本文關(guān)鍵詞：基于振動信號的齒輪箱智能故障診斷方法研究

  更多相關(guān)文章： 齒輪箱 最優(yōu)小波基 特征提取及選擇 模式識別 故障診斷

【摘要】：大型旋轉(zhuǎn)機械設備中,齒輪箱作為傳遞動力、改變轉(zhuǎn)速的重要零部件,有著不可替代的作用。齒輪箱一般由多對嚙合在一起的齒輪、轉(zhuǎn)軸、軸承、固定基座、箱體等部件構(gòu)成,這就決定了其結(jié)構(gòu)復雜、裝配精度要求高、加工工藝復雜的特點。因此,在復雜、惡劣的工況環(huán)境下,齒輪箱易出現(xiàn)故障并影響整個生產(chǎn)線甚至帶來大量經(jīng)濟損失,據(jù)統(tǒng)計,旋轉(zhuǎn)機械故障中齒輪故障占80%,因此對齒輪箱的運行過程進行狀態(tài)監(jiān)測和故障診斷具有極其重要的意義。 20世紀60年代以來齒輪箱故障診斷技術(shù)有了很大的發(fā)展,目前關(guān)于齒輪箱的故障診斷研究主要集中在以下幾個方面：故障模型機理研究、檢測儀器的開發(fā)、特征參數(shù)提取及選擇、現(xiàn)代信號處理方法、智能模式識別等。傳統(tǒng)的基于信號處理與分析的診斷技術(shù)主要提取與故障有關(guān)的特征頻率或者參數(shù),并根據(jù)以往經(jīng)驗,通過分析特定的故障頻率或者預先設定好的參數(shù)閾值對故障進行診斷。利用上述診斷技術(shù),在診斷單一故障類型時是有效的,然而當面對齒輪箱多種故障類型時診斷準確率比較低。因此,基于多種信息融合的智能故障診斷方法,在復雜的多故障類型齒輪箱診斷中受到越來越多的重視。 本文主要從齒輪箱狀態(tài)信號預處理、最優(yōu)特征參數(shù)集的構(gòu)建和評價、智能故障診斷方法等三個方面開展研究。 在原始信號預處理方面,本文采用基于Birge-Massart策略的自適應閾值降噪方法,本文提出一種基于主頻率能量的相關(guān)系數(shù)法,該方法通過比較小波分解系數(shù)和信號之間相關(guān)系數(shù)的大小選擇出與齒輪故障信號最佳匹配的小波基,從而提高了降噪的效果。 在最優(yōu)特征參數(shù)集的構(gòu)建和評價方面,本文應用信息熵理論、小波變換多分辨率分析理論構(gòu)建了功率譜熵特征參數(shù)、小波能譜特征參數(shù)；并根據(jù)“類間距離大、類內(nèi)距離小”原則,提出了一種改進的距離測度法用于最優(yōu)特征參數(shù)的選擇,選擇出冗余度低相關(guān)性高的最優(yōu)特征參數(shù)集 在智能故障診斷方法方面,本文首先利用遺傳算法對傳統(tǒng)BP神經(jīng)網(wǎng)絡的權(quán)值、閩值進行了優(yōu)化,以減小網(wǎng)絡陷入局部最優(yōu)的可能性；其次,在原有蟻群算法的基礎(chǔ)上加入了局部搜索操作,提高了算法中螞蟻找到最優(yōu)解的效率,并能夠及時發(fā)現(xiàn)更好的解,提高了蟻群算法的識別效率；最后本文應用概率和統(tǒng)計理論,將隱馬爾科夫模型(Hidden Markov Model, HMM)應用到齒輪箱多故障類型的靜態(tài)模式識別中,實驗驗證了HMM在齒輪箱故障識別方面具有算法穩(wěn)定、訓練速度快、識別準確率高的優(yōu)點。 最后,本文應用三個方面的理論研究成果,開發(fā)了一套簡易的齒輪箱智能故障診斷系統(tǒng),系統(tǒng)中各個模塊的調(diào)試工作已經(jīng)完成,經(jīng)過測試系統(tǒng)初步達到了實際工程應用的要求。
【關(guān)鍵詞】：齒輪箱 最優(yōu)小波基 特征提取及選擇 模式識別 故障診斷
【學位授予單位】：北京化工大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH132.41;TH165.3
【目錄】：

