基于ICA的工作模态参数识别及故障诊断方法研究

发布时间：2017-05-25 07:03

  本文关键词：基于ICA的工作模态参数识别及故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：机械结构工作模态参数识别（Operational ModelAnalysis，，简称OMA）和振动故障诊断是在工程应用中不可或缺的两个重要技术。独立分量分析（Independent ComponentAnalysis，简称ICA）作为一种统计信号数据分析工具，在无先验知识的条件下可以有效地从线性混合的复杂信号中盲分离出各个独立源信号，该技术已经在监测和诊断方向以新的研究方法被提出。本文以齿轮箱为研究对象，将ICA技术应用于齿轮箱工作模态参数识别和故障诊断中，结合概率神经网络（Probabilistic Neural Network，简称PNN）智能算法进行了齿轮箱典型故障诊断。 本文研究了一种基于ICA的工作模态参数识别技术，解决了目前基于振动信号的工作模态参数识别方法存在抗噪能力低，参数识别主观经验性较强，识别精度差和识别方法较复杂等问题。通过对ICA与OMA基本原理分析，发现ICA计算模型与结构振动模态分析模型结果趋向相同，ICA模态参数识别技术操作简单，能够有效排除噪声干扰，而且IPI作为分量独立性虚假性评价标准的引入为模态选取提供了客观依据。 当结构系统发生故障时，其模态特性也随之变化，本文以FASTICA识别出的五种工况模态频率作为齿轮箱故障诊断特征参量，分析对比各工况下的固有频率的变化，进行了齿轮箱故障诊断。最后将FASTICA频域特征分析应用到复杂齿轮箱微弱故障信息增强与诊断，将各工况不同转速下测试信号经FASTICA盲源分离后，分析并提取出各信号频域特征参量作为诊断指标，将归一化处理后的信号特征参量作为PNN算法的样本进行诊断分析，FASTICA和PNN算法的结合明显提高了故障诊断精度、可靠性和诊断效率。
【关键词】：齿轮箱 ICA 工作模态分析 特征提取 故障诊断
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH132.41;TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-15
• 1.1 论文研究的背景及意义9
• 1.2 齿轮箱故障诊断技术及其应用9-11
• 1.3 工作模态技术的发展研究11-12
• 1.4 ICA 算法研究现状及发展趋势12-13
• 1.5 论文主要框架13-15
• 2 齿轮箱故障分析及实验系统搭建15-29
• 2.1 齿轮箱结构组成及常见故障15-16
• 2.2 齿轮箱故障分析及实验故障设置16-21
• 2.2.1 齿轮故障分析16-18
• 2.2.2 轴承故障分析18-20
• 2.2.3 实验故障设置20-21
• 2.3 搭建齿轮箱运转故障实验平台21-28
• 2.3.1 齿轮箱动态振动实验配置仪器21-24
• 2.3.2 齿轮箱 LMS 模型及测点选择24-26
• 2.3.3 齿轮箱 LMS 模态识别方法26-28
• 2.4 本章小结28-29
• 3 基于ICA的结构工作模态参数识别方法29-42
• 3.1 独立分量分析方法描述29-34
• 3.1.1 ICA 算法29-31
• 3.1.2 FASTICA 算法31-33
• 3.1.3 ICA 分离结果的不确定性33-34
• 3.2 ICA 模态参数识别及仿真验证34-41
• 3.2.1 多自由度系统响应的模态坐标转换34-36
• 3.2.2 振动系统模态 ICA 独立性分析36-37
• 3.2.3 ADAMS 仿真及分析37-41
• 3.3 本章小结41-42
• 4 基于LMS的齿轮箱工作模态验证42-53
• 4.1 齿轮箱恒速运转各工况 LMS 工作模态分析42-49
• 4.1.1 模态验证42
• 4.1.2 LMS 工作模态分析42-49
• 4.2 齿轮箱恒速运转的 FASTICA 工作模态识别49-51
• 4.2.1 ICA 算法分离效果评价49
• 4.2.2 FASTICA 工作模态识别49-51
• 4.3 对比分析51-52
• 4.4 本章小结52-53
• 5 FASTICA与PNN结合的齿轮箱智能故障识别方法53-66
• 5.1 基于模态参数的齿轮箱故障诊断研究53-57
• 5.1.1 稳态极点图、阻尼和振型分析53-54
• 5.1.2 FASTICA 模态频率分析54-57
• 5.2 基于 FASTICA 频域特征提取的 PNN 齿轮箱故障诊断研究57-64
• 5.2.1 故障特征提取57-60
• 5.2.2 PNN 故障识别60-64
• 5.3 本章小结64-66
• 6 总结与展望66-68
• 6.1 全文总结66-67
• 6.2 展望67-68
• 参考文献68-74
• 攻读硕士学位期间发表的论文及参加的科研项目74-75
• 致谢75-76

【参考文献】

中国期刊全文数据库 前10条

1 魏秀业;潘宏侠;黄晋英;;齿轮箱传感器优化布置研究[J];兵工学报;2010年11期

2 张洪渊,史习智;一种任意信号源盲分离的高效算法[J];电子学报;2001年10期

3 张睿;黄晋英;张永梅;;计算智能方法及应用研究[J];电脑开发与应用;2012年10期

4 阴法明;梁瑞宇;;改进的FastICA算法在图像盲分离中的应用[J];电子技术应用;2013年01期

5 孙鑫晖;张令弥;王彤;;基于左矩阵分式模型的模态参数识别方法[J];航空学报;2010年01期

6 顾军;胡显丹;;基于FastICA算法的敌我识别信号分选方法研究[J];舰船电子对抗;2009年05期

7 朱孝龙,保铮,张贤达;基于分阶段学习的盲信号分离[J];中国科学E辑:技术科学;2002年05期

8 韩捷,张琳娜;齿轮故障的振动频谱机理研究[J];机械传动;1997年02期

9 段慧达;王忠礼;周振雄;刘文斌;;基于模糊输入的概率神经网络在变压器故障诊断中应用[J];煤矿机械;2007年02期

10 郑敏,申凡,陈同纲;采用互相关复指数法进行工作模态参数识别[J];南京理工大学学报(自然科学版);2002年02期

中国博士学位论文全文数据库 前2条

1 王卫华;盲源分离算法及应用研究[D];哈尔滨工程大学;2009年

2 静行;基于独立分量分析的结构模态分析与损伤诊断[D];武汉理工大学;2010年

中国硕士学位论文全文数据库 前1条

1 杨成;传动齿轮箱故障诊断系统研究[D];哈尔滨工程大学;2013年

  本文关键词：基于ICA的工作模态参数识别及故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：392970