本文關鍵詞：基于粒子濾波方法的齒輪箱故障診斷技術

  更多相關文章： 齒輪箱 故障診斷 UPF粒子濾波 狀態(tài)估計 支持向量機

【摘要】：齒輪箱在機械傳動的各個領域中應用十分廣泛，，因此對齒輪箱進行故障狀態(tài)監(jiān)測和故障診斷具有重大的現(xiàn)實意義。齒輪箱的狀態(tài)是通過測量齒輪箱振動加速度信號來反映的，然而實際采集到的齒輪箱振動信號往往是非平穩(wěn)的，而且大量的故障信息往往被背景噪聲所淹沒，因此對齒輪箱故障診斷時進行濾波降噪處理就很有必要。 粒子濾波憑借其對非線性、非高斯信號的處理能力，在齒輪箱故障診斷的信號降噪處理上得到了廣泛應用。UPF粒子濾波由于其由UKF產(chǎn)生的重要性密度函數(shù)與真實狀態(tài)的概率密度函數(shù)的支集重疊部分更大，估計的精度更高、更準確，因此文中運用UPF粒子濾波降噪。 文中提出了一種對采集的振動信號平穩(wěn)化的方法，該方法不僅可以使時間序列符合建模平穩(wěn)性的要求，還可以達到信號初降噪的目的。首先對振動信號進行EMD分解，然后將高頻IMF分量采用小波閾值降噪預處理，最后選擇高頻小波閾值降噪后的IMF與部分低頻的IMF進行重構(gòu)。 文中選擇建立信號的AR模型，并依據(jù)時間序列的自相關函數(shù)和偏相關函數(shù)的統(tǒng)計特性驗證了AR模型的合理性。運用FPE準則、BIC準則和AIC準則進行AR模型階數(shù)辨識，同時采用三種定階準則可以使階數(shù)確定更加合理準確。應用最小二乘法對AR模型的參數(shù)進行估計計算，確定AR模型相應參數(shù)。 最后利用所建立的信號AR模型轉(zhuǎn)化為系統(tǒng)內(nèi)部空間模型，并確定模型的相應參數(shù)，運用UPF對實驗數(shù)據(jù)進行降噪處理。 結(jié)合上述理論分析，運用UPF粒子濾波技術對實驗室采集的齒輪箱振動加速度信號進行降噪，通過對濾波前后時域曲線以及信號特征參量的對比，可以發(fā)現(xiàn)濾波后的信號效果比較理想。文中分別提取齒輪箱濾波前后的特征值，然后將特征值分別輸入到支持向量機（SVM）中進行齒輪箱的故障識別，結(jié)果表明經(jīng)過UPF濾波后的測試樣本準確率較高，UPF具有很好的濾波效果。
【關鍵詞】：齒輪箱 故障診斷 UPF粒子濾波 狀態(tài)估計 支持向量機
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH165.3;TH132.4
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 緒論10-16
• 1.1 課題研究背景及意義概述10-11
• 1.1.1 課題來源10
• 1.1.2 選題背景及意義10-11
• 1.2 齒輪箱故障診斷技術及其發(fā)展現(xiàn)狀11-13
• 1.2.1 故障診斷起源和發(fā)展現(xiàn)狀概述11
• 1.2.2 齒輪箱故障診斷技術11-13
• 1.3 粒子濾波理論及其發(fā)展應用13-14
• 1.3.1 粒子濾波理論及其發(fā)展13-14
• 1.3.2 粒子濾波及其在故障診斷中的應用14
• 1.4 本論文主要的工作安排如下14-16
• 2 齒輪箱故障原理和特征信號分析16-26
• 2.1 齒輪典型故障及其原因分析16-17
• 2.1.1 齒輪典型故障16-17
• 2.1.2 齒輪典型故障原因分析17
• 2.2 軸承常見故障類型及其原因分析17-18
• 2.3 齒輪振動原理分析及其信號特征18-20
• 2.3.1 齒輪振動原理分析18-19
• 2.3.2 齒輪故障信號的特征19-20
• 2.4. 滾動軸承的振動原理及其信號特征20-22
• 2.4.1 滾動軸承的結(jié)構(gòu)20
• 2.4.2 滾動軸承的振動原理20-21
• 2.4.3 滾動軸承的信號特點21-22
• 2.5 齒輪箱故障診斷的信號處理方法22-25
• 2.5.1 信號的時域分析22-24
• 2.5.2 信號的頻域分析24-25
• 2.5.3 信號的時頻分析25
• 2.6 本章小結(jié)25-26
• 3 粒子濾波原理26-37
• 3.1 粒子濾波基礎26-28
• 3.1.1 貝葉斯估計應用到動態(tài)空間模型26-27
• 3.1.2 蒙特卡羅積分方法27-28
• 3.2 重要性采樣和序列重要性采樣28-29
• 3.3 粒子匱乏與重采樣算法29-30
• 3.4 不敏粒子濾波算法（UPF）30-31
• 3.5 改進粒子濾波算法狀態(tài)估計仿真例證31-34
• 3.6 粒子濾波降噪實驗仿真34-36
• 3.7 本章小結(jié)36-37
• 4. 粒子濾波在齒輪箱故障診斷中的應用37-62
• 4.1 實驗裝置和儀器37-39
• 4.1.1 實驗裝置的組成37-38
• 4.1.2 實驗儀器設備的規(guī)格38-39
• 4.2 實驗總體規(guī)劃39-42
• 4.2.1 測點的位置的布置39-40
• 4.2.2 齒輪箱故障類型的設置40-42
• 4.3 實驗振動信號的采集分析42-43
• 4.4 實驗數(shù)據(jù)的平穩(wěn)化與初降噪43-47
• 4.4.1 實驗數(shù)據(jù)的 EMD 分解43-44
• 4.4.2 小波閾值降噪與 IMF 的選擇性重構(gòu)44-47
• 4.5 齒輪箱信號 UPF 降噪處理47-60
• 4.5.1 齒輪箱信號模型的判定47-49
• 4.5.2 AR 信號模型階數(shù)的確定49-54
• 4.5.3 AR 信號模型參數(shù)辨識54-55
• 4.5.4 運用 UPF 粒子濾波降噪55-60
• 4.6 本章小結(jié)60-62
• 5 基于支持向量機的故障識別62-75
• 5.1 支持向量機概述62-65
• 5.1.1 VC 維62
• 5.1.2 推廣性的界62-63
• 5.1.3 結(jié)構(gòu)化風險最小化原則63
• 5.1.4 最優(yōu)分類超平面63-64
• 5.1.5 支持向量機的分類64-65
• 5.2 支持向量機多分類的應用65
• 5.3 支持向量機齒輪箱故障識別65-70
• 5.3.1 數(shù)據(jù)的預處理65-69
• 5.3.2 支持向量機分類器的構(gòu)建和故障識別69-70
• 5.4 濾波前后 SVM 故障識別對比分析70-72
• 5.5 濾波效果的對比72-74
• 5.5.1 SVM 對濾波效果的對比72-73
• 5.5.2 BP 神經(jīng)網(wǎng)絡對濾波效果的對比73-74
• 5.6 本章小結(jié)74-75
• 6 總結(jié)與展望75-77
• 6.1 總結(jié)75-76
• 6.2 展望76-77
• 參考文獻77-82
• 攻讀碩士期間發(fā)表的論文及所取得的研究成果82-83
• 致謝83

