基于EMD和粒子群优化小波阈值的齿轮箱健康诊断研究

发布时间：2017-04-24 23:14

  本文关键词：基于EMD和粒子群优化小波阈值的齿轮箱健康诊断研究，由笔耕文化传播整理发布。

【摘要】：齿轮箱是设备中重要的传动部件之一，机械设备中大约80%的故障都来源于齿轮箱，在当今社会对齿轮箱的健康诊断具有非常高的现实意义。本文以齿轮箱为研究对象，运用经验模态分解技术与粒子群优化小波阈值技术相结合，有效对齿轮箱进行健康诊断。在信号的获取过程中，由于自然原因和人为原因等多种因素，振动信号中夹杂着很多噪声，，这会影响信号的健康诊断效果。本文介绍了粒子群优化算法的应用与原理，并介绍了小波变换和小波阈值降噪原理，采用粒子群优化（PSO）算法对小波各子带的阈值寻求最优解，把最优解作为全局阈值对信号进行降噪处理。本文介绍几种小波阈值降噪方法,分析这几种方法的降噪效果得出PSO算法小波阈值更优。 经验模态分解（EMD）处理非线性、非平稳信号具有很好的效果，并且具有良好的局域化特性,它可以把非线性信号分解成多个线性信号分量。在用EMD方法分解信号过程中会遇到端点效应问题，本文采用镜像延拓的方法减少端点效应的影响，并通过实验仿真说明该方法可以有效处理端点效应问题。 文章最后对齿轮箱健康状况进行诊断，实验对象采用型号为JZQ-250型齿轮箱。采取EMD技术分别对齿轮箱的正常、内圈点蚀、断齿和外圈裂纹状况下的信号进行分解，并画出分解出来的各级本征模态函数的功率谱图，通过分析功率谱和边际谱图获得较好的健康诊断效果。最后分别测取齿轮箱正常和断齿状况下EMD分解信号前五阶IMF分量，然后计算这两种状况下分量的近似熵值，可以看出含有故障的信号的复杂性和非线性比正常状况下的强，尤其是第一个分量。通过Matlab仿真分析验证改进后的经验模态分解（EMD）技术在诊断齿轮箱健康方面是可行的。
【关键词】：健康诊断 小波阈值 粒子群优化算法 EMD 近似熵
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH132.41;TH165.3
【目录】：

• 摘要4-5
• Abstract5-10
• 第一章 绪论10-16
• 1.1 论文研究的背景和意义10-11
• 1.2 健康诊断方法叙述11-13
• 1.2.1 齿轮箱健康诊断技术的发展近状11-12
• 1.2.2 健康诊断方法探究12-13
• 1.3 粒子群算法原理与运用13-14
• 1.4 本文的主要研究内容14-16
• 第二章 齿轮箱相关理论的介绍16-25
• 2.1 振动信号采集与处理16-18
• 2.1.1 传感器的选择16-17
• 2.1.2 信号数据的预处理17-18
• 2.2 齿轮箱的健康异常形式18-19
• 2.2.1 齿轮箱异常类型18
• 2.2.2 滚动轴承失效形式18-19
• 2.3 齿轮系统振动的机理19-22
• 2.3.1 齿轮的振动特征19
• 2.3.2 滚动轴承振动特征信息19-20
• 2.3.3 振动信号的调制现象20-21
• 2.3.4 齿轮箱振动模型21-22
• 2.4 齿轮箱特征值22-24
• 2.5 本章小结24-25
• 第三章 基于粒子群优化小波阈值介绍25-41
• 3.1 小波变换25-27
• 3.1.1 小波函数的定义25-26
• 3.1.2 小波变换26
• 3.1.3 小波包分析26-27
• 3.2 小波阈值降噪27-33
• 3.3 粒子群优化算法33-34
• 3.4 基于 PSO 的小波阈值去噪34-40
• 3.5 本章小结40-41
• 第四章 EMD 分解方法的研究41-53
• 4.1 概述41
• 4.2 EMD 理论41-45
• 4.2.1 Hilbert 变换41-43
• 4.2.2 瞬时频率43
• 4.2.3 经验模态分解原理43-45
• 4.3 实例分析45-47
• 4.4 EMD 分解端点效应及处理方法47-51
• 4.4.1 端点效应的原因及影响47-48
• 4.4.2 端点效应处理的方法48
• 4.4.3 镜像延拓与窗函数方法的研究48-49
• 4.4.4 仿真信号验证49-51
• 4.5 EMD 分解中能量特征提取51-52
• 4.6 本章小结52-53
• 第五章 齿轮箱健康状况分析53-71
• 5.1 齿轮箱实验平台53-58
• 5.1.1 实验方案53-54
• 5.1.2 齿轮箱健康异常和数据参数54-56
• 5.1.3 信号降噪处理56-58
• 5.2 工况分析58-68
• 5.2.1 正常情况下信号分析58-60
• 5.2.2 内圈点蚀工况的信号分析60-62
• 5.2.3 齿轮断齿故障信号分析62-65
• 5.2.4 齿轮箱轴承外圈裂纹工况分析65-68
• 5.3 近似熵算法研究68-70
• 5.3.1 近似熵算法原理68-69
• 5.3.2 实验分析69-70
• 5.4 本章小结70-71
• 第六章 总结与展望71-73
• 6.1 总结71-72
• 6.2 研究展望72-73
• 参考文献73-77
• 攻读硕士期间的研究成果77-78
• 致谢78-79

【参考文献】

中国期刊全文数据库 前6条

1 江天炎;李剑;杜林;王有元;杨丽君;;粒子群优化小波自适应阈值法用于局部放电去噪[J];电工技术学报;2012年05期

2 樊玮;粒子群优化方法及其实现[J];航空计算技术;2004年03期

3 赵永满;梅卫江;吴疆;王春林;;机械故障诊断技术发展及趋势分析[J];机床与液压;2009年10期

4 谭东宁,谭东汉;小样本机器学习理论:统计学习理论[J];南京理工大学学报;2001年01期

5 郑思莉;;基于不同小波阈值函数的图像去噪[J];软件导刊;2012年05期

6 金乃高;殷福亮;王冬霞;陈U

本文编号：325168