本文關(guān)鍵詞：基于EMD的齒輪箱故障特征提取方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著工業(yè)技術(shù)的高速發(fā)展,齒輪箱越來越受到人們的普遍關(guān)注。汽車、機車及船舶的運轉(zhuǎn)都離不開它。齒輪箱通常由軸、齒輪、軸承以及箱體等零部件組成。齒輪、軸、軸承的健康狀態(tài)對機械設(shè)備的正常運轉(zhuǎn)起到了關(guān)鍵的作用。 文章由傳統(tǒng)的測振方法引出本文的工作重點。先對一般的時頻分析法進行了介紹,在此基礎(chǔ)上將小波分解法應(yīng)用到信號的消噪中,相比傅利葉消噪具有明顯優(yōu)勢。針對機械故障數(shù)據(jù)的信息量大等特點,引入基于EMD特征提取思想。本文第4章和第5章分別將PCA和流形LPP方法應(yīng)用到實際故障診斷中。 本文的主要工作包括： (1)本文分析了傳統(tǒng)時頻分析法在振動信號中的應(yīng)用,并指出了不能處理非平穩(wěn)、非線性信號的關(guān)鍵問題。在此基礎(chǔ)上介紹了新的方法-——Hilbert-Huang變換,對模擬信號進行了經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,簡稱EMD),同時經(jīng)過Hilbert-Huang變換得到了Hilbert邊際譜和HHT譜。 (2)將支持向量機(Support Vector Machine,簡稱SVM)引入齒輪箱的故障診斷中,構(gòu)建SVM網(wǎng)絡(luò)模型。介紹了EMD分解中內(nèi)稟能量熵的定義,當齒輪箱發(fā)生故障時,其振動信號的能量也會發(fā)生變化。不同頻率成分的能量改變構(gòu)成了不同的故障形式,因此可根據(jù)能量熵的不同來進行構(gòu)架SVM網(wǎng)絡(luò),從而進行分類。 (3)針對故障數(shù)據(jù)處理難,引入一種基于EMD的時域特征提取方法——主分量分析法(principal components analysis,簡稱PCA),它的基本思想是尋找方差最小方向,以此來進行數(shù)據(jù)的約簡和降維。針對工程中需要對系統(tǒng)進行故障監(jiān)測和跟蹤的研究,本文引入智能分析理論——神經(jīng)網(wǎng)絡(luò)系統(tǒng)。用主分量分析法進行分析并結(jié)合譜圖進行故障診斷。經(jīng)過處理,得12組分量。以前4組主分量數(shù)據(jù)(1-4振動數(shù)據(jù))為測試樣本子集,以其余的8組數(shù)據(jù)為訓(xùn)練樣本子集,進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。結(jié)果為目標輸出與實際輸出的相關(guān)系數(shù)R=0.913,預(yù)測點基本符合實際點。 (4)將流形局部保持投影(Locality Preserving Projections簡稱,LPP)應(yīng)用到齒輪箱故障診斷中。將提取出來的HHT時頻譜矩陣進行奇異值分解,進行故障診斷,接著用LPP進行混疊故障信號數(shù)據(jù)的分類和降維,將此方法應(yīng)用于故障模式識別問題,具有可行性,可以有效的對齒輪箱軸承故障進行分類。最后,根據(jù)文章的總體安排,開發(fā)了振動分析模塊。
【關(guān)鍵詞】：齒輪箱故障 EMD分析 主分量分析法 特征提取 流形LPP
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TH165.3;TH132.4
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-15
• 1.1 課題的選題和研究背景9
• 1.2 齒輪箱的故障形式和課題研究的意義9-11
• 1.2.1 齒輪的故障形式9-10
• 1.2.2 軸承故障形式10
• 1.2.3 課題的研究意義10-11
• 1.3 齒輪箱故障研究的國內(nèi)外現(xiàn)狀11-12
• 1.4 本文主要工作和結(jié)構(gòu)安排12-15
• 2 一般常用的振動檢測方法介紹15-27
• 2.1 齒輪傳動的力學(xué)模型16-18
• 2.2 齒輪箱的振動信號的傳統(tǒng)處理方法18-25
• 2.2.1 時域分析法18
• 2.2.2 頻域分析法18-21
• 2.2.3 時頻域分析法及其應(yīng)用21-25
• 2.3 本章小結(jié)25-27
• 3 EMD方法的研究27-38
• 3.1 Hilbert-Huang變換與經(jīng)驗?zāi)Ｊ椒纸?/span>27-32
• 3.1.1 基于經(jīng)驗?zāi)Ｊ椒纸獾腍ilbert變換27-30
• 3.1.2 Hilbert譜30-32
• 3.2 EMD綜合方法研究32-37
• 3.2.1 支持向量機32-34
• 3.2.2 EMD和支持向量機結(jié)合34-36
• 3.2.3 基于EMD奇異值熵法在齒輪箱故障檢測中的應(yīng)用36-37
• 3.3 本章小結(jié)37-38
• 4 基于EMD時域特征提取方法38-51
• 4.1 基于PCA的幅值分析特征提取38-44
• 4.1.1 PCA法介紹38
• 4.1.2 PCA在齒輪箱傳感器檢測中的應(yīng)用38-44
• 4.2 神經(jīng)網(wǎng)絡(luò)建模并進行預(yù)測44-48
• 4.2.1 前饋型網(wǎng)絡(luò)結(jié)構(gòu)和反饋網(wǎng)絡(luò)結(jié)構(gòu)45-47
• 4.2.2 向后傳播算法47-48
• 4.3 PCA法在輪箱故障診斷預(yù)測中的應(yīng)用48-50
• 4.4 本章小結(jié)50-51
• 5 基于EMD的時頻域故障提取方法51-59
• 5.1 流形算法——LPP算法51-53
• 5.2 LPP算法在軸承故障診斷中的應(yīng)用53-55
• 5.3 HHT譜分析的LPP方法實驗驗55-58
• 5.4 本章小結(jié)58-59
• 6 齒輪箱故障檢測系統(tǒng)總體設(shè)計和開發(fā)59-64
• 6.1 系統(tǒng)總體方案設(shè)計59
• 6.2 系統(tǒng)界面59-61
• 6.3 具體信號的分析61-63
• 6.3.1 時、頻域分析模塊61-62
• 6.3.2 小波分析模塊62-63
• 6.3.3 EMD分析模塊63
• 6.4 本章小結(jié)63-64
• 結(jié)論64-66
• 參考文獻66-69
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況69-70
• 致謝70-71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 崔玲麗;高立新;張建宇;胥永剛;;基于EMD的復(fù)合故障診斷方法[J];北京科技大學(xué)學(xué)報;2008年09期

