齒輪箱是機(jī)械設(shè)備中傳遞動(dòng)力和旋轉(zhuǎn)運(yùn)動(dòng)的最重要部件，為了保證齒輪箱能在高效率、高精度、高載荷條件下連續(xù)正常工作，對(duì)齒輪箱故障的分析與研究變得越來(lái)越重要。 提取故障特征信息是齒輪箱故障診斷的關(guān)鍵，而信號(hào)處理是特征提取的最常用方法之一，由于齒輪箱振動(dòng)信號(hào)的采集比較方便且能很好的表征出故障特征信息，因此，本文將主要分析與處理在齒輪箱旋轉(zhuǎn)過(guò)程中獲取的振動(dòng)信號(hào)。 實(shí)驗(yàn)中采集到的振動(dòng)信號(hào)成分復(fù)雜且有較強(qiáng)的非平穩(wěn)性，使信號(hào)的特征被湮沒(méi)掉，造成信號(hào)分析的不準(zhǔn)確。本論文利用基于遺傳算法優(yōu)化的匹配追蹤（GAMP）算法對(duì)振動(dòng)信號(hào)消噪，對(duì)比不同次數(shù)分解所需的計(jì)算時(shí)間，以及分解得到的重構(gòu)信號(hào)與原始信號(hào)的均方誤差和信噪比，找到了比較合適的分解次數(shù)，達(dá)到了很好的消噪效果。由于匹配追蹤（MP）算法是以具有簡(jiǎn)諧振動(dòng)和雙面指數(shù)衰減振動(dòng)特點(diǎn)的高斯函數(shù)作為基函數(shù)來(lái)對(duì)信號(hào)進(jìn)行線性展開(kāi)，對(duì)于消噪后的信號(hào)可能存在虛假頻率成分或一些不連續(xù)分量，本文利用總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD）方法來(lái)剔除這些虛假的頻率成分，針對(duì)分解過(guò)程中可能出現(xiàn)的端點(diǎn)效應(yīng)，提出通過(guò)相關(guān)度從所有的IMF中選取反映故障特征敏感的IMF，剔除掉信號(hào)中的虛假頻率成分，提取出特征頻率。 本文研究中用到的實(shí)驗(yàn)平臺(tái)是由電動(dòng)機(jī)、兩臺(tái)齒輪箱、渦流制動(dòng)器通過(guò)聯(lián)軸器連接的一套傳動(dòng)系統(tǒng)，在齒輪箱上預(yù)先設(shè)定了齒面磨損、軸承外圈、滾動(dòng)體以及保持架故障，通過(guò)數(shù)據(jù)采集系統(tǒng)獲取不同狀態(tài)工況下的齒輪箱振動(dòng)信號(hào)。首先，采用基于遺傳算法優(yōu)化的MP算法對(duì)這些振動(dòng)信號(hào)進(jìn)行消噪處理，很好的鎖定了信號(hào)的局部特征，然后通過(guò)EEMD分解剔除包含在消噪后信號(hào)中的虛假頻率成分，在時(shí)頻域提取出了故障頻率，最后提取出GAMP消噪和EEMD分解重構(gòu)信號(hào)的時(shí)域和頻域特征值，通過(guò)支持向量機(jī)分類，達(dá)到了很好的診斷效果。
【學(xué)位單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2014
【中圖分類】：TH165.3
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 本論文的選題依據(jù)與意義
    1.2 齒輪箱故障診斷的技術(shù)手段和發(fā)展現(xiàn)狀
        1.2.1 齒輪箱故障診斷的技術(shù)手段
        1.2.2 齒輪箱故障診斷的發(fā)展現(xiàn)狀
    1.3 EEMD 方法和 MP 算法的研究現(xiàn)狀
    1.4 本論文的研究?jī)?nèi)容
2 齒輪箱故障機(jī)理分析及其振動(dòng)信號(hào)處理方法
    2.1 齒輪箱中零部件的失效分析
        2.1.1 齒輪主要失效形式
        2.1.2 滾動(dòng)軸承的失效形式
    2.2 齒輪箱振動(dòng)產(chǎn)生的機(jī)理分析
        2.2.1 齒輪的振動(dòng)機(jī)理分析
        2.2.2 滾動(dòng)軸承沖擊振動(dòng)的產(chǎn)生與特點(diǎn)
    2.3 齒輪箱故障診斷中振動(dòng)信號(hào)分析處理方法
        2.3.1 時(shí)域特征值統(tǒng)計(jì)分析
        2.3.2 頻譜分析
        2.3.3 時(shí)頻域分析方法
    2.4 本章小結(jié)
3 EEMD 方法的研究
    3.1 引言
    3.2 EMD 的基本概念及原理
        3.2.1 EMD 中的瞬時(shí)頻率
        3.2.2 本征模函數(shù)
        3.2.3 EMD 的分解過(guò)程
        3.2.4 本征模分量的選取
    3.3 EEMD 的基本概念及原理
        3.3.1 模態(tài)混疊和 EEMD 方法的提出
        3.3.2 EEMD 的原理及分解過(guò)程
        3.3.3 EEMD 與 EMD 對(duì)比
    3.4 本章小結(jié)
4 MP 算法的研究與優(yōu)化
    4.1 引言
    4.2 信號(hào)稀疏分解原理
        4.2.1 稀疏分解的概念
        4.2.2 過(guò)完備字典
    4.3 MP 算法的原理與優(yōu)化
        4.3.1 MP 算法的原理及流程
        4.3.2 MP 算法存在的缺陷
        4.3.3 基于遺傳算法的 MP 算法優(yōu)化
        4.3.4 GAMP 算法與 MP 算法對(duì)比
    4.4 GAMP 算法與 EEMD 結(jié)合
    4.5 本章小結(jié)
5 齒輪箱實(shí)驗(yàn)及故障分析與診斷
    5.1 齒輪箱故障診斷實(shí)驗(yàn)平臺(tái)
        5.1.1 齒輪箱傳動(dòng)系統(tǒng)
        5.1.2 數(shù)據(jù)采集系統(tǒng)
        5.1.3 齒輪箱故障中齒輪和軸承的參數(shù)及故障設(shè)置
    5.2 GAMP 算法對(duì)齒輪箱振動(dòng)信號(hào)消噪研究
    5.3 GAMP 算法消噪與小波消噪對(duì)比
    5.4 EEMD 分解剔除虛假 IMF
    5.5 齒輪箱振動(dòng)信號(hào)分析
        5.5.1 正常信號(hào)的分析
        5.5.2 齒面磨損故障分析
        5.5.3 軸承外圈故障
        5.5.4 軸承保持架故障
        5.5.5 軸承滾動(dòng)體故障
    5.6 基于支持向量機(jī)的齒輪箱故障分類
    5.7 本章小結(jié)
6 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文
致謝

