本文選題：形態(tài)分量分析 + 字典學(xué)習(xí)��； 參考：《石家莊鐵道大學(xué)》2017年碩士論文

【摘要】：在機(jī)械傳動系統(tǒng)中,齒輪箱是故障多發(fā)的部件。在變工況條件下,傳統(tǒng)故障診斷方法難以對齒輪箱故障進(jìn)行準(zhǔn)確檢測和有效識別。通過搭建實(shí)驗(yàn)臺采集變工況條件下的齒輪箱振動信號來研究其信號特點(diǎn),驗(yàn)證了齒輪箱在變工況運(yùn)行時(shí)信號表現(xiàn)為轉(zhuǎn)速和負(fù)載的變化,且振動信號是非線性的多分量信號等特點(diǎn)。信號的非線性多分量特點(diǎn)使故障特征難以提取;轉(zhuǎn)速的不斷變化會在頻譜中出現(xiàn)頻率“涂抹”現(xiàn)象,難以確定特征頻率;負(fù)載變化導(dǎo)致正常齒輪與故障齒輪信號的特征相似,故障難以識別。針對以上問題本論文開展了以下研究工作:首先,在基于固定字典的形態(tài)分量分析(Morphological component analysis,MCA)方法基礎(chǔ)上,提出了基于字典學(xué)習(xí)的形態(tài)分量分析方法用于滾動軸承故障特征提取。分別以軸承內(nèi)圈、外圈故障信號為訓(xùn)練字典的樣本,應(yīng)用K-SVD(K-singular value decomposition)字典學(xué)習(xí)算法對樣本進(jìn)行字典學(xué)習(xí),找到最優(yōu)的字典空間;將學(xué)習(xí)到的字典替代MCA中的固定字典,根據(jù)信號所包含各成分的形態(tài)差異性,利用MCA對滾動軸承故障信號中的內(nèi)、外圈故障特征和噪聲成分進(jìn)行分離;根據(jù)包絡(luò)后特征分量的頻譜圖分析和診斷軸承的故障。其次,分別使用基于數(shù)字微分的計(jì)算轉(zhuǎn)速曲線方法和線性調(diào)頻小波路徑追蹤(Chirplet Path Pursuit,CPP)的瞬時(shí)頻率估計(jì)方法獲取振動信號中的轉(zhuǎn)速信息;對轉(zhuǎn)速曲線積分得到時(shí)間轉(zhuǎn)角函數(shù),根據(jù)階次跟蹤理論確定角度重采樣階次和重采樣角度,通過對時(shí)間轉(zhuǎn)角函數(shù)插值計(jì)算等角度采樣的時(shí)間序列;使用計(jì)算出的時(shí)間序列對原信號進(jìn)行樣條曲線插值,將非平穩(wěn)信號轉(zhuǎn)化為角域的平穩(wěn)信號,解決變轉(zhuǎn)速引起的頻率“涂抹”問題。最后,提出基于形態(tài)分量分析的變工況齒輪箱故障診斷方法。先使用階次跟蹤方法將非平穩(wěn)信號轉(zhuǎn)化為角域平穩(wěn)信號,然后使用形態(tài)分量分析方法從角域平穩(wěn)信號中分離出沖擊、簡諧分量與噪聲成分,提取齒輪箱非線性、多分量信號中的故障特征,再對沖擊分量做角域平均突出故障特征,最后進(jìn)行瞬時(shí)功率譜(Instaneous power spectrum,IPS)分析識別齒輪是否存在故障。本文形態(tài)分量分析方法在選取字典時(shí)使用了字典學(xué)習(xí)的方法,從仿真和實(shí)驗(yàn)的結(jié)果可知,學(xué)習(xí)到的字典比固定字典更能匹配復(fù)雜信號的結(jié)構(gòu)特征;針對齒輪箱變轉(zhuǎn)速、變負(fù)載和振動信號是非線性、多分量信號的特點(diǎn),將形態(tài)分量分析方法,階次跟蹤方法和瞬時(shí)功率譜有機(jī)的結(jié)合起來,實(shí)現(xiàn)了變工況情況下的齒輪箱故障診斷。
[Abstract]:In mechanical transmission system, gearbox is a fault-prone component. Under the condition of variable working conditions, the traditional fault diagnosis method is difficult to detect and identify the gearbox fault accurately. The characteristics of the vibration signals of the gearbox are studied by setting up an experimental bench to collect the vibration signals of the gearbox under the condition of variable working conditions. It is verified that the signals of the gearbox under the variable working conditions show the variation of the speed and the load. And the vibration signal is nonlinear multi-component signal and so on. The nonlinear multi-component characteristic of the signal makes it difficult to extract the fault feature, the frequency "smear" appears in the frequency spectrum with the constant change of rotational speed, the characteristic frequency is difficult to be determined, and the characteristics of the normal gear signal and the fault gear signal are similar to each other due to the load change. The fault is difficult to identify. In order to solve the above problems, the following research work has been carried out in this paper: firstly, based on morphological component analysis (MCA) method based on fixed dictionary, a dictionary learning-based morphological component analysis method is proposed for fault feature extraction of rolling bearing. Taking the fault signals of bearing inner ring and outer ring as the samples of training dictionary, the dictionary learning algorithm of K-SVD / K-singular value decompositionis used to study the dictionary to find the best dictionary space, to replace the fixed dictionary in MCA. According to the morphological difference of each component contained in the signal, MCA is used to separate the inner and outer ring fault features from the noise component of the rolling bearing fault signal, and the fault of the bearing is analyzed and diagnosed according to the spectrum diagram of the envelope characteristic component. Secondly, the rotational speed information in vibration signal is obtained by using the method of calculating rotational speed curve based on digital differential and the