一种基于物理信息神经网络的齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于物理信息神经网络的齿轮箱故障诊断方法。首先，在齿轮箱中布置振动信号采集系统，获取振动和角速度信号，建立有标签的实测数据集，并通过建立齿轮动力学模型，得到有标签的仿真数据集。然后，利用实测和仿真数据集训练长短期记忆网络(LSTM)构成的物理信息神经网络，以振动和角速度信号为输入，输出时变啮合刚度曲线。接着，将啮合刚度曲线数据提取特征，形成故障分类训练集，并利用该数据集训练支持向量机(SVM)模型。最终，将实际采集的振动数据输入物理信息神经网络和SVM模型，实现齿轮箱故障的准确诊断。

【技术实现步骤摘要】

本专利技术涉及齿轮箱故障诊断，尤其是一种基于物理信息神经网络的齿轮箱故障诊断方法。

技术介绍

1、齿轮箱作为机械传动系统中的核心部件，其运行状态直接关系到整个设备的可靠性和生产效率。然而，由于齿轮箱通常在复杂的工作环境中长期运行，受到负载波动、润滑不足和部件磨损等多种因素的影响，齿轮箱极易发生故障，常见的故障包括齿轮磨损、疲劳断裂、轴承损坏等。尤其是在大型工业设备中，齿轮箱的故障不仅会导致生产停滞，还可能引发严重的安全隐患。因此，如何及时、准确地诊断齿轮箱故障对设备的维护和生产安全至关重要。

2、现有的齿轮箱故障诊断方法主要依赖于振动信号、温度变化、声音信号等多种传感器数据，通过分析这些物理量的异常特征来识别齿轮箱的潜在故障。例如，振动分析可以有效监测齿轮箱内部齿轮啮合时的振动模式，当齿轮出现损坏、疲劳或失效时，其振动信号会表现出明显的异常。然而，由于振动信号极易受到外界环境噪声的干扰，且在复杂工况下不同类型的故障可能表现出相似的特征，这使得故障诊断的准确性受到了极大限制。

3、近年来，随着深度学习技术的快速发展，研究者们逐渐将神经本文档来自技高网...

【技术保护点】

1.一种基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，步骤S2中，所述的故障包括：齿根断裂和齿面剥落。

3.根据权利要求1所述的基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，步骤S2中，所述的齿轮振动信号包括：齿轮主动轮和从动轮轴的水平和竖直方向的振动信号。

4.根据权利要求1所述的基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，步骤S4中，所述的物理信息神经网络模型采用长短期记忆网络作为网络结构并以动力学方程作为物理约束，以齿轮箱中齿轮...

【技术特征摘要】

1.一种基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，步骤s2中，所述的故障包括：齿根断裂和齿面剥落。

3.根据权利要求1所述的基于物理信息神经网络的齿轮箱故障诊断方法，其特征在于，步骤s2中，所述的齿轮振动信号包括：齿轮主动轮和从动轮轴的水平和竖直方向的振动信号。

【专利技术属性】
技术研发人员：刘祖斌，吴涛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：