本文選題：低速斜齒輪 + 早期故障��； 參考：《哈爾濱工業(yè)大學(xué)》2014年博士論文

【摘要】：低速重載斜齒輪是工業(yè)設(shè)備、風(fēng)力發(fā)電機(jī)和艦船等大型機(jī)械裝備普遍采用的一種機(jī)械傳動形式。由于工作環(huán)境惡劣，長期在重載條件下運行，斜齒輪極易受到損害而出現(xiàn)故障，造成機(jī)械傳動系統(tǒng)失效，進(jìn)而影響整個機(jī)械裝備的安全可靠運行。因此，本文對低速斜齒輪故障的產(chǎn)生、發(fā)展，直至失效的全壽命過程進(jìn)行故障診斷方法研究，實現(xiàn)對不同失效階段的斜齒輪故障特征提取與故障模式識別，為齒輪箱的視情維修和壽命預(yù)測提供決策依據(jù)。 針對低速斜齒輪故障振動信號具有非平穩(wěn)、非線性和多分量的特點，本文提出了基于局部時間尺度分解的時頻分析方法，并分別對其端點效應(yīng)的抑制措施、基線信號的平滑處理以及分解結(jié)果的瞬時幅值和瞬時頻率求解方法進(jìn)行研究。局部時間尺度分解方法能夠依據(jù)信號自身的特征信息自適應(yīng)地將一個復(fù)雜的非平穩(wěn)信號分解為若干個瞬時頻率具有物理意義的本征時間尺度分量之和，而且各分量能夠如實地反映信號從高頻到低頻各個頻段范圍的組成成分。 針對低速斜齒輪故障振動信號存在較強(qiáng)的噪聲干擾，本文提出了基于噪聲輔助分析的局部時間尺度分解降噪方法，該方法在定義了隨機(jī)噪聲分量的判定條件的基礎(chǔ)上，通過對信號不斷分解、篩選，可以將斜齒輪故障振動信號分解為若干個噪聲分量與剩余信號之和的形式，進(jìn)而可以將噪聲分量從原始信號中分離，提高信號的信噪比。針對低速斜齒輪早期故障特征十分微弱、難以提取的問題，提出了基于振動信號局部能量放大的故障特征提取方法，該方法首先對斜齒輪故障振動信號進(jìn)行分段，再對分段信號進(jìn)行能量集中和放大，進(jìn)而達(dá)到突出故障特征的目的。將基于噪聲輔助分析的局部時間尺度分解降噪方法和振動信號局部能量放大方法相結(jié)合用于平穩(wěn)轉(zhuǎn)速條件下的低速斜齒輪早期故障特征提取。 齒輪箱在工作過程中，由于載荷變化引起轉(zhuǎn)速隨機(jī)波動，會造成時域采樣信號出現(xiàn)較強(qiáng)的非平穩(wěn)性，直接進(jìn)行時頻分析會出現(xiàn)頻率混疊的現(xiàn)象。本文采用光電編碼器作為數(shù)據(jù)采集板的外觸發(fā)器，對齒輪故障振動信號進(jìn)行等角度采樣，將時域內(nèi)的非平穩(wěn)振動信號轉(zhuǎn)化為角度域內(nèi)的平穩(wěn)信號。將時域同步平均方法引入角度域內(nèi)，提出了基于角度域同步平均降噪的方法，并將該方法與階次分析相結(jié)合，實現(xiàn)對轉(zhuǎn)速隨機(jī)波動的低速斜齒輪早期故障特征提取。提出了基于角度域振動信號有效值分布的故障輪齒定位診斷方法，通過計算各個輪齒對應(yīng)的降噪后的角度域故障振動信號的有效值分布情況，，確定故障輪齒的位置。 斜齒輪故障數(shù)據(jù)樣本難以獲取，現(xiàn)有的支持向量機(jī)等小樣本故障模式識別方法利用的故障特征信息少、分類精度低。本文建立了以時變函數(shù)為輸入量的過程支持向量機(jī)分類模型，通過正交基函數(shù)展開的方法將離散的斜齒輪故障特征信號擬合為連續(xù)的時變函數(shù)，并將其作為過程支持向量機(jī)分類模型的輸入特征量，充分利用有限的數(shù)據(jù)樣本中包含的故障特征信息，提高了故障識別方法的準(zhǔn)確性。將斜齒輪全壽命過程故障模式識別的多分類問題轉(zhuǎn)化為若干個兩分類問題組合的形式，提出了基于過程支持向量機(jī)的斜齒輪全壽命過程模式識別方法，實現(xiàn)了對斜齒輪全壽命過程中不同故障模式的準(zhǔn)確識別。
[Abstract]:Low - speed heavy - duty helical gears are widely used in industrial equipment , wind - driven generators , ships and other large - scale mechanical equipment . Because of the poor working environment and long - term operation under heavy - load conditions , the bevel gears are extremely vulnerable to damage , which can lead to failure of mechanical transmission systems and thus affect the safe and reliable operation of the whole mechanical equipment . Therefore , this paper studies the fault feature extraction and fault pattern recognition of inclined gears in different failure stages , and provides the basis for decision - making for the case maintenance and life prediction of the gearbox .

