本文關(guān)鍵詞：基于EMD和粒子群優(yōu)化小波閾值的齒輪箱健康診斷研究，由筆耕文化傳播整理發(fā)布。

【摘要】：齒輪箱是設(shè)備中重要的傳動(dòng)部件之一，機(jī)械設(shè)備中大約80%的故障都來源于齒輪箱，在當(dāng)今社會(huì)對(duì)齒輪箱的健康診斷具有非常高的現(xiàn)實(shí)意義。本文以齒輪箱為研究對(duì)象，運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)與粒子群優(yōu)化小波閾值技術(shù)相結(jié)合，有效對(duì)齒輪箱進(jìn)行健康診斷。在信號(hào)的獲取過程中，由于自然原因和人為原因等多種因素，振動(dòng)信號(hào)中夾雜著很多噪聲，，這會(huì)影響信號(hào)的健康診斷效果。本文介紹了粒子群優(yōu)化算法的應(yīng)用與原理，并介紹了小波變換和小波閾值降噪原理，采用粒子群優(yōu)化（PSO）算法對(duì)小波各子帶的閾值尋求最優(yōu)解，把最優(yōu)解作為全局閾值對(duì)信號(hào)進(jìn)行降噪處理。本文介紹幾種小波閾值降噪方法,分析這幾種方法的降噪效果得出PSO算法小波閾值更優(yōu)。 經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）處理非線性、非平穩(wěn)信號(hào)具有很好的效果，并且具有良好的局域化特性,它可以把非線性信號(hào)分解成多個(gè)線性信號(hào)分量。在用EMD方法分解信號(hào)過程中會(huì)遇到端點(diǎn)效應(yīng)問題，本文采用鏡像延拓的方法減少端點(diǎn)效應(yīng)的影響，并通過實(shí)驗(yàn)仿真說明該方法可以有效處理端點(diǎn)效應(yīng)問題。 文章最后對(duì)齒輪箱健康狀況進(jìn)行診斷，實(shí)驗(yàn)對(duì)象采用型號(hào)為JZQ-250型齒輪箱。采取EMD技術(shù)分別對(duì)齒輪箱的正常、內(nèi)圈點(diǎn)蝕、斷齒和外圈裂紋狀況下的信號(hào)進(jìn)行分解，并畫出分解出來的各級(jí)本征模態(tài)函數(shù)的功率譜圖，通過分析功率譜和邊際譜圖獲得較好的健康診斷效果。最后分別測取齒輪箱正常和斷齒狀況下EMD分解信號(hào)前五階IMF分量，然后計(jì)算這兩種狀況下分量的近似熵值，可以看出含有故障的信號(hào)的復(fù)雜性和非線性比正常狀況下的強(qiáng)，尤其是第一個(gè)分量。通過Matlab仿真分析驗(yàn)證改進(jìn)后的經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）技術(shù)在診斷齒輪箱健康方面是可行的。
【關(guān)鍵詞】：健康診斷 小波閾值 粒子群優(yōu)化算法 EMD 近似熵
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH132.41;TH165.3
【目錄】：

