本文關(guān)鍵詞：基于形態(tài)分量分析的齒輪箱故障診斷研究，由筆耕文化傳播整理發(fā)布。

【摘要】：齒輪箱的組成結(jié)構(gòu)以及實際運行狀況都比較復雜,導致其極易發(fā)生故障。只要齒輪箱發(fā)生故障,其自身的運行安全性就會受到嚴重影響,故針對齒輪箱的故障診斷研究具有非常重要的現(xiàn)實意義。針對傳統(tǒng)的Hilbert包絡解調(diào)方法不適合分析多分量振動信號調(diào)制信息的問題,提出將形態(tài)分量分析(Morphological Component Analysis,MCA)方法應用于Hilbert包絡解調(diào)法。利用該方法對仿真振動信號進行分析,得知該方法可分離信號中的諧振成分和沖擊成分,且有效地凸顯其特征信息。非平穩(wěn)、非線性信號在實際測量過程中,信號的干擾噪聲大且頻帶寬,若直接利用MCA方法進行分解,會嚴重影響有用信號和故障特征信息的提取。針對該問題,提出將EEMD、MCA和能量算子解調(diào)相結(jié)合的故障診斷方法。該方法先將齒輪箱故障振動信號進行EEMD分解;再依據(jù)原信號與各IMF分量的相關(guān)系數(shù)選取包含故障信息的IMF分量,并進行重構(gòu);再將獲取的重構(gòu)信號進行MCA分解,得到各形態(tài)成分;最后對包含故障特征信息的形態(tài)成分進行能量算子解調(diào)以獲取故障的調(diào)制信息。通過對仿真信號和實測故障振動信號的分析,驗證了該方法的有效性。針對階次跟蹤在分析變轉(zhuǎn)速下的非平穩(wěn)信號時易發(fā)生階次混疊的問題,提出一種基于低通濾波的階次跟蹤技術(shù),并將其與形態(tài)分量分析相結(jié)合。通過對仿真變速信號和實測變轉(zhuǎn)速下滾動軸承外圈故障信號的分析,將改進的階次跟蹤技術(shù)和形態(tài)分量分析相結(jié)合的方法,可有效地提取變轉(zhuǎn)速滾動軸承故障的特征信息,且能有效地避免階次混疊現(xiàn)象、降低重采樣階次,從而減少重采樣過程的計算量。
【關(guān)鍵詞】：齒輪箱 形態(tài)分量分析 EEMD 能量算子解調(diào) 階次跟蹤 故障診斷
【學位授予單位】：石家莊鐵道大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH132.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-15
• 1.1 課題研究的背景和意義8-9
• 1.2 齒輪箱故障診斷方法的研究現(xiàn)狀9-13
• 1.2.1 基于平穩(wěn)信號的齒輪箱故障診斷研究9-10
• 1.2.2 基于非平穩(wěn)信號的齒輪箱故障診斷研究10-13
• 1.3 論文研究內(nèi)容及章節(jié)安排13-15
• 1.3.1 論文的研究內(nèi)容13
• 1.3.2 論文的章節(jié)安排13-15
• 第二章 齒輪箱的失效形式及故障機理分析15-26
• 2.1 齒輪箱的常見故障類型15
• 2.2 齒輪的失效形式及振動機理15-19
• 2.2.1 齒輪的常見失效形式16-17
• 2.2.2 齒輪的振動機理17-19
• 2.3 軸承的失效形式及振動機理19-22
• 2.3.1 軸承的常見失效形式19-20
• 2.3.2 軸承的振動機理20-22
• 2.4 齒輪箱試驗臺簡介22-24
• 2.5 本章小結(jié)24-26
• 第三章 基于形態(tài)分量分析的包絡解調(diào)方法26-38
• 3.1 MCA方法26-31
• 3.1.1 MCA原理26-27
• 3.1.2 MCA算法步驟27-28
• 3.1.3 MCA的閾值選擇和更新方法28-30
• 3.1.4 MCA的字典選擇30-31
• 3.2 基于MCA與包絡解調(diào)分析的故障診斷方法31-37
• 3.2.1 Hilbert解調(diào)原理31
• 3.2.2 Hilbert解調(diào)的仿真信號分析31-33
• 3.2.3 基于MCA的Hilbert包絡解調(diào)步驟33
• 3.2.4 基于MCA的Hilbert包絡解調(diào)仿真信號分析33-37
• 3.3 本章小結(jié)37-38
• 第四章 基于MCA的齒輪故障診斷應用研究38-55
• 4.1 EEMD基礎理論38-44
• 4.1.1 EEMD的基本原理和算法步驟38-39
• 4.1.2 EEMD方法中參數(shù)的設置及IMF分量的選取39-41
• 4.1.3 EEMD方法的算法仿真41-44
• 4.2 能量算子解調(diào)44-46
• 4.2.1 能量算子解調(diào)原理44-45
• 4.2.2 能量算子解調(diào)方法的仿真信號分析45-46
• 4.3 基于EEMD、MCA與能量算子解調(diào)的齒輪局部故障診斷方法46-47
• 4.4 基于MCA的齒輪局部故障仿真信號分析47-52
• 4.5 基于MCA的齒輪局部故障實測信號分析52-54
• 4.6 本章小結(jié)54-55
• 第五章 基于MCA的變轉(zhuǎn)速滾動軸承故障診斷應用研究55-68
• 5.1 階次跟蹤方法55-59
• 5.1.1 階次跟蹤方法的基本原理及其實現(xiàn)步驟55-56
• 5.1.2 階次跟蹤方法中存在的問題及解決方案56-57
• 5.1.3 改進階次跟蹤方法的仿真信號分析57-59
• 5.2 基于MCA的變轉(zhuǎn)速滾動軸承故障診斷方法59-60
• 5.3 基于MCA的變轉(zhuǎn)速滾動軸承故障仿真信號分析60-64
• 5.4 基于MCA的變轉(zhuǎn)速滾動軸承故障實測信號分析64-67
• 5.5 本章小結(jié)67-68
• 第六章 結(jié)論與展望68-70
• 6.1 論文主要研究工作及結(jié)論68-69
• 6.2 論文研究工作展望69-70
• 參考文獻70-75
• 致謝75-76
• 個人簡歷、在學期間的研究成果及發(fā)表的學術(shù)論文76

