本文選題：齒輪箱 + 奇異值分解��； 參考：《沈陽理工大學》2017年碩士論文

【摘要】：齒輪箱作為旋轉(zhuǎn)機械中重要部件之一,其能否正常運行對整臺甚至整套機械設(shè)備的正常工作和使用產(chǎn)生具有重大影響。因為齒輪箱特殊的工作環(huán)境,容易引發(fā)多個組件、零件故障,所以及時對齒輪箱振動數(shù)據(jù)進行檢測,準確識別出齒輪箱運行過程中的故障并且及時更換故障零件,對提高旋轉(zhuǎn)機械整體運行可靠性具有重大意義。本文敘述集合經(jīng)驗模態(tài)分解、奇異值分解分解及極限學習機齒輪箱故障診斷和識別領(lǐng)域的使用情況。通過對齒輪箱故障診斷和識別模型的研究,提出了EEM D-SVD故障特征提取和EEMD-ELM故障識別的方法。對振動數(shù)據(jù)做EEMD分解得到一系列固有模態(tài)分量,對其進行有效的篩選并且重構(gòu),對重構(gòu)的信號構(gòu)造Ha nkel矩陣,再通過SVD對矩陣做正交分解,利用奇異值差分譜來選擇奇異值進行SVD重構(gòu),由此實現(xiàn)對故障特征的提取。然后提取與原信號相關(guān)較大的IMF能量值作為故障識別模型的輸入向量,建立齒輪箱ELM故障分類模型。最后,通過齒輪箱實驗驗證EEMD-SVD方法可以高效、準確提取齒輪和軸承故障特征。對比ELM與SVM的識別結(jié)果,ELM比SVM有更快的運行速度、更高的分類精度。
[Abstract]:Gearbox is one of the important parts in rotating machinery. Its normal operation has great influence on the normal operation and use of the whole machine and even the whole set of mechanical equipment. Because of the special working environment of the gearbox, it is easy to cause many components and parts faults, so the vibration data of the gearbox can be detected in time, the faults in the gearbox running process can be accurately identified and the faulty parts can be replaced in time. It is of great significance to improve the overall operating reliability of rotating machinery. This paper describes the application of set empirical mode decomposition singular value decomposition and extreme learning machine gearbox fault diagnosis and identification. Based on the research of gearbox fault diagnosis and identification model, a method of EEM D-SVD fault feature extraction and EEMD-ELM fault identification is proposed. A series of inherent modal components are obtained by EEMD decomposition of vibration data, which are effectively screened and reconstructed. Ha nkel matrix is constructed for the reconstructed signal, and then orthogonal decomposition is made for the matrix. Singular value difference spectrum is used to select singular value for SVD reconstruction, and thus fault feature extraction is realized. Then the IMF energy which is related to the original signal is extracted as the input vector of the fault identification model and the ELM fault classification model of the gearbox is established. Finally, the EEMD-SVD method is proved to be efficient and accurate to extract gear and bearing fault features by gearbox experiments. Compared with the recognition results of ELM and SVM, ELM has faster running speed and higher classification accuracy than SVM.
【學位授予單位】：沈陽理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TH132.41;TH17

【參考文獻】

相關(guān)期刊論文 前10條

1 何志堅;周志雄;;基于FSWT細化時頻譜SVD降噪的沖擊特征分離方法[J];中國機械工程;2016年09期

2 嚴文武;潘豐;;基于ICA-ELM的工業(yè)過程故障分類[J];計算機工程;2015年10期

3 占健;吳斌;王加祥;余建波;;基于OS-ELM的風機關(guān)鍵機械部件故障診斷方法[J];機械制造;2015年04期

4 曾鳴;楊宇;鄭近德;程軍圣;;μ-SVD降噪算法及其在齒輪故障診斷中的應用[J];機械工程學報;2015年03期

5 王建國;李健;萬旭東;;基于奇異值分解和局域均值分解的滾動軸承故障特征提取方法[J];機械工程學報;2015年03期

6 苑津莎;張利偉;王瑜;尚海昆;;基于極限學習機的變壓器故障診斷方法研究[J];電測與儀表;2013年12期

7 尹剛;張英堂;李志寧;程利軍;;運用在線貫序極限學習機的故障診斷方法[J];振動.測試與診斷;2013年02期

8 陳立軍;孫凱;侯媛媛;海冉冉;;基于極限學習機的汽輪機故障診斷[J];化工自動化及儀表;2013年04期

9 閆鵬程;孫華剛;毛向東;馮廣斌;;基于EMD與SVD的齒輪箱分形診斷方法研究[J];電子測量與儀器學報;2012年05期

10 趙學智;葉邦彥;陳統(tǒng)堅;;基于小波—奇異值分解差分譜的弱故障特征提取方法[J];機械工程學報;2012年07期

相關(guān)博士學位論文 前1條

1 蘇文勝;滾動軸承振動信號處理及特征提取方法研究[D];大連理工大學;2010年

相關(guān)碩士學位論文 前10條

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

2 郝剛;改進的EMD在齒輪箱故障診斷中的研究與驗證[D];中北大學;2013年

3 許光;故障齒輪的振動分析和故障診斷[D];燕山大學;2012年

4 彭春陽;基于振動信號分析的齒輪箱故障診斷儀的研究[D];重慶大學;2011年

5 時世晨;EEMD時頻分析方法研究和仿真系統(tǒng)設(shè)計[D];華東師范大學;2011年

6 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;2010年

7 高大誠;基于支持向量機的齒輪箱故障診斷系統(tǒng)開發(fā)[D];東北大學;2010年

8 高昌鑫;Hilbert-Huang變換改進算法及其在齒輪箱故障診斷中的應用研究[D];河南理工大學;2010年

9 陳繼清;基于Hilbert-Huang變換的齒輪箱故障診斷[D];河南理工大學;2009年

10 周輝;齒輪故障的特征提取與模式識別技術(shù)研究[D];鄭州大學;2005年

，

本文編號：2071610