2 方健;李自品;彭輝;戴思初;吳曉文;;基于主成分分析法的BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用[J];變壓器;2011年01期

3 張煜東;霍元鎧;吳樂南;董正超;;降維技術(shù)與方法綜述[J];四川兵工學(xué)報;2010年10期

4 李天云,趙妍,李楠;基于EMD的Hilbert變換應(yīng)用于暫態(tài)信號分析[J];電力系統(tǒng)自動化;2005年04期

5 姜紹俊;;小波變換在軸承故障診斷中的研究[J];電腦知識與技術(shù);2009年18期

6 張志偉;楊帆;夏克文;楊瑞霞;;一種應(yīng)用于小樣本人臉識別的2DLPP算法[J];光電子.激光;2008年07期

7 孟明,牛東曉,孟寧;基于主成分分析的神經(jīng)網(wǎng)絡(luò)評價模型研究[J];華北電力大學(xué)學(xué)報;2004年02期

8 劉占生,張新江,楊建國,夏松波;轉(zhuǎn)子軸心軌跡故障診斷特征識別方法研究[J];哈爾濱工業(yè)大學(xué)學(xué)報;1998年06期

9 閔惜琳,劉國華;用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱開發(fā)BP網(wǎng)絡(luò)應(yīng)用[J];計算機應(yīng)用;2001年S1期

10 杜浩藩,叢爽;基于MATLAB小波去噪方法的研究[J];計算機仿真;2003年07期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 彭春陽;基于振動信號分析的齒輪箱故障診斷儀的研究[D];重慶大學(xué);2011年

2 張璇;基于小波包和EMD的滾動軸承故障信號分析[D];北京化工大學(xué);2008年

3 易雄;基于小波分析的機械故障特征提取與診斷技術(shù)研究[D];浙江工業(yè)大學(xué);2009年

  本文關(guān)鍵詞：基于EMD的齒輪箱故障特征提取方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：274058