本文關(guān)鍵詞：基于信號(hào)共振稀疏分解的齒輪箱故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：齒輪箱是機(jī)械裝備中的重要部件，在機(jī)械系統(tǒng)的動(dòng)力及旋轉(zhuǎn)運(yùn)動(dòng)的傳遞上起著至關(guān)重要的作用。齒輪箱的運(yùn)行狀態(tài)在很大程度上影響著整個(gè)機(jī)械系統(tǒng)的運(yùn)行狀況，齒輪箱故障將直接影響到整個(gè)機(jī)械設(shè)備的安全性和可靠性，因此，對(duì)齒輪箱進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷具有重要的實(shí)用價(jià)值和現(xiàn)實(shí)意義。在目前的齒輪箱故障診斷技術(shù)中，振動(dòng)診斷技術(shù)的工程實(shí)用性更高，應(yīng)用范圍更廣�；谡駝�(dòng)分析的齒輪箱診斷原理是利用傳感器獲取齒輪箱的振動(dòng)信號(hào)，再?gòu)男盘?hào)中提取出故障特征信息，進(jìn)而實(shí)現(xiàn)齒輪箱的故障診斷。 基于品質(zhì)因子可調(diào)小波變換(Tunable Q-Factor Wavelet Transform，TQWT)，Sekesnick最近提出了信號(hào)共振稀疏分解方法，該方法根據(jù)諧波信號(hào)和沖擊信號(hào)所具有的品質(zhì)因子Q不同，利用TQWT分別對(duì)信號(hào)進(jìn)行高Q和低Q的稀疏表示，然后采用形態(tài)分量分析(Morphological Component Analysis，MCA)對(duì)信號(hào)進(jìn)行非線性分離，得到包含諧波信號(hào)的高共振分量和包含沖擊信號(hào)的低共振分量。但該方法的分解效果與分解參數(shù)的選擇密切相關(guān)，而傳統(tǒng)信號(hào)共振稀疏分解方法手動(dòng)選擇分解參數(shù)，導(dǎo)致對(duì)應(yīng)的TQWT基函數(shù)不能與信號(hào)中的各成分進(jìn)行最優(yōu)匹配，從而降低了分離效果。 本論文在國(guó)家自然科學(xué)基金項(xiàng)目“信號(hào)共振稀疏分解方法及其在機(jī)械故障診斷中的應(yīng)用研究”(項(xiàng)目批準(zhǔn)號(hào)：51275161)和湖南大學(xué)汽車(chē)車(chē)身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室自主研究課題“汽車(chē)關(guān)鍵零部件的早期故障診斷與剩余壽命預(yù)測(cè)技術(shù)研究”(項(xiàng)目編號(hào)：71375004)資助下，以齒輪箱中齒輪、軸承等典型零件的振動(dòng)機(jī)理為研究基礎(chǔ)，針對(duì)傳統(tǒng)信號(hào)共振稀疏分解方法因手動(dòng)選擇分解參數(shù)導(dǎo)致分解效果不佳的問(wèn)題，將信號(hào)共振稀疏分解分別與遺傳算法、分步迭代優(yōu)化方法相結(jié)合，，并將其應(yīng)用于齒輪箱故障診斷。 論文的主要研究工作有 (1)信號(hào)共振稀疏分解方法的分解效果與分解參數(shù)密切相關(guān)，而手動(dòng)選擇往往帶有隨意性，難以獲得最佳的分解效果。針對(duì)上述問(wèn)題，提出了基于最優(yōu)品質(zhì)因子信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷方法。該方法以低共振分量的峭度最大為目標(biāo)，利用遺傳算法對(duì)信號(hào)共振稀疏分解的品質(zhì)因子進(jìn)行優(yōu)化，獲得最優(yōu)品質(zhì)因子，再利用最優(yōu)品質(zhì)因子進(jìn)行信號(hào)分解，可獲得最佳分解效果。仿真分析和應(yīng)用實(shí)例證明了該方法的有效性。 (2)針對(duì)遺傳算法計(jì)算效率低、運(yùn)算時(shí)間長(zhǎng)的問(wèn)題，提出了基于分步迭代優(yōu)化信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷方法。該方法以低共振分量的峭度最大為目標(biāo)，利用分步迭代優(yōu)化方法對(duì)信號(hào)共振稀疏分解的品質(zhì)因子進(jìn)行優(yōu)化，獲得最優(yōu)品質(zhì)因子，再利用最優(yōu)品質(zhì)因子進(jìn)行信號(hào)分解，可獲得最佳分解效果。仿真分析和應(yīng)用實(shí)例表明，該方法能在獲得最佳的分解效果的同時(shí)，大幅縮短計(jì)算時(shí)間、提高優(yōu)化效率。 (3)針對(duì)傳統(tǒng)解調(diào)分析方法在復(fù)合故障診斷中的局限性，提出了基于最優(yōu)分解參數(shù)信號(hào)共振稀疏分解的齒輪箱復(fù)合故障診斷方法。該方法先利用高共振分量的平滑指數(shù)和低共振分量的峭度構(gòu)造復(fù)合指標(biāo)，再以復(fù)合指標(biāo)最大為目標(biāo)，利用遺傳算法對(duì)信號(hào)共振稀疏分解的分解參數(shù)進(jìn)行優(yōu)化，獲得最優(yōu)分解參數(shù)，再利用最優(yōu)分解參數(shù)進(jìn)行信號(hào)分解，以有效地分離復(fù)合信號(hào)中的諧波信號(hào)和沖擊信號(hào)。仿真分析和應(yīng)用實(shí)例表明，該方法能有效地分離復(fù)合信號(hào)中的齒輪故障信號(hào)和軸承故障信號(hào)、凸顯故障特征。 本文以信號(hào)共振稀疏分解方法為基礎(chǔ)，結(jié)合遺傳算法、分步迭代優(yōu)化方法，提出了基于改進(jìn)信號(hào)共振稀疏分解的齒輪箱故障診斷方法。仿真分析和應(yīng)用實(shí)例表明，改進(jìn)的信號(hào)共振稀疏分解方法在齒輪箱故障診斷上具有很好的應(yīng)用前景。
【關(guān)鍵詞】：共振稀疏分解 品質(zhì)因子 遺傳算法 峭度 平滑指數(shù) 齒輪箱 故障診斷
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TH132.41;TH165.3
【目錄】：

