齒輪作為大型機(jī)械設(shè)備中傳遞動(dòng)能和調(diào)節(jié)轉(zhuǎn)速的常見零部件,對(duì)設(shè)備的安全運(yùn)作起著關(guān)鍵作用。為了滿足工業(yè)生產(chǎn)需求,齒輪經(jīng)常需要運(yùn)行在過(guò)載、高溫、高壓等惡劣條件下,從而導(dǎo)致齒輪極易發(fā)生故障,而一旦發(fā)生故障則可能導(dǎo)致整個(gè)機(jī)械設(shè)備停機(jī)。齒輪故障的特征信息大部分包含在齒輪故障發(fā)生時(shí)產(chǎn)生的振動(dòng)信號(hào)中,因此如果能從振動(dòng)信號(hào)中提取盡可能多的表征故障的特征信息,進(jìn)而對(duì)特征信息進(jìn)行去冗余和分類,就能實(shí)現(xiàn)齒輪故障的準(zhǔn)確識(shí)別,從而保證設(shè)備運(yùn)行過(guò)程的安全性和穩(wěn)定性。本文以齒輪為研究對(duì)象,首先分析齒輪的振動(dòng)特性及常見故障,研究齒輪振動(dòng)信號(hào)多域特征提取,提出基于全局監(jiān)督拉普拉斯分值(Global Supervised Laplacian Score,GSLS)和核主成分分析(Kernel Principal Component Analysis,KPCA)的級(jí)聯(lián)特征降維方法以及基于粒子群優(yōu)化的二叉樹核極限學(xué)習(xí)機(jī)(Particle Swarm Optimization-Kernel Extreme Learning Machine-Binary Tree,PSO-KELM-BT)多故障識(shí)別方法,設(shè)計(jì)融合特征降維和故障識(shí)別的齒輪故障診斷系統(tǒng)。本文主要研究?jī)?nèi)容如下:(1)齒輪振動(dòng)特性分析及多域特征提取研究。首先分析齒輪振動(dòng)特性及常見故障類型,然后采用多域特征提取方法分別提取各類故障類型下振動(dòng)信號(hào)的時(shí)域、頻域及時(shí)頻域特征,構(gòu)建高維特征集合,用以表征各故障類型的特性,并作為特征降維處理的數(shù)據(jù)基礎(chǔ)。(2)基于GSLS和KPCA的級(jí)聯(lián)特征降維研究。針對(duì)LS方法近鄰圖參數(shù)難以設(shè)定以及過(guò)度依賴樣本局部結(jié)構(gòu)信息的問題,提出一種融合數(shù)據(jù)類別信息及全局結(jié)構(gòu)信息的GSLS方法,以獲取規(guī)模小、區(qū)分度高的特征子集;在特征子集的基礎(chǔ)上,結(jié)合KPCA特征融合方法,進(jìn)一步剔除特征子集的冗余信息,以降低特征集合維度。實(shí)驗(yàn)結(jié)果表明,提出的級(jí)聯(lián)特征降維方法能夠結(jié)合LS和KPCA的優(yōu)點(diǎn),有效地提高特征子集的區(qū)分度。(3)基于PSO-KELM-BT的多故障識(shí)別方法研究。針對(duì)KELM準(zhǔn)確率偏低的問題,提出一種基于單分類方式的KELM多分類算法,該算法基于提出的融合類內(nèi)距離及類間距離的混合可分性指標(biāo),將訓(xùn)練數(shù)據(jù)按“一對(duì)其它”的方式分割分別訓(xùn)練KELM二值分類器,并使用二叉樹法將所有分類器整合成一個(gè)多分類器,以提高分類器的分類準(zhǔn)確率;為解決KELM參數(shù)設(shè)置問題,引入PSO算法對(duì)模型進(jìn)行參數(shù)尋優(yōu),進(jìn)一步提高算法的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果顯示提出的算法在分類準(zhǔn)確率上高于其它同類算法。(4)特征降維和故障識(shí)別在齒輪故障診斷中的應(yīng)用研究。研究融合參數(shù)監(jiān)測(cè)、特征提取、特征降維和故障識(shí)別技術(shù)的系統(tǒng)分層架構(gòu),設(shè)計(jì)齒輪參數(shù)監(jiān)測(cè)、振動(dòng)信號(hào)分析、特征提取、特征降維、故障識(shí)別模塊,以可視化界面的形式展示各模塊處理結(jié)果,實(shí)現(xiàn)齒輪故障診斷系統(tǒng)。運(yùn)行結(jié)果表明提出的方法在齒輪故障診斷中得到了很好的應(yīng)用。
【學(xué)位單位】：武漢理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TH132.41
【部分圖文】：

力學(xué)模型時(shí)需要將其簡(jiǎn)化成一個(gè)由彈簧和阻尼組成程來(lái)描述齒輪嚙合過(guò)程。齒輪物理模型可簡(jiǎn)化成圖（2-1）。1 2M x + C x + k (t ) x = k (t ) E +k (t ) E (t )1 2 1 2m ( m + m)，是齒輪副的等效質(zhì)量，C、 k (t )分別，x 是齒輪沿作用線上的相對(duì)位移，1E 是齒輪受載t )是齒輪誤差和故障造成的兩個(gè)齒輪間的相對(duì)位移。

