基于铁谱的磨损模式识别方法研究

【摘要】： 铁谱分析技术是以磨损磨粒识别为基础的诊断技术，它是机械设备磨损监测与故障诊断最为有效的方法之一。磨粒识别是铁谱分析的核心环节，识别的正确与否，直接关系机器磨损状态诊断的正确性。由于磨粒的多样性和复杂性，这种识别过程尚无成熟的理论方法来指导。磨粒识别日前主要由领域专家来完成，识别的准确性很大程度上取决于人的经验和领域知识水平。这使得铁谱技术难以得到更进一步的推广和应用。计算机图像处理技术以及人工智能特别是神经网络技术不断发展，为实现综合定量铁谱诊断及其智能化创造了有力的条件。将智能化技术应用到铁谱分析，提高铁谱分析的准确度和智能化程度，是摩擦学故障诊断领域中的热点问题。磨损磨粒的模式识别是实现铁谱分析数字化和智能化的最为核心的内容。本文提出了基于BP神经网络的磨粒识别模型的实现方法。主要内容包括： 1．综合国内、外有关文献，对机械设备状态监测方法的现状进行评述；结合本课题研究的要求，阐述了本文的主要研究内容。 2．分析论述了磨损的分类以及相应磨粒的生成机理和磨粒的形态特征；提出了用摩擦学系统分析的观点研究磨粒分析，磨粒的形态与磨损状态、磨损机理有密切关系，系统磨粒的数字特征包括摩擦学系统的状态特征、结构特征。论述了磨粒分析智能化的研究方法。 3．论述了目前磨粒识别特征提取的进展，研究分析了当前几种磨粒特征提取方法的优缺点，这对进一步研究铁谱磨粒识别有一定的理论和实用意义。本文提出以傅立叶级数展开式为基础的磨粒特征提取方法。 4．论述了前馈神经网络的基本理论，着重探讨了BP神经网络的基本原理、分类机理和学习方法；提出了适用于磨损磨粒识别的BP算法；并通过仿真实验检验了改进模型的可行性和有效性。 5．将神经网络应用于磨粒识别，设计磨粒分类器，在网络学习中运用改进的BP模型，识别严重滑动磨损磨粒、切削磨粒、正常磨损磨粒和疲劳点蚀磨粒，随机选取50个样本对分类器进行训练。 6．对神经网络隐含层的作用进行分析，在此基础上，借鉴有关文献提出的经验公式，提出了确定隐含层节点数的新方法。构造了一个自动磨粒识别模型。 7．随机选取50个未参与训练的样本对分类器的推广能力进行考察；提出以推广能力来衡量分类器的优劣；提出了增强分类器推广能力的两种方法：(1)增加训练样本数量；2)增加隐含层节点数。以仿真实验考察了第二种方法的可行 晰 江 大 《 硕 士 《 仪 佑式 性。