本文關(guān)鍵詞：基于粒子濾波方法的齒輪箱故障診斷技術(shù)

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

【摘要】：齒輪箱在機(jī)械傳動(dòng)的各個(gè)領(lǐng)域中應(yīng)用十分廣泛，，因此對(duì)齒輪箱進(jìn)行故障狀態(tài)監(jiān)測(cè)和故障診斷具有重大的現(xiàn)實(shí)意義。齒輪箱的狀態(tài)是通過測(cè)量齒輪箱振動(dòng)加速度信號(hào)來反映的，然而實(shí)際采集到的齒輪箱振動(dòng)信號(hào)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(duì)齒輪箱故障診斷時(shí)進(jìn)行濾波降噪處理就很有必要。 粒子濾波憑借其對(duì)非線性、非高斯信號(hào)的處理能力，在齒輪箱故障診斷的信號(hào)降噪處理上得到了廣泛應(yīng)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(shí)狀態(tài)的概率密度函數(shù)的支集重疊部分更大，估計(jì)的精度更高、更準(zhǔn)確，因此文中運(yùn)用UPF粒子濾波降噪。 文中提出了一種對(duì)采集的振動(dòng)信號(hào)平穩(wěn)化的方法，該方法不僅可以使時(shí)間序列符合建模平穩(wěn)性的要求，還可以達(dá)到信號(hào)初降噪的目的。首先對(duì)振動(dòng)信號(hào)進(jìn)行EMD分解，然后將高頻IMF分量采用小波閾值降噪預(yù)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(jìn)行重構(gòu)。 文中選擇建立信號(hào)的AR模型，并依據(jù)時(shí)間序列的自相關(guān)函數(shù)和偏相關(guān)函數(shù)的統(tǒng)計(jì)特性驗(yàn)證了AR模型的合理性。運(yùn)用FPE準(zhǔn)則、BIC準(zhǔn)則和AIC準(zhǔn)則進(jìn)行AR模型階數(shù)辨識(shí)，同時(shí)采用三種定階準(zhǔn)則可以使階數(shù)確定更加合理準(zhǔn)確。應(yīng)用最小二乘法對(duì)AR模型的參數(shù)進(jìn)行估計(jì)計(jì)算，確定AR模型相應(yīng)參數(shù)。 最后利用所建立的信號(hào)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(yīng)參數(shù)，運(yùn)用UPF對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行降噪處理。 結(jié)合上述理論分析，運(yùn)用UPF粒子濾波技術(shù)對(duì)實(shí)驗(yàn)室采集的齒輪箱振動(dòng)加速度信號(hào)進(jìn)行降噪，通過對(duì)濾波前后時(shí)域曲線以及信號(hào)特征參量的對(duì)比，可以發(fā)現(xiàn)濾波后的信號(hào)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(jī)（SVM）中進(jìn)行齒輪箱的故障識(shí)別，結(jié)果表明經(jīng)過UPF濾波后的測(cè)試樣本準(zhǔn)確率較高，UPF具有很好的濾波效果。
【關(guān)鍵詞】：齒輪箱 故障診斷 UPF粒子濾波 狀態(tài)估計(jì) 支持向量機(jī)
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：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(shù)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(shù)11-13
• 1.3 粒子濾波理論及其發(fā)展應(yīng)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(yīng)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(hào)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(dòng)原理分析及其信號(hào)特征18-20
• 2.3.1 齒輪振動(dòng)原理分析18-19
• 2.3.2 齒輪故障信號(hào)的特征19-20
• 2.4. 滾動(dòng)軸承的振動(dòng)原理及其信號(hào)特征20-22
• 2.4.1 滾動(dòng)軸承的結(jié)構(gòu)20
• 2.4.2 滾動(dòng)軸承的振動(dòng)原理20-21
• 2.4.3 滾動(dòng)軸承的信號(hào)特點(diǎn)21-22
• 2.5 齒輪箱故障診斷的信號(hào)處理方法22-25
• 2.5.1 信號(hào)的時(shí)域分析22-24
• 2.5.2 信號(hào)的頻域分析24-25
• 2.5.3 信號(hào)的時(shí)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(chǔ)26-28
• 3.1.1 貝葉斯估計(jì)應(yīng)用到動(dòng)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(jìn)粒子濾波算法狀態(tài)估計(jì)仿真例證31-34
• 3.6 粒子濾波降噪實(shí)驗(yàn)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(yīng)用37-62
• 4.1 實(shí)驗(yàn)裝置和儀器37-39
• 4.1.1 實(shí)驗(yàn)裝置的組成37-38
• 4.1.2 實(shí)驗(yàn)儀器設(shè)備的規(guī)格38-39
• 4.2 實(shí)驗(yàn)總體規(guī)劃39-42
• 4.2.1 測(cè)點(diǎn)的位置的布置39-40
• 4.2.2 齒輪箱故障類型的設(shè)置40-42
• 4.3 實(shí)驗(yàn)振動(dòng)信號(hào)的采集分析42-43
• 4.4 實(shí)驗(yàn)數(shù)據(jù)的平穩(wěn)化與初降噪43-47
• 4.4.1 實(shí)驗(yàn)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(hào) UPF 降噪處理47-60
• 4.5.1 齒輪箱信號(hào)模型的判定47-49
• 4.5.2 AR 信號(hào)模型階數(shù)的確定49-54
• 4.5.3 AR 信號(hào)模型參數(shù)辨識(shí)54-55
• 4.5.4 運(yùn)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(jī)的故障識(shí)別62-75
• 5.1 支持向量機(jī)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(fēng)險(xiǎn)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(jī)的分類64-65
• 5.2 支持向量機(jī)多分類的應(yīng)用65
• 5.3 支持向量機(jī)齒輪箱故障識(shí)別65-70
• 5.3.1 數(shù)據(jù)的預(yù)處理65-69
• 5.3.2 支持向量機(jī)分類器的構(gòu)建和故障識(shí)別69-70
• 5.4 濾波前后 SVM 故障識(shí)別對(duì)比分析70-72
• 5.5 濾波效果的對(duì)比72-74
• 5.5.1 SVM 對(duì)濾波效果的對(duì)比72-73
• 5.5.2 BP 神經(jīng)網(wǎng)絡(luò)對(duì)濾波效果的對(duì)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(xiàn)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(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(xué)學(xué)報(bào);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(dòng)軸承故障診斷方法[J];軸承;2009年09期

