本文選題：齒輪 + 特征提取�。� 參考：《沈陽(yáng)航空航天大學(xué)》2017年碩士論文

【摘要】：在旋轉(zhuǎn)機(jī)械設(shè)備中,齒輪是一個(gè)十分重要的、也是故障率較高的零部件之一。齒輪一旦發(fā)生故障就可能會(huì)對(duì)機(jī)械設(shè)備造成特別嚴(yán)重的影響,會(huì)給經(jīng)濟(jì)和安全帶來(lái)相當(dāng)嚴(yán)重的損失。所以,及時(shí)發(fā)現(xiàn)并排除齒輪故障對(duì)機(jī)械設(shè)備的維護(hù)來(lái)說(shuō)十分關(guān)鍵。而在機(jī)械設(shè)備診斷中,最為重要的一個(gè)課題是特征提取,其次是最佳特征參數(shù)選擇問(wèn)題,提取特征的優(yōu)劣直接影響著故障監(jiān)視和診斷的準(zhǔn)確率。本文以齒輪為研究對(duì)象,主要完成了以下兩個(gè)方面的研究:1.基于VMD平均能量的齒輪故障特征提取方法。與EMD方法相比,VMD方法有效解決了模態(tài)混疊問(wèn)題且運(yùn)算效率高。因此,本文提出了一種基于VMD的特征提取方法。該方法首先利用VMD方法對(duì)所采集的齒輪振動(dòng)信號(hào)進(jìn)行分解,然后對(duì)分解得到的得到K個(gè)模態(tài)分量分別求取平均能量,進(jìn)而得到一個(gè)K維的特征向量。利用江蘇千鵬公司生產(chǎn)的QPZZ-II故障模擬平臺(tái)對(duì)所提出的方法進(jìn)行了驗(yàn)證。結(jié)果表明,利用本文所提方法提取的特征進(jìn)行故障診斷時(shí),故障診斷準(zhǔn)確率達(dá)到100%;2.基于離散度的特征參數(shù)選擇方法。為了有效地從眾多特征參數(shù)中挑選出少量最能表征齒輪故障特征的最佳特征參數(shù),本文依據(jù)“類間離散度要大,類內(nèi)離散度要小”的原則,設(shè)計(jì)了一個(gè)基于離散度的最佳特征參數(shù)評(píng)價(jià)指標(biāo),旨在為特征參數(shù)的選擇提供評(píng)價(jià)依據(jù)。為了驗(yàn)證本文提出方法的有效性,首先分別使用EMD分解、小波分解和VMD分解對(duì)原始齒輪振動(dòng)信號(hào)進(jìn)行分解,求取分解后各個(gè)分量的時(shí)域、信息熵及頻域等特征參數(shù);其次,應(yīng)用本文所提出的評(píng)價(jià)指標(biāo)對(duì)所提取的各個(gè)特征參數(shù)計(jì)算評(píng)價(jià)指標(biāo);然后,根據(jù)所設(shè)定的閾值確定了齒輪最佳特征參數(shù);最后,采用歐氏距離最小分類法驗(yàn)證所確定的最佳特征參數(shù)的有效性。仿真結(jié)果表明,本文所提出的參數(shù)評(píng)價(jià)指標(biāo)可有效地決策出最佳特征參數(shù)。
[Abstract]:In rotating machinery, gear is one of the most important parts with high failure rate. Once gear failure occurs, it may have a serious impact on machinery and equipment, and will bring considerable losses to economy and safety. Therefore, the timely detection and troubleshooting of gear fault is very important for the maintenance of mechanical equipment. In the diagnosis of machinery and equipment, the most important problem is feature extraction, followed by the selection of optimal feature parameters. The quality of feature extraction directly affects the accuracy of fault monitoring and diagnosis. In this paper, gear as the research object, mainly completed the following two aspects of research: 1. Gear fault feature extraction method based on VMD average energy. Compared with the EMD method, the EMD method solves the modal aliasing problem effectively and has high computational efficiency. Therefore, this paper proposes a feature extraction method based on VMD. Firstly, the VMD method is used to decompose the vibration signals of gears, then the average energy of K modal components is obtained, and then a eigenvector of K dimension is obtained. The proposed method is verified by using the QPZZ-II fault simulation platform produced by Jiangsu Qianpeng Company. The results show that the accuracy of fault diagnosis is 100%. The method of feature parameter selection based on dispersion. In order to select a few of the best characteristic parameters which can best characterize the fault characteristics of gears from many characteristic parameters, this paper bases on the principle that the dispersion between classes should be large and the dispersion within classes should be small. An evaluation index of optimal feature parameters based on dispersion is designed in order to provide evaluation basis for the selection of feature parameters. In order to verify the validity of the proposed method, EMD decomposition, wavelet decomposition and VMD decomposition are used to decompose the original gear vibration signal, and the time domain, information entropy and frequency domain characteristic parameters of each component are obtained. Using the evaluation index proposed in this paper to calculate the evaluation index of each characteristic parameter extracted. Then, according to the set threshold value, the optimal characteristic parameters of gear are determined. Finally, Euclidean distance minimum classification method is used to verify the validity of the best characteristic parameters. Simulation results show that the proposed parameter evaluation index can effectively determine the best characteristic parameters.
【學(xué)位授予單位】：沈陽(yáng)航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TH132.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 武英杰;劉長(zhǎng)良;甄成剛;趙亞亮;;基于變分模態(tài)分解的齒輪箱狀態(tài)監(jiān)測(cè)[J];機(jī)械傳動(dòng);2016年01期

