齿轮箱振动特性分析与智能故障诊断方法研究
发布时间:2020-09-10 11:26
随着社会对产能需求的增大以及科技水平的进步,机械设备正朝着高速、高效、高精度方向发展。齿轮箱作为机械设备中用于连接和传递动力的关键部件,一旦发生故障将直接影响设备的安全可靠运行。因此,开展齿轮箱故障诊断技术研究,准确地识别出故障模式,对保障机械系统安全可靠运行,避免重大事故的发生具有非常重要的意义。本文以齿轮箱为研究对象,围绕着其在智能故障诊断领域中的几项关键问题:故障特征提取、故障特征评价与选择、故障诊断模型训练以及多传感器信息融合展开了深入的研究,主要内容包括以下四个方面:(1)滚动轴承振动信号的故障特征提取方法研究:针对滚动轴承振动信号表现出的强非平稳性以及故障特征不明显的现象,提出了一种基于同步压缩小波变换和非负矩阵分解的滚动轴承振动信号特征提取新方法;利用同步压缩小波变换对滚动轴承振动信号进行时频分析,提取出能够表征滚动轴承不同故障状态的特征空间;针对时频分析后存在的轻微模式混叠及维度过高的问题,利用非负矩阵分解对特征空间进行精简和优化,获取维度适中且对各种故障模式敏感程度较高的特征集;实验分析结果验证了本文方法的有效性。(2)基于深度置信网络的非监督式智能故障诊断方法研究:分析了基于监督式特征学习机制的传统智能诊断方法在对机械结构进行故障诊断时所存在的问题;提出了一种基于深度置信网络的非监督式智能故障诊断方法,实现了对齿轮箱内部滚动轴承多种不同类型故障的准确识别;研究了深度置信网络的自适应特征学习能力以及模型参数变化和样本数目变化对其性能的影响情况;实验分析结果表明,相比起传统的智能诊断方法,本文方法具有更好的分类性能和更强的鲁棒性。(3)齿轮故障的振动特性分析方法研究:建立了齿轮传动的简化动力学模型,研究随机激励作用下齿轮振动特性;同时还建立了齿轮故障信号模型,利用仿真信号进行特征提取及诊断模型训练,并将该诊断模型用于识别实测振动信号所对应的齿轮故障状态,准确地识别出了多种齿轮故障,为解决工程实际中存在的故障数据样本缺乏、诊断模型训练不充分这一问题提供了一种全新的思路。(4)基于多传感器信息融合的齿轮箱智能故障诊断方法研究:针对基于单传感器的智能诊断方法在对机械系统进行故障诊断时容易出现的诊断信息不完备这一缺陷,以及仅依据单一的评价准则选择出的故障特征可能并非最优这一潜在问题,提出了一种基于多传感器信息融合的齿轮箱智能故障诊断方法;结合能量算子和时域同步平均提取出来自多传感器及多特征域的故障信息;进而结合距离评价函数和最大相关最小冗余筛选出对故障敏感且包含冗余信息较小的故障特征;实验数据分析结果表明,相比起传统的基于单传感器信息的故障诊断方法,本文方法能够更准确地识别出齿轮箱多种故障类型。
【学位单位】:浙江大学
【学位级别】:博士
【学位年份】:2018
【中图分类】:TH132.41
【部分图文】:
方法与传统基于单传感器信息的故障诊断方法的性能。逡逑第6章:给出了本文研究的主要结论,并对今后的研究工作提出了展望。逡逑本论文的总体框架如图1.4所示。逡逑16逡逑
时间(s)逦频率(Hz)逡逑图2.2邋HHT分解成分时域波形图和频谱图逡逑:H逦I逡逑0逦1逦2逦3逦0逦100逦200逦300逡逑2BlM丨IMIlfll丨IIIIMIlMMIIIIIIallM丨lIMIIMIMIIlllMMI逦2逦'逦'逡逑2逦q逦逦邋ta逦,逦,逦逡逑a邋0逦1逦2逦3逦S邋0逦100逦200逦300逡逑S逦___■逦1逦ll,I逡逑0逦1逦2逦3逦0逦100逦200逦300逡逑numtuiufiH逦i逡逑2邋;逦逦逦逦j逦q邋逦邋...」丨丨邋JLilL邋i邋j邋i.邋邋邋逦逦:逡逑0逦1逦2逦3逦0逦100逦200逦300逡逑ll、j?间(s)逦频字.(Hz)逡逑图2.3邋SST分解成分时域波形图和频谱图逡逑2.2.2非负矩阵分解逡逑虽然SST能够有效地提取出原始信号中包含的故障信息,但处理后的信号特逡逑征空间仍存在维度过高的问题,这显然会增大计算量,影响后续故障模式识别的逡逑效率。因此,本节采用NMF对信号特征空间进行精简和优化。逡逑NMF的主要思想为:对于一个非负矩阵K,可将其近似分解为两个非负矩逡逑阵PT和//的乘积