instantaneous frequency estimation method of chirplet path pursuit CPP based on linear frequency modulation wavelet path tracing, and the time rotation angle function is obtained by integrating the rotational speed curve. According to the order tracking theory, the order of angle resampling and the angle of resampling are determined, the time series are calculated by interpolation of time rotation function, and the original signal is interpolated by spline curve with the calculated time series. The non-stationary signal is transformed into the stationary signal in the angle domain to solve the problem of frequency smear caused by variable rotational speed. Finally, a fault diagnosis method based on morphological component analysis is proposed. The order tracking method is used to transform the non-stationary signal into the stationary signal in the angular domain, and then the impact, harmonic and noise components are separated from the stationary signal in the angular domain by using the morphological component analysis method, and the nonlinearity of the gear box is extracted. The fault features in multi-component signals are analyzed to identify whether the gears have faults or not. Then the angular mean outburst feature of the impulse components is made. Finally, the instantaneous power spectrum is used to identify the faults of gears. In this paper, the dictionary learning method is used in the selection of dictionaries. The results of simulation and experiments show that the dictionaries can match the structural characteristics of complex signals better than the fixed dictionaries. Variable-load and vibration signals are nonlinear and multi-component signals. By combining morphological component analysis method, order tracking method and instantaneous power spectrum, the gearbox fault diagnosis is realized.
【學(xué)位授予單位】：石家莊鐵道大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TH132.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃晉英,潘宏俠,謝奇峰;時(shí)間序列方法在齒輪箱故障診斷中的應(yīng)用[J];太原師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年02期

2 黃晉英;畢世華;潘宏俠;楊喜旺;;獨(dú)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

3 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

4 戴麗杰;;齒輪箱故障診斷方法[J];黑龍江科技信息;2002年08期

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

6 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(jī)械;2006年01期

7 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(bào);2006年04期

8 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(jī)械工程師;2007年07期

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

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

相關(guān)會議論文 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(jī)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(qiáng);;基于系統(tǒng)特性的齒輪箱故障診斷[A];2005年中國機(jī)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(jī)械化道路——中國農(nóng)業(yè)機(jī)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

相關(guān)博士學(xué)位論文 前4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 華偉;基于多小波變換的礦用齒輪箱故障診斷研究[D];中國礦業(yè)大學(xué)(北京);2017年

3 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

4 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

相關(guān)碩士學(xué)位論文 前10條

1 吳洋;基于形態(tài)分量分析的變工況齒輪箱故障診斷研究[D];石家莊鐵道大學(xué);2017年

2 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

3 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

4 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

5 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

6 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

7 郭松濤;基于約束獨(dú)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

8 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

9 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

10 胡二猛;基于LabVIEW的齒輪箱故障診斷系統(tǒng)研究[D];南京信息工程大學(xué);2016年

，

本文編號：2028811