大型吊装装备齿轮箱故障诊断与预测方法研究

发布时间：2017-09-21 08:52

  本文关键词：大型吊装装备齿轮箱故障诊断与预测方法研究

  更多相关文章： 齿轮箱 故障诊断 OSVR EMD ICA 高阶累积量

【摘要】：齿轮箱作为大型吊装装备起升传动系统的重要部件,其结构复杂,且承受低速重载、冲击及交变载荷等影响,极易发生故障,导致吊装装备失效。传统的诊断方法时效性差,诊断范围有限,不能发掘早期故障,因此针对大型吊装装备齿轮箱研究高效可靠的故障诊断与预测方法意义深远。论文首先分析了齿轮箱常见故障及原因,针对实际对象的功能需求完成了大型吊装装备齿轮箱故障诊断与预测总体方案设计。其次,针对齿轮箱温度数据及油液数据存在非线性、非平稳性等问题,利用支持向量机不同的核函数特性,提出了一种基于组合核函数的OSVR时间序列预测方法,并应用于温度与油液状态趋势预测当中。第三,将EMD与基于多高阶累积量优化的ICA方法相结合解决了齿轮箱振动监测数据的故障成分与噪声分离问题,提高了分离的效率与精度,之后采用包络分析与时频谱分析实现了故障特征的有效提取和分析。第四,研究了基于双谱能量熵的特征向量构造方法,提出了基于高阶累计量谱与SVM多分类器的齿轮箱故障诊断方法,以解决齿轮箱振动监测数据的智能分类诊断问题,并进一步通过实验验证了方法具有良好的诊断效果。最后,设计并开发了大型吊装装备齿轮箱故障诊断系统,实现了基于上述方法综合分析的齿轮箱故障诊断与预测功能,并采用现场数据验证了故障诊断系统的可行性。论文研究的大型吊装装备齿轮箱故障诊断与预测方法为大型吊装装备齿轮传动系统现场运行的安全监测提供有力的技术参考,在实现工程机械设备智能高效诊断及提高设备可靠性方面具有良好的工程应用价值和实际意义。
【关键词】：齿轮箱 故障诊断 OSVR EMD ICA 高阶累积量
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH21;TH132.41
【目录】：

• 摘要3-4
• Abstract4-9
• 1 绪论9-16
• 1.1 课题研究背景及意义9-10
• 1.2 齿轮箱诊断技术概述10-11
• 1.3 国内外研究现状11-14
• 1.3.1 故障预测方法11-12
• 1.3.2 故障特征提取方法12-13
• 1.3.3 故障诊断方法13-14
• 1.4 课题来源与研究内容14-15
• 1.5 论文组织结构15-16
• 2 大型吊装装备齿轮箱故障诊断与预测方案总体设计16-24
• 2.1 大型吊装装备齿轮传动系统结构及特点16-17
• 2.2 齿轮箱常见故障及诊断方法17-18
• 2.2.1 齿轮箱常见故障类型17
• 2.2.2 齿轮箱主要故障原因17-18
• 2.3 需求分析18-20
• 2.3.1 技术参数指标18-19
• 2.3.2 功能需求19-20
• 2.4 总体方案设计20-23
• 2.4.1 齿轮箱诊断与预测方法适用性对比与分析20-21
• 2.4.2 总体方案设计21-23
• 2.5 本章小结23-24
• 3 基于组合核函数OSVR算法的齿轮箱状态趋势预测24-38
• 3.1 常用趋势预测模型及分析24
• 3.2 OSVR基本原理及核函数分析24-27
• 3.2.1 SVR算法原理24-25
• 3.2.2 在线支持向量回归25-26
• 3.2.3 核函数类型及影响26-27
• 3.3 相空间重构27-28
• 3.3.1 时间延迟确定27-28
• 3.3.2 嵌入维数确定28
• 3.4 基于组合核函数OSVR模型的预测算法28-33
• 3.4.1 算法基本思路28-30
• 3.4.2 算法具体步骤与流程图30
• 3.4.3 仿真验证30-33
• 3.5 齿轮箱温度趋势预测33-35
• 3.5.1 温度数据采集33-34
• 3.5.2 温度趋势预测与分析34-35
• 3.6 齿轮箱磨损趋势预测35-37
• 3.6.1 磨损数据采集35-36
• 3.6.2 磨损趋势预测与分析36-37
• 3.7 本章小结37-38
• 4 基于EMD-CMICA的故障齿轮箱振动信号特征提取38-56
• 4.1 经验模态分解38
• 4.2 盲源分离和独立成分分析38-39
• 4.2.1 ICA/BSS基本原理39
• 4.2.2 常见盲源分离方法39
• 4.3 一种基于多阶累积量的ICA算法39-43
• 4.3.1 高阶统计量及性质40
• 4.3.2 对比函数构造40-43
• 4.3.3 CMICA算法步骤43
• 4.4 基于EMD的CMICA方法43-47
• 4.4.1 评价指标43-44
• 4.4.2 EMD-CMICA方法仿真验证44-46
• 4.4.3 方法比较分析46-47
• 4.5 故障特征提取分析47-49
• 4.5.1 包络谱分析47-48
• 4.5.2 时频谱分析48-49
• 4.6 基于EMD-CMICA的故障特征提取方法步骤49-50
• 4.7 实验验证50-55
• 4.7.1 实验条件50-51
• 4.7.2 实验信号特征提取与分析51-55
• 4.8 本章小结55-56
• 5 基于高阶累积量谱的齿轮箱故障诊断56-73
• 5.1 双谱56-61
• 5.1.1 双谱定义56
• 5.1.2 双谱性质56-57
• 5.1.3 基于仿真信号的双谱分析57-61
• 5.2 双谱的特征提取61-63
• 5.2.1 能量熵定义61
• 5.2.2 双谱能量熵提取61-62
• 5.2.3 特征向量构造62-63
• 5.3 基于SVM的故障分类器构造63-65
• 5.3.1 SVM分类器63
• 5.3.2 SVM多分类器构造63-65
• 5.4 总体流程图65-66
• 5.5 实验分析66-72
• 5.5.1 实验条件66
• 5.5.2 双谱分析66-67
• 5.5.3 样本的特征提取67-70
• 5.5.4 SVM故障分类实验70-71
• 5.5.5 诊断结果分析与对比71-72
• 5.6 本章小结72-73
• 6 大型吊装装备齿轮箱故障诊断系统设计73-83
• 6.1 故障诊断系统设计73-75
• 6.2 数据采集模块75-76
• 6.3 数据分析模块76-81
• 6.3.1 趋势预测分析模块77-78
• 6.3.2 时域频域分析模块78-79
• 6.3.3 特征提取分析模块79-80
• 6.3.4 故障诊断分析模块80-81
• 6.3.5 综合诊断决策81
• 6.4 本章小结81-83
• 7 总结与展望83-85
• 7.1 全文总结83
• 7.2 工作展望83-85
• 致谢85-86
• 参考文献86-91
• 附录91