• 摘要4-5
• Abstract5-10
• 第一章 緒論10-16
• 1.1 論文研究的背景和意義10-11
• 1.2 健康診斷方法敘述11-13
• 1.2.1 齒輪箱健康診斷技術(shù)的發(fā)展近狀11-12
• 1.2.2 健康診斷方法探究12-13
• 1.3 粒子群算法原理與運(yùn)用13-14
• 1.4 本文的主要研究內(nèi)容14-16
• 第二章 齒輪箱相關(guān)理論的介紹16-25
• 2.1 振動(dòng)信號(hào)采集與處理16-18
• 2.1.1 傳感器的選擇16-17
• 2.1.2 信號(hào)數(shù)據(jù)的預(yù)處理17-18
• 2.2 齒輪箱的健康異常形式18-19
• 2.2.1 齒輪箱異常類型18
• 2.2.2 滾動(dòng)軸承失效形式18-19
• 2.3 齒輪系統(tǒng)振動(dòng)的機(jī)理19-22
• 2.3.1 齒輪的振動(dòng)特征19
• 2.3.2 滾動(dòng)軸承振動(dòng)特征信息19-20
• 2.3.3 振動(dòng)信號(hào)的調(diào)制現(xiàn)象20-21
• 2.3.4 齒輪箱振動(dòng)模型21-22
• 2.4 齒輪箱特征值22-24
• 2.5 本章小結(jié)24-25
• 第三章 基于粒子群優(yōu)化小波閾值介紹25-41
• 3.1 小波變換25-27
• 3.1.1 小波函數(shù)的定義25-26
• 3.1.2 小波變換26
• 3.1.3 小波包分析26-27
• 3.2 小波閾值降噪27-33
• 3.3 粒子群優(yōu)化算法33-34
• 3.4 基于 PSO 的小波閾值去噪34-40
• 3.5 本章小結(jié)40-41
• 第四章 EMD 分解方法的研究41-53
• 4.1 概述41
• 4.2 EMD 理論41-45
• 4.2.1 Hilbert 變換41-43
• 4.2.2 瞬時(shí)頻率43
• 4.2.3 經(jīng)驗(yàn)?zāi)B(tài)分解原理43-45
• 4.3 實(shí)例分析45-47
• 4.4 EMD 分解端點(diǎn)效應(yīng)及處理方法47-51
• 4.4.1 端點(diǎn)效應(yīng)的原因及影響47-48
• 4.4.2 端點(diǎn)效應(yīng)處理的方法48
• 4.4.3 鏡像延拓與窗函數(shù)方法的研究48-49
• 4.4.4 仿真信號(hào)驗(yàn)證49-51
• 4.5 EMD 分解中能量特征提取51-52
• 4.6 本章小結(jié)52-53
• 第五章 齒輪箱健康狀況分析53-71
• 5.1 齒輪箱實(shí)驗(yàn)平臺(tái)53-58
• 5.1.1 實(shí)驗(yàn)方案53-54
• 5.1.2 齒輪箱健康異常和數(shù)據(jù)參數(shù)54-56
• 5.1.3 信號(hào)降噪處理56-58
• 5.2 工況分析58-68
• 5.2.1 正常情況下信號(hào)分析58-60
• 5.2.2 內(nèi)圈點(diǎn)蝕工況的信號(hào)分析60-62
• 5.2.3 齒輪斷齒故障信號(hào)分析62-65
• 5.2.4 齒輪箱軸承外圈裂紋工況分析65-68
• 5.3 近似熵算法研究68-70
• 5.3.1 近似熵算法原理68-69
• 5.3.2 實(shí)驗(yàn)分析69-70
• 5.4 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 6.1 總結(jié)71-72
• 6.2 研究展望72-73
• 參考文獻(xiàn)73-77
• 攻讀碩士期間的研究成果77-78
• 致謝78-79

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前6條

1 江天炎;李劍;杜林;王有元;楊麗君;;粒子群優(yōu)化小波自適應(yīng)閾值法用于局部放電去噪[J];電工技術(shù)學(xué)報(bào);2012年05期

2 樊瑋;粒子群優(yōu)化方法及其實(shí)現(xiàn)[J];航空計(jì)算技術(shù);2004年03期

3 趙永滿;梅衛(wèi)江;吳疆;王春林;;機(jī)械故障診斷技術(shù)發(fā)展及趨勢(shì)分析[J];機(jī)床與液壓;2009年10期

4 譚東寧,譚東漢;小樣本機(jī)器學(xué)習(xí)理論:統(tǒng)計(jì)學(xué)習(xí)理論[J];南京理工大學(xué)學(xué)報(bào);2001年01期

5 鄭思莉;;基于不同小波閾值函數(shù)的圖像去噪[J];軟件導(dǎo)刊;2012年05期

6 金乃高;殷福亮;王冬霞;陳U

本文編號(hào)：325168