• 學位論文數(shù)據(jù)集3-4
• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-21
• 1.1 課題來源及意義15-16
• 1.2 齒輪箱故障診斷的研究現(xiàn)狀和發(fā)展趨勢16-17
• 1.3 論文主要內(nèi)容及創(chuàng)新點17-19
• 1.4 論文的結(jié)構(gòu)安排19-21
• 第二章 齒輪箱振動機理及主要故障形式21-27
• 2.1 齒輪簡化振動模型21-22
• 2.2 齒輪箱故障主要形式22-23
• 2.3 齒輪產(chǎn)生故障時的調(diào)制現(xiàn)象和邊頻帶特點23-24
• 2.3.1 齒輪信號邊頻帶特點23
• 2.3.2 齒輪嚙合幅值、頻率調(diào)制現(xiàn)象23-24
• 2.4 本章小結(jié)24-27
• 第三章 齒輪箱振動信號預處理27-41
• 3.1 小波變換理論27-29
• 3.1.1 連續(xù)小波變換27-28
• 3.1.2 離散小波變換28
• 3.1.3 小波變換在故障診斷中的應用28-29
• 3.2 最佳小波基的選擇29-33
• 3.2.1 主頻率能量相關(guān)系數(shù)法29-31
• 3.2.2 主頻率能量相關(guān)系數(shù)法的有效性驗證31-33
• 3.3 齒輪信號預處理：小波降噪33-36
• 3.3.1 小波降噪技術(shù)的發(fā)展33-34
• 3.3.2 小波閾值降噪理論34-36
• 3.3.3 自適應小波閾值降噪36
• 3.4 實驗驗證和分析36-39
• 3.4.1 小波降噪性能評價36-37
• 3.4.2 實驗結(jié)果分析37-39
• 3.5 本章小結(jié)39-41
• 第四章 齒輪狀態(tài)最優(yōu)特征參數(shù)集的構(gòu)建及評價41-57
• 4.1 齒輪狀態(tài)特征參數(shù)集的構(gòu)建41-45
• 4.1.1 時域統(tǒng)計參數(shù)41-42
• 4.1.2 頻域特征參數(shù)42-43
• 4.1.3 功率譜熵特征參數(shù)43
• 4.1.4 包絡譜特征參數(shù)43-45
• 4.1.5 小波能譜特征參數(shù)45
• 4.2 最優(yōu)特征參數(shù)集合的評價45-48
• 4.2.1 特征參數(shù)選擇方法概述45-46
• 4.2.2 改進的距離測度參數(shù)評價方法46-48
• 4.3 實驗驗證和分析48-55
• 4.4 本章小結(jié)55-57
• 第五章 智能故障診斷方法57-87
• 5.1 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的模式識別57-68
• 5.1.1 BP神經(jīng)網(wǎng)絡57-60
• 5.1.2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡60-63
• 5.1.3 實驗驗證和分析63-68
• 5.2 基于蟻群算法的智能模式識別68-73
• 5.2.1 蟻群算法基本原理68-69
• 5.2.2 蟻群算法模式識別流程69-71
• 5.2.3 實驗驗證和分析71-73
• 5.3 HMM智能故障模式識別73-85
• 5.3.1 HMM原理及基本算法74-79
• 5.3.2 HMM在故障診斷中的應用79-80
• 5.3.3 標量量化及碼級的確定80-82
• 5.3.4 實驗驗證及分析82-85
• 5.4 三種方法故障識別性能比較85-86
• 5.5 本章小結(jié)86-87
• 第六章 齒輪箱智能診斷系統(tǒng)模塊化實現(xiàn)87-93
• 6.1 系統(tǒng)的總體設計87-88
• 6.2 各個模塊的調(diào)試結(jié)果88-92
• 6.3 本章小結(jié)92-93
• 第七章 總結(jié)與展望93-95
• 7.1 研究成果總結(jié)93-94
• 7.2 后續(xù)工作展望94-95
• 參考文獻95-99
• 致謝99-101
• 研究成果及發(fā)表的學術(shù)論文101-103
• 作者和導師簡介103-104
• 附表104-105

