基于神经网络的齿轮箱故障诊断系统

资 源 简 介

该项目利用MATLAB神经网络工具箱构建了一个完整的齿轮箱故障诊断平台。项目主要通过对齿轮箱不同工况（如正常运行、齿轮断裂、齿面磨损、齿面点蚀等）下的振动信号进行深度分析与处理。首先，程序会对采集到的原始振动数据进行时域特征分析，提取包括均值、标准差、峰值、峭度、裕度因子等在内的多个特征参数；随后结合频域分析提取重心频率、均方根频率等指标。这些特征共同构成了代表齿轮箱健康状态的多维特征向量。在核心识别阶段，采用BP神经网络或其优化模型进行非线性建模，通过大量已知标签的样本数据对网络进行反复训练，使其学习故障特征与故障类型之间的映射关系。该系统能够有效地从复杂的背景噪声中识别出微弱的早期故障信号，广泛应用于机械工程监测、工业设备维护及智能制造领域。该套代码经过深度调试，具有良好的鲁棒性，能够自动生成诊断报告并指导后续的设备检修工作，在提高机械系统运行可靠性和降低非计划停机风险方面具有显著价值。

详 情 说 明

基于神经网络的齿轮箱故障诊断系统

项目介绍

本项目是一款基于 MATLAB 开发的智能齿轮箱故障诊断平台。系统通过对齿轮箱在不同运行工况下的振动信号进行深度挖掘，利用数字信号处理技术提取反映设备健康状态的关键特征，并结合反向传播（BP）神经网络构建非线性映射模型。该系统旨在实现对齿轮箱典型故障（如断齿、磨损、点蚀等）的自动化识别与分类，为机械设备的预测性维护提供科学依据。

功能特性

1. 多工况信号仿真：内置动力学响应模拟模块，能够合成正常、断齿、磨损及点蚀四种状态下的高仿真振动信号，涵盖冲击脉冲、高频调制及宽带噪声等特征。
2. 多维特征提取：整合了 8 项时域统计指标与 3 项频域特征指标，构建 11 维特征向量，全面刻画信号在时间维度与频率维度的演变规律。
3. 模式识别建模：采用优化配置的 BP 神经网络，支持自动训练、验证及参数调整，具备极强的非线性拟合与泛化能力。
4. 智能化结果评估：提供自动化的准确率计算及可视化诊断报告，通过多种图表直观展示模型的分类效果与收敛动态。
5. 高鲁棒性预处理：内置数据乱序、归一化及 One-Hot 标签编码流程，确保模型训练的稳定性与科学性。

系统逻辑与流程说明

脚本遵循标准的监督学习诊断流程，具体逻辑如下：

1. 环境初始化：清除工作区并设置固定随机种子，确保诊断结果在不同运行环境下具备可复现性。定义采样频率、样本点数及四种典型的齿轮箱工况。
2. 数据合成模块：基于正弦分量、周期性冲击函数及调制包络函数，为每种工况生成特定数量的样本。正常状态以低背景噪声为主，断齿状态引入周期性脉冲，磨损状态增强噪声能量，点蚀状态则添加高频调制成分。
3. 特征工程模块：

* 时域分析：计算均值、标准差、均方根值、峰值、峭度指标、峰值因子、波形因子及裕度因子。这些指标能有效捕捉信号的冲击感和能量波动。 * 频域分析：通过快速傅里叶变换（FFT）将信号转换至频域，提取重心频率、均方根频率及频率标准差，表征功率谱分布的集中程度。

1. 样本处理与划分：将提取的特征矩阵进行归一化处理（映射至 0,1区间），并将样本随机划分为训练集（80%）与测试集（20%），通过 One-Hot 编码处理输出标签。
2. 神经网络训练：构建一个包含 11 个输入节点、18 个隐藏层节点及 4 个输出节点的模式识别网络（Patternnet）。设定最大迭代次数、误差目标及学习率，利用训练集和验证集协同完成权重更新。
3. 诊断与评价：利用训练好的模型对测试集进行盲测，输出诊断标签并与实际标签对比，计算整体准确率。

关键算法与实现细节

1. 特征提取算法：

* 峭度（Kurtosis）：采用四阶中心矩法手动计算，准确反映振动信号中冲击成分的剧烈程度，是判断早期点蚀的关键指标。 * 频域重心（Centroid Frequency）：通过频率分量及其对应幅值的加权平均，定位信号能量的中枢及其偏移趋势。

1. BP 神经网络优化：

* 隐藏层节点数定为 18，在保证计算效率的同时防止过拟合。 * 使用模式识别网络框架，其输出层通常采用 Softmax 或 Sigmoid 激活函数来处理分类概率。

1. 可视化分析工具：

* 收敛性能图：采用对数坐标展示均方误差（MSE）随迭代次数的变化情况。 * 诊断对比散点图：直观展示每一个测试样本的真实状态与预测预测状态的匹配度。 * 详细识别率统计图：通过柱状图分析不同故障类别（如“断齿”对“点蚀”）的个体识别精度。 * 混淆矩阵：以热力图形式呈现误报与漏报的具体分布，帮助分析模型在哪些类别之间存在分类偏差。

使用方法

1. 确保计算机已安装 MATLAB 软件。
2. 将脚本放置于 MATLAB 当前工作目录下。
3. 运行该主脚本，程序将自动开始数据生成、特征提取、模型训练及结果分析。
4. 运行结束后，系统会自动弹出包含四个子图的可视化窗口，并在控制台显示最终的诊断准确度。

系统要求

1. 软件环境：MATLAB R2016b 或更高版本。
2. 工具箱需求：Deep Learning Toolbox（原 Neural Network Toolbox）。
3. 硬件配置：建议 4GB 以上内存，普通 CPU 即可满足实时计算需求。