齒輪作為大型機械設備中傳遞動能和調(diào)節(jié)轉(zhuǎn)速的常見零部件,對設備的安全運作起著關鍵作用。為了滿足工業(yè)生產(chǎn)需求,齒輪經(jīng)常需要運行在過載、高溫、高壓等惡劣條件下,從而導致齒輪極易發(fā)生故障,而一旦發(fā)生故障則可能導致整個機械設備停機。齒輪故障的特征信息大部分包含在齒輪故障發(fā)生時產(chǎn)生的振動信號中,因此如果能從振動信號中提取盡可能多的表征故障的特征信息,進而對特征信息進行去冗余和分類,就能實現(xiàn)齒輪故障的準確識別,從而保證設備運行過程的安全性和穩(wěn)定性。本文以齒輪為研究對象,首先分析齒輪的振動特性及常見故障,研究齒輪振動信號多域特征提取,提出基于全局監(jiān)督拉普拉斯分值(Global Supervised Laplacian Score,GSLS)和核主成分分析(Kernel Principal Component Analysis,KPCA)的級聯(lián)特征降維方法以及基于粒子群優(yōu)化的二叉樹核極限學習機(Particle Swarm Optimization-Kernel Extreme Learning Machine-Binary Tree,PSO-KELM-BT)多故障識別方法,設計融合特征降維和故障識別的齒輪故障診斷系統(tǒng)。本文主要研究內(nèi)容如下:(1)齒輪振動特性分析及多域特征提取研究。首先分析齒輪振動特性及常見故障類型,然后采用多域特征提取方法分別提取各類故障類型下振動信號的時域、頻域及時頻域特征,構(gòu)建高維特征集合,用以表征各故障類型的特性,并作為特征降維處理的數(shù)據(jù)基礎。(2)基于GSLS和KPCA的級聯(lián)特征降維研究。針對LS方法近鄰圖參數(shù)難以設定以及過度依賴樣本局部結(jié)構(gòu)信息的問題,提出一種融合數(shù)據(jù)類別信息及全局結(jié)構(gòu)信息的GSLS方法,以獲取規(guī)模小、區(qū)分度高的特征子集;在特征子集的基礎上,結(jié)合KPCA特征融合方法,進一步剔除特征子集的冗余信息,以降低特征集合維度。實驗結(jié)果表明,提出的級聯(lián)特征降維方法能夠結(jié)合LS和KPCA的優(yōu)點,有效地提高特征子集的區(qū)分度。(3)基于PSO-KELM-BT的多故障識別方法研究。針對KELM準確率偏低的問題,提出一種基于單分類方式的KELM多分類算法,該算法基于提出的融合類內(nèi)距離及類間距離的混合可分性指標,將訓練數(shù)據(jù)按“一對其它”的方式分割分別訓練KELM二值分類器,并使用二叉樹法將所有分類器整合成一個多分類器,以提高分類器的分類準確率;為解決KELM參數(shù)設置問題,引入PSO算法對模型進行參數(shù)尋優(yōu),進一步提高算法的分類準確率。實驗結(jié)果顯示提出的算法在分類準確率上高于其它同類算法。(4)特征降維和故障識別在齒輪故障診斷中的應用研究。研究融合參數(shù)監(jiān)測、特征提取、特征降維和故障識別技術的系統(tǒng)分層架構(gòu),設計齒輪參數(shù)監(jiān)測、振動信號分析、特征提取、特征降維、故障識別模塊,以可視化界面的形式展示各模塊處理結(jié)果,實現(xiàn)齒輪故障診斷系統(tǒng)。運行結(jié)果表明提出的方法在齒輪故障診斷中得到了很好的應用。
【學位單位】：武漢理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH132.41
【部分圖文】：

力學模型時需要將其簡化成一個由彈簧和阻尼組成程來描述齒輪嚙合過程。齒輪物理模型可簡化成圖（2-1）。1 2M x + C x + k (t ) x = k (t ) E +k (t ) E (t )1 2 1 2m ( m + m)，是齒輪副的等效質(zhì)量，C、 k (t )分別，x 是齒輪沿作用線上的相對位移，1E 是齒輪受載t )是齒輪誤差和故障造成的兩個齒輪間的相對位移。

1mM=圖 2-3 EEMD 分解流程圖D 分解主要步驟如下：將原始信號 x( t )和高斯白噪聲 ( )in t 進行相加，得到新的信號( ) ( ) ( )i ix t = x t + n t求信號 ( )ix t 全部的局部極大值點及極小值點，將所有極大值上包絡曲線 ( )upperx t ，同理可以得到下包絡曲線 ( )lowerx t ，對上：1( ) ( ( ) ( ))2upper lowerm t = x t + x t可以得到信號與上下包絡均值之差：( ) ( ) ( )if t = x t m t判斷 f (t )是否符合 IMF 分量的兩個條件，若符合，則 f (t )為

