基于小波包分析和支持向量机的齿轮箱故障诊断方法研究

发布时间：2017-05-12 16:22

  本文关键词：基于小波包分析和支持向量机的齿轮箱故障诊断方法研究，，由笔耕文化传播整理发布。

【摘要】：随着科学技术的不断进步,机械设备向着高性能、高效率、高自动化和高可靠性的方向发展。齿轮箱由于具有传动比固定、传动转矩大、结构紧凑等优点,被用于改变转速和传递动力的传动部件中,它是机械设备的一个重要组成部分,也是易于发生故障的一个部件,其运行状态对整机的工作性能有很大的影响。因此,对齿轮箱进行实时故障诊断意义重大,不仅可以缩短维修时间、降低维修成本,还可提高诊断准确性和维修质量,创造可观的经济效益。 齿轮箱的振动信号相当复杂,除反映有关齿轮和轴承本身工作情况的信息外,也包含了大量机械中其它运动部件和结构的信息,因此如果仅仅单从时、频域或快速傅里叶变换对齿轮箱的振动信号进行分析,则很难准确诊断出齿轮箱各类故障。本文提出并研究了一种新的齿轮箱故障诊断技术——基于小波包分析和支持向量机的齿轮箱故障诊断法,该方法针对齿轮箱的故障诊断问题,分为以下两个步骤进行： (1)故障特征向量的提取。首先基于小波包变换方法,在去噪方面有良好的表现,进行其特征向量提取,对于以非平稳信号为主的齿轮箱的不同工况,应用小波包分解、重构方法,将提取到的能量特征值作为齿轮箱的特征向量。 (2)数据辨识方法的研究。把提取到的齿轮箱特征向量样本代入到由多个2分类器支持向量机构建的多分类器支持向量机中训练、建模,再结合2叉决策数理论和投票理论,将余下的样本代入测试,得出7种故障的分类结果。 实验结果表面,该方法在分类时间和精度方面拥有着不俗的表现,辨识能力很强,使用数理统计知识计算,正确率达到(95.2士0.88)%,可以推广到应用实践。
【关键词】：小波包 支持向量机 齿轮箱 滚动轴承
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH132.41;TH165.3
【目录】：

