發(fā)布時間：2017-07-30 00:00

  本文關(guān)鍵詞：基于LMD和SVM齒輪泵故障特征信息提取與診斷研究

  更多相關(guān)文章： DT-LMD分解 端點效應(yīng) SVM核函數(shù) 故障診斷

【摘要】：齒輪泵作為液壓系統(tǒng)動力源,一旦出現(xiàn)故障會導(dǎo)致整個液壓設(shè)備癱瘓,將給企業(yè)帶來無法估量的損失。本論文以齒輪泵為研究對象,對齒輪泵進行故障診斷研究,內(nèi)容如下:(1)通過實驗對小波變換和雙樹復(fù)小波變換的降噪效果進行對比分析,結(jié)果表明雙樹復(fù)小波變換的降噪效果更好。對LMD(Local Mean Decomposition)分解原理進行了研究,對其存在的端點效應(yīng)和分量過多問題分別提出相關(guān)點延拓和相關(guān)系數(shù)選擇方法進行改進,通過實驗驗證了改進方法的有效性。基于雙樹復(fù)小波變換在降噪方面的優(yōu)點和LMD分解可得到包含更多物理意義的單分量信號,提出DT-LMD(Dual-Tree Local Mean Decomposition)能量特征提取方法,通過實驗驗證DT-LMD分解比LMD分解更能有效提取故障特征信號能量值。(2)對SVM(Support Vector Machine)核函數(shù)的選用進行了研究,根據(jù)齒輪泵信號的特點提出一種結(jié)構(gòu)簡單的核函數(shù),并通過交叉驗證對核參數(shù)進行優(yōu)化。利用UCI數(shù)據(jù)庫對各類核函數(shù)進行對比,結(jié)果表明新核函數(shù)的分類準(zhǔn)確率最高。(3)利用LabVIEW友好的人機界面和MATLAB強大的數(shù)據(jù)處理功能相結(jié)合,進行齒輪泵故障診斷系統(tǒng)的開發(fā),利用LabVIEW中的MATLAB script節(jié)點,將新的方法應(yīng)用于齒輪泵的故障診斷中,實現(xiàn)了齒輪泵智能化的故障診斷。經(jīng)過小樣本試驗和實際數(shù)據(jù)測試,論文提出的基于DT-LMD分解和SVM的故障診斷方法,理論上可行,對工作于復(fù)雜環(huán)境中齒輪泵的軸承故障診斷有著重要的參考意義。
【關(guān)鍵詞】：DT-LMD分解 端點效應(yīng) SVM核函數(shù) 故障診斷
【學(xué)位授予單位】：山東理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH325
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-17
• 1.1 課題來源8
• 1.2 齒輪泵故障診斷研究意義8-9
• 1.3 齒輪泵故障診斷技術(shù)研究現(xiàn)狀9-14
• 1.3.1 齒輪泵故障診斷技術(shù)的發(fā)展9-11
• 1.3.2 齒輪泵故障特征提取方法11-14
• 1.4 齒輪泵故障識別方法14-15
• 1.4.1 神經(jīng)網(wǎng)絡(luò)14
• 1.4.2 支持向量機14-15
• 1.5 論文的主要研究內(nèi)容15-16
• 1.6 本章小結(jié)16-17
• 第二章 齒輪泵的振動故障機理和特征分析17-23
• 2.1 齒輪泵簡介17-18
• 2.2 齒輪泵零部件的常見故障18-21
• 2.2.1 齒輪泵輪齒常見失效形式18-20
• 2.2.2 齒輪泵軸承的常見失效形式20-21
• 2.3 齒輪輪齒和軸承的振動機理21-22
• 2.3.1 齒輪泵輪齒的振動機理21
• 2.3.2 齒輪泵軸承的振動機理21-22
• 2.4 本章小結(jié)22-23
• 第三章 基于DT-LMD齒輪泵故障診斷特征信號的提取23-36
• 3.1 雙樹復(fù)小波變換23-25
• 3.1.1 雙樹復(fù)小波變換降噪原理23-24
• 3.1.2 雙樹復(fù)小波降噪實例24-25
• 3.2 局部均值分解25-31
• 3.2.1 LMD分解過程25-28
• 3.2.2 LMD分解方法的缺點及改進28-29
• 3.2.3 LMD算法的改進及仿真29-31
• 3.3 DT-LMD分解方法31-35
• 3.3.1 DT-LMD分解過程31-32
• 3.3.2 DT-LMD實驗分析32-35
• 3.4 本章小結(jié)35-36
• 第四章 基于SVM的齒輪泵故障診斷36-55
• 4.1 統(tǒng)計學(xué)習(xí)理論36-38
• 4.1.1 VC維36-37
• 4.1.2 結(jié)構(gòu)風(fēng)險最小化37-38
• 4.2 支持向量機基本原理38-44
• 4.2.1 最優(yōu)分類超平面38-40
• 4.2.2 SVM多類分類問題40-41
• 4.2.3 核函數(shù)41-43
• 4.2.4 交叉驗證43-44
• 4.3 齒輪泵故障診斷實驗方法研究44-53
• 4.3.1 基于DT-LMD和SVM的齒輪泵軸承診斷方法44-52
• 4.3.2 SVM預(yù)測結(jié)果分析52-53
• 4.4 本章小結(jié)53-55
• 第五章 基于LabVIEW的齒輪泵故障診斷系統(tǒng)55-61
• 5.1 LabVIEW軟件簡介55
• 5.2 故障診斷系統(tǒng)開發(fā)55-59
• 5.3 系統(tǒng)顯示59-60
• 5.4 本章小結(jié)60-61
• 第六章 總結(jié)與展望61-62
• 參考文獻(xiàn)62-66
• 攻讀碩士學(xué)位期間發(fā)表的論文和科研情況66-67
• 致謝67

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃建華;巧修齒輪泵[J];礦山機械;2001年04期

2 代彥斌,陳克榮,舒麗;擠出塑料的齒輪泵設(shè)計[J];機械管理開發(fā);2001年S1期

3 祝海林,鄒e，

本文編號：591610