基于变分模态分解的齿轮箱复合故障提取研究

发布时间：2020-11-12 11:29

　　 齿轮箱的工作信号属于非平稳信号,极易受到外界干扰,尤其是在工业强噪声背景下,同时,工业生产中的故障信号往往以多故障并存的形式出现,这些位置、深度不同的故障会相互影响,给故障信息的提取提高了难度。到目前为止,齿轮箱的故障诊断问题仍然是一大重点与难点亟待攻克。针对现阶段存在的问题,在山西省自然科学基金(2015011063)的资助下,将齿轮箱作为研究对象,采用现阶段较为新颖的故障诊断方法,以齿轮箱的复合故障信号作为研究目标,对强噪声背景下的故障信号进行故障特征提取,在目前的研究背景下对微弱复合故障的提取进行深入研究。论文主要研究内容如下:(1)对变分模态分解(Variational mode decomposition,VMD)研究时发现,信号中噪声的强弱对该方法的分解结果影响较大,同时其分解层数k直接影响其分解结果,对如何确定分解层数k与信号的降噪问题展开了研究。(2)针对噪声问题,采用最小熵反褶积(Minimum entropy deconvolution,MED)方法与VMD方法相结合,目的是采用MED的强降噪能力消除信号中含有的强噪声,研究发现,引入MED方法后,VMD分解结果有明显改善,同时信噪比与峭度有所提升。(3)针对如何确定分解层数k值的问题,引入局部均值分解(Local mean decomposition,LMD)作为辅助工具,确定分解层数k,与此同时发现,LMD方法对信号也有一定的降噪能力。针对以上问题与现阶段故障诊断方法的现状,提出了采用MED和LMD对VMD方法进行改进的故障诊断方法。采用若干复合故障诊断方法对仿真信号与实测故障进行处理,成功提取了故障信息。以上研究为故障诊断方法研究提出了一种新思路。
【学位单位】：中北大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH132.41
【部分图文】：

中北大学学位论文需要根据实际情况确定采集信号的方法、所采用的具体方法与使用的软硬件，这使得前期工作异常繁琐。同时，故障诊断基本都在故障产生之后，无法实现实时监控。而且现阶段的故障诊断方法也大多基于各种算法，很多算法适用范围较窄，同时人为因素也会对实际的故障诊断产生影响，这也使故障诊断仍然存在一定的缺陷。（4）智能型故障诊断阶段：智能的故障方法是现阶段故障诊断学科的研究方向，随着人工智能技术的不断发展，其应用范围也逐渐广泛起来，被应用于各种先进的科技产业当中，代替人工作业，节约人工成本的同时，大大提高了生产效率。特别是在故障诊断学科，人工智能可以持续扫描整个机械系统，对每一个零部件实现实时监控，一旦出现危及生产生活的故障，就会对故障进行处理，使得生产线每时每刻都处于健康的运行状态当中，摒弃以往人工在发生故障后对故障进行处理的故障诊断方法。

仿真信号组成

MED降噪结果
【参考文献】

相关期刊论文 前10条

1 石娟娟;王林;罗春艳;蔡改改;沈长青;朱忠奎;;基于优化最小算法的齿轮箱复合故障特征稀疏表示[J];振动工程学报;2017年06期

2 王志永;杜伟涛;王习文;李超越;;基于振动信号时域分析法的铣齿机故障诊断[J];科学技术与工程;2017年32期

3 冷军发;荆双喜;王志阳;华伟;;MCKD最佳故障周期搜索的齿轮箱故障特征提取[J];机械科学与技术;2018年01期

4 张婷婷;贾铭钰;;机械设备故障诊断技术的常用方法及新技术的应用研究[J];自动化与仪器仪表;2017年10期

5 王志坚;王俊元;赵志芳;吴文轩;张纪平;寇彦飞;;基于MKurt-MOMEDA的齿轮箱复合故障特征提取[J];振动.测试与诊断;2017年04期

6 骆杰;吕勇;易灿灿;;基于量子遗传优化的原子分解算法及其在机械故障诊断中的应用[J];机械设计与制造;2017年07期

7 郑近德;潘海洋;杨树宝;潘紫微;;广义变分模态分解方法及其在变工况齿轮故障诊断中的应用[J];振动工程学报;2017年03期

8 刘长良;闫萧;;基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断[J];动力工程学报;2017年04期

9 王志坚;王俊元;曾志强;张纪平;;MCKD-循环域解调方法在齿轮箱故障诊断中的应用[J];机械传动;2017年01期

10 周士帅;窦东阳;薛斌;;基于LMD和MED的滚动轴承故障特征提取方法[J];农业工程学报;2016年23期

本文编号：2880696