1mM=圖 2-3 EEMD 分解流程圖D 分解主要步驟如下：將原始信號(hào) x( t )和高斯白噪聲 ( )in t 進(jìn)行相加，得到新的信號(hào)( ) ( ) ( )i ix t = x t + n t求信號(hào) ( )ix t 全部的局部極大值點(diǎn)及極小值點(diǎn)，將所有極大值上包絡(luò)曲線 ( )upperx t ，同理可以得到下包絡(luò)曲線 ( )lowerx t ，對(duì)上：1( ) ( ( ) ( ))2upper lowerm t = x t + x t可以得到信號(hào)與上下包絡(luò)均值之差：( ) ( ) ( )if t = x t m t判斷 f (t )是否符合 IMF 分量的兩個(gè)條件，若符合，則 f (t )為

1n=中 N 表示 IMF 分量的個(gè)數(shù)，即分解次數(shù)， r (t )為剩余分量。（4）重復(fù)步驟（1）-（3）M 次，對(duì)M 個(gè)第n個(gè)分量求均值，結(jié)果即為第n個(gè) IMF 分量：,11( ) ( )Mn n mmf t f tM== （2-7中， ( )nf t 為第 n 個(gè) IMF 分量， n =1, ,N ， m =1, ,M 。齒輪振動(dòng)信號(hào)多域特征提取為了提取齒輪故障特征并作為驗(yàn)證后續(xù)算法的數(shù)據(jù)基礎(chǔ)，以 QPZZ-II 機(jī)障模擬及試驗(yàn)平臺(tái)產(chǎn)生的齒輪故障模擬數(shù)據(jù)作為數(shù)據(jù)源。QPZZ-II 機(jī)械故障及試驗(yàn)平臺(tái)提供了多個(gè)傳感器采集到的齒輪正常狀態(tài)及斷齒、點(diǎn)蝕、磨損故障狀態(tài)下數(shù)據(jù)，采樣頻率為 5120Hz。選取 QPZZ-II 試驗(yàn)提供的轉(zhuǎn)速 880的加速度信號(hào)，其振動(dòng)信號(hào)如圖 2-4 所示，每個(gè)信號(hào)序列長(zhǎng)度為 1280。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 秦波;劉永亮;王建國(guó);楊云中;;基于在線貫序極限學(xué)習(xí)機(jī)的齒輪故障診斷方法[J];機(jī)械設(shè)計(jì)與制造;2016年12期

2 焉偉哲;;淺談齒輪故障診斷技術(shù)的應(yīng)用[J];科技風(fēng);2016年22期

3 王峰;白轉(zhuǎn)偉;董增壽;石慧;;基于人工免疫算法的齒輪故障診斷研究[J];太原科技大學(xué)學(xué)報(bào);2017年04期

4 秦波;張魯洋;孫國(guó)棟;王建國(guó);;排列熵與核極限學(xué)習(xí)機(jī)在齒輪故障診斷中的應(yīng)用[J];中國(guó)測(cè)試;2017年07期

5 付勝;徐斌;杜曉帆;呂孟宸;;基于奇異值分解和支持向量機(jī)的齒輪故障診斷[J];機(jī)械傳動(dòng);2013年09期

6 羅頌榮;;基于聲卡和虛擬儀器技術(shù)的齒輪故障診斷系統(tǒng)[J];機(jī)床與液壓;2011年11期

7 董宏 ,趙奇志;齒輪故障診斷技術(shù)的應(yīng)用[J];新技術(shù)新工藝;2005年07期

8 熊軍;李鳳英;沈玉娣;;齒輪故障診斷技術(shù)應(yīng)用綜述[J];機(jī)床與液壓;2005年12期

9 周湛學(xué);齒輪故障診斷的新方法[J];價(jià)值工程;1998年01期

10 溫繼圓;邵汝椿;林穎;;倒頻譜分析及其在齒輪故障診斷中的應(yīng)用[J];機(jī)械開發(fā);1987年02期

相關(guān)博士學(xué)位論文 前3條

1 李寶慶;基于自適應(yīng)最稀疏時(shí)頻分析的機(jī)械故障診斷方法[D];湖南大學(xué);2016年

2 鐘先友;旋轉(zhuǎn)機(jī)械故障診斷的時(shí)頻分析方法及其應(yīng)用研究[D];武漢科技大學(xué);2014年

3 張超;基于自適應(yīng)振動(dòng)信號(hào)處理的旋轉(zhuǎn)機(jī)械故障診斷研究[D];西安電子科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 周淑娟;基于核極限學(xué)習(xí)機(jī)的齒輪故障診斷研究[D];武漢理工大學(xué);2018年

2 廖攀;變速箱齒輪故障診斷系統(tǒng)研究[D];長(zhǎng)安大學(xué);2018年

3 楊興凱;自適應(yīng)最稀疏時(shí)頻分析方法在齒輪故障診斷中的應(yīng)用[D];湖南大學(xué);2017年

4 嚴(yán)皓;廣義遞歸定量分析及其在齒輪故障診斷中的應(yīng)用[D];武漢科技大學(xué);2018年

5 傅余;基于改進(jìn)的局部均值分解方法在齒輪故障診斷中的應(yīng)用研究[D];重慶三峽學(xué)院;2017年

6 陳新國(guó);基于小波分析的齒輪故障診斷的研究[D];武漢科技大學(xué);2004年

7 趙志強(qiáng);基于集合經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷[D];河北工程大學(xué);2015年

8 龔男;基于多源信號(hào)的變轉(zhuǎn)速滾動(dòng)軸承和齒輪故障診斷研究[D];中國(guó)礦業(yè)大學(xué);2015年

9 劉佳音;SVD降噪與排列熵方法在齒輪故障診斷中的應(yīng)用[D];遼寧科技大學(xué);2017年

10 何小華;基于磨損識(shí)別的齒輪故障診斷研究[D];武漢工程大學(xué);2012年

本文編號(hào)：2872367