齒輪箱的工作信號(hào)屬于非平穩(wěn)信號(hào),極易受到外界干擾,尤其是在工業(yè)強(qiáng)噪聲背景下,同時(shí),工業(yè)生產(chǎn)中的故障信號(hào)往往以多故障并存的形式出現(xiàn),這些位置、深度不同的故障會(huì)相互影響,給故障信息的提取提高了難度。到目前為止,齒輪箱的故障診斷問(wèn)題仍然是一大重點(diǎn)與難點(diǎn)亟待攻克。針對(duì)現(xiàn)階段存在的問(wèn)題,在山西省自然科學(xué)基金(2015011063)的資助下,將齒輪箱作為研究對(duì)象,采用現(xiàn)階段較為新穎的故障診斷方法,以齒輪箱的復(fù)合故障信號(hào)作為研究目標(biāo),對(duì)強(qiáng)噪聲背景下的故障信號(hào)進(jìn)行故障特征提取,在目前的研究背景下對(duì)微弱復(fù)合故障的提取進(jìn)行深入研究。論文主要研究?jī)?nèi)容如下:(1)對(duì)變分模態(tài)分解(Variational mode decomposition,VMD)研究時(shí)發(fā)現(xiàn),信號(hào)中噪聲的強(qiáng)弱對(duì)該方法的分解結(jié)果影響較大,同時(shí)其分解層數(shù)k直接影響其分解結(jié)果,對(duì)如何確定分解層數(shù)k與信號(hào)的降噪問(wèn)題展開(kāi)了研究。(2)針對(duì)噪聲問(wèn)題,采用最小熵反褶積(Minimum entropy deconvolution,MED)方法與VMD方法相結(jié)合,目的是采用MED的強(qiáng)降噪能力消除信號(hào)中含有的強(qiáng)噪聲,研究發(fā)現(xiàn),引入MED方法后,VMD分解結(jié)果有明顯改善,同時(shí)信噪比與峭度有所提升。(3)針對(duì)如何確定分解層數(shù)k值的問(wèn)題,引入局部均值分解(Local mean decomposition,LMD)作為輔助工具,確定分解層數(shù)k,與此同時(shí)發(fā)現(xiàn),LMD方法對(duì)信號(hào)也有一定的降噪能力。針對(duì)以上問(wèn)題與現(xiàn)階段故障診斷方法的現(xiàn)狀,提出了采用MED和LMD對(duì)VMD方法進(jìn)行改進(jìn)的故障診斷方法。采用若干復(fù)合故障診斷方法對(duì)仿真信號(hào)與實(shí)測(cè)故障進(jìn)行處理,成功提取了故障信息。以上研究為故障診斷方法研究提出了一種新思路。
【學(xué)位單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TH132.41
【部分圖文】：

中北大學(xué)學(xué)位論文需要根據(jù)實(shí)際情況確定采集信號(hào)的方法、所采用的具體方法與使用的軟硬件，這使得前期工作異常繁瑣。同時(shí)，故障診斷基本都在故障產(chǎn)生之后，無(wú)法實(shí)現(xiàn)實(shí)時(shí)監(jiān)控。而且現(xiàn)階段的故障診斷方法也大多基于各種算法，很多算法適用范圍較窄，同時(shí)人為因素也會(huì)對(duì)實(shí)際的故障診斷產(chǎn)生影響，這也使故障診斷仍然存在一定的缺陷。（4）智能型故障診斷階段：智能的故障方法是現(xiàn)階段故障診斷學(xué)科的研究方向，隨著人工智能技術(shù)的不斷發(fā)展，其應(yīng)用范圍也逐漸廣泛起來(lái)，被應(yīng)用于各種先進(jìn)的科技產(chǎn)業(yè)當(dāng)中，代替人工作業(yè)，節(jié)約人工成本的同時(shí)，大大提高了生產(chǎn)效率。特別是在故障診斷學(xué)科，人工智能可以持續(xù)掃描整個(gè)機(jī)械系統(tǒng)，對(duì)每一個(gè)零部件實(shí)現(xiàn)實(shí)時(shí)監(jiān)控，一旦出現(xiàn)危及生產(chǎn)生活的故障，就會(huì)對(duì)故障進(jìn)行處理，使得生產(chǎn)線每時(shí)每刻都處于健康的運(yùn)行狀態(tài)當(dāng)中，摒棄以往人工在發(fā)生故障后對(duì)故障進(jìn)行處理的故障診斷方法。

仿真信號(hào)組成

MED降噪結(jié)果
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石娟娟;王林;羅春艷;蔡改改;沈長(zhǎng)青;朱忠奎;;基于優(yōu)化最小算法的齒輪箱復(fù)合故障特征稀疏表示[J];振動(dòng)工程學(xué)報(bào);2017年06期

2 王志永;杜偉濤;王習(xí)文;李超越;;基于振動(dòng)信號(hào)時(shí)域分析法的銑齒機(jī)故障診斷[J];科學(xué)技術(shù)與工程;2017年32期

3 冷軍發(fā);荊雙喜;王志陽(yáng);華偉;;MCKD最佳故障周期搜索的齒輪箱故障特征提取[J];機(jī)械科學(xué)與技術(shù);2018年01期

4 張婷婷;賈銘鈺;;機(jī)械設(shè)備故障診斷技術(shù)的常用方法及新技術(shù)的應(yīng)用研究[J];自動(dòng)化與儀器儀表;2017年10期

5 王志堅(jiān);王俊元;趙志芳;吳文軒;張紀(jì)平;寇彥飛;;基于MKurt-MOMEDA的齒輪箱復(fù)合故障特征提取[J];振動(dòng).測(cè)試與診斷;2017年04期

6 駱杰;呂勇;易燦燦;;基于量子遺傳優(yōu)化的原子分解算法及其在機(jī)械故障診斷中的應(yīng)用[J];機(jī)械設(shè)計(jì)與制造;2017年07期

7 鄭近德;潘海洋;楊樹(shù)寶;潘紫微;;廣義變分模態(tài)分解方法及其在變工況齒輪故障診斷中的應(yīng)用[J];振動(dòng)工程學(xué)報(bào);2017年03期

8 劉長(zhǎng)良;閆蕭;;基于工況辨識(shí)和變分模態(tài)分解的風(fēng)電機(jī)組滾動(dòng)軸承故障診斷[J];動(dòng)力工程學(xué)報(bào);2017年04期

9 王志堅(jiān);王俊元;曾志強(qiáng);張紀(jì)平;;MCKD-循環(huán)域解調(diào)方法在齒輪箱故障診斷中的應(yīng)用[J];機(jī)械傳動(dòng);2017年01期

10 周士帥;竇東陽(yáng);薛斌;;基于LMD和MED的滾動(dòng)軸承故障特征提取方法[J];農(nóng)業(yè)工程學(xué)報(bào);2016年23期

本文編號(hào)：2880696