摘 要：提出了基于小波分析和SOM網(wǎng)絡相結合的故障診斷方法，利用小波分析技術采集拖拉機齒輪故障特征信號，然后利用SOM神經(jīng)網(wǎng)絡對采集到的故障數(shù)據(jù)進行建模診斷。實驗表明，該方法能有效提高齒輪故障診斷的準確率。 關鍵詞：小波分析;SOM網(wǎng)絡;故障診斷 [b][align=center]Application of Wavelet Neural Network in Gear faults diagnosis FU Baolong[/align][/b] Abstract: Based on the wavelet analysis and SOM nerual network fault diagnosis, using wavelet analysis technology acquisition tractor gear fault signal Then SOM neural network processing of data modeling fault diagnosis. The experiments show that this method can effectively raise the gear fault diagnosis accuracy. Keywords: the wavelet analyzes; SOM Networks; faults diagnosis 1 引言 　　齒輪是改變轉速和傳遞動力的最常用的傳動部件，是機械設備的一個重要組成部分，也是易于發(fā)生故障的一個部件，其運行狀態(tài)對整機的工作性能有很大的影響。一旦發(fā)生故障，往往會導致嚴重的后果。如果能及時診斷出故障并加以消除，則可以避免事故的發(fā)生，并且能提高機器運行的可靠性，進一步提高機器的使用率。 　　目前我國齒輪故障診斷仍然以手工分析為主，隨著診斷技術的發(fā)展，依靠計算機和軟件開展診斷是機械設備故障診斷技術發(fā)展的大趨勢[1]。本文嘗試把小波分析技術引入到齒輪故障信號的分析中，利用它提取齒輪故障發(fā)生時的特征信號，并運用SOM神經(jīng)網(wǎng)絡對獲取的信號進行故障診斷建模，以期取得更好的效果。 2 基于小波變換的信號提取 　　齒輪發(fā)生故障時，所測得的信號中含有非平穩(wěn)成分或時變成分，而這些成分又往往直接反映了齒輪的運行狀態(tài)。小波變換具有時頻域局部化等特性[2]，適合于非平穩(wěn)信號和時變信號的特征提取，特別是連續(xù)小波變換，可提取信號中所需頻段隨時間變化的成分，不僅適于設備穩(wěn)態(tài)信號特征提取，而且適合于狀態(tài)發(fā)生變化的過程，使信號特征提取顯得十分有效。 詳情請點擊：小波神經(jīng)網(wǎng)絡在齒輪故障診斷中的應用