• 摘要5-7
• Abstract7-13
• 插圖索引13-15
• 附表索引15-16
• 第1章 緒論16-27
• 1.1 研究背景與意義16-17
• 1.2 齒輪箱故障診斷研究現(xiàn)狀17-18
• 1.2.1 故障診斷技術(shù)發(fā)展概述17
• 1.2.2 齒輪箱故障診斷研究現(xiàn)狀17-18
• 1.3 信號(hào)處理技術(shù)在齒輪箱故障診斷中的應(yīng)用18-24
• 1.3.1 時(shí)域分析法18-20
• 1.3.1.1 時(shí)間序列的統(tǒng)計(jì)分析18-19
• 1.3.1.2 時(shí)間序列模型分析19-20
• 1.3.2 頻域分析法20-21
• 1.3.2.1 倒頻譜分析20
• 1.3.2.2 高階譜分析20-21
• 1.3.2.3 解調(diào)譜分析21
• 1.3.3 時(shí)頻域分析法21-24
• 1.3.3.1 短時(shí)傅里葉變換21-22
• 1.3.3.2 小波變換22-23
• 1.3.3.3 經(jīng)驗(yàn)?zāi)B(tài)分解23
• 1.3.3.4 原子分解23-24
• 1.3.3.5 信號(hào)共振稀疏分解24
• 1.4 本文研究思路與主要研究?jī)?nèi)容24-27
• 1.4.1 問(wèn)題的提出24-25
• 1.4.2 本文的研究思路25
• 1.4.3 本文的主要內(nèi)容及章節(jié)安排25-27
• 第2章 齒輪箱的故障機(jī)理及診斷技術(shù)27-34
• 2.1 齒輪箱故障及其成因27-29
• 2.1.1 齒輪故障及其成因27-28
• 2.1.2 滾動(dòng)軸承故障及其成因28-29
• 2.2 齒輪箱故障診斷技術(shù)29-30
• 2.2.1 振動(dòng)診斷技術(shù)29
• 2.2.2 噪聲診斷技術(shù)29
• 2.2.3 聲發(fā)射診斷技術(shù)29-30
• 2.2.4 溫度診斷技術(shù)30
• 2.3 齒輪箱故障振動(dòng)信號(hào)特征30-32
• 2.3.1 齒輪故障振動(dòng)信號(hào)特征30-31
• 2.3.2 滾動(dòng)軸承故障振動(dòng)信號(hào)特征31-32
• 2.4 基于振動(dòng)分析的齒輪箱故障診斷基本步驟32-33
• 2.5 本章小結(jié)33-34
• 第3章 基于最優(yōu)品質(zhì)因子信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷34-55
• 3.1 引言34-35
• 3.2 信號(hào)共振稀疏分解方法35-42
• 3.2.1 信號(hào)的共振屬性35-38
• 3.2.1.1 品質(zhì)因子35-36
• 3.2.1.2 信號(hào)共振屬性的定義36-38
• 3.2.2 可調(diào)品質(zhì)因子小波變換38-40
• 3.2.3 共振分量分離40-42
• 3.3 遺傳算法42-43
• 3.3.1 遺傳算法的基本理論42
• 3.3.2 遺傳算法的實(shí)施步驟42-43
• 3.4 基于最優(yōu)品質(zhì)因子信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷43-45
• 3.4.1 基于遺傳算法的品質(zhì)因子優(yōu)化43-44
• 3.4.2 滾動(dòng)軸承故障診斷原理44-45
• 3.5 算法仿真45-48
• 3.5.1 仿真信號(hào)分析45-48
• 3.5.2 抗噪性能分析48
• 3.6 滾動(dòng)軸承故障診斷實(shí)例48-53
• 3.6.1 滾動(dòng)軸承外圈故障50-51
• 3.6.2 滾動(dòng)軸承內(nèi)圈故障51-53
• 3.7 本章小結(jié)53-55
• 第4章 基于分步迭代優(yōu)化信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷55-67
• 4.1 引言55-56
• 4.2 分步迭代優(yōu)化方法56-57
• 4.3 基于分步迭代優(yōu)化信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷57-58
• 4.3.1 基于分步迭代優(yōu)化的品質(zhì)因子優(yōu)化57
• 4.3.2 滾動(dòng)軸承故障診斷原理57-58
• 4.4 算法仿真58-61
• 4.4.1 仿真信號(hào)分析58-61
• 4.4.2 抗噪性能分析61
• 4.5 滾動(dòng)軸承故障診斷實(shí)例61-65
• 4.5.1 滾動(dòng)軸承外圈故障61-63
• 4.5.2 滾動(dòng)軸承內(nèi)圈故障63-65
• 4.6 優(yōu)化時(shí)間對(duì)比分析65-66
• 4.7 本章小結(jié)66-67
• 第5章 基于最優(yōu)分解參數(shù)信號(hào)共振稀疏分解的齒輪箱復(fù)合故障診斷67-81
• 5.1 引言67-68
• 5.2 基于最優(yōu)分解參數(shù)信號(hào)共振稀疏分解的齒輪箱復(fù)合故障診斷68-71
• 5.2.1 基于遺傳算法的分解參數(shù)優(yōu)化68-70
• 5.2.1.1 目標(biāo)函數(shù)68-69
• 5.2.1.2 分解參數(shù)優(yōu)化過(guò)程69-70
• 5.2.2 齒輪箱復(fù)合故障診斷原理70-71
• 5.3 仿真分析71-74
• 5.4 齒輪箱復(fù)合故障診斷實(shí)例74-79
• 5.4.1 齒輪斷齒和軸承外圈復(fù)合故障74-77
• 5.4.2 齒輪裂紋和軸承外圈復(fù)合故障77-79
• 5.5 本章小結(jié)79-81
• 結(jié)論與展望81-83
• 參考文獻(xiàn)83-90
• 致謝90-91
• 附錄 A 攻讀學(xué)位期間發(fā)表和錄用的論文目錄91

