隨著社會(huì)對(duì)產(chǎn)能需求的增大以及科技水平的進(jìn)步,機(jī)械設(shè)備正朝著高速、高效、高精度方向發(fā)展。齒輪箱作為機(jī)械設(shè)備中用于連接和傳遞動(dòng)力的關(guān)鍵部件,一旦發(fā)生故障將直接影響設(shè)備的安全可靠運(yùn)行。因此,開展齒輪箱故障診斷技術(shù)研究,準(zhǔn)確地識(shí)別出故障模式,對(duì)保障機(jī)械系統(tǒng)安全可靠運(yùn)行,避免重大事故的發(fā)生具有非常重要的意義。本文以齒輪箱為研究對(duì)象,圍繞著其在智能故障診斷領(lǐng)域中的幾項(xiàng)關(guān)鍵問題:故障特征提取、故障特征評(píng)價(jià)與選擇、故障診斷模型訓(xùn)練以及多傳感器信息融合展開了深入的研究,主要內(nèi)容包括以下四個(gè)方面:(1)滾動(dòng)軸承振動(dòng)信號(hào)的故障特征提取方法研究:針對(duì)滾動(dòng)軸承振動(dòng)信號(hào)表現(xiàn)出的強(qiáng)非平穩(wěn)性以及故障特征不明顯的現(xiàn)象,提出了一種基于同步壓縮小波變換和非負(fù)矩陣分解的滾動(dòng)軸承振動(dòng)信號(hào)特征提取新方法;利用同步壓縮小波變換對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行時(shí)頻分析,提取出能夠表征滾動(dòng)軸承不同故障狀態(tài)的特征空間;針對(duì)時(shí)頻分析后存在的輕微模式混疊及維度過高的問題,利用非負(fù)矩陣分解對(duì)特征空間進(jìn)行精簡和優(yōu)化,獲取維度適中且對(duì)各種故障模式敏感程度較高的特征集;實(shí)驗(yàn)分析結(jié)果驗(yàn)證了本文方法的有效性。(2)基于深度置信網(wǎng)絡(luò)的非監(jiān)督式智能故障診斷方法研究:分析了基于監(jiān)督式特征學(xué)習(xí)機(jī)制的傳統(tǒng)智能診斷方法在對(duì)機(jī)械結(jié)構(gòu)進(jìn)行故障診斷時(shí)所存在的問題;提出了一種基于深度置信網(wǎng)絡(luò)的非監(jiān)督式智能故障診斷方法,實(shí)現(xiàn)了對(duì)齒輪箱內(nèi)部滾動(dòng)軸承多種不同類型故障的準(zhǔn)確識(shí)別;研究了深度置信網(wǎng)絡(luò)的自適應(yīng)特征學(xué)習(xí)能力以及模型參數(shù)變化和樣本數(shù)目變化對(duì)其性能的影響情況;實(shí)驗(yàn)分析結(jié)果表明,相比起傳統(tǒng)的智能診斷方法,本文方法具有更好的分類性能和更強(qiáng)的魯棒性。(3)齒輪故障的振動(dòng)特性分析方法研究:建立了齒輪傳動(dòng)的簡化動(dòng)力學(xué)模型,研究隨機(jī)激勵(lì)作用下齒輪振動(dòng)特性;同時(shí)還建立了齒輪故障信號(hào)模型,利用仿真信號(hào)進(jìn)行特征提取及診斷模型訓(xùn)練,并將該診斷模型用于識(shí)別實(shí)測振動(dòng)信號(hào)所對(duì)應(yīng)的齒輪故障狀態(tài),準(zhǔn)確地識(shí)別出了多種齒輪故障,為解決工程實(shí)際中存在的故障數(shù)據(jù)樣本缺乏、診斷模型訓(xùn)練不充分這一問題提供了一種全新的思路。(4)基于多傳感器信息融合的齒輪箱智能故障診斷方法研究:針對(duì)基于單傳感器的智能診斷方法在對(duì)機(jī)械系統(tǒng)進(jìn)行故障診斷時(shí)容易出現(xiàn)的診斷信息不完備這一缺陷,以及僅依據(jù)單一的評(píng)價(jià)準(zhǔn)則選擇出的故障特征可能并非最優(yōu)這一潛在問題,提出了一種基于多傳感器信息融合的齒輪箱智能故障診斷方法;結(jié)合能量算子和時(shí)域同步平均提取出來自多傳感器及多特征域的故障信息;進(jìn)而結(jié)合距離評(píng)價(jià)函數(shù)和最大相關(guān)最小冗余篩選出對(duì)故障敏感且包含冗余信息較小的故障特征;實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果表明,相比起傳統(tǒng)的基于單傳感器信息的故障診斷方法,本文方法能夠更準(zhǔn)確地識(shí)別出齒輪箱多種故障類型。
【學(xué)位單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：TH132.41
【部分圖文】：