In this paper , a time - frequency analysis method based on local time - scale decomposition is proposed for low - speed helical gear fault vibration signals , and the methods of suppressing the end effects , smoothing processing of baseline signals and instantaneous amplitude and instantaneous frequency solutions of the decomposition results are studied . The local time scale decomposition method can adaptively decompose a complex non - stationary signal into the sum of the intrinsic time scale components of physical meaning based on the characteristic information of the signal itself , and the components can faithfully reflect the components of the signal from high frequency to low frequency range .

On the basis of noise - assisted analysis , this paper proposes a method of noise - assisted analysis based on local time - scale decomposition and noise reduction , which can separate the signal from the original signal and improve the signal - to - noise ratio of the signal .

In the process of working , due to the random fluctuation of the rotating speed caused by the change of load , the phenomena of frequency aliasing can occur in the time domain sampling signal . In this paper , a photoelectric encoder is used as the outer trigger of the data acquisition board , and the unstable vibration signal in the time domain is converted into a stable signal in the angular domain .

This paper sets up a process support vector machine classification model with time - varying function as the input quantity , and makes full use of the fault feature information contained in the finite data sample as the input feature quantity of the process support vector machine classification model , and makes full use of the fault feature information contained in the limited data sample to improve the accuracy of the fault identification method .

【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：TH132.41;TH165.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔玲麗;丁芳;高立新;張建宇;王穎旺;;齒輪裂紋早期故障的完全解調(diào)分析[J];北京工業(yè)大學(xué)學(xué)報;2006年08期

2 高立新;吳麗娟;張建宇;;基于EMD解調(diào)方法的齒輪早期故障診斷[J];北京工業(yè)大學(xué)學(xué)報;2009年07期

3 許寶杰;張建民;徐小力;李建偉;;抑制EMD端點效應(yīng)方法的研究[J];北京理工大學(xué)學(xué)報;2006年03期

4 安學(xué)利;蔣東翔;陳杰;劉超;;基于ITD和LS-SVM的風(fēng)力發(fā)電機(jī)組軸承故障診斷[J];電力自動化設(shè)備;2011年09期

5 焦彥軍;胡春;;基于改進(jìn)EEMD方法的數(shù)字濾波器[J];電力自動化設(shè)備;2011年11期

6 張建宇;李文斌;張隨征;宮兆盛;崔玲麗;陽子婧;;多小波自適應(yīng)閾值降噪在故障診斷中的應(yīng)用[J];北京工業(yè)大學(xué)學(xué)報;2013年02期

7 萬書亭,李和明,李永剛;自適應(yīng)神經(jīng)網(wǎng)絡(luò)在發(fā)電機(jī)組故障診斷中的應(yīng)用[J];華北電力大學(xué)學(xué)報;2002年02期

8 許少華,何新貴;基于函數(shù)正交基展開的過程神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J];計算機(jī)學(xué)報;2004年05期

9 徐光華,屈梁生;基于概率神經(jīng)網(wǎng)絡(luò)的大機(jī)組組合故障識別[J];機(jī)械科學(xué)與技術(shù);2000年01期

10 畢果;陳進(jìn);何俊;周福昌;;基于相關(guān)分析的包絡(luò)技術(shù)在齒輪特征信息識別中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);2007年04期

相關(guān)博士學(xué)位論文 前4條

1 蔣玲莉;基于核方法的旋轉(zhuǎn)機(jī)械故障診斷技術(shù)與模式分析方法研究[D];中南大學(xué);2010年

2 鞠萍華;旋轉(zhuǎn)機(jī)械早期故障特征提取的時頻分析方法研究[D];重慶大學(xué);2010年

3 隋文濤;滾動軸承表面損傷故障的特征提取與診斷方法研究[D];山東大學(xué);2011年

4 馮坤;基于內(nèi)積變換的機(jī)械故障特征提取原理與早期識別方法研究[D];北京化工大學(xué);2012年

本文編號：1864473