基于核极限学习机的齿轮故障诊断研究

发布时间：2020-11-05 23:46

　　 齿轮作为大型机械设备中传递动能和调节转速的常见零部件,对设备的安全运作起着关键作用。为了满足工业生产需求,齿轮经常需要运行在过载、高温、高压等恶劣条件下,从而导致齿轮极易发生故障,而一旦发生故障则可能导致整个机械设备停机。齿轮故障的特征信息大部分包含在齿轮故障发生时产生的振动信号中,因此如果能从振动信号中提取尽可能多的表征故障的特征信息,进而对特征信息进行去冗余和分类,就能实现齿轮故障的准确识别,从而保证设备运行过程的安全性和稳定性。本文以齿轮为研究对象,首先分析齿轮的振动特性及常见故障,研究齿轮振动信号多域特征提取,提出基于全局监督拉普拉斯分值(Global Supervised Laplacian Score,GSLS)和核主成分分析(Kernel Principal Component Analysis,KPCA)的级联特征降维方法以及基于粒子群优化的二叉树核极限学习机(Particle Swarm Optimization-Kernel Extreme Learning Machine-Binary Tree,PSO-KELM-BT)多故障识别方法,设计融合特征降维和故障识别的齿轮故障诊断系统。本文主要研究内容如下:(1)齿轮振动特性分析及多域特征提取研究。首先分析齿轮振动特性及常见故障类型,然后采用多域特征提取方法分别提取各类故障类型下振动信号的时域、频域及时频域特征,构建高维特征集合,用以表征各故障类型的特性,并作为特征降维处理的数据基础。(2)基于GSLS和KPCA的级联特征降维研究。针对LS方法近邻图参数难以设定以及过度依赖样本局部结构信息的问题,提出一种融合数据类别信息及全局结构信息的GSLS方法,以获取规模小、区分度高的特征子集;在特征子集的基础上,结合KPCA特征融合方法,进一步剔除特征子集的冗余信息,以降低特征集合维度。实验结果表明,提出的级联特征降维方法能够结合LS和KPCA的优点,有效地提高特征子集的区分度。(3)基于PSO-KELM-BT的多故障识别方法研究。针对KELM准确率偏低的问题,提出一种基于单分类方式的KELM多分类算法,该算法基于提出的融合类内距离及类间距离的混合可分性指标,将训练数据按“一对其它”的方式分割分别训练KELM二值分类器,并使用二叉树法将所有分类器整合成一个多分类器,以提高分类器的分类准确率;为解决KELM参数设置问题,引入PSO算法对模型进行参数寻优,进一步提高算法的分类准确率。实验结果显示提出的算法在分类准确率上高于其它同类算法。(4)特征降维和故障识别在齿轮故障诊断中的应用研究。研究融合参数监测、特征提取、特征降维和故障识别技术的系统分层架构,设计齿轮参数监测、振动信号分析、特征提取、特征降维、故障识别模块,以可视化界面的形式展示各模块处理结果,实现齿轮故障诊断系统。运行结果表明提出的方法在齿轮故障诊断中得到了很好的应用。
【学位单位】：武汉理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH132.41
【部分图文】：

力学模型时需要将其简化成一个由弹簧和阻尼组成程来描述齿轮啮合过程。齿轮物理模型可简化成图（2-1）。1 2M x + C x + k (t ) x = k (t ) E +k (t ) E (t )1 2 1 2m ( m + m)，是齿轮副的等效质量，C、 k (t )分别，x 是齿轮沿作用线上的相对位移，1E 是齿轮受载t )是齿轮误差和故障造成的两个齿轮间的相对位移。

1mM=图 2-3 EEMD 分解流程图D 分解主要步骤如下：将原始信号 x( t )和高斯白噪声 ( )in t 进行相加，得到新的信号( ) ( ) ( )i ix t = x t + n t求信号 ( )ix t 全部的局部极大值点及极小值点，将所有极大值上包络曲线 ( )upperx t ，同理可以得到下包络曲线 ( )lowerx t ，对上：1( ) ( ( ) ( ))2upper lowerm t = x t + x t可以得到信号与上下包络均值之差：( ) ( ) ( )if t = x t m t判断 f (t )是否符合 IMF 分量的两个条件，若符合，则 f (t )为