方法與傳統(tǒng)基于單傳感器信息的故障診斷方法的性能。逡逑第６章：給出了本文研究的主要結(jié)論，并對(duì)今后的研究工作提出了展望。逡逑本論文的總體框架如圖１．４所示。逡逑１６逡逑

時(shí)間（ｓ）邐頻率（Ｈｚ）逡逑圖２．２邋ＨＨＴ分解成分時(shí)域波形圖和頻譜圖逡逑：Ｈ邐Ｉ逡逑０邐１邐２邐３邐０邐１００邐２００邐３００逡逑２ＢｌＭ丨ＩＭＩｌｆｌｌ丨ＩＩＩＩＭＩｌＭＭＩＩＩＩＩＩａｌｌＭ丨ｌＩＭＩＩＭＩＭＩＩｌｌｌＭＭＩ邐２邐＇邐＇逡逑２邐ｑ邐邐邋ｔａ邐，邐，邐逡逑ａ邋０邐１邐２邐３邐Ｓ邋０邐１００邐２００邐３００逡逑Ｓ邐＿＿＿■邐１邐ｌｌ，Ｉ逡逑０邐１邐２邐３邐０邐１００邐２００邐３００逡逑ｎｕｍｔｕｉｕｆｉＨ邐ｉ逡逑２邋；邐邐邐邐ｊ邐ｑ邋邐邋．．．」丨丨邋ＪＬｉｌＬ邋ｉ邋ｊ邋ｉ．邋邋邋邐邐：逡逑０邐１邐２邐３邐０邐１００邐２００邐３００逡逑ｌｌ、ｊ？間（ｓ）邐頻字．（Ｈｚ）逡逑圖２．３邋ＳＳＴ分解成分時(shí)域波形圖和頻譜圖逡逑２．２．２非負(fù)矩陣分解逡逑雖然ＳＳＴ能夠有效地提取出原始信號(hào)中包含的故障信息，但處理后的信號(hào)特逡逑征空間仍存在維度過高的問題，這顯然會(huì)增大計(jì)算量，影響后續(xù)故障模式識(shí)別的逡逑效率。因此，本節(jié)采用ＮＭＦ對(duì)信號(hào)特征空間進(jìn)行精簡和優(yōu)化。逡逑ＮＭＦ的主要思想為：對(duì)于一個(gè)非負(fù)矩陣Ｋ，可將其近似分解為兩個(gè)非負(fù)矩逡逑陣ＰＴ和／／的乘積

時(shí)間（ｓ）逡逑（ｅ）復(fù)合故障信號(hào)逡逑圖２．７滾動(dòng)軸承振動(dòng)信號(hào)的時(shí)頻譜圖逡逑°0ＩＩＩ^%丨卜ｉ｜邋0．0：邋Ｉ邐＾邋，ｊＷ逡逑－０．１邐邐１邐—邐0邐＾匿？邐邐邐邐逡逑０邐０．０５邐０．１邐０邐２０００邐４０００邐６０００逡逑０．０５邋］邐邐邐］邐０．０２邋ｒ邐＇邐■邐１逡逑－０．０５邋１邐＇邐１邐０＾邐邐邐邐邐１逡逑０邐０．０５邐０．１邐ｃ＜ｒ邐0ｘ１0－３邋２０００邐４０００邐６０００逡逑｜邋°°ｈ…嶺ud｜邐：一▲’邋．邐１逡逑Ｍ：邋0邐０．０５邐０．１邐ｇ邐０邐２０００邐４０００邐６０００逡逑－０．１邋ｐ－邐邐邋一邋０．０１邋｜邐＇邐邐＇逡逑Ｑ邋１邋Ｌ＿邐邐邐邋Ｑ邋ＬＡ邐邐邐邐＾Ａｉ＊＾邋．邐邐邐Ｉ逡逑＇0ｘ１0－３邐０邋０５邐０邋１邐．°Ｘ１０－３邐２０００邐４０００邐６０００逡逑５邋Ｉ邐＼＾邐＼邐１邐５邐＇邐＇邐邐邋＇Ｉ逡逑－５邋＾0邋Ｌ邐邐邐丨逡逑０邐０．０５邐０．１邐０邐２０００邐４０００邐６０００逡逑ＩＩ邋汁ｌｌＷｄ邐頻中？（Ｈｚ）逡逑圖２．８邋ＳＳＴ分解成分與頻譜逡逑本節(jié)懫用ＮＭＦ算法對(duì)時(shí)頻矩陣進(jìn)行精簡和優(yōu)化。首先，計(jì)算k我桓鲅舅義隙雜Φ氖逼稻卣蟮哪２⒔泄橐換硪月悖危停頻某跏繼跫�，同时将脩┗个埩x暇卣笞晃邢蛄俊Ｆ浯�，随机选取每种工旷V械模矗案鲅咀魑盜廢楸荊義纖醒盜費(fèi)菊銑梢謊盜肪卣螅蓿擼渲校骸侗硎久懇桓鲅鏡奈齲詒糾義現(xiàn)屑矗保福埃玻玻矗埃誨澹鞅硎狙臼

本文編號(hào)：2815764