本文關(guān)鍵詞：基于粒子濾波的齒輪箱故障診斷，由筆耕文化傳播整理發(fā)布。

【摘要】：如果系統(tǒng)是非高斯、非平穩(wěn)的,粒子濾波能夠表現(xiàn)出極佳的優(yōu)越性。依據(jù)粒子濾波的上述特性,本文提出了一種利用粒子濾波對齒輪箱振動信號進行降噪的新方法:在相同條件下,對同一故障的振動信號進行兩次測量,將兩次測量結(jié)果分別作為粒子濾波狀態(tài)方程的估計值和量測方程的觀測值;針對齒輪箱工作的實際情況,將齒輪箱振動信號的噪聲定義為一定范圍的隨機噪聲,利用奇異值降噪原理從故障振動信號中提取噪聲信號,明確噪聲的最大值和最小值,確定噪聲的波動范圍;聯(lián)合提取的噪聲信號范圍以及兩次測量結(jié)果構(gòu)造信號的狀態(tài)方程和量測方程,從而實現(xiàn)對信號的降噪處理。奇異譜熵,功率譜熵,小波能譜熵分別能夠從時域和頻域反映信號的分布特征,故本文提出可以利用振動信號的三種熵值作為特征向量進行模式識別。粒子群算法搜索速度較快,相關(guān)參數(shù)較少,但同時容易陷入局部最優(yōu)和早熟收斂,不能得到全局最優(yōu)。針對粒子群算法的缺陷,本文對其進行了下述改進:狀態(tài)超限后對其進行初始化,基于個體最優(yōu)狀態(tài)對全局最優(yōu)進行變異。文章將改進后的粒子群算法應(yīng)用于支持向量機的參數(shù)優(yōu)化中,并將優(yōu)化后的支持向量機應(yīng)用到了齒輪箱故障診斷中。
【關(guān)鍵詞】：齒輪箱 粒子濾波 粒子群算法 支持向量機
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH132.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-14
• 1.1 課題研究背景和意義10
• 1.2 齒輪箱故障診斷方法研究10-11
• 1.3 粒子濾波的發(fā)展現(xiàn)狀11-12
• 1.4 粒子群算法的發(fā)展現(xiàn)狀12
• 1.5 論文的主要內(nèi)容12-14
• 第2章 粒子濾波理論14-31
• 2.1 粒子濾波的理論基礎(chǔ)14-19
• 2.1.1 貝葉斯估計14-15
• 2.1.2 蒙特卡洛積分15
• 2.1.3 重要性采樣15-16
• 2.1.4 序列重要性采樣16-17
• 2.1.5 重采樣17-18
• 2.1.6 標(biāo)準(zhǔn)粒子濾波算法步驟18-19
• 2.2 粒子濾波算法仿真19-22
• 2.3 粒子濾波降噪仿真22-26
• 2.4 粒子濾波在振動信號處理中的應(yīng)用26-30
• 2.5 小結(jié)30-31
• 第3章 基于信息熵的振動信號特征向量提取31-39
• 3.1 信息熵的基礎(chǔ)知識31-33
• 3.1.1 信息熵的定義31
• 3.1.2 奇異譜熵31-32
• 3.1.3 功率譜熵32-33
• 3.1.4 小波能譜熵33
• 3.2 利用三種熵值提取特征向量33-38
• 3.3 小結(jié)38-39
• 第4章 基于改進粒子群算法的支持向量機模式識別39-55
• 4.1 粒子群算法的基本思想39-41
• 4.1.1 原始粒子群算法39
• 4.1.2 標(biāo)準(zhǔn)粒子群算法39-40
• 4.1.3 粒子群算法的參數(shù)設(shè)置40-41
• 4.2 粒子群算法改進策略41-46
• 4.2.1 標(biāo)準(zhǔn)粒子群算法的局限性41-42
• 4.2.2 狀態(tài)超限之后重新初始化42
• 4.2.3 基于個體最優(yōu)狀態(tài)的變異操作42-43
• 4.2.4 改進粒子群算法的流程43
• 4.2.5 改進的粒子群算法的性能分析43-46
• 4.3 支持向量機46-51
• 4.3.1 線性支持向量機46-48
• 4.3.2 非線性支持向量機48-49
• 4.3.3 核函數(shù)49-50
• 4.3.4 模型參數(shù)的選擇50-51
• 4.4 基于改進粒子群算法的支持向量機的模式識別51-54
• 4.5 小結(jié)54-55
• 第5章 總結(jié)與展望55-57
• 5.1 總結(jié)55
• 5.2 展望55-57
• 參考文獻57-61
• 致謝61-62
• 在學(xué)期間發(fā)表的學(xué)術(shù)論文和參加科研情況62