1n=中 N 表示 IMF 分量的個數(shù)，即分解次數(shù)， r (t )為剩余分量。（4）重復步驟（1）-（3）M 次，對M 個第n個分量求均值，結(jié)果即為第n個 IMF 分量：,11( ) ( )Mn n mmf t f tM== （2-7中， ( )nf t 為第 n 個 IMF 分量， n =1, ,N ， m =1, ,M 。齒輪振動信號多域特征提取為了提取齒輪故障特征并作為驗證后續(xù)算法的數(shù)據(jù)基礎，以 QPZZ-II 機障模擬及試驗平臺產(chǎn)生的齒輪故障模擬數(shù)據(jù)作為數(shù)據(jù)源。QPZZ-II 機械故障及試驗平臺提供了多個傳感器采集到的齒輪正常狀態(tài)及斷齒、點蝕、磨損故障狀態(tài)下數(shù)據(jù)，采樣頻率為 5120Hz。選取 QPZZ-II 試驗提供的轉(zhuǎn)速 880的加速度信號，其振動信號如圖 2-4 所示，每個信號序列長度為 1280。
【相似文獻】

相關期刊論文 前10條

1 秦波;劉永亮;王建國;楊云中;;基于在線貫序極限學習機的齒輪故障診斷方法[J];機械設計與制造;2016年12期

2 焉偉哲;;淺談齒輪故障診斷技術的應用[J];科技風;2016年22期

3 王峰;白轉(zhuǎn)偉;董增壽;石慧;;基于人工免疫算法的齒輪故障診斷研究[J];太原科技大學學報;2017年04期

4 秦波;張魯洋;孫國棟;王建國;;排列熵與核極限學習機在齒輪故障診斷中的應用[J];中國測試;2017年07期

5 付勝;徐斌;杜曉帆;呂孟宸;;基于奇異值分解和支持向量機的齒輪故障診斷[J];機械傳動;2013年09期

6 羅頌榮;;基于聲卡和虛擬儀器技術的齒輪故障診斷系統(tǒng)[J];機床與液壓;2011年11期

7 董宏 ,趙奇志;齒輪故障診斷技術的應用[J];新技術新工藝;2005年07期

8 熊軍;李鳳英;沈玉娣;;齒輪故障診斷技術應用綜述[J];機床與液壓;2005年12期

9 周湛學;齒輪故障診斷的新方法[J];價值工程;1998年01期

10 溫繼圓;邵汝椿;林穎;;倒頻譜分析及其在齒輪故障診斷中的應用[J];機械開發(fā);1987年02期

相關博士學位論文 前3條

1 李寶慶;基于自適應最稀疏時頻分析的機械故障診斷方法[D];湖南大學;2016年

2 鐘先友;旋轉(zhuǎn)機械故障診斷的時頻分析方法及其應用研究[D];武漢科技大學;2014年

3 張超;基于自適應振動信號處理的旋轉(zhuǎn)機械故障診斷研究[D];西安電子科技大學;2012年

相關碩士學位論文 前10條

1 周淑娟;基于核極限學習機的齒輪故障診斷研究[D];武漢理工大學;2018年

2 廖攀;變速箱齒輪故障診斷系統(tǒng)研究[D];長安大學;2018年

3 楊興凱;自適應最稀疏時頻分析方法在齒輪故障診斷中的應用[D];湖南大學;2017年

4 嚴皓;廣義遞歸定量分析及其在齒輪故障診斷中的應用[D];武漢科技大學;2018年

5 傅余;基于改進的局部均值分解方法在齒輪故障診斷中的應用研究[D];重慶三峽學院;2017年

6 陳新國;基于小波分析的齒輪故障診斷的研究[D];武漢科技大學;2004年

7 趙志強;基于集合經(jīng)驗模式分解與徑向基函數(shù)神經(jīng)網(wǎng)絡的齒輪故障診斷[D];河北工程大學;2015年

8 龔男;基于多源信號的變轉(zhuǎn)速滾動軸承和齒輪故障診斷研究[D];中國礦業(yè)大學;2015年

9 劉佳音;SVD降噪與排列熵方法在齒輪故障診斷中的應用[D];遼寧科技大學;2017年

10 何小華;基于磨損識別的齒輪故障診斷研究[D];武漢工程大學;2012年

本文編號：2872367