论文部分内容阅读
针对齿轮箱早期故障特征不明显，提出一种基于时序和径向基（Radial Basis Function，RBF）神经网络相结合的诊断方法。通过对齿轮箱正常和故障运行状态的振动信号进行时序分析，提取时序模型的自回归系数作为状态特征，并将其组成特征向量输入RBF神经网络分类器进行网络训练，从而实现了对齿轮正常、裂纹、断齿和局部点蚀的状态识别与诊断。结果表明，基于时序-RBF神经网络结合的方法对于早期或多故障分类是可行的。