1n=中 N 表示 IMF 分量的个数，即分解次数， r (t )为剩余分量。（4）重复步骤（1）-（3）M 次，对M 个第n个分量求均值，结果即为第n个 IMF 分量：,11( ) ( )Mn n mmf t f tM== （2-7中， ( )nf t 为第 n 个 IMF 分量， n =1, ,N ， m =1, ,M 。齿轮振动信号多域特征提取为了提取齿轮故障特征并作为验证后续算法的数据基础，以 QPZZ-II 机障模拟及试验平台产生的齿轮故障模拟数据作为数据源。QPZZ-II 机械故障及试验平台提供了多个传感器采集到的齿轮正常状态及断齿、点蚀、磨损故障状态下数据，采样频率为 5120Hz。选取 QPZZ-II 试验提供的转速 880的加速度信号，其振动信号如图 2-4 所示，每个信号序列长度为 1280。
【相似文献】

相关期刊论文 前10条

1 秦波;刘永亮;王建国;杨云中;;基于在线贯序极限学习机的齿轮故障诊断方法[J];机械设计与制造;2016年12期

2 焉伟哲;;浅谈齿轮故障诊断技术的应用[J];科技风;2016年22期

3 王峰;白转伟;董增寿;石慧;;基于人工免疫算法的齿轮故障诊断研究[J];太原科技大学学报;2017年04期

4 秦波;张鲁洋;孙国栋;王建国;;排列熵与核极限学习机在齿轮故障诊断中的应用[J];中国测试;2017年07期

5 付胜;徐斌;杜晓帆;吕孟宸;;基于奇异值分解和支持向量机的齿轮故障诊断[J];机械传动;2013年09期

6 罗颂荣;;基于声卡和虚拟仪器技术的齿轮故障诊断系统[J];机床与液压;2011年11期

7 董宏 ,赵奇志;齿轮故障诊断技术的应用[J];新技术新工艺;2005年07期

8 熊军;李凤英;沈玉娣;;齿轮故障诊断技术应用综述[J];机床与液压;2005年12期

9 周湛学;齿轮故障诊断的新方法[J];价值工程;1998年01期

10 温继圆;邵汝椿;林颖;;倒频谱分析及其在齿轮故障诊断中的应用[J];机械开发;1987年02期

相关博士学位论文 前3条

1 李宝庆;基于自适应最稀疏时频分析的机械故障诊断方法[D];湖南大学;2016年

2 钟先友;旋转机械故障诊断的时频分析方法及其应用研究[D];武汉科技大学;2014年

3 张超;基于自适应振动信号处理的旋转机械故障诊断研究[D];西安电子科技大学;2012年

相关硕士学位论文 前10条

1 周淑娟;基于核极限学习机的齿轮故障诊断研究[D];武汉理工大学;2018年

2 廖攀;变速箱齿轮故障诊断系统研究[D];长安大学;2018年

3 杨兴凯;自适应最稀疏时频分析方法在齿轮故障诊断中的应用[D];湖南大学;2017年

4 严皓;广义递归定量分析及其在齿轮故障诊断中的应用[D];武汉科技大学;2018年

5 傅余;基于改进的局部均值分解方法在齿轮故障诊断中的应用研究[D];重庆三峡学院;2017年

6 陈新国;基于小波分析的齿轮故障诊断的研究[D];武汉科技大学;2004年

7 赵志强;基于集合经验模式分解与径向基函数神经网络的齿轮故障诊断[D];河北工程大学;2015年

8 龚男;基于多源信号的变转速滚动轴承和齿轮故障诊断研究[D];中国矿业大学;2015年

9 刘佳音;SVD降噪与排列熵方法在齿轮故障诊断中的应用[D];辽宁科技大学;2017年

10 何小华;基于磨损识别的齿轮故障诊断研究[D];武汉工程大学;2012年

本文编号：2872367