發(fā)布時(shí)間：2017-08-03 08:44

  本文關(guān)鍵詞：基于振動(dòng)信號(hào)的齒輪箱智能故障診斷方法研究

  更多相關(guān)文章： 齒輪箱 最優(yōu)小波基 特征提取及選擇 模式識(shí)別 故障診斷

【摘要】：大型旋轉(zhuǎn)機(jī)械設(shè)備中,齒輪箱作為傳遞動(dòng)力、改變轉(zhuǎn)速的重要零部件,有著不可替代的作用。齒輪箱一般由多對(duì)嚙合在一起的齒輪、轉(zhuǎn)軸、軸承、固定基座、箱體等部件構(gòu)成,這就決定了其結(jié)構(gòu)復(fù)雜、裝配精度要求高、加工工藝復(fù)雜的特點(diǎn)。因此,在復(fù)雜、惡劣的工況環(huán)境下,齒輪箱易出現(xiàn)故障并影響整個(gè)生產(chǎn)線甚至帶來(lái)大量經(jīng)濟(jì)損失,據(jù)統(tǒng)計(jì),旋轉(zhuǎn)機(jī)械故障中齒輪故障占80%,因此對(duì)齒輪箱的運(yùn)行過(guò)程進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷具有極其重要的意義。 20世紀(jì)60年代以來(lái)齒輪箱故障診斷技術(shù)有了很大的發(fā)展,目前關(guān)于齒輪箱的故障診斷研究主要集中在以下幾個(gè)方面：故障模型機(jī)理研究、檢測(cè)儀器的開(kāi)發(fā)、特征參數(shù)提取及選擇、現(xiàn)代信號(hào)處理方法、智能模式識(shí)別等。傳統(tǒng)的基于信號(hào)處理與分析的診斷技術(shù)主要提取與故障有關(guān)的特征頻率或者參數(shù),并根據(jù)以往經(jīng)驗(yàn),通過(guò)分析特定的故障頻率或者預(yù)先設(shè)定好的參數(shù)閾值對(duì)故障進(jìn)行診斷。利用上述診斷技術(shù),在診斷單一故障類型時(shí)是有效的,然而當(dāng)面對(duì)齒輪箱多種故障類型時(shí)診斷準(zhǔn)確率比較低。因此,基于多種信息融合的智能故障診斷方法,在復(fù)雜的多故障類型齒輪箱診斷中受到越來(lái)越多的重視。 本文主要從齒輪箱狀態(tài)信號(hào)預(yù)處理、最優(yōu)特征參數(shù)集的構(gòu)建和評(píng)價(jià)、智能故障診斷方法等三個(gè)方面開(kāi)展研究。 在原始信號(hào)預(yù)處理方面,本文采用基于Birge-Massart策略的自適應(yīng)閾值降噪方法,本文提出一種基于主頻率能量的相關(guān)系數(shù)法,該方法通過(guò)比較小波分解系數(shù)和信號(hào)之間相關(guān)系數(shù)的大小選擇出與齒輪故障信號(hào)最佳匹配的小波基,從而提高了降噪的效果。 在最優(yōu)特征參數(shù)集的構(gòu)建和評(píng)價(jià)方面,本文應(yīng)用信息熵理論、小波變換多分辨率分析理論構(gòu)建了功率譜熵特征參數(shù)、小波能譜特征參數(shù)；并根據(jù)“類間距離大、類內(nèi)距離小”原則,提出了一種改進(jìn)的距離測(cè)度法用于最優(yōu)特征參數(shù)的選擇,選擇出冗余度低相關(guān)性高的最優(yōu)特征參數(shù)集 在智能故障診斷方法方面,本文首先利用遺傳算法對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閩值進(jìn)行了優(yōu)化,以減小網(wǎng)絡(luò)陷入局部最優(yōu)的可能性；其次,在原有蟻群算法的基礎(chǔ)上加入了局部搜索操作,提高了算法中螞蟻找到最優(yōu)解的效率,并能夠及時(shí)發(fā)現(xiàn)更好的解,提高了蟻群算法的識(shí)別效率；最后本文應(yīng)用概率和統(tǒng)計(jì)理論,將隱馬爾科夫模型(Hidden Markov Model, HMM)應(yīng)用到齒輪箱多故障類型的靜態(tài)模式識(shí)別中,實(shí)驗(yàn)驗(yàn)證了HMM在齒輪箱故障識(shí)別方面具有算法穩(wěn)定、訓(xùn)練速度快、識(shí)別準(zhǔn)確率高的優(yōu)點(diǎn)。 最后,本文應(yīng)用三個(gè)方面的理論研究成果,開(kāi)發(fā)了一套簡(jiǎn)易的齒輪箱智能故障診斷系統(tǒng),系統(tǒng)中各個(gè)模塊的調(diào)試工作已經(jīng)完成,經(jīng)過(guò)測(cè)試系統(tǒng)初步達(dá)到了實(shí)際工程應(yīng)用的要求。
【關(guān)鍵詞】：齒輪箱 最優(yōu)小波基 特征提取及選擇 模式識(shí)別 故障診斷
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH132.41;TH165.3
【目錄】：