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(bào);2008年09期

2 蓋強(qiáng),馬孝江,張海勇,鄒巖];一種消除局域波法中邊界效應(yīng)的新方法[J];大連理工大學(xué)學(xué)報(bào);2002年01期

3 楊國(guó)安,許飛云,吳貞煥,高金吉;基于小波包和解調(diào)分析的多類(lèi)故障綜合診斷方法研究[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年01期

4 程軍圣,于德介,楊宇;基于EMD的能量算子解調(diào)方法及其在機(jī)械故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2004年08期

5 陳文英;褚福磊;閻紹澤;;基于自適應(yīng)遺傳算法分步優(yōu)化設(shè)計(jì)智能桁架結(jié)構(gòu)自抗擾振動(dòng)控制器[J];機(jī)械工程學(xué)報(bào);2010年07期

6 趙曉平;趙秀莉;侯榮濤;鄭鈺輝;楊文平;;一種新的旋轉(zhuǎn)機(jī)械升降速階段振動(dòng)信號(hào)的瞬時(shí)頻率估計(jì)算法[J];機(jī)械工程學(xué)報(bào);2011年07期

7 劉波;王凌;金以慧;;差分進(jìn)化算法研究進(jìn)展[J];控制與決策;2007年07期

8 顧紀(jì)超;李光耀;干年妃;王國(guó)春;;分步優(yōu)化方法在后車(chē)架輕量化中的應(yīng)用[J];汽車(chē)工程;2011年07期

9 張帆,丁康;平方解調(diào)分析原理及在機(jī)械信號(hào)故障診斷中的應(yīng)用[J];汕頭大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年01期

10 ;Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism[J];遙感學(xué)報(bào);2009年04期

  本文關(guān)鍵詞：基于信號(hào)共振稀疏分解的齒輪箱故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：290813