基于粒子群优化和系统特性的齿轮箱故障诊断研究
发布时间：2021-04-01 03:21
本课题来源于国家自然科学基金资助项目“基于粒子群优化和滤波技术的复杂传动装置早期故障诊断研究”（项目编号:50875247）和山西省自然科学基金资助项目“基于粒子群优化的齿轮箱故障诊断新技术研究”（项目编号:2007011070）。齿轮箱作为机械设备中最常用的动力传递部件,在长期运转的过程中,由于制造误差、冲击载荷和工作环境等因素的影响以及疲劳、老化等效应的存在,轴承和齿轮都将不可避免的出现一些故障。针对振动响应信号特征提取困难以及振动信号会受到输入轴转速转矩波动影响的问题,提出基于输入轴转速转矩信号和输出振动响应信号建立ARX时序模型的方法,通过相应的ARX模型表征不同工况下的齿轮箱系统特性,从系统特性的角度分析齿轮箱的状态并对其进行故障诊断。本文进行的实验研究工作主要包括:对转速波动信号进行剔点及平滑处理,对振动响应信号进行零均值化、滤波、重采样、野点剔除以及EMD分解处理;用处理后的输入-输出数据组建立齿轮箱系统的ARX模型;提取模型自回归系数和模型残差作为模型特征的一部分;对模型进行时域特性和频域特性分析,将模型的幅频响应曲线的十六个统计特征参量也做为模型特征,构成本文齿轮箱故...
【文章来源】：中北大学山西省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题的研究背景和意义
1.2 国内外齿轮箱故障诊断技术研究综述
1.2.1 传感器与测点优化技术
1.2.2 信号处理技术
1.2.3 齿轮箱故障特征提取技术
1.3 基于时序分析的齿轮箱故障诊断研究现状
1.4 本论文的总体结构和主要研究内容
第二章 基于ARX模型的齿轮箱系统模型建立及其辨识
2.1 齿轮箱系统模型的描述方法
2.1.1 动态系统的数学模型
2.1.2 模型的等价关系
2.1.3 齿轮箱系统的ARX模型描述
2.2 MATLAB系统辨识工具箱
2.2.1 生成时序数据
2.2.2 数据预处理函数
2.2.3 模型结构选择函数
2.2.4 模型参数估计函数
2.2.5 模型检验与仿真
2.3 ARX模型的辨识过程
2.3.1 模型定阶与检验
2.3.2 模型参数估计算法
2.4 小结
第三章 基于ARX模型的齿轮箱故障诊断实验分析
3.1 试验方案
3.1.1 试验台组成
3.1.2 试验测试方案
3.2 数据特性的检验
3.3 EMD算法及其在数据平稳化中的应用
3.3.1 EMD算法实现
3.3.2 EMD算法的性质
3.3.3 仿真EMD算法在齿轮箱故障诊断中的有效性
3.4 基于试验信号的齿轮箱ARX模型特性分析
3.4.1 数据预处理
3.4.2 模型定阶与辨识
3.4.3 模型时域特性分析
3.4.4 模型频域特性分析
3.5 小结
第四章 基于粒子群优化的齿轮箱特征参量选择技术研究
4.1 优化问题的进化计算技术
4.1.1 遗传算法
4.1.2 蚁群优化算法
4.1.3 粒子群优化算法
4.2 粒子群算法的发展及改进研究
4.2.1 粒子群算法的发展过程
4.2.2 基本粒子群算法
4.2.3 改进的粒子群优化算法
4.2.4 离散粒子群优化算法
4.3 齿轮箱特征提取的粒子群优化算法实验设计
4.3.1 粒子的表示
4.3.2 群体的初始化
4.3.3 粒子的速度更新
4.3.4 粒子的位置更新
4.3.5 粒子的适应度
4.4 基于粒子群优化的齿轮箱故障特征提取技术
4.4.1 齿轮箱故障诊断的特征参量集合
4.4.2 齿轮箱故障诊断的特征参量优化选择
4.5 小结
第五章 结论与展望
参考文献
攻读硕士学位期间发表的论文及所取得的研究成果
致谢
【参考文献】：
期刊论文
[1]基于粒子群优化的故障特征提取技术研究[J]. 潘宏侠,黄晋英,毛鸿伟,刘振旺. 振动与冲击. 2008(10)
[2]RBF神经网络在旋转机械故障诊断中的应用[J]. 王光研,许宝杰. 机械设计与制造. 2008(09)
[3]粒子群优化技术用于故障诊断中的测点优化配置研究[J]. 潘宏侠,黄晋英,毛鸿伟,魏秀业. 火炮发射与控制学报. 2008(02)
[4]基于Matlab系统辨识工具箱的系统建模[J]. 齐晓慧,田庆民,董海瑞. 兵工自动化. 2006(10)
[5]基于倒阶次谱分析的齿轮故障诊断研究[J]. 李辉,郑海起,唐力伟. 振动与冲击. 2006(05)
[6]MATLAB环境下的系统辨识仿真工具箱[J]. 倪博溢,萧德云. 系统仿真学报. 2006(06)
[7]基于系统传递特性的齿轮箱轴承故障诊断研究[J]. 孙博,高永生,吴莎. 机电工程技术. 2006(04)
[8]自适应中值滤波器及其应用[J]. 贺恩华,朱利民. 振动、测试与诊断. 2006(01)
[9]基于系统传递特性的齿轮箱齿根裂纹故障诊断[J]. 高永生,唐力伟,王建华,张青锋. 机械工程师. 2006(02)
[10]基于系统特性的齿轮箱故障诊断[J]. 高永生,唐力伟,王建华,金海薇. 煤矿机械. 2006(01)
