基于粒子滤波和小波神经网络的齿轮箱智能检测方法

发布时间：2017-09-21 16:29

  本文关键词：基于粒子滤波和小波神经网络的齿轮箱智能检测方法

  更多相关文章： 齿轮箱 故障诊断 粒子滤波算法 小波变换 小波神经网络

【摘要】：齿轮作为齿轮箱中的重要组成零件,它的作用在于改变转速和传输动力。通常由于齿轮箱中的齿轮及其轴承在长期负载运转下遭受疲劳磨损的原因,从而导致齿轮箱在机械设备中是最容易发生故障的机械设备。因此,对齿轮箱采取故障诊断与状态监测的手段,在机械设备正常运转中具有举足轻重的地位。齿轮箱的故障诊断分为两个部分:故障特征信号的提取和故障信号的诊断分类。故障特征信号的提取是指通过信号处理技术将齿轮箱振动信号的故障特征提取出来。故障信号的诊断分类是指通过信号分析技术,识别齿轮箱的故障特征,以达到齿轮箱故障诊断的目的。在信号的降噪滤波方面,小波变换或者小波包变换有着广泛的应用。在提取到的齿轮箱振动信号中,含有大量非高斯、非线性的噪声信号。采用小波变换设定阀值消噪可能会过滤掉有用信号,导致后续的故障诊断结果出现较大的误差。粒子滤波作为一种信号处理技术在滤波降噪方面也具有良好的表现,尤其是在处理非高斯非线性系统问题时该算法的优势更为突出。但由于粒子滤波算法需采用大量的样本粒子数才能很好地近似估计状态系统,而过多的样本粒子数会产生预测误差积累效应,从而导致系统发散。单一采用上述一种信号处理技术可能会产生滤波效果不明显或者有用信号的丢失现象。本文针对齿轮箱振动信号的非线性、信噪比低等特点,首先采用了粒子滤波技术对信号进行预处理。得到了带有少量噪声信号且不失有用信号的一次滤波信号。然后将一次滤波信号通过小波变换并设定软阀值进行二次消噪,得到最终较为理想的消噪信号。通过分析最终滤波信号的信噪比,结果表明结合了两种信号处理技术得到的齿轮振动信号即保留了较多的有用信号又过滤了大量的噪声信号,减小了消噪误差,提高了后处理中神经网络故障分类的成功率。小波神经网络是一种基于小波变换理论的信号分析方法。它的时频局部化特性和多分辨率特性对于提取齿轮振动信号的特征信息具有卓越的优势。本文用小波变换提取了滤波信号中的能量特征值,这些能量特征值能很好的反应出齿轮振动信号的特性,然后建立小波神经网络模型,进行故障状态的分类。训练分类后的结果表明了结合粒子滤波和小波消噪并利用小波变换提取能量特征值的方法,能够完成神经网络的故障分类,达到了课题研究的目的。
【关键词】：齿轮箱 故障诊断 粒子滤波算法 小波变换 小波神经网络
【学位授予单位】：武汉工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH132.41
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第1章 绪论12-18
• 1.1 课题研究的背景及意义12-13
• 1.2 齿轮箱的故障诊断13
• 1.3 齿轮箱振动信号的提取及其信号分析13-15
• 1.3.1 粒子滤波的发展概述及其存在的主要问题13-15
• 1.3.2 小波变换与小波神经网络15
• 1.4 本文研究的内容及主要思想15-18
• 第2章 采集齿轮箱振动信号的实验设计18-28
• 2.1 实验台的搭建18-19
• 2.2 实验用齿轮箱齿轮的介绍19-20
• 2.3 缺陷齿轮的设定20-21
• 2.4 设定齿轮缺陷的等级21-22
• 2.5 齿轮箱载荷和转速的选取22-24
• 2.6 设置实验采样频率和采样时间24-25
• 2.7 实验设计步骤25-26
• 2.8 本章小结26-28
• 第3章 粒子滤波去噪算法的研究28-44
• 3.1 粒子滤波基本原理28-31
• 3.1.1 贝叶斯滤波基本理论28-30
• 3.1.2 蒙特卡洛方法30-31
• 3.2 粒子滤波算法31-36
• 3.2.1 序贯重要性采样31-33
• 3.2.2 序贯重要性重采样33-35
• 3.2.2.1 选取重要性密度函数33-34
• 3.2.2.2 重采样34-35
• 3.2.3 标准粒子滤波算法35-36
• 3.3 粒子滤波算法在信号处理中的运用36-42
• 3.3.1 粒子滤波的降噪原理36
• 3.3.2 状态模型的建立及粒子滤波相关参数设置36-38
• 3.3.3 振动信号的滤波结果38-42
• 3.4 粒子滤波算法的相关缺陷42
• 3.5 本章小结42-44
• 第4章 小波变换理论及其在振动信号中的运用44-58
• 4.1 小波变换基本理论44-47
• 4.1.1 傅立叶变换44-45
• 4.1.2 基小波与小波函数45-46
• 4.1.3 连续小波变换与离散小波变换46-47
• 4.2 小波消噪基础理论47-48
• 4.3 小波消噪在齿轮箱振动信号中的应用48-55
• 4.4 振动信号的特征提取55-57
• 4.5 本章小结57-58
• 第5章 小波神经网络的故障状态分类58-66
• 5.1 小波神经网络基本理论58-62
• 5.1.1 网络模型的建立58-60
• 5.1.2 隐含层单元数的确定60
• 5.1.3 小波神经网络BP算法60-62
• 5.2 特征能量归一化62-63
• 5.3 故障状态分类63-64
• 5.4 本章小结64-66
• 第6章 总结与展望66-68
• 6.1 本文研究工作总结66
• 6.2 对本研究工作的展望66-68
• 参考文献68-74
• 攻读硕士期间已发表的论文74-76
• 致谢76

