet Transform,FRWT)等。分数阶傅里叶变换虽具有许多独特性能却无法表征信号局部特征；短时分数阶傅里叶变换存在分辨率的缺陷，即时域和分数域分辨率不能同时达到任意高；而Radon-Wigner变换属于二次型变换，具有交叉项。分数阶小波变换最早由Mendlovic等在1997年提出，其基本思想是首先对信号进行分数阶傅里叶得到分数谱，然后再对分数谱作小波变换。分数阶小波变换结合了小波变换与分数阶傅里叶变换许多优点，如没有交叉项，具有线性特性、多分辨分析和分数域表征功能等。因此，分数阶小波变换在信号处理领域具有潜在的应用，将受到越来越多的关注。

分数阶小波变换结合了小波变换和分数阶理论，将多分辨率小波分析理论推广到了时域-广义频域，同时也结合了分数阶傅里叶变换的时频聚焦性，在信号处理中将更具优势，尤其适用于处理升降速阶段的齿轮振动信号的处理中。BP神经网络是由Rumelhart和McCelland为首的科学家小组于1986年提出，是一种按误差逆向传播算法训练的多层前馈神经网络，它的优点是计算速度快，内存消耗低。BP网络能学习和存贮大量的输入-输出模式映射关系，而不需要提前建立这种映射关系的数学方程。BP神经网络应用于模式识别，是其最成功的应用之一。

为此提出一种基于分数阶小波变换变换和BP神经网络的齿轮缺陷智能分析方法，以期有效提取缺陷特征信息，提高缺陷识别的效率和精度。

发明内容

本发明的目的是提供一种基于分数阶小波变换和BP神经网络结合的齿轮缺陷智能分析方法，根据齿轮啮合振动信号快速分析并且判断齿轮的工艺品质及缺陷类型。本方法具有高效、高精度、智能、快速等特点。