博士论文
[1]基于EMD的机械振动分析与诊断方法研究[D]. 曹冲锋.浙江大学 2009
[2]粒子群优化算法的理论分析与应用研究[D]. 李宁.华中科技大学 2006
硕士论文
[1]面向多目标优化的群智能算法研究[D]. 刘松兵.湖南大学 2009
[2]基于最小二乘支持向量机及粒子群优化的特征选择算法研究[D]. 宋初一.吉林大学 2008
[3]改进粒子群优化算法及其在组合优化问题中的应用[D]. 王潇.暨南大学 2008
本文编号：3112597
【文章来源】：中北大学山西省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题的研究背景和意义
1.2 国内外齿轮箱故障诊断技术研究综述
1.2.1 传感器与测点优化技术
1.2.2 信号处理技术
1.2.3 齿轮箱故障特征提取技术
1.3 基于时序分析的齿轮箱故障诊断研究现状
1.4 本论文的总体结构和主要研究内容
第二章 基于ARX模型的齿轮箱系统模型建立及其辨识
2.1 齿轮箱系统模型的描述方法
2.1.1 动态系统的数学模型
2.1.2 模型的等价关系
2.1.3 齿轮箱系统的ARX模型描述
2.2 MATLAB系统辨识工具箱
2.2.1 生成时序数据
2.2.2 数据预处理函数
2.2.3 模型结构选择函数
2.2.4 模型参数估计函数
2.2.5 模型检验与仿真
2.3 ARX模型的辨识过程
2.3.1 模型定阶与检验
2.3.2 模型参数估计算法
2.4 小结
第三章 基于ARX模型的齿轮箱故障诊断实验分析
3.1 试验方案
3.1.1 试验台组成
3.1.2 试验测试方案
3.2 数据特性的检验
3.3 EMD算法及其在数据平稳化中的应用
3.3.1 EMD算法实现
3.3.2 EMD算法的性质
3.3.3 仿真EMD算法在齿轮箱故障诊断中的有效性
3.4 基于试验信号的齿轮箱ARX模型特性分析
3.4.1 数据预处理
3.4.2 模型定阶与辨识
3.4.3 模型时域特性分析
3.4.4 模型频域特性分析
3.5 小结
第四章 基于粒子群优化的齿轮箱特征参量选择技术研究
4.1 优化问题的进化计算技术
4.1.1 遗传算法
4.1.2 蚁群优化算法
4.1.3 粒子群优化算法
4.2 粒子群算法的发展及改进研究
4.2.1 粒子群算法的发展过程
4.2.2 基本粒子群算法
4.2.3 改进的粒子群优化算法
4.2.4 离散粒子群优化算法
4.3 齿轮箱特征提取的粒子群优化算法实验设计
4.3.1 粒子的表示
4.3.2 群体的初始化
4.3.3 粒子的速度更新
4.3.4 粒子的位置更新
4.3.5 粒子的适应度
4.4 基于粒子群优化的齿轮箱故障特征提取技术
4.4.1 齿轮箱故障诊断的特征参量集合
4.4.2 齿轮箱故障诊断的特征参量优化选择
4.5 小结
第五章 结论与展望
参考文献
攻读硕士学位期间发表的论文及所取得的研究成果
致谢
【参考文献】：
期刊论文
[1]基于粒子群优化的故障特征提取技术研究[J]. 潘宏侠,黄晋英,毛鸿伟,刘振旺. 振动与冲击. 2008(10)
[2]RBF神经网络在旋转机械故障诊断中的应用[J]. 王光研,许宝杰. 机械设计与制造. 2008(09)
[3]粒子群优化技术用于故障诊断中的测点优化配置研究[J]. 潘宏侠,黄晋英,毛鸿伟,魏秀业. 火炮发射与控制学报. 2008(02)
[4]基于Matlab系统辨识工具箱的系统建模[J]. 齐晓慧,田庆民,董海瑞. 兵工自动化. 2006(10)
[5]基于倒阶次谱分析的齿轮故障诊断研究[J]. 李辉,郑海起,唐力伟. 振动与冲击. 2006(05)
[6]MATLAB环境下的系统辨识仿真工具箱[J]. 倪博溢,萧德云. 系统仿真学报. 2006(06)
[7]基于系统传递特性的齿轮箱轴承故障诊断研究[J]. 孙博,高永生,吴莎. 机电工程技术. 2006(04)
[8]自适应中值滤波器及其应用[J]. 贺恩华,朱利民. 振动、测试与诊断. 2006(01)
[9]基于系统传递特性的齿轮箱齿根裂纹故障诊断[J]. 高永生,唐力伟,王建华,张青锋. 机械工程师. 2006(02)
[10]基于系统特性的齿轮箱故障诊断[J]. 高永生,唐力伟,王建华,金海薇. 煤矿机械. 2006(01)
博士论文
[1]基于EMD的机械振动分析与诊断方法研究[D]. 曹冲锋.浙江大学 2009
[2]粒子群优化算法的理论分析与应用研究[D]. 李宁.华中科技大学 2006
硕士论文
[1]面向多目标优化的群智能算法研究[D]. 刘松兵.湖南大学 2009
[2]基于最小二乘支持向量机及粒子群优化的特征选择算法研究[D]. 宋初一.吉林大学 2008
[3]改进粒子群优化算法及其在组合优化问题中的应用[D]. 王潇.暨南大学 2008
本文编号：3112597
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3112597.html