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于德介,程軍圣,楊宇;Hilbert-Huang變換在齒輪故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2005年06期

2 雷亞國(guó);何正嘉;訾艷陽(yáng);;基于混合智能新模型的故障診斷[J];機(jī)械工程學(xué)報(bào);2008年07期

3 雷亞國(guó);;基于改進(jìn)Hilbert-Huang變換的機(jī)械故障診斷[J];機(jī)械工程學(xué)報(bào);2011年05期

4 康晨暉;崔玲麗;王婧;高立新;胥永剛;;基于信號(hào)特征的復(fù)合字典多原子匹配算法研究[J];機(jī)械工程學(xué)報(bào);2012年12期

5 尹忠科,王建英,邵君;基于原子庫(kù)結(jié)構(gòu)特性的信號(hào)稀疏分解[J];西南交通大學(xué)學(xué)報(bào);2005年02期

6 丁康,朱小勇,陳亞華;齒輪箱典型故障振動(dòng)特征與診斷策略[J];振動(dòng)與沖擊;2001年03期

7 曹沖鋒;楊世錫;楊將新;;大型旋轉(zhuǎn)機(jī)械非平穩(wěn)振動(dòng)信號(hào)的EEMD降噪方法[J];振動(dòng)與沖擊;2009年09期

8 丁康，王延春;傳動(dòng)箱齒輪和軸故障的振動(dòng)診斷方法的研究[J];振動(dòng)與沖擊;1994年02期

9 李輝;鄭海起;唐力偉;;基于EEMD和THT的齒輪故障診斷方法[J];振動(dòng).測(cè)試與診斷;2011年04期

10 彭暢;柏林;謝小亮;;基于EEMD、度量因子和快速峭度圖的滾動(dòng)軸承故障診斷方法[J];振動(dòng)與沖擊;2012年20期

相關(guān)博士學(xué)位論文 前2條

1 黃偉國(guó);基于振動(dòng)信號(hào)特征提取與表達(dá)的旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)與故障診斷研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

2 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

本文編號(hào)：2851580