变工况齿轮箱振动信号处理与故障诊断方法研究

发布时间：2017-07-15 15:27

  本文关键词：变工况齿轮箱振动信号处理与故障诊断方法研究

  更多相关文章： 变工况齿轮箱 非稳态信号 信号处理方法 BP神经网络 模式识别

【摘要】：齿轮箱在运行过程中，转速和负载都会发生变化，是在一种变工况条件下运行，，各种振动因素综合起来，得到的振动信号必然是非线性的多分量信号。因此，如何更有效地提取变工况齿轮箱故障信号是目前研究的热点和难点。研究了常用于非稳态信号分析的方法：小波变换、包络谱、经验模态分解以及魏格纳分布信号处理方法等，比较了这些方法在非稳态信号分析中的优缺点，并对小波阈值去噪、经验模态分解以及快速独立分量分析方法作出了改进。在试验台上对变工况齿轮箱故障信号进行了模拟，对其进行了特征提取并验证了部分信号分析方法的可行性。 首先，采用传统频谱方法对仿真信号分析，讨论了传统频谱方法处理非稳态信号时的不足。利用时频分析方法对仿真信号进行分析，结果表明，单独利用一种时频分析方法来分析非稳态信号存在一定的局限性。因此，处理非稳态信号时需多种时频分析方法相结合使用，才能更有效地分析故障信号。 其次，在齿轮箱变载的工况下，负载的变化对故障信号频率影响不大，只对频谱图中的幅值影响比较明显。因此，重点研究了齿轮箱变速的非稳态工况下信号特征及其提取方法。由于变工况齿轮箱中振动信号频率成分较为复杂，通过采用改进的快速独立分量分析方法对齿轮和轴承故障信号进行信噪分离，从而达到准确提取信号特征的目的。在齿轮箱变速的非稳态工况下，当速度变化较小时，采用小波包络谱分析方法较为有效。当速度变化较为剧烈时，采用修正的经验模态分解和魏格纳分布分析方法，能准确地提取该工况下齿轮箱信号特征。利用Matlab中的GUI功能设计的信号分析系统，可以有效地提高该方法的信号分析效率。 最后，通过对变工况齿轮箱故障信号振动数据分析，提取有效的特征参量，建立了变工况齿轮箱故障诊断特征参量；分析了BP神经网络的识别模式，并对齿轮箱故障特征参量进行了模式识别。 通过各种信号处理方法分析和试验研究所得到的结论，为变工况齿轮箱的研究以及大型旋转设备的故障分析提供一定的参考和借鉴。
【关键词】：变工况齿轮箱 非稳态信号 信号处理方法 BP神经网络 模式识别
【学位授予单位】：河北科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 课题的研究背景及意义9-10
• 1.1.1 课题研究背景9-10
• 1.1.2 选题意义10
• 1.2 国内外研究现状10-14
• 1.2.1 非稳态信号的分析处理11-12
• 1.2.2 故障诊断技术现状12-14
• 1.3 主要研究内容14-15
• 第2章 非稳态信号及变工况特征分析15-23
• 2.1 引言15
• 2.2 非稳态信号15-17
• 2.2.1 非稳态信号概念15-16
• 2.2.2 传统频谱分析法的不足16-17
• 2.3 变工况特征分析17-19
• 2.3.1 变工况定义18
• 2.3.2 变工况信号特征分析18-19
• 2.4 变负载工况分析19-21
• 2.5 变转速工况分析21-22
• 2.6 本章小结22-23
• 第3章 齿轮箱故障类型及信号分析系统设计23-33
• 3.1 引言23
• 3.2 齿轮箱常见故障类型23-25
• 3.2.1 齿轮常见故障23-24
• 3.2.2 轴承常见故障24-25
• 3.3 试验平台介绍25-27
• 3.4 信号分析系统设计27-31
• 3.5 本章小结31-33
• 第4章 变工况齿轮箱振动信号分析方法及试验验证33-57
• 4.1 引言33
• 4.2 FastICA 信噪分离技术33-38
• 4.2.1 FastICA 算法原理33-35
• 4.2.2 改进 FastICA 算法35-36
• 4.2.3 信噪分离试验36-38
• 4.3 小波阈值去噪38-41
• 4.3.1 改进的小波阈值去噪方法39
• 4.3.2 小波阈值去噪对比试验39-41
• 4.4 小波包络谱分析41-50
• 4.4.1 包络谱分析41-43
• 4.4.2 滚动轴承故障试验分析43-47
• 4.4.3 齿面磨损故障试验分析47-49
• 4.4.4 转速变化对小波包络谱影响49-50
• 4.5 EMD 中的“端点效应”50-56
• 4.5.1 修正“端点效应”方法51-52
• 4.5.2 EMD 和 Wigner-Ville 分布52
• 4.5.3 试验验证52-56
• 4.6 本章小结56-57
• 第5章 齿轮箱特征参量提取及模式识别57-67
• 5.1 引言57
• 5.2 齿轮箱的特征参量提取57-61
• 5.2.1 幅域特征参量57-59
• 5.2.2 频域和能量域特征参量提取59-61
• 5.3 BP 神经网络的故障诊断61-64
• 5.3.1 BP 神经网络学习算法61-63
• 5.3.2 BP 神经网络模型63-64
• 5.4 齿轮箱故障诊断应用实例64-65
• 5.5 本章小结65-67
• 结论67-69
• 参考文献69-73
• 攻读硕士学位期间所发表的论文73-75
• 致谢75

【参考文献】

中国期刊全文数据库 前10条

1 王海文;杨坤怡;;BP神经网络在滚动轴承故障诊断中的应用研究[J];电脑知识与技术;2011年04期

2 胡杰;何益鸣;文闪闪;王智伟;;基于BP神经网络的变压器故障诊断分析[J];电气制造;2008年01期

3 陈学峰;赵质良;王金光;;基于BP神经网络的齿轮箱故障模式识别[J];装备制造技术;2010年10期

4 梁华;韩振南;;基于神经网络的泵机组故障诊断技术[J];机械管理开发;2010年03期

5 郭武;朱长仁;王润生;;一种改进的FastICA算法及其应用[J];计算机应用;2008年04期

6 高国华 ,张永忠;齿轮箱故障诊断技术的新发展[J];机械传动;2003年06期

7 王江萍;孙文莉;;基于小波包能量谱齿轮振动信号的分析与故障诊断[J];机械传动;2011年01期

8 王秀英;;基于BP神经网络的故障模式识别与应用[J];机电工程技术;2008年10期

9 李贵三,褚福磊;三维谱图的自动识别与瞬态过程诊断策略[J];机械科学与技术;2001年01期

10 张国渊;卫军朝;闫秀天;;非平稳信号短时快变过程的时频分析方法及实现[J];机械科学与技术;2012年05期

本文编号：544597