本文關(guān)鍵詞：基于圖像識(shí)別的齒輪故障診斷方法研究

  更多相關(guān)文章： 齒輪箱故障診斷 小波包雙譜分析 灰度共生矩陣(GLCM) 支持向量機(jī)(SVM)

【摘要】：齒輪作為機(jī)械系統(tǒng)最重要的部件之一,其運(yùn)行狀態(tài)的良好與否將直接決定整個(gè)機(jī)械系統(tǒng)的健康狀況,最不利的情況是可能導(dǎo)致整個(gè)生產(chǎn)線的停頓,造成巨大的經(jīng)濟(jì)損失。因此齒輪一旦發(fā)生故障,及時(shí)發(fā)現(xiàn)并排除掉這些故障就顯得尤為重要。此前的齒輪故障診斷都是通過分析振動(dòng)信號(hào)的頻譜特征來完成的,本文提出了一種基于圖像識(shí)別的齒輪故障診斷方法,該方法將先進(jìn)的圖像識(shí)別技術(shù)與成熟的信號(hào)頻譜分析技術(shù)相結(jié)合,通過分析齒輪故障信號(hào)雙譜圖的紋理特征,進(jìn)而使用SVM分類算法識(shí)別出齒輪的故障類型。最后通過在可模擬風(fēng)力渦輪機(jī)動(dòng)力傳動(dòng)故障診斷實(shí)驗(yàn)平臺(tái)(WTDS)上的實(shí)驗(yàn),證明了該方法的可行性。主要研究內(nèi)容如下:1.基于小波包多分辨分解技術(shù)的消噪能力已被廣泛的認(rèn)可,此外雙譜分析在處理具有非高斯信號(hào),非平穩(wěn)信號(hào)具有很好的優(yōu)勢(shì),將這兩點(diǎn)結(jié)合的小波包雙譜分析方法具有極好的濾除噪聲的能力。通過小波包雙譜分析濾除齒輪故障信號(hào)的背景噪聲,從而獲得具有穩(wěn)定紋理特征的小波包雙譜圖。2.通過融合不同通道的雙譜圖可以綜合不同通道的故障信息,這將更加有利于齒輪的故障診斷。本文采用基于小波變換的圖像融合技術(shù),將多通道故障信息在圖像層面上實(shí)現(xiàn)了融合。3.本文通過從小波包雙譜圖提取出四個(gè)方向上的GLCM矩陣,然后利用基于加權(quán)平均的融合方法將四個(gè)方向上的GLCM矩陣進(jìn)行了融合,最后通過GLCM矩陣的12個(gè)二階統(tǒng)計(jì)量生成圖像的特征向量。4.支持向量機(jī)(SVM)是解決小樣本學(xué)習(xí)最佳的算法之一,并且具有很好的泛化能力。以GLCM生成的特征向量為對(duì)象,通過多分類的SVM分類算法實(shí)現(xiàn)了在圖像層面上的齒輪故障的識(shí)別。5.通過在WTDS實(shí)驗(yàn)平臺(tái)上的實(shí)驗(yàn)驗(yàn)證了基于圖像識(shí)別技術(shù)的齒輪箱故障診斷的可行性,實(shí)驗(yàn)證明在徑向基核函數(shù)下,該方法的識(shí)別率可以達(dá)到85%左右。
【關(guān)鍵詞】：齒輪箱故障診斷 小波包雙譜分析 灰度共生矩陣(GLCM) 支持向量機(jī)(SVM)
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH132.41;TH17
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 緒論10-16
• 1.1 課題來源10
• 1.2 背景及意義10-12
• 1.3 國內(nèi)外研究現(xiàn)狀12-14
• 1.3.1 齒輪故障診斷國內(nèi)外研究現(xiàn)狀12-13
• 1.3.2 數(shù)字圖像處理技術(shù)在國內(nèi)外研究現(xiàn)狀13-14
• 1.3.4 基于圖像識(shí)別的機(jī)械故障診斷國內(nèi)研究現(xiàn)狀14
• 1.4 主要研究內(nèi)容14-15
• 1.5 論文結(jié)構(gòu)安排15-16
• 2 齒輪故障機(jī)理及現(xiàn)代信號(hào)處理技術(shù)分析16-20
• 2.1 齒輪的故障機(jī)理分析16-18
• 2.2 現(xiàn)代齒輪故障診斷信號(hào)處理技術(shù)介紹18-19
• 2.3 本章小結(jié)19-20
• 3 基于小波包雙譜分析的齒輪故障信號(hào)處理研究20-31
• 3.1 小波包分解技術(shù)20-23
• 3.1.1 小波包定義20-21
• 3.1.2 小波包的空間分解21-23
• 3.1.3 小波包分解與重構(gòu)23
• 3.2 雙譜分析23-27
• 3.2.1 高階譜的定義23-24
• 3.2.2 雙譜的性質(zhì)24-25
• 3.2.3 雙譜的物理意義25-26
• 3.2.4 雙譜分析的優(yōu)缺點(diǎn)26-27
• 3.3 小波包雙譜分析27
• 3.4 仿真實(shí)驗(yàn)27-30
• 3.5 本章小結(jié)30-31
• 4 雙譜圖的融合與特征提取研究31-48
• 4.1 雙譜圖和灰度圖像的映射關(guān)系31-32
• 4.2 基于小波變換的圖像融合32-37
• 4.2.1 圖像融合的級(jí)別32-34
• 4.2.2 圖像的小波分解34-35
• 4.2.3 基于匹配度的圖像融合方法35-37
• 4.3 基于灰度共生矩陣的圖像紋理特征提取37-41
• 4.3.1 灰度共生矩陣及其二階統(tǒng)計(jì)量38-39
• 4.3.2 灰度共生矩陣的二階統(tǒng)計(jì)量39-41
• 4.4 灰度共生矩陣的融合41-42
• 4.5 基于距離的可分性測(cè)度42-43
• 4.6 實(shí)驗(yàn)結(jié)果分析43-46
• 4.6.1 基于小波變換的圖像融合實(shí)驗(yàn)44
• 4.6.2 GLCM參數(shù)對(duì)可分性判據(jù)的影響實(shí)驗(yàn)44-46
• 4.7 本章小結(jié)46-48
• 5 基于支持向量機(jī)(SVM)的圖像識(shí)別研究48-58
• 5.1 典型圖像識(shí)別系統(tǒng)結(jié)構(gòu)48
• 5.2 最優(yōu)分類面48-50
• 5.3 支持向量機(jī)50-53
• 5.4 SVM分類實(shí)現(xiàn)步驟53-54
• 5.5 SVM多分類問題研究54-55
• 5.6 仿真實(shí)驗(yàn)55-57
• 5.7 本章小結(jié)57-58
• 6 基于圖像識(shí)別的齒輪箱故障診斷實(shí)驗(yàn)分析58-69
• 6.1 齒輪故障信號(hào)的小波包雙譜分析58-62
• 6.2 雙譜圖的融合62-63
• 6.3 雙譜圖灰度共生矩陣的特征提取及分類63-66
• 6.4 基于支持向量機(jī)的圖像分類識(shí)別66-68
• 6.5 本章小結(jié)68-69
• 7 結(jié)論與展望69-72
• 7.1 本文總結(jié)69-70
• 7.2 工作展望70-72
• 參考文獻(xiàn)72-75
• 致謝75-76
• 個(gè)人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果76

