基于图像识别的齿轮故障诊断方法研究

发布时间：2017-08-17 05:04

  本文关键词：基于图像识别的齿轮故障诊断方法研究

  更多相关文章： 齿轮箱故障诊断 小波包双谱分析 灰度共生矩阵(GLCM) 支持向量机(SVM)

【摘要】：齿轮作为机械系统最重要的部件之一,其运行状态的良好与否将直接决定整个机械系统的健康状况,最不利的情况是可能导致整个生产线的停顿,造成巨大的经济损失。因此齿轮一旦发生故障,及时发现并排除掉这些故障就显得尤为重要。此前的齿轮故障诊断都是通过分析振动信号的频谱特征来完成的,本文提出了一种基于图像识别的齿轮故障诊断方法,该方法将先进的图像识别技术与成熟的信号频谱分析技术相结合,通过分析齿轮故障信号双谱图的纹理特征,进而使用SVM分类算法识别出齿轮的故障类型。最后通过在可模拟风力涡轮机动力传动故障诊断实验平台(WTDS)上的实验,证明了该方法的可行性。主要研究内容如下:1.基于小波包多分辨分解技术的消噪能力已被广泛的认可,此外双谱分析在处理具有非高斯信号,非平稳信号具有很好的优势,将这两点结合的小波包双谱分析方法具有极好的滤除噪声的能力。通过小波包双谱分析滤除齿轮故障信号的背景噪声,从而获得具有稳定纹理特征的小波包双谱图。2.通过融合不同通道的双谱图可以综合不同通道的故障信息,这将更加有利于齿轮的故障诊断。本文采用基于小波变换的图像融合技术,将多通道故障信息在图像层面上实现了融合。3.本文通过从小波包双谱图提取出四个方向上的GLCM矩阵,然后利用基于加权平均的融合方法将四个方向上的GLCM矩阵进行了融合,最后通过GLCM矩阵的12个二阶统计量生成图像的特征向量。4.支持向量机(SVM)是解决小样本学习最佳的算法之一,并且具有很好的泛化能力。以GLCM生成的特征向量为对象,通过多分类的SVM分类算法实现了在图像层面上的齿轮故障的识别。5.通过在WTDS实验平台上的实验验证了基于图像识别技术的齿轮箱故障诊断的可行性,实验证明在径向基核函数下,该方法的识别率可以达到85%左右。
【关键词】：齿轮箱故障诊断 小波包双谱分析 灰度共生矩阵(GLCM) 支持向量机(SVM)
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH132.41;TH17
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-16
• 1.1 课题来源10
• 1.2 背景及意义10-12
• 1.3 国内外研究现状12-14
• 1.3.1 齿轮故障诊断国内外研究现状12-13
• 1.3.2 数字图像处理技术在国内外研究现状13-14
• 1.3.4 基于图像识别的机械故障诊断国内研究现状14
• 1.4 主要研究内容14-15
• 1.5 论文结构安排15-16
• 2 齿轮故障机理及现代信号处理技术分析16-20
• 2.1 齿轮的故障机理分析16-18
• 2.2 现代齿轮故障诊断信号处理技术介绍18-19
• 2.3 本章小结19-20
• 3 基于小波包双谱分析的齿轮故障信号处理研究20-31
• 3.1 小波包分解技术20-23
• 3.1.1 小波包定义20-21
• 3.1.2 小波包的空间分解21-23
• 3.1.3 小波包分解与重构23
• 3.2 双谱分析23-27
• 3.2.1 高阶谱的定义23-24
• 3.2.2 双谱的性质24-25
• 3.2.3 双谱的物理意义25-26
• 3.2.4 双谱分析的优缺点26-27
• 3.3 小波包双谱分析27
• 3.4 仿真实验27-30
• 3.5 本章小结30-31
• 4 双谱图的融合与特征提取研究31-48
• 4.1 双谱图和灰度图像的映射关系31-32
• 4.2 基于小波变换的图像融合32-37
• 4.2.1 图像融合的级别32-34
• 4.2.2 图像的小波分解34-35
• 4.2.3 基于匹配度的图像融合方法35-37
• 4.3 基于灰度共生矩阵的图像纹理特征提取37-41
• 4.3.1 灰度共生矩阵及其二阶统计量38-39
• 4.3.2 灰度共生矩阵的二阶统计量39-41
• 4.4 灰度共生矩阵的融合41-42
• 4.5 基于距离的可分性测度42-43
• 4.6 实验结果分析43-46
• 4.6.1 基于小波变换的图像融合实验44
• 4.6.2 GLCM参数对可分性判据的影响实验44-46
• 4.7 本章小结46-48
• 5 基于支持向量机(SVM)的图像识别研究48-58
• 5.1 典型图像识别系统结构48
• 5.2 最优分类面48-50
• 5.3 支持向量机50-53
• 5.4 SVM分类实现步骤53-54
• 5.5 SVM多分类问题研究54-55
• 5.6 仿真实验55-57
• 5.7 本章小结57-58
• 6 基于图像识别的齿轮箱故障诊断实验分析58-69
• 6.1 齿轮故障信号的小波包双谱分析58-62
• 6.2 双谱图的融合62-63
• 6.3 双谱图灰度共生矩阵的特征提取及分类63-66
• 6.4 基于支持向量机的图像分类识别66-68
• 6.5 本章小结68-69
• 7 结论与展望69-72
• 7.1 本文总结69-70
• 7.2 工作展望70-72
• 参考文献72-75
• 致谢75-76
• 个人简历、在学期间发表的学术论文与研究成果76

