基于数据挖掘技术在齿轮箱故障诊断的应用

发布时间：2017-09-23 13:28

  本文关键词：基于数据挖掘技术在齿轮箱故障诊断的应用

  更多相关文章： 齿轮箱 故障诊断 数据挖掘 粗糙决策树

【摘要】：齿轮传动是机械设备中最常见的传动方式,齿轮异常又是引起机器故障的重要原因。在当今社会中计算机在各企业生产中应用越来越来广泛,这对于目前各企业当中自动化程度很高的复杂设备的运行数据的记录处理有很大的帮助。但是设备越复杂和高端,其数据越是庞大。把计算机中的数据挖掘技术应用于设备的远程故障诊断,将会改善以往传统诊断方式中的滞后性、高费用和无法预知的现状。数据挖掘技术具有数据分析和处理的功能,它的这种智能诊断的优点已经在各行业中得到广泛的推广和应用。本文首先重点对齿轮箱各零件的故障特征以及特征参数给予了解释。然后详细介绍了几种特征参数提取的方法,同时通过齿轮箱振动信号的时域和频域分析得到齿轮箱故障样本参数数据库。这样在对齿轮箱故障诊断时,通过对齿轮箱诊断的传统方法和智能方法进行对比。然后从数据挖掘技术的概念和特点出发,提出了一种基于数据挖掘的故障诊断思想。本文最后重点说明数据挖掘分类的方法及其原理,在已有的基础上利用粗糙集理论对知识的约简能力和C4.5决策树算法的快速分类进行结合,并对此系统进行优化,然后构建了一种新型的经过改进的粗糙集决策树。最后经过仿真对齿轮箱故障样本进行检验表明:首先可以有效地减少特征数据获取的工作量,并能快速准确地对不同的故障进行识别,具有比直接利用决策树C4.5算法更强的工程实用性。
【关键词】：齿轮箱 故障诊断 数据挖掘 粗糙决策树
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH132.41
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-16
• 1.1 齿轮箱诊断研究背景及意义11
• 1.2 齿轮箱故障诊断发展现状11-12
• 1.3 齿轮箱系统故障诊断研究现状12-13
• 1.4 基于数据挖掘的故障诊断技术发展现状13-14
• 1.4.1 数据挖掘技术的发展现状13-14
• 1.4.2 基于数据挖掘故障诊断的发展现状14
• 1.5 本论文各章节主要研究内容14-15
• 1.6 本章小结15-16
• 第2章 齿轮箱故障分类及其振动机理研究16-33
• 2.1 齿轮箱故障分类及振动机理16-29
• 2.1.1 齿轮故障及振动机理16-23
• 2.1.2 转轴故障及成因23-24
• 2.1.3 轴承故障及成因24-29
• 2.2 齿轮箱故障模型分析29-32
• 2.2.1 齿轮箱调制模型29-30
• 2.2.2 齿轮箱故障幅值调制分析30-32
• 2.6 本章小结32-33
• 第3章 齿轮箱故障特征及特征信号提取33-52
• 3.1 齿轮箱故障时频域特征33-40
• 3.1.1 齿轮均匀磨损33-35
• 3.1.2 齿轮裂纹齿35
• 3.1.3 齿轮断齿35-37
• 3.1.4 齿面胶合和点蚀37
• 3.1.5 裂纹轴37
• 3.1.6 轴不平衡37
• 3.1.7 轴轻度弯曲37
• 3.1.8 轴承故障37-40
• 3.2 齿轮箱故障信号采集与特征提取40-51
• 3.2.1 齿轮箱故障模拟实验平台介绍40-41
• 3.2.2 测点和传感器的选择41-44
• 3.2.3 特征信号采集与处理44-48
• 3.2.4 振动信号的特征提取48-50
• 3.2.5 齿轮箱故障特征参数50-51
• 3.3 本章小结51-52
• 第4章 齿轮箱故诊断方法及基于数据挖掘方法研究52-65
• 4.1 齿轮箱主要故障诊断方法52-60
• 4.1.1 时域故障诊断方法53-54
• 4.1.2 频域域故障诊断方法54-56
• 4.1.3 小波分析故障诊断方法56-57
• 4.1.4 神经网络故障诊断方法57-59
• 4.1.5 专家系统故障诊断方法59-60
• 4.2 基于数据挖掘技术的齿轮箱故障诊断60-64
• 4.2.1 数据挖掘定义60
• 4.2.2 数据挖掘过程60-62
• 4.2.3 数据挖掘的功能62-63
• 4.2.4 数据挖掘常用方法63-64
• 4.3 本章小结64-65
• 第5章 基于数据挖掘分类在齿轮箱故障诊断的应用65-83
• 5.1 数据分类65-66
• 5.2 决策树方法66-71
• 5.2.1 决策树生成算法67-68
• 5.2.2 树剪枝68
• 5.2.3 ID3算法68-69
• 5.2.4 C4.5 算法69-71
• 5.3 粗糙集方法71-74
• 5.3.1 理论基础71-72
• 5.3.2 属性约简72-74
• 5.4 基于粗糙集决策树的齿轮箱故障诊断研究74-76
• 5.4.1 粗糙决策树算法描述74
• 5.4.2 粗糙集属性约简算法及其改进74-75
• 5.4.3 粗糙决策树算法模型75-76
• 5.5 基于粗糙决策树的齿轮箱数据挖掘仿真76-82
• 5.5.1 基于粗糙决策树的齿轮箱故障数据分析76-80
• 5.5.2 仿真结果分析80-82
• 5.6 本章小结82-83
• 结论与展望83-84
• 致谢84-85
• 参考文献85-88
• 附表88-96
• 作者简介96
• 攻读硕士学位期间发表的论文96-97

