数学形态滤波与局域均值分解在齿轮故障诊断中的应用

发布时间：2017-07-06 06:09

  本文关键词：数学形态滤波与局域均值分解在齿轮故障诊断中的应用

  更多相关文章： 齿轮故障诊断 数学形态滤波 局域均值分解 BP神经网络

【摘要】：齿轮及齿轮箱作为传递动力、改变转速的常用零部件,在机床设备、航空航天、电力系统、农业机械、运输机械、冶金和采矿等现代工业领域中得到广泛应用和发展。而齿轮及齿轮箱一旦发生故障就可能造成整套设备无法正常运行。因此,对齿轮的故障诊断具有重要意义。 针对齿轮振动信号中存在的背景噪声和冲击振动等问题,本文采用一种数学形态滤波与局域均值分解相结合的方法,通过多结构多尺度数学形态滤波器对齿轮故障振动信号进行背景噪声的滤除和冲击振动信号的提取,在此基础上结合局域均值分解对齿轮振动信号进行处理,进而提取局域均值分解的能量特征参数,并进行归一化处理,最后采用BP神经网络对齿轮的各种运行状态进行分类识别。本文主要工作如下： (1)阐述了齿轮振动信号的特征、齿轮故障的主要形式及齿轮故障对运动参数的影响。 (2)研究了数学形态学的基本算子及形态算子、结构元素对数学形态滤波的影响,并给出了数学形态滤波技术在振动信号处理中的优势,采用一种多结构多尺度数学形态组合滤波器。在详细讨论多结构多尺度数学形态组合滤波器结构元素构造方法的基础上,以特征频率强度系数为判据,利用敏感的结构元素组合出多结构多尺度的自适应均值滤波器,取得了较好的低频信号提取效果。 (3)详细介绍了局域均值分解的基本原理和算法、主要特点、存在的端点效应问题及局域均值分解的能量特征提取方法,并针对端点效应问题进行详细分析,最后采用了自适应波形匹配延拓的改进方法。该方法充分考虑了齿轮信号的内在规律和端点处变化,将齿轮信号端点处信号进行自适应波形匹配延拓,从而改变了端点处不受约束的情况。仿真与实验测试的结果都表明,该方法能够有效抑制局域均值分解的端点效应。 (4)对实测的各种运行状态下齿轮振动信号进行数学形态滤波与局域均值分解,提取局域均值分解的能量特征参数,并进行归一化处理,最后采用BP神经网络进行分类识别。该方法简单易行,是齿轮故障诊断较为有效的方法。
【关键词】：齿轮故障诊断 数学形态滤波 局域均值分解 BP神经网络
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TN911.6;TH132.41;TH165.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-19
• 1.1 齿轮故障诊断的背景及研究意义11-12
• 1.2 齿轮故障诊断的研究现状12-14
• 1.3 数学形态学方法的提出及研究现状14-16
• 1.4 局域均值分解方法的提出及研究现状16-17
• 1.5 本文主要研究内容17-19
• 第二章 齿轮振动信号特征分析19-27
• 2.1 引言19
• 2.2 齿轮的振动及数学模型的建立19-22
• 2.2.1 齿轮的振动20-22
• 2.2.2 齿轮振动的数学模型22
• 2.3 齿轮典型故障信号特征22-24
• 2.4 齿轮故障对运动参数的影响24
• 2.5 本章小结24-27
• 第三章 数学形态滤波技术研究27-41
• 3.1 引言27
• 3.2 数学形态学基本运算27-30
• 3.2.1 形态腐蚀和形态膨胀27-28
• 3.2.2 形态开运算和形态闭运算28
• 3.2.3 形态算子对形态滤波的影响28-30
• 3.3 数学形态滤波技术30-32
• 3.3.1 形态开-闭和形态闭-开滤波器30
• 3.3.2 平均组合滤波器30-31
• 3.3.3 广义形态滤波器31
• 3.3.4 数学形态滤波器结构元素的选取31-32
• 3.4 多结构多尺度数学形态组合滤波器32-39
• 3.4.1 数学形态结构元素集的构造32-35
• 3.4.2 最优结构元素的选取35
• 3.4.3 多结构多尺度数学形态滤波法的仿真示例35-39
• 3.5 小结39-41
• 第四章 局域均值分解方法研究41-57
• 4.1 引言41
• 4.2 LMD的原理和算法41-46
• 4.2.1 LMD的基本过程41
• 4.2.2 LMD的基本原理和算法41-45
• 4.2.3 仿真示例45-46
• 4.3 LMD的主要特点46-49
• 4.3.1 自适应性46-47
• 4.3.2 正交性47-48
• 4.3.3 独立性48
• 4.3.4 完备性48-49
• 4.4 LMD的端点效应及解决方法的研究49-53
• 4.4.1 LMD的端点效应49
• 4.4.2 自适应波形匹配延拓方法49-51
• 4.4.3 仿真示例51-53
• 4.5 基于LMD的能量特征提取53-54
• 4.6 本章小结54-57
• 第五章 基于数学形态滤波与局域均值分解的齿轮故障诊断方法57-67
• 5.1 引言57
• 5.2 数学形态滤波与局域均值分解原理57-58
• 5.3 数学形态滤波与局域均值分解实验研究58-61
• 5.3.1 数学形态滤波58-60
• 5.3.2 齿轮信号的局域均值分解60-61
• 5.4 基于BP神经网络的齿轮故障诊断61-66
• 5.4.1 BP神经网络61-64
• 5.4.2 基于BP神经网络的齿轮故障诊断方法64-65
• 5.4.3 与其它方法的比较65-66
• 5.5 小结66-67
• 第六章 结论与展望67-69
• 6.1 本文工作的总结67-68
• 6.2 未来研究展望68-69
• 致谢69-71
• 参考文献71-77
• 附录A (攻读硕士学位期间发表论文)77-79
• 附录B (攻读硕士学位期间申请的软件著作权)79