• 摘要3-5
• ABSTRACT5-7
• 目录7-10
• 第一章 绪论10-20
• 1.1 课题的提出和目的10
• 1.2 齿轮箱故障诊断技术综述10-13
• 1.2.1 齿轮箱故障诊断技术综述及国内外发展现状10-11
• 1.2.2 齿轮箱故障诊断技术研究动态11-12
• 1.2.3 齿轮箱故障诊断技术发展趋势12-13
• 1.2.4 齿轮箱故障诊断的流程13
• 1.3 小波理论的发展及基于小波分析的齿轮箱故障诊断现状13-15
• 1.3.1小波分析及小波包分析理论的发展13-14
• 1.3.2 小波包故障提取技术研究现状14-15
• 1.4 支持向量机理论的发展及研究方向15-16
• 1.4.1 支持向量机的国内外发展概括15
• 1.4.2 支持向量机的研究发展动态15-16
• 1.5 本文的主要研究内容及结构安排16-20
• 1.5.1 主要研究内容16-17
• 1.5.2 论文结构安排17-20
• 第二章 齿轮箱的故障类型及振动机理20-32
• 2.1 齿轮箱故障的主要形式20-21
• 2.2 齿轮的故障类型和振动机理21-26
• 2.2.1 齿轮的故障类型21
• 2.2.2 齿轮的振动机理21-26
• 2.3 滚动轴承的故障类型及振动机理26-30
• 2.3.1 滚动轴承的振动机理26-27
• 2.3.2 滚动轴承的主要故障模式27-29
• 2.3.3 滚动轴承的故障特征信息29-30
• 2.4 本章小结30-32
• 第三章 齿轮箱模拟故障试验32-38
• 3.1 数据采集系统的构成32-33
• 3.1.1 齿轮箱模拟故障试验台装置32
• 3.1.2 振动信号采集装置32-33
• 3.2 测点布置33-34
• 3.3 齿轮箱故障模拟34-37
• 3.4 本章小结37-38
• 第四章 小波包分析理论及对特征向量的提取38-56
• 4.1 小波分析38-44
• 4.1.1 连续小波变换(CWT)38-39
• 4.1.2 离散小波变换(DWT)39-40
• 4.1.3 多分辨率分析40-42
• 4.1.4正交小波变换42-44
• 4.2 小波包分析44-48
• 4.2.1 小波包的定义44-45
• 4.2.2 小波包的子空间分解45-46
• 4.2.3 小波包的重构46-47
• 4.2.4 使用小波包对振动信号画出最优小波包树47-48
• 4.3 小波包降噪48-51
• 4.3.1 小波降噪方法48-49
• 4.3.2 应用小波方法进行信号去噪的仿真分析49-50
• 4.3.3 故障齿轮箱的小波包去噪分析50-51
• 4.4 齿轮箱信号能量特征向量的提取51-54
• 4.4.1 基于小波包的齿轮箱信号提取能量特征向量方法51-52
• 4.4.2 小波包对齿轮箱故障能量特征向量的提取52-54
• 4.5 小结54-56
• 第五章 支持向量机识别方法研究56-68
• 5.1 支持向量机理论基础56-59
• 5.1.1 概述56-57
• 5.1.2 统计学习理论57-59
• 5.2 支持向量机的基本原理59-63
• 5.2.1 线性分类问题59-61
• 5.2.2 近似线性分类问题61-62
• 5.2.3 非线性分类问题62-63
• 5.2.4 核函数63
• 5.3 本课题惩罚函数C及核函数的选择63-67
• 5.3.1 惩罚函数C的选取63-64
• 5.3.2 核函数的选取64-67
• 5.4 本章小结67-68
• 第六章 支持向量机多类故障分类器构建及应用68-80
• 6.1 多分类支持向量机分类方法68-72
• 6.1.1 “一对多”算法(One-against-the rest)68-69
• 6.1.2 “一对一”算法(One-agaisnt-one)69-70
• 6.1.3 有向无环图支持向量机(Directed Acyclic G-raph)70-71
• 6.1.4 SVM决策树支持向量机(Multi-class SVM)71-72
• 6.2 基于SVM决策树的多类算法的建立72-77
• 6.2.1 SVM决策树支持向量机的分析73
• 6.2.2 投票理论简介73-74
• 6.2.3 基于SVM决策树的多分类算法74-77
• 6.3 基于SVM决策树的多分类算法对齿轮箱能量特征向量的识别77-78
• 6.4 小结78-80
• 第七章 结论80-82
• 7.1 结论80-81
• 7.2 展望81-82
• 参考文献82-86
• 致谢86-88
• 攻读硕士学位期间发表的论文88

【参考文献】

中国期刊全文数据库 前10条

1 高立新,韩金顺,张建宇,丁庆新,崔玲丽;基于小波分析的大型齿轮箱低速轴故障诊断[J];北京科技大学学报;2005年03期

2 李华;;基于小波-模糊神经网络的齿轮箱故障诊断[J];传感技术学报;2006年03期

3 简小刚;张艳伟;冯跃;;工程机械故障诊断技术的研究现状与发展趋势[J];中国工程机械学报;2005年04期

4 李建华;;设备状态监测与故障诊断技术综述[J];广东化工;2009年12期

5 龚雪;;工程机械智能故障诊断技术的研究现状及发展趋势[J];机床与液压;2011年14期

6 刘志刚,李德仁,秦前清,史文中;支持向量机在多类分类问题中的推广[J];计算机工程与应用;2004年07期

7 郑勇涛,刘玉树;支持向量机解决多分类问题研究[J];计算机工程与应用;2005年23期

8 陆人定;;齿轮箱故障时域和频域综合诊断技术[J];机电工程技术;2007年06期

9 张周锁,李凌均,何正嘉;基于支持向量机的多故障分类器及应用[J];机械科学与技术;2004年05期

10 马笑潇,黄席樾,柴毅;基于SVM的二叉树多类分类算法及其在故障诊断中的应用[J];控制与决策;2003年03期

  本文关键词：基于小波包分析和支持向量机的齿轮箱故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：360278