时间(s)逡逑(e)复合故障信号逡逑图2.7滚动轴承振动信号的时频谱图逡逑°0III^%丨卜i|邋0.0:邋I逦^邋,jW逡逑-0.1逦逦1逦—逦0逦^匿?逦逦逦逦逡逑0逦0.05逦0.1逦0逦2000逦4000逦6000逡逑0.05邋]逦逦逦]逦0.02邋r逦'逦■逦1逡逑-0.05邋1逦'逦1逦0^逦逦逦逦逦1逡逑0逦0.05逦0.1逦c<r逦0x10-3邋2000逦4000逦6000逡逑|邋°°h…岭ud|逦:一▲’邋.逦1逡逑M:邋0逦0.05逦0.1逦g逦0逦2000逦4000逦6000逡逑-0.1邋p-逦逦邋一邋0.01邋|逦'逦逦'逡逑Q邋1邋L_逦逦逦邋Q邋LA逦逦逦逦^Ai*^邋.逦逦逦I逡逑'0x10-3逦0邋05逦0邋1逦.°X10-3逦2000逦4000逦6000逡逑5邋I逦\^逦\逦1逦5逦'逦'逦逦邋'I逡逑-5邋^0邋L逦逦逦丨逡逑0逦0.05逦0.1逦0逦2000逦4000逦6000逡逑II邋汁llWd逦频中?(Hz)逡逑图2.8邋SST分解成分与频谱逡逑本节懫用NMF算法对时频矩阵进行精简和优化。首先,计算k我桓鲅舅义隙杂Φ氖逼稻卣蟮哪2⒔泄橐换硪月悖危停频某跏继跫苯恳桓鲥义暇卣笞晃邢蛄俊F浯危婊∪∶恐止た鲋械模矗案鲅咀魑盗废楸荆义纤醒盗费菊铣梢谎盗肪卣螅蓿撸渲校骸侗硎久恳桓鲅镜奈龋诒纠义现屑矗保福埃玻玻矗埃诲澹鞅硎狙臼
本文编号:2815764
【学位单位】:浙江大学
【学位级别】:博士
【学位年份】:2018
【中图分类】:TH132.41
【部分图文】:
方法与传统基于单传感器信息的故障诊断方法的性能。逡逑第6章:给出了本文研究的主要结论,并对今后的研究工作提出了展望。逡逑本论文的总体框架如图1.4所示。逡逑16逡逑
时间(s)逦频率(Hz)逡逑图2.2邋HHT分解成分时域波形图和频谱图逡逑:H逦I逡逑0逦1逦2逦3逦0逦100逦200逦300逡逑2BlM丨IMIlfll丨IIIIMIlMMIIIIIIallM丨lIMIIMIMIIlllMMI逦2逦'逦'逡逑2逦q逦逦邋ta逦,逦,逦逡逑a邋0逦1逦2逦3逦S邋0逦100逦200逦300逡逑S逦___■逦1逦ll,I逡逑0逦1逦2逦3逦0逦100逦200逦300逡逑numtuiufiH逦i逡逑2邋;逦逦逦逦j逦q邋逦邋...」丨丨邋JLilL邋i邋j邋i.邋邋邋逦逦:逡逑0逦1逦2逦3逦0逦100逦200逦300逡逑ll、j?间(s)逦频字.(Hz)逡逑图2.3邋SST分解成分时域波形图和频谱图逡逑2.2.2非负矩阵分解逡逑虽然SST能够有效地提取出原始信号中包含的故障信息,但处理后的信号特逡逑征空间仍存在维度过高的问题,这显然会增大计算量,影响后续故障模式识别的逡逑效率。因此,本节采用NMF对信号特征空间进行精简和优化。逡逑NMF的主要思想为:对于一个非负矩阵K,可将其近似分解为两个非负矩逡逑阵PT和//的乘积
时间(s)逡逑(e)复合故障信号逡逑图2.7滚动轴承振动信号的时频谱图逡逑°0III^%丨卜i|邋0.0:邋I逦^邋,jW逡逑-0.1逦逦1逦—逦0逦^匿?逦逦逦逦逡逑0逦0.05逦0.1逦0逦2000逦4000逦6000逡逑0.05邋]逦逦逦]逦0.02邋r逦'逦■逦1逡逑-0.05邋1逦'逦1逦0^逦逦逦逦逦1逡逑0逦0.05逦0.1逦c<r逦0x10-3邋2000逦4000逦6000逡逑|邋°°h…岭ud|逦:一▲’邋.逦1逡逑M:邋0逦0.05逦0.1逦g逦0逦2000逦4000逦6000逡逑-0.1邋p-逦逦邋一邋0.01邋|逦'逦逦'逡逑Q邋1邋L_逦逦逦邋Q邋LA逦逦逦逦^Ai*^邋.逦逦逦I逡逑'0x10-3逦0邋05逦0邋1逦.°X10-3逦2000逦4000逦6000逡逑5邋I逦\^逦\逦1逦5逦'逦'逦逦邋'I逡逑-5邋^0邋L逦逦逦丨逡逑0逦0.05逦0.1逦0逦2000逦4000逦6000逡逑II邋汁llWd逦频中?(Hz)逡逑图2.8邋SST分解成分与频谱逡逑本节懫用NMF算法对时频矩阵进行精简和优化。首先,计算k我桓鲅舅义隙杂Φ氖逼稻卣蟮哪2⒔泄橐换硪月悖危停频某跏继跫苯恳桓鲥义暇卣笞晃邢蛄俊F浯危婊∪∶恐止た鲋械模矗案鲅咀魑盗废楸荆义纤醒盗费菊铣梢谎盗肪卣螅蓿撸渲校骸侗硎久恳桓鲅镜奈龋诒纠义现屑矗保福埃玻玻矗埃诲澹鞅硎狙臼
本文编号:2815764
本文链接:https://www.wllwen.com/jixiegongchenglunwen/2815764.html