本文關(guān)鍵詞：基于分形理論和支持向量機(jī)的齒輪箱故障診斷研究

  更多相關(guān)文章： 分形理論 多重分形 分形維數(shù) 支持向量機(jī) 多核支持向量機(jī) 故障診斷 齒輪箱

【摘要】：齒輪箱作為傳動(dòng)系統(tǒng)不可或缺的部件，它的運(yùn)行狀態(tài)的好壞關(guān)乎重大。但是齒輪箱在工作過程中會受到環(huán)境因素的干擾，從而使傳感器采集的數(shù)據(jù)含有不需要的噪聲。基于此本文在充分分析了分齒輪箱故障診斷的意義以及診斷方法的現(xiàn)狀的前提下，提出了用短時(shí)分維作為模糊控制參數(shù)的短時(shí)分形濾波器對實(shí)采數(shù)據(jù)進(jìn)行濾波后，再用多重分形譜算法獲得故障特征參量，最后采用支持向量機(jī)進(jìn)行故障診斷與識別的方法。通過搭建齒輪箱故障實(shí)驗(yàn)平臺，驗(yàn)證了這種方法能夠完成齒輪箱故障診斷任務(wù)。 本文在詳細(xì)介紹了分形理論和幾種分形維數(shù)之后，提出了將短時(shí)網(wǎng)格維數(shù)作為模糊控制的自適應(yīng)參數(shù)，把兩者結(jié)合起來實(shí)現(xiàn)信號降噪的辦法。在充分介紹多重分形譜算法之后，采用a (q)和f (a (q))max以及盒子維數(shù)作為故障信號的特征參量的思路，并用支持向量機(jī)進(jìn)行驗(yàn)證，，故障識別效果很好。對支持向量機(jī)主要的核參數(shù)和懲罰因子采用粒子群優(yōu)化算法進(jìn)行優(yōu)化，通過對比證明優(yōu)化后的支持向量機(jī)故障識別效果更好。針對支持向量機(jī)的泛化能力提升問題，引入多核學(xué)習(xí)支持向量機(jī)，采用線性組合的方式將具有全局性和局部性能的核函數(shù)進(jìn)行整合。通過對比證明多核支持向量機(jī)不僅能夠更出色的完成診斷任務(wù)，而且比單核情況下有更高的推廣能力。
【關(guān)鍵詞】：分形理論 多重分形 分形維數(shù) 支持向量機(jī) 多核支持向量機(jī) 故障診斷 齒輪箱
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要4-5
• Abstract5-10
• 1. 緒論10-16
• 1.1 齒輪箱故障診斷的意義及研究現(xiàn)狀10-13
• 1.1.1 齒輪箱故障診斷的研究意義10-11
• 1.1.2 齒輪箱故障診斷的國內(nèi)外研究現(xiàn)狀11-13
• 1.2 分形理論和支持向量機(jī)在齒輪箱故障診斷中的應(yīng)用現(xiàn)狀13-15
• 1.2.1 分形理論在齒輪箱故障診斷中的應(yīng)用現(xiàn)狀13-14
• 1.2.2 支持向量機(jī)在齒輪箱故障診斷中的應(yīng)用現(xiàn)狀14-15
• 1.3 本文主要工作內(nèi)容15-16
• 2. 齒輪箱故障機(jī)理研究與實(shí)驗(yàn)設(shè)計(jì)16-30
• 2.1 齒輪振動(dòng)機(jī)理16-19
• 2.1.1 齒輪嚙合簡化振動(dòng)模型16-17
• 2.1.2 齒輪嚙合剛度17-19
• 2.2 齒輪箱主要故障形式19-23
• 2.2.1 齒輪箱失效的原因19-21
• 2.2.2 齒輪箱主要的失效形式21-23
• 2.3 齒輪箱故障實(shí)驗(yàn)23-28
• 2.3.1 實(shí)驗(yàn)平臺介紹24-26
• 2.3.2 齒輪箱故障實(shí)驗(yàn)故障設(shè)置26-28
• 2.4 齒輪箱故障數(shù)據(jù)采集28-29
• 2.5 本章小結(jié)29-30
• 3. 分形理論的研究及應(yīng)用30-45
• 3.1 分形理論概述30-31
• 3.2 分形理論的性質(zhì)31-33
• 3.2.1 分形自相似性31
• 3.2.2 分形的無標(biāo)度性31-33
• 3.3 分形維數(shù)33-38
• 3.3.1 盒維數(shù)35
• 3.3.2 信息維數(shù)35-36
• 3.3.3 Hausdorff 維數(shù)36-37
• 3.3.4 關(guān)聯(lián)維數(shù)37-38
• 3.3.5 網(wǎng)格維數(shù)38
• 3.4 分形濾波38-42
• 3.4.1 模糊控制濾波原理39-40
• 3.4.2 短時(shí)分維的計(jì)算方法40-41
• 3.4.3 分形濾波參數(shù)的確定41-42
• 3.5 分形理論在濾波中的應(yīng)用42-44
• 3.6 本章小結(jié)44-45
• 4. 多重分形的齒輪箱故障特征提取45-53
• 4.1 多重分形的模型和計(jì)算方法45-47
• 4.2 齒輪箱故障的多重分形特征提取47-52
• 4.2.1 多重分形譜的計(jì)算流程47-48
• 4.2.2 計(jì)算多重分形譜時(shí)的參數(shù)優(yōu)選48-49
• 4.2.3 齒輪箱故障的多重分形特征提取49-52
• 4.3 本章小結(jié)52-53
• 5. 基于支持向量機(jī)的齒輪箱智能故障識別53-77
• 5.1 支持向量機(jī)原理53-55
• 5.2 支持向量機(jī)55-59
• 5.2.1 最優(yōu)化分類超平面55-57
• 5.2.2 核函數(shù)以及核函數(shù)參數(shù)選擇57-59
• 5.3 支持向量機(jī)在齒輪箱故障診斷中的應(yīng)用59-76
• 5.3.1 基本支持向量機(jī)齒輪箱故障識別59-61
• 5.3.2 基于粒子群參數(shù)優(yōu)化的支持向量機(jī)故障識別61-65
• 5.3.3 基于多核學(xué)習(xí)的支持向量機(jī)故障診斷65-76
• 5.4 本章小結(jié)76-77
• 6. 總結(jié)與展望77-79
• 6.1 總結(jié)77
• 6.2 展望77-79
• 參考文獻(xiàn)79-86
• 攻讀碩士學(xué)位期間發(fā)表的論文86-87
• 致謝87-88

