本文關(guān)鍵詞：基于EEMD和SVM的齒輪箱故障診斷與識別

  更多相關(guān)文章： 齒輪箱 故障診斷 希爾伯特黃變換 總體經(jīng)驗?zāi)B(tài)分解 支持向量機

【摘要】：齒輪箱作為機械設(shè)備的必要組成部分,是傳遞機械運動和動力的重要工具,齒輪箱在高負(fù)載和高轉(zhuǎn)速的狀態(tài)下長期工作,會使其內(nèi)部零件發(fā)生故障,影響生產(chǎn)效率,因此,對齒輪箱的故障的準(zhǔn)確和有效的診斷顯得尤為重要。通過總體經(jīng)驗?zāi)B(tài)分解(EEMD)結(jié)合希爾伯特-黃變換(HHT)對故障信息進(jìn)行提取和分析,實現(xiàn)對齒輪箱的故障診斷;同時利用EEMD與支持向量機(SVM)相結(jié)合,對齒輪箱故障進(jìn)行識別,二者均取得了很好的效果,實現(xiàn)了對齒輪箱故障的診斷與識別。本文通過對齒輪箱產(chǎn)生的振動信號進(jìn)行分析,選取EEMD方法處理非平穩(wěn)、非線性的齒輪箱振動信號,有效的抑制了經(jīng)驗?zāi)B(tài)分解(EMD)的端點效應(yīng)和模態(tài)混疊現(xiàn)象,實現(xiàn)了對振動信號有效的降噪和特征頻率分解。利用齒輪箱故障診斷平臺模擬實際故障,采用時域波形圖、功率譜圖、EEMD分解圖和Hilbert邊際譜圖等多種時頻域分析方法,有效的實現(xiàn)了對齒輪箱故障的初步診斷。通過對振動信號的EEMD分解得到一系列的本征模函數(shù)(IMF),利用自相關(guān)分析選取與原始信號相關(guān)度高,能夠正確反應(yīng)原始信號特征信息的IMF分量的能量熵作為特征向量輸入到SVM中,利用SVM對樣本容量依賴小的優(yōu)點,通過選取三種工況的各40組樣本作為訓(xùn)練樣本,通過SVM學(xué)習(xí)三種工況的內(nèi)在規(guī)律,利用10組樣本作為測試樣本進(jìn)行測試,針對三種不同的齒輪箱工作狀態(tài),達(dá)到了較高的故障識別率,從而實現(xiàn)了對齒輪箱故障的識別。
【關(guān)鍵詞】：齒輪箱 故障診斷 希爾伯特黃變換 總體經(jīng)驗?zāi)B(tài)分解 支持向量機
【學(xué)位授予單位】：華北水利水電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH132.41
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 1 緒論10-14
• 1.1 選題背景10
• 1.2 齒輪箱狀態(tài)監(jiān)控和故障診斷的理論意義與實用價值10-11
• 1.3 國內(nèi)外研究現(xiàn)狀11-14
• 1.3.1 齒輪箱故障診斷技術(shù)的研究現(xiàn)狀11-12
• 1.3.2 齒輪箱故障診斷中信號處理技術(shù)的研究現(xiàn)狀12-14
• 2 齒輪箱的故障特性及常用的振動分析方法14-26
• 2.1 齒輪箱常見的失效形式14-16
• 2.1.1 齒輪箱典型的失效形式及故障類型14
• 2.1.2 齒輪的典型故障類型14-15
• 2.1.3 滾動軸承故障類型15-16
• 2.2 齒輪箱振動機理研究16-19
• 2.2.1 齒輪的振動產(chǎn)生機理16-17
• 2.2.2 齒輪的固有特性17-18
• 2.2.3 滾動軸承的振動產(chǎn)生機理18
• 2.2.4 軸承的固有特性18-19
• 2.3 齒輪箱振動信號分析處理方法19-26
• 2.3.1 時域特征值統(tǒng)計分析法20-21
• 2.3.2 頻譜分析法21-22
• 2.3.3 時頻域分析法22-26
• 3 EEMD方法的研究26-42
• 3.1 EMD的概念及原理26-32
• 3.1.1 EMD中的瞬時頻率26-27
• 3.1.2 本征模函數(shù)（IMF）27-28
• 3.1.3 EMD的分解過程28-31
• 3.1.4 本征模分量的選取31-32
• 3.2 EEMD的概念及原理32-36
• 3.2.1 模態(tài)混疊和EEMD方法的提出32-34
• 3.2.2 EEMD原理及分解過程34-36
• 3.2.3 EEMD與EMD對比36
• 3.3 希爾伯特變換36-38
• 3.4 仿真實驗38-42
• 4 齒輪箱的故障診斷及分析42-56
• 4.1 齒輪箱故障診斷系統(tǒng)42-46
• 4.1.1 齒輪箱故障診斷實驗平臺42-45
• 4.1.2 齒輪箱的故障設(shè)置45-46
• 4.2 齒輪箱振動信號的分析46-56
• 4.2.1 正常信號分析46-48
• 4.2.2 缺齒故障信號分析48-51
• 4.2.3 齒面磨損信號分析51-56
• 5 基于EEMD和SVM的齒輪箱故障識別56-68
• 5.1 齒輪箱故障特征的提取56-60
• 5.2 IMF分量能量熵的計算及分析60
• 5.3 支持向量機的基礎(chǔ)理論60-62
• 5.3.1 支持向量機的統(tǒng)計理論基礎(chǔ)60-61
• 5.3.2 支持向量機的分類原理61-62
• 5.4 支持向量機的分類器設(shè)計62
• 5.5 支持向量機的訓(xùn)練與識別62-68
• 6 結(jié)論與展望68-70
• 6.1 結(jié)論68
• 6.2 展望68-70
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加的科研項目目錄70-72
• 致謝72-74
• 參考文獻(xiàn)74-76

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 向丹;岑健;;基于EMD熵特征融合的滾動軸承故障診斷方法[J];航空動力學(xué)報;2015年05期

2 祝曉燕;張金會;何政軍;朱霄s，

本文編號：806813