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 趙梅;張三同;朱剛;;輔助粒子濾波算法及仿真舉例[J];北京交通大學學報;2006年02期

2 劉衛(wèi)兵;李志農(nóng);蔣靜;;基于局域均值分解的滾動軸承故障診斷方法[J];軸承;2009年09期

3 鄭小霞,錢鋒;動態(tài)系統(tǒng)故障診斷技術的研究與發(fā)展[J];化工自動化及儀表;2005年04期

4 董言治,劉松濤,尉志蘋,沈同圣,周曉東;基于Matlab的時間序列分析和動態(tài)數(shù)據(jù)建模[J];計算機工程;2003年12期

5 高國華 ,張永忠;齒輪箱故障診斷技術的新發(fā)展[J];機械傳動;2003年06期

6 胡士強,敬忠良;粒子濾波算法綜述[J];控制與決策;2005年04期

7 莫以為,蕭德云;基于粒子濾波算法的混合系統(tǒng)監(jiān)測與診斷(英文)[J];自動化學報;2003年05期

8 成棣;劉金朝;王成國;;基于Kalman濾波器的故障診斷方法及其在鐵道車輛中的應用[J];鐵道機車車輛;2007年01期

9 安妮;徐建民;;齒輪箱振動的故障診斷與分析[J];武漢工程大學學報;2011年12期

10 薛濤;和衛(wèi)星;;小波閾值去噪技術在ECG信號處理中的應用[J];微計算機信息;2007年04期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 許昕;基于濾波技術和粒子群優(yōu)化的齒輪箱故障診斷研究[D];中北大學;2011年

2 胡勁松;面向旋轉(zhuǎn)機械故障診斷的經(jīng)驗模態(tài)分解時頻分析方法及實驗研究[D];浙江大學;2003年

3 魏秀業(yè);基于粒子群優(yōu)化的齒輪箱智能故障診斷研究[D];中北大學;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 王曉斌;基于粒子濾波的齒輪箱故障診斷研究[D];中北大學;2011年

2 劉曉娟;基于希爾伯特—黃變換和支持向量機的齒輪箱故障診斷研究[D];中北大學;2011年

3 孟浩東;基于神經(jīng)網(wǎng)絡和灰色理論的傳動箱故障診斷研究[D];中北大學;2005年

4 周梅;虛擬儀器技術在齒輪箱振動分析中的應用研究[D];新疆大學;2006年

5 門吉芳;基于粒子濾波降噪技術的齒輪箱故障診斷研究[D];中北大學;2010年

6 王敏;基于蟻群優(yōu)化算法的齒輪箱故障診斷研究[D];中北大學;2010年

7 張盈盈;自適應濾波器的研究及其在齒輪箱特征提取中的應用[D];中北大學;2010年

本文編號：878818