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃晉英;畢世華;潘宏俠;楊喜旺;;獨立分量分析在齒輪箱故障診斷中的應用[J];振動、測試與診斷;2008年02期

2 一民;高速齒輪箱故障診斷技術(shù)及其診斷系統(tǒng)通過鑒定[J];振動、測試與診斷;1991年04期

3 戴麗杰;;齒輪箱故障診斷方法[J];黑龍江科技信息;2002年08期

4 高國華 ,張永忠;齒輪箱故障診斷技術(shù)的新發(fā)展[J];機械傳動;2003年06期

5 高永生;唐力偉;王建華;金海薇;;基于系統(tǒng)特性的齒輪箱故障診斷[J];煤礦機械;2006年01期

6 魏秀業(yè);潘宏俠;;齒輪箱故障診斷技術(shù)現(xiàn)狀及展望[J];測試技術(shù)學報;2006年04期

7 邢士勇;金海薇;鄭海起;唐力偉;;基于關(guān)聯(lián)距離熵的齒輪箱故障診斷[J];機械工程師;2007年07期

8 吳德會;;一種基于支持向量機的齒輪箱故障診斷方法[J];振動、測試與診斷;2008年04期

9 王華;包磊;宋昊明;郭穎;葉偉;;空分457齒輪箱故障診斷[J];機械研究與應用;2008年03期

10 朱有劍;李建;;基于倒頻譜特征提取的齒輪箱故障診斷[J];科技廣場;2008年08期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 蔡安江;豆衛(wèi)濤;柴彥昌;孫少軍;;基于人工神經(jīng)網(wǎng)絡技術(shù)的齒輪箱故障診斷應用研究[A];陜西省機械工程學會第九次代表大會會議論文集[C];2009年

2 高永生;唐力偉;甘霖;楊通強;;基于系統(tǒng)特性的齒輪箱故障診斷[A];2005年中國機械工程學會年會論文集[C];2005年

3 李愛民;;基于灰色聚類決策的齒輪箱故障診斷[A];第19屆灰色系統(tǒng)全國會議論文集[C];2010年

4 金大瑋;李建橋;賈民平;;循環(huán)自相關(guān)函數(shù)在齒輪箱故障診斷中的應用[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學會2008年學術(shù)年會論文集（上冊）[C];2008年

5 董海江;趙春華;萬詩慶;汪偉;;LWPEE與SVM在風電齒輪箱故障診斷中的應用[A];第十一屆全國摩擦學大會論文集[C];2013年

6 雷亞國;林京;何正嘉;;基于多傳感器信息融合的行星齒輪箱故障診斷[A];第十二屆全國設備故障診斷學術(shù)會議論文集[C];2010年

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 歐璐;圖譜理論在齒輪箱故障診斷中的應用研究[D];湖南大學;2016年

2 許昕;基于濾波技術(shù)和粒子群優(yōu)化的齒輪箱故障診斷研究[D];中北大學;2011年

3 焦新濤;小波分析及其在齒輪箱故障診斷中應用研究[D];華南理工大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李猷鳳;齒輪箱故障診斷的小波包-ICA分析方法[D];南京理工大學;2015年

2 鄢小安;基于自適應振動信號處理的齒輪箱故障診斷研究[D];華北電力大學;2015年

3 李楠;基于粒子濾波的齒輪箱故障診斷[D];華北電力大學;2015年

4 張韶;基于數(shù)據(jù)挖掘技術(shù)在齒輪箱故障診斷的應用[D];河北工程大學;2015年

5 李國明;基于神經(jīng)網(wǎng)絡的齒輪箱故障診斷研究[D];河北工業(yè)大學;2015年

6 盧昆鵬;基于DSP-SVM的風電齒輪箱故障診斷系統(tǒng)[D];中北大學;2016年

7 馬凌芝;基于DSP和TQWT稀疏分解的風電齒輪箱故障診斷系統(tǒng)[D];中北大學;2016年

8 郭松濤;基于約束獨立分量分析的齒輪箱故障診斷研究[D];河南理工大學;2015年

9 牛志雷;基于形態(tài)分量分析的齒輪箱故障診斷研究[D];石家莊鐵道大學;2016年

10 曹勁然;大型吊裝裝備齒輪箱故障診斷與預測方法研究[D];南京理工大學;2016年

  本文關(guān)鍵詞：基于形態(tài)分量分析的齒輪箱故障診斷研究，，由筆耕文化傳播整理發(fā)布。

本文編號：463972