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 潘泉;孟晉麗;張磊;程詠梅;張洪才;;小波濾波方法及應用[J];電子與信息學報;2007年01期

2 張承彪,羅運柏,文習山;主成分分析在變壓器故障診斷中的應用研究[J];高電壓技術(shù);2005年08期

3 金鑫;任獻彬;周亮;;智能故障診斷技術(shù)研究綜述[J];國外電子測量技術(shù);2009年07期

4 苑津莎;張冬雪;李中;;基于改進閾值法的小波去噪算法研究[J];華北電力大學學報(自然科學版);2010年05期

5 唐亮;段建國;許洪波;梁玲;;基于互信息最大化的特征選擇算法及應用[J];計算機工程與應用;2008年13期

6 呂世聘;王秀坤;孫巖;唐一源;;改進的支持向量機特征選擇算法[J];計算機工程;2009年01期

7 柳新民,邱靜,劉冠軍;基于連續(xù)高斯密度混合HMM的滾動軸承故障診斷研究[J];機械傳動;2005年01期

8 吳軍彪,陳進,伍星;基于盲源分離技術(shù)的故障特征信號分離方法[J];機械強度;2002年04期

9 何樹波,丁啟全,李志農(nóng),吳昭同;基于Wavelet-HMM的旋轉(zhuǎn)機械故障診斷方法研究[J];機械強度;2003年05期

10 葛小凱;胡劍波;寧江濤;周紅建;王世甲;;基于EMD-HMM的故障診斷模型及應用[J];數(shù)學的實踐與認識;2012年06期

中國博士學位論文全文數(shù)據(jù)庫 前5條

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

2 雷亞國;混合智能技術(shù)及其在故障診斷中的應用研究[D];西安交通大學;2007年

3 張家凡;振動信號的包絡解調(diào)分析方法研究及應用[D];武漢理工大學;2008年

4 李寧;旋轉(zhuǎn)機械的測試信號分析及隱馬爾科夫模型應用研究[D];重慶大學;2010年

5 岳夏;基于HMM的復雜條件故障診斷技術(shù)研究[D];華南理工大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李全;基于HMM的軸承故障診斷方法[D];昆明理工大學;2010年

2 李明;遺傳算法的改進及其在優(yōu)化問題中的應用研究[D];吉林大學;2004年

3 洪文;基于隱Markov模型的步態(tài)識別研究[D];哈爾濱工程大學;2005年

4 熊健;基于振動信號分析和神經(jīng)網(wǎng)絡的齒輪箱故障診斷技術(shù)研究[D];中北大學;2008年

5 張成;基于圖像序列的運動目標識別與跟蹤方法研究[D];天津理工大學;2008年

6 殷震;基于BP神經(jīng)網(wǎng)絡的電力變壓器內(nèi)部故障診斷方法研究[D];天津大學;2007年

7 王照陽;基于BP神經(jīng)網(wǎng)絡的煉鋼轉(zhuǎn)爐軸承故障診斷系統(tǒng)[D];重慶大學;2008年

8 李寶慶;廣義解調(diào)時頻分析方法及其在齒輪故障診斷中的應用研究[D];湖南大學;2010年

9 石磊;8000kW海洋救助船主動力裝置綜合監(jiān)測方法研究[D];武漢理工大學;2012年

10 楊戈;PACS系統(tǒng)醫(yī)學圖像數(shù)據(jù)壓縮的研究[D];西安電子科技大學;2012年

，

本文編號：613474