【参考文献】

中国期刊全文数据库 前10条

1 李素云;张德祥;;基于小波变换的汽车齿轮箱振动信号故障分析[J];安徽电子信息职业技术学院学报;2012年01期

2 章立军;徐金梧;阳建宏;杨德斌;;自适应多尺度形态学分析及其在轴承故障诊断中的应用[J];北京科技大学学报;2008年04期

3 王国栋;张建宇;高立新;胥永刚;张雪松;;小波包神经网络在轴承故障模式识别中的应用[J];轴承;2007年01期

4 王凯;安钢;肖雨;;基于经验模式分解和Wigner高阶矩谱的轴承故障诊断[J];轴承;2009年04期

5 张光新,蔡晋辉,周泽魁;基于模板的二维多通道形态小波的构造[J];光电子·激光;2005年02期

6 王文波;羿旭明;费浦生;;基于图像统计特性的二维形态小波的构造[J];光电子.激光;2008年09期

7 王植申;韩捷;陈宏;巩晓峗;王宏超;;基于全矢谱的风力发电系统齿轮箱的故障诊断[J];机械设计与制造;2011年11期

8 胡劲松;杨世锡;;EMD方法基于径向基神经网络预测的数据延拓与应用[J];机械强度;2007年06期

9 ;Boundary-processing-technique in EMD method and Hilbert transform[J];Chinese Science Bulletin;2001年11期

10 胡爱军;唐贵基;安连锁;;基于数学形态学的旋转机械振动信号降噪方法[J];机械工程学报;2006年04期

中国博士学位论文全文数据库 前2条

1 任达千;基于局域均值分解的旋转机械故障特征提取方法及系统研究[D];浙江大学;2008年

2 张文斌;汽轮发电机组状态趋势预测及故障诊断方法研究[D];浙江大学;2009年

，

本文编号：524987