【相似文献】

中国期刊全文数据库 前10条

1 黄晋英;毕世华;潘宏侠;杨喜旺;;独立分量分析在齿轮箱故障诊断中的应用[J];振动、测试与诊断;2008年02期

2 一民;高速齿轮箱故障诊断技术及其诊断系统通过鉴定[J];振动、测试与诊断;1991年04期

3 戴丽杰;;齿轮箱故障诊断方法[J];黑龙江科技信息;2002年08期

4 高国华 ,张永忠;齿轮箱故障诊断技术的新发展[J];机械传动;2003年06期

5 高永生;唐力伟;王建华;金海薇;;基于系统特性的齿轮箱故障诊断[J];煤矿机械;2006年01期

6 魏秀业;潘宏侠;;齿轮箱故障诊断技术现状及展望[J];测试技术学报;2006年04期

7 邢士勇;金海薇;郑海起;唐力伟;;基于关联距离熵的齿轮箱故障诊断[J];机械工程师;2007年07期

8 吴德会;;一种基于支持向量机的齿轮箱故障诊断方法[J];振动、测试与诊断;2008年04期

9 王华;包磊;宋昊明;郭颖;叶伟;;空分457齿轮箱故障诊断[J];机械研究与应用;2008年03期

10 朱有剑;李建;;基于倒频谱特征提取的齿轮箱故障诊断[J];科技广场;2008年08期

中国重要会议论文全文数据库 前6条

1 蔡安江;豆卫涛;柴彦昌;孙少军;;基于人工神经网络技术的齿轮箱故障诊断应用研究[A];陕西省机械工程学会第九次代表大会会议论文集[C];2009年

2 高永生;唐力伟;甘霖;杨通强;;基于系统特性的齿轮箱故障诊断[A];2005年中国机械工程学会年会论文集[C];2005年

3 李爱民;;基于灰色聚类决策的齿轮箱故障诊断[A];第19届灰色系统全国会议论文集[C];2010年

4 金大玮;李建桥;贾民平;;循环自相关函数在齿轮箱故障诊断中的应用[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（上册）[C];2008年

5 董海江;赵春华;万诗庆;汪伟;;LWPEE与SVM在风电齿轮箱故障诊断中的应用[A];第十一届全国摩擦学大会论文集[C];2013年

6 雷亚国;林京;何正嘉;;基于多传感器信息融合的行星齿轮箱故障诊断[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国博士学位论文全文数据库 前3条

1 欧璐;图谱理论在齿轮箱故障诊断中的应用研究[D];湖南大学;2016年

2 许昕;基于滤波技术和粒子群优化的齿轮箱故障诊断研究[D];中北大学;2011年

3 焦新涛;小波分析及其在齿轮箱故障诊断中应用研究[D];华南理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 李猷凤;齿轮箱故障诊断的小波包-ICA分析方法[D];南京理工大学;2015年

2 鄢小安;基于自适应振动信号处理的齿轮箱故障诊断研究[D];华北电力大学;2015年

3 李楠;基于粒子滤波的齿轮箱故障诊断[D];华北电力大学;2015年

4 张韶;基于数据挖掘技术在齿轮箱故障诊断的应用[D];河北工程大学;2015年

5 李国明;基于神经网络的齿轮箱故障诊断研究[D];河北工业大学;2015年

6 卢昆鹏;基于DSP-SVM的风电齿轮箱故障诊断系统[D];中北大学;2016年

7 马凌芝;基于DSP和TQWT稀疏分解的风电齿轮箱故障诊断系统[D];中北大学;2016年

8 郭松涛;基于约束独立分量分析的齿轮箱故障诊断研究[D];河南理工大学;2015年

9 牛志雷;基于形态分量分析的齿轮箱故障诊断研究[D];石家庄铁道大学;2016年

10 曹劲然;大型吊装装备齿轮箱故障诊断与预测方法研究[D];南京理工大学;2016年

，

本文编号：893556