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 湯和;應(yīng)懷樵;汪元輝;張策;;用齒輪噪聲特性診斷齒輪故障的研究[J];齒輪;1986年04期

2 高明;齒輪故障分析及診斷[J];電大理工;2000年01期

3 皮駿;廖明夫;;利用小波包絡(luò)診斷齒輪故障[J];機(jī)械設(shè)計(jì);2005年11期

4 孔文濤;許益華;;齒輪故障的原因及診斷[J];石油和化工設(shè)備;2009年03期

5 艾延廷,盛元生;時(shí)域分析技術(shù)在齒輪故障檢測(cè)中的應(yīng)用[J];振動(dòng)、測(cè)試與診斷;1992年04期

6 潘嘉祺;《齒輪故障模擬器的開發(fā)和研制》項(xiàng)目通過科技成果鑒定[J];上海冶金高等專科學(xué)校學(xué)報(bào);2000年02期

7 陳明華 ,陳海林 ,江建忠;齒輪故障的振動(dòng)診斷及案例分析[J];中國設(shè)備工程;2005年07期

8 陳亮;;應(yīng)用振動(dòng)峰值能量對(duì)齒輪故障的診斷[J];中國設(shè)備工程;2008年04期

9 張桂才，，趙萬鎰;幅值立方法──一種新的齒輪故障信號(hào)預(yù)處理方法[J];機(jī)械傳動(dòng);1994年03期

10 劉建敏;劉遠(yuǎn)宏;江鵬程;馮輔周;;基于包絡(luò)S變換時(shí)頻圖像提取齒輪故障特征[J];振動(dòng)與沖擊;2014年01期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前2條

1 明廷鋒;張永祥;仰德標(biāo);;齒輪故障診斷技術(shù)研究綜述[A];第十屆全國設(shè)備監(jiān)測(cè)與診斷技術(shù)學(xué)術(shù)會(huì)議論文集[C];2000年

2 張玉奎;周火青;;提升小波分析在齒輪故障中的應(yīng)用[A];2012中國（唐山）綠色鋼鐵高峰論壇暨冶金設(shè)備、節(jié)能減排技術(shù)推介會(huì)論文集/推介指南[C];2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 董傳洋;基于MCSA的齒輪故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 張姍姍;基于蜂群優(yōu)化的支持向量機(jī)齒輪故障診斷技術(shù)研究[D];東北石油大學(xué);2015年

3 尹華魁;基于多體動(dòng)力學(xué)的直升機(jī)主傳動(dòng)系統(tǒng)典型齒輪故障建模方法研究[D];湖南科技大學(xué);2015年

4 段蛟龍;基于物聯(lián)網(wǎng)的采煤機(jī)狀態(tài)監(jiān)測(cè)及壽命管理系統(tǒng)的開發(fā)[D];太原理工大學(xué);2016年

5 王亞麗;大型冷卻塔風(fēng)機(jī)齒輪故障分析及監(jiān)控技術(shù)研究[D];天津科技大學(xué);2015年

6 王勝江;齒輪故障振動(dòng)信號(hào)特征提取方法研究[D];石家莊鐵道大學(xué);2016年

7 魏維格;基于圖像識(shí)別的齒輪故障診斷方法研究[D];鄭州大學(xué);2016年

8 歷敏;非平穩(wěn)轉(zhuǎn)速齒輪故障診斷方法研究[D];哈爾濱工業(yè)大學(xué);2016年

9 趙年偉;基于聲發(fā)射技術(shù)的齒輪故障監(jiān)測(cè)[D];沈陽工業(yè)大學(xué);2013年

10 Simon Romli;基于包絡(luò)分析的齒輪故障監(jiān)測(cè)及基于人工神經(jīng)網(wǎng)絡(luò)的齒輪故障分類[D];重慶大學(xué);2011年

本文編號(hào)：687195