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 潘明清,周曉軍,楊辰龍,龐茂;基于信息譜熵的支持向量機(jī)機(jī)械狀態(tài)識別[J];傳感技術(shù)學(xué)報(bào);2005年02期

2 孫博玲;分形維數(shù)(Fractal dimension)及其測量方法[J];東北林業(yè)大學(xué)學(xué)報(bào);2004年03期

3 潘宏俠;馬清峰;;Research on Gear-box Fault Diagnosis Method Based on Adjusting-learning-rate PSO Neural Network[J];Journal of DongHua University;2006年06期

4 方科;黃元亮;劉新東;;基于自適應(yīng)PSO算法的LS-SVM牽引變壓器絕緣故障診斷模型[J];電力自動(dòng)化設(shè)備;2011年03期

5 張朝暉,黃惟一;振動(dòng)波形的分形判別及特征提取[J];東南大學(xué)學(xué)報(bào);1999年04期

6 石志標(biāo);宋全剛;馬明釗;李祺;;基于改進(jìn)粒子群優(yōu)化支持向量機(jī)的汽輪機(jī)組故障診斷[J];動(dòng)力工程學(xué)報(bào);2012年06期

7 費(fèi)勝巍;苗玉彬;劉成良;張曉斌;;基于粒子群優(yōu)化支持向量機(jī)的變壓器故障診斷[J];高電壓技術(shù);2009年03期

8 劉占生,劉成敏,劉樹春,范顯峰,唐炳照;小波分析和分形幾何在轉(zhuǎn)子動(dòng)靜碰摩故障診斷中的應(yīng)用[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);1999年01期

9 于德介,程軍圣,楊宇;Hilbert能量譜及其在齒輪故障診斷中的應(yīng)用[J];湖南大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年04期

10 潘宏俠;黃晉英;毛鴻偉;魏秀業(yè);;粒子群優(yōu)化技術(shù)用于故障診斷中的測點(diǎn)優(yōu)化配置研究[J];火炮發(fā)射與控制學(xué)報(bào);2008年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 彭富強(qiáng);多尺度線調(diào)頻基稀疏信號分解及其在齒輪箱故障診斷中的應(yīng)用[D];湖南大學(xué);2010年

2 鄒明清;分形理論的若干應(yīng)用[D];華中科技大學(xué);2007年

本文編號：687219