【摘要】：行星齒輪箱在航天與工業(yè)等領(lǐng)域應(yīng)用廣泛。但因其運(yùn)動(dòng)復(fù)雜,運(yùn)行環(huán)境較為惡劣且承受復(fù)雜交變載荷,各組成部件容易產(chǎn)生損傷導(dǎo)致失效。因而,有必要對(duì)行星齒輪箱的故障診斷進(jìn)行研究。行星齒輪箱振動(dòng)信號(hào)成分復(fù)雜,通過(guò)信號(hào)分析人工識(shí)別故障特征難度較大。為解決該問(wèn)題,本文從模式識(shí)別的角度對(duì)行星齒輪箱故障診斷方法進(jìn)行研究。如何提取穩(wěn)定性好、敏感性及規(guī)律性強(qiáng)的特征,并利用特征實(shí)現(xiàn)行星齒輪箱故障診斷是本論文研究的重點(diǎn)。本文從實(shí)際問(wèn)題出發(fā),以行星齒輪箱為具體研究對(duì)象,針對(duì)齒輪與行星輪軸承常見的故障類型,首先研究了基于傳統(tǒng)特征提取的故障診斷方法,針對(duì)特征空間高維與非線性的特點(diǎn),采用了流形學(xué)習(xí)法與稀疏濾波法,提取敏感特征,同時(shí)解決了流形學(xué)習(xí)法中涉及的參數(shù)估計(jì)問(wèn)題;其次,研究了基于自適應(yīng)特征提取的故障診斷方法。論文的主要研究?jī)?nèi)容與創(chuàng)新成果如下:1、多域流形特征提取及應(yīng)用:由于特征參量對(duì)不同系統(tǒng)的穩(wěn)定性、敏感性與規(guī)律性不同,為保證特征的豐富性,針對(duì)行星齒輪箱振動(dòng)信號(hào),提取時(shí)域、頻域統(tǒng)計(jì)特征參量;用局部均值分解法對(duì)信號(hào)進(jìn)行了分解,提取時(shí)頻分布能量特征。采用流形學(xué)習(xí)法對(duì)特征空間進(jìn)行降維,提取低維特征,同時(shí)提出了一種新的參數(shù)估計(jì)方法:基于改進(jìn)的虛假近鄰點(diǎn)的參數(shù)估計(jì)法。該方法能夠同時(shí)對(duì)本征維數(shù)與近鄰域點(diǎn)數(shù)進(jìn)行估計(jì)。最后,結(jié)合概率神經(jīng)網(wǎng)絡(luò)分類器,構(gòu)建故障診斷模型,通過(guò)實(shí)驗(yàn)信號(hào)對(duì)方法進(jìn)行了驗(yàn)證。2、時(shí)頻分布能量特征稀疏優(yōu)化:研究發(fā)現(xiàn)時(shí)頻分布能量特征穩(wěn)定性與敏感性相對(duì)較好,有望單獨(dú)用于故障診斷。發(fā)揮變模式分解法分解速率快的優(yōu)勢(shì),對(duì)信號(hào)進(jìn)行分解,提取信號(hào)時(shí)頻分布能量。考慮到不同的流形學(xué)習(xí)方法對(duì)特征處理的效果不同,為了進(jìn)一步提取敏感特征,研究稀疏濾波法替代流形學(xué)習(xí)對(duì)特征進(jìn)行優(yōu)化。該方法不需要對(duì)本征維數(shù)與近鄰點(diǎn)數(shù)進(jìn)行估計(jì),只需給出需要學(xué)習(xí)的特征個(gè)數(shù),簡(jiǎn)化了敏感特征提取過(guò)程。最后,結(jié)合概率神經(jīng)網(wǎng)絡(luò)分類器,構(gòu)建故障診斷模型,通過(guò)實(shí)驗(yàn)信號(hào)驗(yàn)證了方法的有效性。3、基于字典學(xué)習(xí)的稀疏分類:傳統(tǒng)特征提取法應(yīng)用廣泛,效果良好。但需要依賴相關(guān)領(lǐng)域內(nèi)的專業(yè)知識(shí),特征提取缺乏自適應(yīng)性。字典學(xué)習(xí)法可以用原始信號(hào)樣本對(duì)字典進(jìn)行初始化,能夠?qū)υ夹盘?hào)自適應(yīng)提取特征,字典中每個(gè)原子即為典型特征。基于字典學(xué)習(xí),提出稀疏分類方法,在一定的稀疏約束下,通過(guò)判斷最小重構(gòu)誤差,對(duì)樣本進(jìn)行歸類,實(shí)現(xiàn)故障診斷。整個(gè)模型不需要設(shè)計(jì)特定的分類器,模型結(jié)構(gòu)簡(jiǎn)單,智能性高,采用傳統(tǒng)字典學(xué)習(xí)與稀疏分解方法就可以實(shí)現(xiàn)。通過(guò)實(shí)驗(yàn)信號(hào)分析了字典學(xué)習(xí)時(shí)涉及的參數(shù)選擇問(wèn)題以及不同參數(shù)對(duì)模型故障診斷準(zhǔn)確率的影響,為字典學(xué)習(xí)時(shí)的參數(shù)確定提供了參考,并最終驗(yàn)證了方法的有效性。4、基于卷積神經(jīng)網(wǎng)絡(luò)的時(shí)頻圖特征提取與應(yīng)用:在變工況下,振動(dòng)信號(hào)具有明顯的非平穩(wěn)性,特征頻率具有時(shí)變性,傳統(tǒng)時(shí)域與頻域分析方法難以有效地提取故障特征頻率;應(yīng)用傳統(tǒng)時(shí)頻分析法進(jìn)行分析時(shí),存在時(shí)頻精度低和虛假成分干擾等問(wèn)題,識(shí)別難度大。為解決該問(wèn)題,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的時(shí)頻圖特征提取方法。該方法充分發(fā)揮了卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面的優(yōu)勢(shì),可自適應(yīng)提取時(shí)頻圖特征,不需要考慮傳統(tǒng)時(shí)頻分析中存在的時(shí)頻精度低和虛假成分干擾等問(wèn)題,方法經(jīng)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了驗(yàn)證。
【學(xué)位授予單位】：北京科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH132.41
【圖文】：