• 學(xué)位論文數(shù)據(jù)集3-4
• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-21
• 1.1 課題來(lái)源及意義15-16
• 1.2 齒輪箱故障診斷的研究現(xiàn)狀和發(fā)展趨勢(shì)16-17
• 1.3 論文主要內(nèi)容及創(chuàng)新點(diǎn)17-19
• 1.4 論文的結(jié)構(gòu)安排19-21
• 第二章 齒輪箱振動(dòng)機(jī)理及主要故障形式21-27
• 2.1 齒輪簡(jiǎn)化振動(dòng)模型21-22
• 2.2 齒輪箱故障主要形式22-23
• 2.3 齒輪產(chǎn)生故障時(shí)的調(diào)制現(xiàn)象和邊頻帶特點(diǎn)23-24
• 2.3.1 齒輪信號(hào)邊頻帶特點(diǎn)23
• 2.3.2 齒輪嚙合幅值、頻率調(diào)制現(xiàn)象23-24
• 2.4 本章小結(jié)24-27
• 第三章 齒輪箱振動(dòng)信號(hào)預(yù)處理27-41
• 3.1 小波變換理論27-29
• 3.1.1 連續(xù)小波變換27-28
• 3.1.2 離散小波變換28
• 3.1.3 小波變換在故障診斷中的應(yīng)用28-29
• 3.2 最佳小波基的選擇29-33
• 3.2.1 主頻率能量相關(guān)系數(shù)法29-31
• 3.2.2 主頻率能量相關(guān)系數(shù)法的有效性驗(yàn)證31-33
• 3.3 齒輪信號(hào)預(yù)處理：小波降噪33-36
• 3.3.1 小波降噪技術(shù)的發(fā)展33-34
• 3.3.2 小波閾值降噪理論34-36
• 3.3.3 自適應(yīng)小波閾值降噪36
• 3.4 實(shí)驗(yàn)驗(yàn)證和分析36-39
• 3.4.1 小波降噪性能評(píng)價(jià)36-37
• 3.4.2 實(shí)驗(yàn)結(jié)果分析37-39
• 3.5 本章小結(jié)39-41
• 第四章 齒輪狀態(tài)最優(yōu)特征參數(shù)集的構(gòu)建及評(píng)價(jià)41-57
• 4.1 齒輪狀態(tài)特征參數(shù)集的構(gòu)建41-45
• 4.1.1 時(shí)域統(tǒng)計(jì)參數(shù)41-42
• 4.1.2 頻域特征參數(shù)42-43
• 4.1.3 功率譜熵特征參數(shù)43
• 4.1.4 包絡(luò)譜特征參數(shù)43-45
• 4.1.5 小波能譜特征參數(shù)45
• 4.2 最優(yōu)特征參數(shù)集合的評(píng)價(jià)45-48
• 4.2.1 特征參數(shù)選擇方法概述45-46
• 4.2.2 改進(jìn)的距離測(cè)度參數(shù)評(píng)價(jià)方法46-48
• 4.3 實(shí)驗(yàn)驗(yàn)證和分析48-55
• 4.4 本章小結(jié)55-57
• 第五章 智能故障診斷方法57-87
• 5.1 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的模式識(shí)別57-68
• 5.1.1 BP神經(jīng)網(wǎng)絡(luò)57-60
• 5.1.2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)60-63
• 5.1.3 實(shí)驗(yàn)驗(yàn)證和分析63-68
• 5.2 基于蟻群算法的智能模式識(shí)別68-73
• 5.2.1 蟻群算法基本原理68-69
• 5.2.2 蟻群算法模式識(shí)別流程69-71
• 5.2.3 實(shí)驗(yàn)驗(yàn)證和分析71-73
• 5.3 HMM智能故障模式識(shí)別73-85
• 5.3.1 HMM原理及基本算法74-79
• 5.3.2 HMM在故障診斷中的應(yīng)用79-80
• 5.3.3 標(biāo)量量化及碼級(jí)的確定80-82
• 5.3.4 實(shí)驗(yàn)驗(yàn)證及分析82-85
• 5.4 三種方法故障識(shí)別性能比較85-86
• 5.5 本章小結(jié)86-87
• 第六章 齒輪箱智能診斷系統(tǒng)模塊化實(shí)現(xiàn)87-93
• 6.1 系統(tǒng)的總體設(shè)計(jì)87-88
• 6.2 各個(gè)模塊的調(diào)試結(jié)果88-92
• 6.3 本章小結(jié)92-93
• 第七章 總結(jié)與展望93-95
• 7.1 研究成果總結(jié)93-94
• 7.2 后續(xù)工作展望94-95
• 參考文獻(xiàn)95-99
• 致謝99-101
• 研究成果及發(fā)表的學(xué)術(shù)論文101-103
• 作者和導(dǎo)師簡(jiǎn)介103-104
• 附表104-105