【相似文献】

中国期刊全文数据库 前10条

1 汤和;应怀樵;汪元辉;张策;;用齿轮噪声特性诊断齿轮故障的研究[J];齿轮;1986年04期

2 高明;齿轮故障分析及诊断[J];电大理工;2000年01期

3 皮骏;廖明夫;;利用小波包络诊断齿轮故障[J];机械设计;2005年11期

4 孔文涛;许益华;;齿轮故障的原因及诊断[J];石油和化工设备;2009年03期

5 艾延廷,盛元生;时域分析技术在齿轮故障检测中的应用[J];振动、测试与诊断;1992年04期

6 潘嘉祺;《齿轮故障模拟器的开发和研制》项目通过科技成果鉴定[J];上海冶金高等专科学校学报;2000年02期

7 陈明华 ,陈海林 ,江建忠;齿轮故障的振动诊断及案例分析[J];中国设备工程;2005年07期

8 陈亮;;应用振动峰值能量对齿轮故障的诊断[J];中国设备工程;2008年04期

9 张桂才，，赵万镒;幅值立方法──一种新的齿轮故障信号预处理方法[J];机械传动;1994年03期

10 刘建敏;刘远宏;江鹏程;冯辅周;;基于包络S变换时频图像提取齿轮故障特征[J];振动与冲击;2014年01期

中国重要会议论文全文数据库 前2条

1 明廷锋;张永祥;仰德标;;齿轮故障诊断技术研究综述[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 张玉奎;周火青;;提升小波分析在齿轮故障中的应用[A];2012中国（唐山）绿色钢铁高峰论坛暨冶金设备、节能减排技术推介会论文集/推介指南[C];2012年

中国硕士学位论文全文数据库 前10条

1 董传洋;基于MCSA的齿轮故障诊断技术研究[D];哈尔滨工业大学;2015年

2 张姗姗;基于蜂群优化的支持向量机齿轮故障诊断技术研究[D];东北石油大学;2015年

3 尹华魁;基于多体动力学的直升机主传动系统典型齿轮故障建模方法研究[D];湖南科技大学;2015年

4 段蛟龙;基于物联网的采煤机状态监测及寿命管理系统的开发[D];太原理工大学;2016年

5 王亚丽;大型冷却塔风机齿轮故障分析及监控技术研究[D];天津科技大学;2015年

6 王胜江;齿轮故障振动信号特征提取方法研究[D];石家庄铁道大学;2016年

7 魏维格;基于图像识别的齿轮故障诊断方法研究[D];郑州大学;2016年

8 历敏;非平稳转速齿轮故障诊断方法研究[D];哈尔滨工业大学;2016年

9 赵年伟;基于声发射技术的齿轮故障监测[D];沈阳工业大学;2013年

10 Simon Romli;基于包络分析的齿轮故障监测及基于人工神经网络的齿轮故障分类[D];重庆大学;2011年

本文编号：687195