不同狀態(tài)信號(hào)的特征信息，并找到不同狀態(tài)特征間的差異，根據(jù)分類任務(wù)把逡逑相似但不完全相同的樣本組成一類，完成對(duì)應(yīng)樣本的分類，從而診斷故障。逡逑其主要的流程如圖１－１。逡逑－９邋－逡逑

基空間的每個(gè)向量即為字典中的原子。字典學(xué)習(xí)的任務(wù)就是對(duì)于給定逡逑的訓(xùn)練樣本，自適應(yīng)學(xué)習(xí)字典中的每個(gè)原子，使得信號(hào)能夠在該字典上被稀逡逑疏表示，如圖１－２。與一般的正交基相比，字典學(xué)習(xí)要求字典中所含向量的個(gè)逡逑數(shù)要大于向量維數(shù)，并且具有某種程度的冗余性，成為“過(guò)完備字典”。在己逡逑知原始信號(hào)和過(guò)完備字典的時(shí)，系數(shù)向量的求解本質(zhì)上是一個(gè)方程組的求解逡逑問(wèn)題，理論上解的個(gè)數(shù)為無(wú)窮多，可構(gòu)成一個(gè)解空間。如果要求系數(shù)向量中逡逑非零分量的個(gè)數(shù)最少，即為稀疏分解。字典學(xué)習(xí)和稀疏分解的目的是得到一逡逑種稀疏的數(shù)據(jù)表示，用少量的原子組合表示原始信號(hào)，可以從實(shí)質(zhì)上降低信逡逑號(hào)成本，提高壓縮效率。信號(hào)的稀疏表示能夠通過(guò)字典學(xué)習(xí)對(duì)原始數(shù)據(jù)進(jìn)行逡逑直接處理，建立過(guò)完備字典，匹配信號(hào)局部特征。字典學(xué)習(xí)可以理解為對(duì)某逡逑一類信號(hào)特征的捕捉

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周飛燕;金林鵬;董軍;;卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J];計(jì)算機(jī)學(xué)報(bào);2017年06期

2 余發(fā)軍;周鳳星;嚴(yán)�？�;;基于字典學(xué)習(xí)的軸承早期故障稀疏特征提取[J];振動(dòng)與沖擊;2016年06期

3 陳峗;;基于稀疏濾波的信號(hào)識(shí)別[J];電信快報(bào);2015年08期

4 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

5 邱立達(dá);劉天鍵;傅平;;基于稀疏濾波的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合[J];電子測(cè)量與儀器學(xué)報(bào);2015年03期

6 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

7 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年01期

8 宋濤;湯寶平;鄧?yán)?;動(dòng)態(tài)增殖流形學(xué)習(xí)算法在機(jī)械故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2014年23期

9 練秋生;石保順;陳書貞;;字典學(xué)習(xí)模型、算法及其應(yīng)用研究進(jìn)展[J];自動(dòng)化學(xué)報(bào);2015年02期

10 蘇祖強(qiáng);湯寶平;姚金寶;;基于敏感特征選擇與流形學(xué)習(xí)維數(shù)約簡(jiǎn)的故障診斷[J];振動(dòng)與沖擊;2014年03期

本文編號(hào)：2721679