2 武英杰;甄成剛;劉長(zhǎng)良;;變分模態(tài)分解在風(fēng)電機(jī)組故障診斷中的應(yīng)用[J];機(jī)械傳動(dòng);2015年10期

3 劉長(zhǎng)良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動(dòng)軸承故障診斷[J];中國(guó)電機(jī)工程學(xué)報(bào);2015年13期

4 唐貴基;王曉龍;;參數(shù)優(yōu)化變分模態(tài)分解方法在滾動(dòng)軸承早期故障診斷中的應(yīng)用[J];西安交通大學(xué)學(xué)報(bào);2015年05期

5 王見(jiàn);李金同;盧華玲;尹愛(ài)軍;;采用STFT-Wigner變換抑制Wigner-Ville分布交叉項(xiàng)[J];重慶大學(xué)學(xué)報(bào);2013年08期

6 蔡劍華;羅一平;;基于二維EMD與均值濾波的圖像去噪方法[J];湖南文理學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

7 雷亞國(guó);何正嘉;訾艷陽(yáng);;基于混合智能新模型的故障診斷[J];機(jī)械工程學(xué)報(bào);2008年07期

8 楊蒲,郭立東;工頻干擾環(huán)境下離散控制系統(tǒng)采樣周期的確定原則[J];儀器儀表學(xué)報(bào);2003年S2期

相關(guān)博士學(xué)位論文 前5條

1 沈長(zhǎng)青;旋轉(zhuǎn)機(jī)械設(shè)備關(guān)鍵部件故障診斷與預(yù)測(cè)方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

2 張澎濤;齒輪箱故障振動(dòng)信號(hào)去噪及特征提取算法研究[D];東北林業(yè)大學(xué);2014年

3 李蓉;齒輪箱復(fù)合故障診斷方法研究[D];湖南大學(xué);2013年

4 雷亞國(guó);混合智能技術(shù)及其在故障診斷中的應(yīng)用研究[D];西安交通大學(xué);2007年

5 韓振南;齒輪傳動(dòng)系統(tǒng)的故障診斷方法的研究[D];太原理工大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 杜恒;基于EMD的風(fēng)力發(fā)電機(jī)組行星齒輪故障診斷方法研究[D];哈爾濱理工大學(xué);2016年

2 趙強(qiáng);基于EMD的齒輪故障診斷技術(shù)研究[D];東北石油大學(xué);2015年

3 楚曉艷;基于HSMM的齒輪故障診斷方法研究[D];重慶交通大學(xué);2015年

4 王文歡;基于隱馬爾科夫模型的齒輪故障診斷[D];南昌航空大學(xué);2014年

5 王振華;基于EMD譜峭度和支持向量機(jī)的齒輪箱故障診斷[D];中北大學(xué);2014年

6 張強(qiáng);基于EMD的齒輪箱故障特征提取方法研究[D];大連理工大學(xué);2013年

7 楊玉昕;風(fēng)機(jī)軸承故障診斷中的振動(dòng)信號(hào)特征提取方法研究[D];燕山大學(xué);2013年

8 原平;基于EMD近似熵和LS-SVM的齒輪箱故障診斷研究[D];中北大學(xué);2013年

9 張震;基于小波神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的齒輪箱故障診斷研究[D];燕山大學(xué);2010年

10 王春林;基于EMD的齒輪箱故障特征信息提取研究[D];石河子大學(xué);2010年

，

本文編號(hào)：1989666