本文關(guān)鍵詞：大型吊裝裝備齒輪箱故障診斷與預(yù)測方法研究

  更多相關(guān)文章： 齒輪箱 故障診斷 OSVR EMD ICA 高階累積量

【摘要】：齒輪箱作為大型吊裝裝備起升傳動系統(tǒng)的重要部件,其結(jié)構(gòu)復(fù)雜,且承受低速重載、沖擊及交變載荷等影響,極易發(fā)生故障,導(dǎo)致吊裝裝備失效。傳統(tǒng)的診斷方法時效性差,診斷范圍有限,不能發(fā)掘早期故障,因此針對大型吊裝裝備齒輪箱研究高效可靠的故障診斷與預(yù)測方法意義深遠。論文首先分析了齒輪箱常見故障及原因,針對實際對象的功能需求完成了大型吊裝裝備齒輪箱故障診斷與預(yù)測總體方案設(shè)計。其次,針對齒輪箱溫度數(shù)據(jù)及油液數(shù)據(jù)存在非線性、非平穩(wěn)性等問題,利用支持向量機不同的核函數(shù)特性,提出了一種基于組合核函數(shù)的OSVR時間序列預(yù)測方法,并應(yīng)用于溫度與油液狀態(tài)趨勢預(yù)測當(dāng)中。第三,將EMD與基于多高階累積量優(yōu)化的ICA方法相結(jié)合解決了齒輪箱振動監(jiān)測數(shù)據(jù)的故障成分與噪聲分離問題,提高了分離的效率與精度,之后采用包絡(luò)分析與時頻譜分析實現(xiàn)了故障特征的有效提取和分析。第四,研究了基于雙譜能量熵的特征向量構(gòu)造方法,提出了基于高階累計量譜與SVM多分類器的齒輪箱故障診斷方法,以解決齒輪箱振動監(jiān)測數(shù)據(jù)的智能分類診斷問題,并進一步通過實驗驗證了方法具有良好的診斷效果。最后,設(shè)計并開發(fā)了大型吊裝裝備齒輪箱故障診斷系統(tǒng),實現(xiàn)了基于上述方法綜合分析的齒輪箱故障診斷與預(yù)測功能,并采用現(xiàn)場數(shù)據(jù)驗證了故障診斷系統(tǒng)的可行性。論文研究的大型吊裝裝備齒輪箱故障診斷與預(yù)測方法為大型吊裝裝備齒輪傳動系統(tǒng)現(xiàn)場運行的安全監(jiān)測提供有力的技術(shù)參考,在實現(xiàn)工程機械設(shè)備智能高效診斷及提高設(shè)備可靠性方面具有良好的工程應(yīng)用價值和實際意義。
【關(guān)鍵詞】：齒輪箱 故障診斷 OSVR EMD ICA 高階累積量
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH21;TH132.41
【目錄】：

