基于SVM的齿轮箱故障智能诊断技术研究

发布时间：2017-06-17 01:12

  本文关键词：基于SVM的齿轮箱故障智能诊断技术研究，由笔耕文化传播整理发布。

【摘要】：旋转机械在机械设备中占很大比重,而齿轮箱又为旋转机械的重要变速传动部件之一,其运行正常与否关系到整台机器的工作状况。由于齿轮箱特殊的工作环境,其部件容易受到损坏而出现故障。因此以齿轮箱作为机械设备故障诊断与状态监测的研究对象具有较好的现实意义。 故障智能诊断是一门涉及多个领域技术,并且正在发展的新兴综合学科,虽然许多方法和理论已被研究多年,但完整的故障智能诊断的理论还并未成熟,许多问题尚有待于进一步探索和研究。本论文结合企业需求,围绕齿轮箱故障诊断展开,研究齿轮箱典型故障,如齿轮故障、轴承故障的产生机理以及诊断方法,对故障特征提取进行研究,最后通过支持向量机(Support Vector Machine, SVM)实现齿轮箱的故障智能诊断。 在故障特征提取技术方面,论文研究了能有效提取故障特征信息的谱峭度包络分析技术,利用AR模型对齿轮箱故障信号进行预白化处理,得到冲击故障增强信号。然后使用基于复平移Morlet小波和谱峭度的改进包络分析方法对故障增强信号进行特征提取。最后以故障特征频率为中心频率,对带宽50Hz内的各频带进行包括能量、峰值、峭度值等的故障特征值提取,将提取的特征值形成矩阵,作为SVM的特征矩阵。 在故障智能诊断技术方面,论文研究了遗传算法(Genetic Algorithm, GA)参数寻优方法以及SVM的分类原理。结合交叉验证(Cross Validation, CV)方法,将CV意义下的准确率作为GA中的适应度函数值,利用GA对SVM中的参数进行优化,有效地避免了过学习和欠学习状态的发生,最终对于测试集的预测得到较理想的准确率。仿真和实际测试试验结果验证了该方法的有效性。
【关键词】：齿轮箱 特征提取 谱峭度 遗传算法 支持向量机
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3;TH132.4
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-17
• 1.1 课题研究背景及意义11-13
• 1.1.1 课题来源11
• 1.1.2 课题研究背景11-12
• 1.1.3 课题研究意义12-13
• 1.2 故障诊断技术国内外研究概况13-15
• 1.3 论文主要研究内容与结构安排15-17
• 1.3.1 主要研究内容15
• 1.3.2 论文结构安排15-17
• 第二章 齿轮箱故障诊断基础17-29
• 2.1 齿轮故障诊断基础17-23
• 2.1.1 齿轮常见失效形式及原因18-19
• 2.1.2 齿轮振动机理及振动特征频率19-23
• 2.2 滚动轴承故障诊断基础23-27
• 2.2.1 滚动轴承常见失效形式及原因23-25
• 2.2.2 滚动轴承振动机理及振动特征频率25-27
• 2.3 齿轮箱故障诊断方法27-28
• 2.3.1 齿轮故障振动诊断方法27-28
• 2.3.2 滚动轴承故障振动诊断方法28
• 2.4 本章小结28-29
• 第三章 基于谱峭度的包络特征提取29-45
• 3.1 谱峭度理论与定义29-30
• 3.2 基于小波变换的谱峭度计算30-32
• 3.2.1 小波变换30-31
• 3.2.2 复平移Morlet小波31
• 3.2.3 基于复平移Morlet小波的谱峭度计算31-32
• 3.3 谱峭度快速计算方法32-34
• 3.4 基于谱峭度的包络分析34-39
• 3.4.1 基于AR模型的冲击振动增强35
• 3.4.2 包络分析35-36
• 3.4.3 基于谱峭度的包络分析算法36-39
• 3.5 故障特征参数的提取39
• 3.6 仿真实验验证39-44
• 3.7 本章小结44-45
• 第四章 基于SVM的故障智能诊断技术研究45-61
• 4.1 机器学习问题的描述46-49
• 4.1.1 机器学习模型46-47
• 4.1.2 主要的学习问题47
• 4.1.3 经验风险最小化原则47-48
• 4.1.4 复杂性与推广能力48-49
• 4.2 统计学习理论49-53
• 4.2.1 学习过程的一致性理论49-50
• 4.2.2 VC维50-51
• 4.2.3 推广性的界51-52
• 4.2.4 结构风险最小化原则52-53
• 4.3 支持向量机53-57
• 4.3.1 SVM的基本原理53-54
• 4.3.2 最优超平面54-55
• 4.3.3 SVM的几何解释55-56
• 4.3.4 核函数56-57
• 4.4 遗传算法57-58
• 4.5 基于GA的改进SVM算法58-60
• 4.6 本章小结60-61
• 第五章 试验研究及结果分析61-83
• 5.1 仿真试验61-68
• 5.2 实测试验方案设计68-69
• 5.3 实测试验过程69-82
• 5.3.1 试验设备69-70
• 5.3.2 传感器标定70-72
• 5.3.3 传感器安装72-73
• 5.3.4 数据采集73
• 5.3.5 试验数据分析73-79
• 5.3.6 与PSO参数寻优方法的比较79-82
• 5.4 本章小结82-83
• 第六章 结论与展望83-85
• 6.1 研究结论83-84
• 6.2 存在的不足与展望84-85
• 6.2.1 存在的主要问题84
• 6.2.2 展望84-85
• 致谢85-87
• 参考文献87-91

【参考文献】

中国期刊全文数据库 前10条

1 张金敏;翟玉千;王思明;;小波分解和最小二乘支持向量机的风机齿轮箱故障诊断[J];传感器与微系统;2011年01期

2 魏秀业;潘宏侠;;齿轮箱故障诊断技术现状及展望[J];测试技术学报;2006年04期

3 魏玉果;汤宝平;程发斌;秦晓峰;;基于阶比跟踪的全息谱技术[J];重庆大学学报(自然科学版);2007年02期

4 赵艳丽,刘奇志,白士红;模糊关联方法在齿轮箱故障诊断中的应用[J];沈阳航空工业学院学报;2003年02期

5 于德介,程军圣,杨宇;Hilbert能量谱及其在齿轮故障诊断中的应用[J];湖南大学学报(自然科学版);2003年04期

6 杜设亮,傅建中,陈子辰,麦云飞;基于BP神经网络的齿轮故障诊断系统研究[J];机电工程;1999年05期

7 李俭川,胡茑庆,秦国军,温熙森;基于故障树的贝叶斯网络建造方法与故障诊断应用[J];计算机工程与应用;2003年24期

8 张金,张耀辉,黄漫国;倒频谱分析法及其在齿轮箱故障诊断中的应用[J];机械工程师;2005年08期

9 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

10 袁佳胜;冯志华;;基于相关分析与小波变换的齿轮箱故障诊断[J];农业机械学报;2007年08期

  本文关键词：基于SVM的齿轮箱故障智能诊断技术研究，由笔耕文化传播整理发布。

，

本文编号：456970