基于流形学习与LVQ的齿轮箱故障诊断技术研究

发布时间：2020-10-27 13:26

　　 齿轮箱在机械工业领域占有重要地位并广泛应用于各类机械设备,尤其是旋转机械的重要传动部件。齿轮箱能否正常工作关乎到整个机器或机组设备的局部或整体的工况状态,并且旋转机械设备的故障有很大比例是由齿轮箱的部件失效引起的,其中振动噪声信号又是齿轮箱故障特征的载体,故通过齿轮箱的振动信号对其早期故障进行准确诊断并能预测其故障发展趋势以及作出对发生故障或潜在故障的零部件进行最快替换的决策对提高旋转机械设备整体运行可靠性具有重要意义。本文首先介绍了齿轮箱的主要失效形式、故障特征及其振动机理的有关概念,针对齿轮出现缺陷时其振动信号产生交叉调制成份特点提出了小波降噪、EEMD与ISOMAP相结合的高维故障样本特征选择和提取方法,在此基础上提出一种基于ISOMAP与LVQ的齿轮故障诊断模型;针对轴承出现不同故障时都在其外圈的低阶至高阶所有固有频率中心处引起多分量调频现象及其发生故障时其振动能量偏小的特点提出了小波降噪、LMD与距离自适应LLE相结合的高维故障样本特征选择和提取方法和基于离散度思想的LLE算法重要参数k值选择算法,在此基础上本文提出一种基于距离自适应LLE与LVQ的轴承故障诊断模型。实验结果表明采用小波降噪、EEMD(或LMD)与流形学习方法进行特征提取可以有效降低噪声对流形学习低维拓扑结构信息的严重干扰。齿轮故障模拟实验结果验证了基于ISOMAP与LVQ的齿轮故障诊断模型诊断正确率高于广泛应用于故障诊断领域的BP神经网络模型;与未改进LLE及PCA对比,通过轴承故障模拟实验数据验证了本文提出的基于离散度思想确定距离自适应LLE的参数k值可以提高流形学习降维获取特征的可分性,并且基于距离自适应LLE与LVQ的轴承故障诊断模型的诊断准确率也高于SVM模型。
【学位单位】：沈阳理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH132.41
【部分图文】：

可以实现对原始振动信号有效的分解、降噪、信号重构（包括特征选择和提取）和故障类型诊断。（4）融合现代智能算法。包括粒子群算法、遗传算法、蚁群算法、模糊逻辑、神经网络算法以及专家系统等各种智能优化算法的应用将促进齿轮箱故障诊断技术的进一步研究与发展。1.3.2 国内外的研究现状1.故障特征提取技术的研究现状：故障特征提取技术是当前机械故障诊断领域中最重要也是最困难的研究课题，关乎到能否对其早期故障进行准确诊断并预报其故障发展趋势的可行性。故障特征提取分为广义和狭义。广义的特征提取是指从现场采集的故障振动信号中采用适当的特征提取规则提取出故障设备的特征信息。狭义的特征提取是将原始观测样本运用数学方法计算出各种统计量并将其组合成特征向量[27]。

第 2 章 齿轮箱故障机理及特征分析为了更好地对齿轮箱故障诊断方法进行研究，本章主要介绍齿轮箱故障诊断相关的基础理论。首先简要介绍了齿轮与轴承的主要失效形式(如齿根断齿、点蚀等)，接下来分别介绍了齿轮与轴承的振动机理及其故障特征分析理论。通过学习这些理论知识，有利于进一步对应提出齿轮箱故障诊断的方法并且这些理论知识也是进行齿轮箱故障诊断实验的理论基础。2.1 齿轮箱的主要故障形式齿轮箱主要是由各类齿轮、轴承与轴系等部件构成并在不同旋转机械设备中发挥变速、改变传动方向、传递力矩与运动、指示读数、变换机构的位置及离合等功能的重要结构之一。

的振动机理轮箱处于工作状态中时，轮齿啮合引发的振动信号及噪声能够齿轮箱内部包括齿轮、轴承及轴系等零部件的工作状态[54]。当时，齿轮在传动中会产生快慢不均的转动，并且在进入和脱离产生较高的振动峰值，形成短时间的幅值和相位的变化，由于较低，而啮合频率及其谐频频率较高，所以产生了不同形式的变化的产生幅值调制，引起频率或相位变化的产生频率调制。中，调幅与调频可能同时存在，形成交叉调制成分。齿啮合振动的物理模型副可以看作一个具有质量、弹簧和阻尼的复杂振动系统，轮齿期性变化的性质，由齿轮副啮合产生的振动信号往往含有不平，其中齿轮啮合振动的物理模型简化为如图 2.2 所示。
【参考文献】

相关期刊论文 前10条

1 黄宏臣;张倩倩;韩振南;林晓龙;刘庆;;拉普拉斯特征映射算法在滚动轴承故障识别中的应用[J];中国测试;2015年05期

2 魏永合;王明华;林梦菊;田鹏;;基于改进EEMD的滚动轴承故障特征提取技术[J];组合机床与自动化加工技术;2015年01期

3 马力;李冬;薛庆增;王辉;谭巍;;基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用[J];推进技术;2014年10期

4 朱启兵;杨宝;黄敏;;基于核映射稀疏表示分类的轴承故障诊断[J];振动与冲击;2013年11期

5 尹刚;张英堂;李志宁;程利军;;运用在线贯序极限学习机的故障诊断方法[J];振动.测试与诊断;2013年02期

6 周智;朱永生;张优云;朱川峰;王鹏;;基于EEMD和共振解调的滚动轴承自适应故障诊断[J];振动与冲击;2013年02期

7 刘嘉敏;周晓莉;朱晟君;王会岩;罗甫林;;基于LLE及其改进算法的人耳识别[J];光电工程;2012年12期

8 杨庆;陈桂明;何庆飞;刘鲭洁;;局部切空间排列算法用于轴承早期故障诊断[J];振动.测试与诊断;2012年05期

9 杨佳鑫;齐蕴光;蔡兆中;;齿轮箱故障诊断技术现状与发展趋势[J];机电信息;2011年36期

10 刘忠宝;;一种改进的线性判别分析算法在人脸识别中的应用[J];计算机工程与科学;2011年07期

相关博士学位论文 前2条

1 谷方明;支持向量数据描述的若干问题及应用研究[D];吉林大学;2010年

2 王广斌;基于流形学习的旋转机械故障诊断方法研究[D];中南大学;2010年

相关硕士学位论文 前10条

1 牛保国;齿轮箱故障检测技术研究[D];沈阳理工大学;2016年

2 孙美岩;基于振动信号的滚动轴承故障特征提取研究[D];东北石油大学;2015年

3 胡浩松;基于流形学习的旋转机械故障识别方法研究[D];燕山大学;2015年

4 王振华;基于EMD谱峭度和支持向量机的齿轮箱故障诊断[D];中北大学;2014年

5 王迪;基于虚拟仪器的振动测试分析系统研究[D];重庆交通大学;2014年

6 徐明林;基于小波降噪和经验模态分解的滚动轴承故障诊断[D];哈尔滨工业大学;2013年

7 尹焕;基于ISOMAP的机械故障诊断方法研究与应用[D];华南理工大学;2012年

8 杨怡;基于局部均值分解的齿轮故障诊断方法[D];湖南大学;2012年

9 刘丽娟;基于流形学习与一类分类的故障诊断方法及其应用研究[D];南京航空航天大学;2012年

10 彭春阳;基于振动信号分析的齿轮箱故障诊断仪的研究[D];重庆大学;2011年

本文编号：2858578