3 鄭小霞,錢鋒;動(dòng)態(tài)系統(tǒng)故障診斷技術(shù)的研究與發(fā)展[J];化工自動(dòng)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(shí)間序列分析和動(dòng)態(tài)數(shù)據(jù)建模[J];計(jì)算機(jī)工程;2003年12期

5 高國(guó)華 ,張永忠;齒輪箱故障診斷技術(shù)的新發(fā)展[J];機(jī)械傳動(dòng);2003年06期

6 胡士強(qiáng),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(cè)與診斷(英文)[J];自動(dòng)化學(xué)報(bào);2003年05期

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

9 安妮;徐建民;;齒輪箱振動(dòng)的故障診斷與分析[J];武漢工程大學(xué)學(xué)報(bào);2011年12期

10 薛濤;和衛(wèi)星;;小波閾值去噪技術(shù)在ECG信號(hào)處理中的應(yīng)用[J];微計(jì)算機(jī)信息;2007年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

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

2 胡勁松;面向旋轉(zhuǎn)機(jī)械故障診斷的經(jīng)驗(yàn)?zāi)B(tài)分解時(shí)頻分析方法及實(shí)驗(yàn)研究[D];浙江大學(xué);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(xué);2009年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 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(xué);2011年

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

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

4 周梅;虛擬儀器技術(shù)在齒輪箱振動(dòng)分析中的應(yīng)用研究[D];新疆大學(xué);2006年

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

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

本文編號(hào)：878818