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃晉英;畢世華;潘宏俠;楊喜旺;;獨立分量分析在齒輪箱故障診斷中的應(yīng)用[J];振動、測試與診斷;2008年02期

2 一民;高速齒輪箱故障診斷技術(shù)及其診斷系統(tǒng)通過鑒定[J];振動、測試與診斷;1991年04期

3 戴麗杰;;齒輪箱故障診斷方法[J];黑龍江科技信息;2002年08期

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

5 高永生;唐力偉;王建華;金海薇;;基于系統(tǒng)特性的齒輪箱故障診斷[J];煤礦機械;2006年01期

6 魏秀業(yè);潘宏俠;;齒輪箱故障診斷技術(shù)現(xiàn)狀及展望[J];測試技術(shù)學(xué)報;2006年04期

7 邢士勇;金海薇;鄭海起;唐力偉;;基于關(guān)聯(lián)距離熵的齒輪箱故障診斷[J];機械工程師;2007年07期

8 吳德會;;一種基于支持向量機的齒輪箱故障診斷方法[J];振動、測試與診斷;2008年04期

9 王華;包磊;宋昊明;郭穎;葉偉;;空分457齒輪箱故障診斷[J];機械研究與應(yīng)用;2008年03期

10 朱有劍;李建;;基于倒頻譜特征提取的齒輪箱故障診斷[J];科技廣場;2008年08期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 蔡安江;豆衛(wèi)濤;柴彥昌;孫少軍;;基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的齒輪箱故障診斷應(yīng)用研究[A];陜西省機械工程學(xué)會第九次代表大會會議論文集[C];2009年

2 高永生;唐力偉;甘霖;楊通強;;基于系統(tǒng)特性的齒輪箱故障診斷[A];2005年中國機械工程學(xué)會年會論文集[C];2005年

3 李愛民;;基于灰色聚類決策的齒輪箱故障診斷[A];第19屆灰色系統(tǒng)全國會議論文集[C];2010年

4 金大瑋;李建橋;賈民平;;循環(huán)自相關(guān)函數(shù)在齒輪箱故障診斷中的應(yīng)用[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（上冊）[C];2008年

5 董海江;趙春華;萬詩慶;汪偉;;LWPEE與SVM在風(fēng)電齒輪箱故障診斷中的應(yīng)用[A];第十一屆全國摩擦學(xué)大會論文集[C];2013年

6 雷亞國;林京;何正嘉;;基于多傳感器信息融合的行星齒輪箱故障診斷[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2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 焦新濤;小波分析及其在齒輪箱故障診斷中應(yīng)用研究[D];華南理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李猷鳳;齒輪箱故障診斷的小波包-ICA分析方法[D];南京理工大學(xué);2015年

2 鄢小安;基于自適應(yīng)振動信號處理的齒輪箱故障診斷研究[D];華北電力大學(xué);2015年

3 李楠;基于粒子濾波的齒輪箱故障診斷[D];華北電力大學(xué);2015年

4 陳晗霄;基于虛擬儀器的大型高速齒輪箱故障診斷系統(tǒng)研究[D];電子科技大學(xué);2010年

5 楊成;傳動齒輪箱故障診斷系統(tǒng)研究[D];哈爾濱工程大學(xué);2013年

6 范江東;基于粒子群優(yōu)化與支持向量機的齒輪箱故障診斷研究[D];中北大學(xué);2010年

7 朱兵;局域均值分解方法在齒輪箱故障診斷中的研究[D];中北大學(xué);2010年

8 孫黎明;基于粒子群優(yōu)化和系統(tǒng)特性的齒輪箱故障診斷研究[D];中北大學(xué);2010年

9 王清;基于模糊聚類和灰色理論的齒輪箱故障診斷研究[D];中北大學(xué);2006年

10 許昕;齒輪箱故障診斷在安全生產(chǎn)中的應(yīng)用[D];中北大學(xué);2007年

  本文關(guān)鍵詞：基于粒子濾波的齒輪箱故障診斷，，由筆耕文化傳播整理發(fā)布。

本文編號：405322