• 摘要3-4
• Abstract4-9
• 1 緒論9-16
• 1.1 課題研究背景及意義9-10
• 1.2 齒輪箱診斷技術(shù)概述10-11
• 1.3 國內(nèi)外研究現(xiàn)狀11-14
• 1.3.1 故障預(yù)測方法11-12
• 1.3.2 故障特征提取方法12-13
• 1.3.3 故障診斷方法13-14
• 1.4 課題來源與研究內(nèi)容14-15
• 1.5 論文組織結(jié)構(gòu)15-16
• 2 大型吊裝裝備齒輪箱故障診斷與預(yù)測方案總體設(shè)計16-24
• 2.1 大型吊裝裝備齒輪傳動系統(tǒng)結(jié)構(gòu)及特點16-17
• 2.2 齒輪箱常見故障及診斷方法17-18
• 2.2.1 齒輪箱常見故障類型17
• 2.2.2 齒輪箱主要故障原因17-18
• 2.3 需求分析18-20
• 2.3.1 技術(shù)參數(shù)指標(biāo)18-19
• 2.3.2 功能需求19-20
• 2.4 總體方案設(shè)計20-23
• 2.4.1 齒輪箱診斷與預(yù)測方法適用性對比與分析20-21
• 2.4.2 總體方案設(shè)計21-23
• 2.5 本章小結(jié)23-24
• 3 基于組合核函數(shù)OSVR算法的齒輪箱狀態(tài)趨勢預(yù)測24-38
• 3.1 常用趨勢預(yù)測模型及分析24
• 3.2 OSVR基本原理及核函數(shù)分析24-27
• 3.2.1 SVR算法原理24-25
• 3.2.2 在線支持向量回歸25-26
• 3.2.3 核函數(shù)類型及影響26-27
• 3.3 相空間重構(gòu)27-28
• 3.3.1 時間延遲確定27-28
• 3.3.2 嵌入維數(shù)確定28
• 3.4 基于組合核函數(shù)OSVR模型的預(yù)測算法28-33
• 3.4.1 算法基本思路28-30
• 3.4.2 算法具體步驟與流程圖30
• 3.4.3 仿真驗證30-33
• 3.5 齒輪箱溫度趨勢預(yù)測33-35
• 3.5.1 溫度數(shù)據(jù)采集33-34
• 3.5.2 溫度趨勢預(yù)測與分析34-35
• 3.6 齒輪箱磨損趨勢預(yù)測35-37
• 3.6.1 磨損數(shù)據(jù)采集35-36
• 3.6.2 磨損趨勢預(yù)測與分析36-37
• 3.7 本章小結(jié)37-38
• 4 基于EMD-CMICA的故障齒輪箱振動信號特征提取38-56
• 4.1 經(jīng)驗?zāi)B(tài)分解38
• 4.2 盲源分離和獨立成分分析38-39
• 4.2.1 ICA/BSS基本原理39
• 4.2.2 常見盲源分離方法39
• 4.3 一種基于多階累積量的ICA算法39-43
• 4.3.1 高階統(tǒng)計量及性質(zhì)40
• 4.3.2 對比函數(shù)構(gòu)造40-43
• 4.3.3 CMICA算法步驟43
• 4.4 基于EMD的CMICA方法43-47
• 4.4.1 評價指標(biāo)43-44
• 4.4.2 EMD-CMICA方法仿真驗證44-46
• 4.4.3 方法比較分析46-47
• 4.5 故障特征提取分析47-49
• 4.5.1 包絡(luò)譜分析47-48
• 4.5.2 時頻譜分析48-49
• 4.6 基于EMD-CMICA的故障特征提取方法步驟49-50
• 4.7 實驗驗證50-55
• 4.7.1 實驗條件50-51
• 4.7.2 實驗信號特征提取與分析51-55
• 4.8 本章小結(jié)55-56
• 5 基于高階累積量譜的齒輪箱故障診斷56-73
• 5.1 雙譜56-61
• 5.1.1 雙譜定義56
• 5.1.2 雙譜性質(zhì)56-57
• 5.1.3 基于仿真信號的雙譜分析57-61
• 5.2 雙譜的特征提取61-63
• 5.2.1 能量熵定義61
• 5.2.2 雙譜能量熵提取61-62
• 5.2.3 特征向量構(gòu)造62-63
• 5.3 基于SVM的故障分類器構(gòu)造63-65
• 5.3.1 SVM分類器63
• 5.3.2 SVM多分類器構(gòu)造63-65
• 5.4 總體流程圖65-66
• 5.5 實驗分析66-72
• 5.5.1 實驗條件66
• 5.5.2 雙譜分析66-67
• 5.5.3 樣本的特征提取67-70
• 5.5.4 SVM故障分類實驗70-71
• 5.5.5 診斷結(jié)果分析與對比71-72
• 5.6 本章小結(jié)72-73
• 6 大型吊裝裝備齒輪箱故障診斷系統(tǒng)設(shè)計73-83
• 6.1 故障診斷系統(tǒng)設(shè)計73-75
• 6.2 數(shù)據(jù)采集模塊75-76
• 6.3 數(shù)據(jù)分析模塊76-81
• 6.3.1 趨勢預(yù)測分析模塊77-78
• 6.3.2 時域頻域分析模塊78-79
• 6.3.3 特征提取分析模塊79-80
• 6.3.4 故障診斷分析模塊80-81
• 6.3.5 綜合診斷決策81
• 6.4 本章小結(jié)81-83
• 7 總結(jié)與展望83-85
• 7.1 全文總結(jié)83
• 7.2 工作展望83-85
• 致謝85-86
• 參考文獻86-91
• 附錄91