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 潘泉;孟晉麗;張磊;程詠梅;張洪才;;小波濾波方法及應(yīng)用[J];電子與信息學(xué)報(bào);2007年01期

2 張承彪,羅運(yùn)柏,文習(xí)山;主成分分析在變壓器故障診斷中的應(yīng)用研究[J];高電壓技術(shù);2005年08期

3 金鑫;任獻(xiàn)彬;周亮;;智能故障診斷技術(shù)研究綜述[J];國(guó)外電子測(cè)量技術(shù);2009年07期

4 苑津莎;張冬雪;李中;;基于改進(jìn)閾值法的小波去噪算法研究[J];華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

5 唐亮;段建國(guó);許洪波;梁玲;;基于互信息最大化的特征選擇算法及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2008年13期

6 呂世聘;王秀坤;孫巖;唐一源;;改進(jìn)的支持向量機(jī)特征選擇算法[J];計(jì)算機(jī)工程;2009年01期

7 柳新民,邱靜,劉冠軍;基于連續(xù)高斯密度混合HMM的滾動(dòng)軸承故障診斷研究[J];機(jī)械傳動(dòng);2005年01期

8 吳軍彪,陳進(jìn),伍星;基于盲源分離技術(shù)的故障特征信號(hào)分離方法[J];機(jī)械強(qiáng)度;2002年04期

9 何樹(shù)波,丁啟全,李志農(nóng),吳昭同;基于Wavelet-HMM的旋轉(zhuǎn)機(jī)械故障診斷方法研究[J];機(jī)械強(qiáng)度;2003年05期

10 葛小凱;胡劍波;寧江濤;周紅建;王世甲;;基于EMD-HMM的故障診斷模型及應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2012年06期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 鞠萍華;旋轉(zhuǎn)機(jī)械早期故障特征提取的時(shí)頻分析方法研究[D];重慶大學(xué);2010年

2 雷亞國(guó);混合智能技術(shù)及其在故障診斷中的應(yīng)用研究[D];西安交通大學(xué);2007年

3 張家凡;振動(dòng)信號(hào)的包絡(luò)解調(diào)分析方法研究及應(yīng)用[D];武漢理工大學(xué);2008年

4 李寧;旋轉(zhuǎn)機(jī)械的測(cè)試信號(hào)分析及隱馬爾科夫模型應(yīng)用研究[D];重慶大學(xué);2010年

5 岳夏;基于HMM的復(fù)雜條件故障診斷技術(shù)研究[D];華南理工大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李全;基于HMM的軸承故障診斷方法[D];昆明理工大學(xué);2010年

2 李明;遺傳算法的改進(jìn)及其在優(yōu)化問(wèn)題中的應(yīng)用研究[D];吉林大學(xué);2004年

3 洪文;基于隱Markov模型的步態(tài)識(shí)別研究[D];哈爾濱工程大學(xué);2005年

4 熊健;基于振動(dòng)信號(hào)分析和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷技術(shù)研究[D];中北大學(xué);2008年

5 張成;基于圖像序列的運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤方法研究[D];天津理工大學(xué);2008年

6 殷震;基于BP神經(jīng)網(wǎng)絡(luò)的電力變壓器內(nèi)部故障診斷方法研究[D];天津大學(xué);2007年

7 王照陽(yáng);基于BP神經(jīng)網(wǎng)絡(luò)的煉鋼轉(zhuǎn)爐軸承故障診斷系統(tǒng)[D];重慶大學(xué);2008年

8 李寶慶;廣義解調(diào)時(shí)頻分析方法及其在齒輪故障診斷中的應(yīng)用研究[D];湖南大學(xué);2010年

9 石磊;8000kW海洋救助船主動(dòng)力裝置綜合監(jiān)測(cè)方法研究[D];武漢理工大學(xué);2012年

10 楊戈;PACS系統(tǒng)醫(yī)學(xué)圖像數(shù)據(jù)壓縮的研究[D];西安電子科技大學(xué);2012年

，

本文編號(hào)：613474