【参考文献】

中国期刊全文数据库 前10条

1 张玉;;基于振动信号分析的齿轮箱故障诊断[J];仪器仪表与分析监测;2011年01期

2 李盛其;;中国齿轮行业“十二五”发展规划纲要(上)[J];现代零部件;2011年01期

3 徐跃进;;齿轮箱中齿轮故障的振动分析与诊断[J];机械设计;2009年12期

4 高正明;何彬;赵娟;裴永泉;左广霞;;常用故障特征提取方法[J];机床与液压;2009年12期

5 安茂春;;故障诊断专家系统及其发展[J];计算机测量与控制;2008年09期

6 岳峰杰,安靖红,段富生;振动测量参数在故障诊断中的应用分析[J];风机技术;2005年03期

7 朱大奇;人工神经网络研究现状及其展望[J];江南大学学报;2004年01期

8 李晓虎,贾民平,许飞云;频谱分析法在齿轮箱故障诊断中的应用[J];振动、测试与诊断;2003年03期

9 何勇,李增芳;智能化故障诊断技术的研究与应用[J];浙江大学学报(农业与生命科学版);2003年02期

10 冯志敏,王颖;智能化故障诊断系统的研究与开发[J];中国航海;2003年01期

中国博士学位论文全文数据库 前1条

1 王庆东;基于粗糙集的数据挖掘方法研究[D];浙江大学;2005年

中国硕士学位论文全文数据库 前6条

1 吴治南;基于小波变换与PNN神经网络相结合的滚动轴承故障诊断[D];河北工程大学;2015年

2 赵志强;基于集合经验模式分解与径向基函数神经网络的齿轮故障诊断[D];河北工程大学;2015年

3 杨一展;数据挖掘技术在故障诊断中的应用研究[D];西安电子科技大学;2008年

4 邓士娟;基于数据挖掘技术的轴承寿命预测的研究[D];大连海事大学;2006年

5 徐宗龙;数据挖掘在齿轮箱故障诊断中的应用研究[D];中北大学;2006年

6 石金彦;基于规则的数据挖掘方法在故障诊断中的应用[D];郑州大学;2003年

，

本文编号：905526