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃晉英;畢世華;潘宏俠;楊喜旺;;獨立分量分析在齒輪箱故障診斷中的應(yīng)用[J];振動、測試與診斷;2008年02期

2 一民;高速齒輪箱故障診斷技術(shù)及其診斷系統(tǒng)通過鑒定[J];振動、測試與診斷;1991年04期

3 戴麗杰;;齒輪箱故障診斷方法[J];黑龍江科技信息;2002年08期

4 高國華 ,張永忠;齒輪箱故障診斷技術(shù)的新發(fā)展[J];機械傳動;2003年06期

5 高永生;唐力偉;王建華;金海薇;;基于系統(tǒng)特性的齒輪箱故障診斷[J];煤礦機械;2006年01期

6 魏秀業(yè);潘宏俠;;齒輪箱故障診斷技術(shù)現(xiàn)狀及展望[J];測試技術(shù)學(xué)報;2006年04期

7 邢士勇;金海薇;鄭海起;唐力偉;;基于關(guān)聯(lián)距離熵的齒輪箱故障診斷[J];機械工程師;2007年07期

8 吳德會;;一種基于支持向量機的齒輪箱故障診斷方法[J];振動、測試與診斷;2008年04期

9 王華;包磊;宋昊明;郭穎;葉偉;;空分457齒輪箱故障診斷[J];機械研究與應(yīng)用;2008年03期

10 朱有劍;李建;;基于倒頻譜特征提取的齒輪箱故障診斷[J];科技廣場;2008年08期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 蔡安江;豆衛(wèi)濤;柴彥昌;孫少軍;;基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的齒輪箱故障診斷應(yīng)用研究[A];陜西省機械工程學(xué)會第九次代表大會會議論文集[C];2009年

2 高永生;唐力偉;甘霖;楊通強;;基于系統(tǒng)特性的齒輪箱故障診斷[A];2005年中國機械工程學(xué)會年會論文集[C];2005年

3 李愛民;;基于灰色聚類決策的齒輪箱故障診斷[A];第19屆灰色系統(tǒng)全國會議論文集[C];2010年

4 金大瑋;李建橋;賈民平;;循環(huán)自相關(guān)函數(shù)在齒輪箱故障診斷中的應(yīng)用[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（上冊）[C];2008年

5 董海江;趙春華;萬詩慶;汪偉;;LWPEE與SVM在風(fēng)電齒輪箱故障診斷中的應(yīng)用[A];第十一屆全國摩擦學(xué)大會論文集[C];2013年

6 雷亞國;林京;何正嘉;;基于多傳感器信息融合的行星齒輪箱故障診斷[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 歐璐;圖譜理論在齒輪箱故障診斷中的應(yīng)用研究[D];湖南大學(xué);2016年

2 許昕;基于濾波技術(shù)和粒子群優(yōu)化的齒輪箱故障診斷研究[D];中北大學(xué);2011年

3 焦新濤;小波分析及其在齒輪箱故障診斷中應(yīng)用研究[D];華南理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李猷鳳;齒輪箱故障診斷的小波包-ICA分析方法[D];南京理工大學(xué);2015年

2 鄢小安;基于自適應(yīng)振動信號處理的齒輪箱故障診斷研究[D];華北電力大學(xué);2015年

3 李楠;基于粒子濾波的齒輪箱故障診斷[D];華北電力大學(xué);2015年

4 張韶;基于數(shù)據(jù)挖掘技術(shù)在齒輪箱故障診斷的應(yīng)用[D];河北工程大學(xué);2015年

5 李國明;基于神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[D];河北工業(yè)大學(xué);2015年

6 盧昆鵬;基于DSP-SVM的風(fēng)電齒輪箱故障診斷系統(tǒng)[D];中北大學(xué);2016年

7 馬凌芝;基于DSP和TQWT稀疏分解的風(fēng)電齒輪箱故障診斷系統(tǒng)[D];中北大學(xué);2016年

8 郭松濤;基于約束獨立分量分析的齒輪箱故障診斷研究[D];河南理工大學(xué);2015年

9 牛志雷;基于形態(tài)分量分析的齒輪箱故障診斷研究[D];石家莊鐵道大學(xué);2016年

10 曹勁然;大型吊裝裝備齒輪箱故障診斷與預(yù)測方法研究[D];南京理工大學(xué);2016年

，

本文編號：893556