【参考文献】

中国期刊全文数据库 前10条

1 许雪贵;徐文琴;;齿轮箱故障的振动机理与故障特征研究[J];机械制造与自动化;2012年04期

2 洪琳;李春华;;小波分析在信号处理中的应用研究[J];机械制造与自动化;2012年03期

3 鲁艳军;陈汉新;贺文杰;尚云飞;陈绪兵;;基于混合特征提取和WNN的齿轮箱故障诊断[J];武汉工程大学学报;2011年05期

4 马明;;基于谱减法和小波阈值分解的联合消噪算法研究[J];无线互联科技;2011年03期

5 吴海霞;刘潞锋;;蒙特卡罗方法在实际问题中的应用[J];太原师范学院学报(自然科学版);2009年01期

6 梁军;彭喜元;;基于观测相似性粒子滤波的纯角度目标跟踪[J];电子测量与仪器学报;2009年02期

7 程水英;张剑云;;粒子滤波评述[J];宇航学报;2008年04期

8 张琪;胡昌华;乔玉坤;;基于权值选择的粒子滤波算法研究[J];控制与决策;2008年01期

9 马道钧;刘然;;小波变换在语音识别中的应用研究[J];北京电子科技学院学报;2007年02期

10 方正;佟国峰;徐心和;;粒子群优化粒子滤波方法[J];控制与决策;2007年03期

中国博士学位论文全文数据库 前1条

1 梁军;粒子滤波算法及其应用研究[D];哈尔滨工业大学;2009年

中国硕士学位论文全文数据库 前8条

1 张琰;基于粒子群算法和小波理论的机械故障诊断[D];武汉工程大学;2013年

2 李桃;基于粒子滤波技术的齿轮箱故障诊断研究[D];中北大学;2012年

3 陈莉;粒子滤波算法的研究[D];西安电子科技大学;2012年

4 李孟敏;改进粒子滤波算法及其在目标跟踪中应用研究[D];合肥工业大学;2011年

5 高静;一种改进的粒子滤波算法研究及应用[D];延边大学;2010年

6 汪泽民;齿轮及滚动轴承故障特征分离方法的研究[D];太原理工大学;2010年

7 黄苏雨;基于小波变换的语音信号增强方法研究[D];南昌大学;2007年

8 曾锋;远程设备故障诊断技术研究[D];郑州大学;2002年

，

本文编号：895625