基于SOM神经网络的齿轮箱健康评估方法

邵 旋，康兴无，曹向荣，王旭平，袁晓静，孙 磊

(1.火箭军工程大学， 西安 710025；2.北京航天发射技术研究所，北京 100076； 3.96864部队，河南 洛阳 471000)

1 引言

随着我国军事领域摩托化、机械化程度越来越高，军用车辆作为一种动力武器装备扮演着越来越重要的角色[1]。变速箱是车辆动力传动系统中的关键部件，结构复杂，工作环境恶劣，一旦发生故障，将严重影响系统安全。因此，开展齿轮箱健康评估具有十分重要的意义[2]。基于振动信号的齿轮箱故障诊断历史悠久，可提取大量健康状态特征，且无需解体齿轮箱，是目前应用较为广泛的分析方法[3]。然而，由于齿轮箱运行过程中可能受到各种因素的影响，其振动信号通常含有大量噪声，不具有平稳特性，因此传统时域和频域分析方法具有一定局限性[4]。

近年来，通过神经网络与传统信号分析方法相结合对齿轮箱进行故障诊断逐渐成为一种新的研究趋势。自组织特征映射(SOM)神经网络是一种双层网络结构的竞争型人工神经网络，主要应用于聚类和分类。吴涛等[5]提取了反映轴承故障类型的特征参数输入SOM神经网络进行模式识别。姚海妮等[6]采用特征向量之间的经验模态分解(empirical mode decomposition，EMD)马氏距离作为SOM神经网络的输入进行故障分类。张全德等[7]利用主成分分析(principal component analysis，PCA)方法对原始振动信号的多特征数据进行处理，而后输入SOM神经网络进行训练，形成融合指标，最后通过对比输入样本与正常样本的最小欧氏距离来判断轴承状态。李辉等[8]提出一种将集合经验模态分解(ensemble empirical mode decomposition，EEMD)的奇异谱熵作为特征输入SOM神经网络进行故障识别的方法。……