基于振动信号的齿轮箱智能故障诊断方法研究

发布时间：2017-08-03 08:44

  本文关键词：基于振动信号的齿轮箱智能故障诊断方法研究

  更多相关文章： 齿轮箱 最优小波基 特征提取及选择 模式识别 故障诊断

【摘要】：大型旋转机械设备中,齿轮箱作为传递动力、改变转速的重要零部件,有着不可替代的作用。齿轮箱一般由多对啮合在一起的齿轮、转轴、轴承、固定基座、箱体等部件构成,这就决定了其结构复杂、装配精度要求高、加工工艺复杂的特点。因此,在复杂、恶劣的工况环境下,齿轮箱易出现故障并影响整个生产线甚至带来大量经济损失,据统计,旋转机械故障中齿轮故障占80%,因此对齿轮箱的运行过程进行状态监测和故障诊断具有极其重要的意义。 20世纪60年代以来齿轮箱故障诊断技术有了很大的发展,目前关于齿轮箱的故障诊断研究主要集中在以下几个方面：故障模型机理研究、检测仪器的开发、特征参数提取及选择、现代信号处理方法、智能模式识别等。传统的基于信号处理与分析的诊断技术主要提取与故障有关的特征频率或者参数,并根据以往经验,通过分析特定的故障频率或者预先设定好的参数阈值对故障进行诊断。利用上述诊断技术,在诊断单一故障类型时是有效的,然而当面对齿轮箱多种故障类型时诊断准确率比较低。因此,基于多种信息融合的智能故障诊断方法,在复杂的多故障类型齿轮箱诊断中受到越来越多的重视。 本文主要从齿轮箱状态信号预处理、最优特征参数集的构建和评价、智能故障诊断方法等三个方面开展研究。 在原始信号预处理方面,本文采用基于Birge-Massart策略的自适应阈值降噪方法,本文提出一种基于主频率能量的相关系数法,该方法通过比较小波分解系数和信号之间相关系数的大小选择出与齿轮故障信号最佳匹配的小波基,从而提高了降噪的效果。 在最优特征参数集的构建和评价方面,本文应用信息熵理论、小波变换多分辨率分析理论构建了功率谱熵特征参数、小波能谱特征参数；并根据“类间距离大、类内距离小”原则,提出了一种改进的距离测度法用于最优特征参数的选择,选择出冗余度低相关性高的最优特征参数集 在智能故障诊断方法方面,本文首先利用遗传算法对传统BP神经网络的权值、闽值进行了优化,以减小网络陷入局部最优的可能性；其次,在原有蚁群算法的基础上加入了局部搜索操作,提高了算法中蚂蚁找到最优解的效率,并能够及时发现更好的解,提高了蚁群算法的识别效率；最后本文应用概率和统计理论,将隐马尔科夫模型(Hidden Markov Model, HMM)应用到齿轮箱多故障类型的静态模式识别中,实验验证了HMM在齿轮箱故障识别方面具有算法稳定、训练速度快、识别准确率高的优点。 最后,本文应用三个方面的理论研究成果,开发了一套简易的齿轮箱智能故障诊断系统,系统中各个模块的调试工作已经完成,经过测试系统初步达到了实际工程应用的要求。
【关键词】：齿轮箱 最优小波基 特征提取及选择 模式识别 故障诊断
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH132.41;TH165.3
【目录】：

• 学位论文数据集3-4
• 摘要4-6
• ABSTRACT6-15
• 第一章 绪论15-21
• 1.1 课题来源及意义15-16
• 1.2 齿轮箱故障诊断的研究现状和发展趋势16-17
• 1.3 论文主要内容及创新点17-19
• 1.4 论文的结构安排19-21
• 第二章 齿轮箱振动机理及主要故障形式21-27
• 2.1 齿轮简化振动模型21-22
• 2.2 齿轮箱故障主要形式22-23
• 2.3 齿轮产生故障时的调制现象和边频带特点23-24
• 2.3.1 齿轮信号边频带特点23
• 2.3.2 齿轮啮合幅值、频率调制现象23-24
• 2.4 本章小结24-27
• 第三章 齿轮箱振动信号预处理27-41
• 3.1 小波变换理论27-29
• 3.1.1 连续小波变换27-28
• 3.1.2 离散小波变换28
• 3.1.3 小波变换在故障诊断中的应用28-29
• 3.2 最佳小波基的选择29-33
• 3.2.1 主频率能量相关系数法29-31
• 3.2.2 主频率能量相关系数法的有效性验证31-33
• 3.3 齿轮信号预处理：小波降噪33-36
• 3.3.1 小波降噪技术的发展33-34
• 3.3.2 小波阈值降噪理论34-36
• 3.3.3 自适应小波阈值降噪36
• 3.4 实验验证和分析36-39
• 3.4.1 小波降噪性能评价36-37
• 3.4.2 实验结果分析37-39
• 3.5 本章小结39-41
• 第四章 齿轮状态最优特征参数集的构建及评价41-57
• 4.1 齿轮状态特征参数集的构建41-45
• 4.1.1 时域统计参数41-42
• 4.1.2 频域特征参数42-43
• 4.1.3 功率谱熵特征参数43
• 4.1.4 包络谱特征参数43-45
• 4.1.5 小波能谱特征参数45
• 4.2 最优特征参数集合的评价45-48
• 4.2.1 特征参数选择方法概述45-46
• 4.2.2 改进的距离测度参数评价方法46-48
• 4.3 实验验证和分析48-55
• 4.4 本章小结55-57
• 第五章 智能故障诊断方法57-87
• 5.1 基于遗传算法优化神经网络的模式识别57-68
• 5.1.1 BP神经网络57-60
• 5.1.2 遗传算法优化神经网络60-63
• 5.1.3 实验验证和分析63-68
• 5.2 基于蚁群算法的智能模式识别68-73
• 5.2.1 蚁群算法基本原理68-69
• 5.2.2 蚁群算法模式识别流程69-71
• 5.2.3 实验验证和分析71-73
• 5.3 HMM智能故障模式识别73-85
• 5.3.1 HMM原理及基本算法74-79
• 5.3.2 HMM在故障诊断中的应用79-80
• 5.3.3 标量量化及码级的确定80-82
• 5.3.4 实验验证及分析82-85
• 5.4 三种方法故障识别性能比较85-86
• 5.5 本章小结86-87
• 第六章 齿轮箱智能诊断系统模块化实现87-93
• 6.1 系统的总体设计87-88
• 6.2 各个模块的调试结果88-92
• 6.3 本章小结92-93
• 第七章 总结与展望93-95
• 7.1 研究成果总结93-94
• 7.2 后续工作展望94-95
• 参考文献95-99
• 致谢99-101
• 研究成果及发表的学术论文101-103
• 作者和导师简介103-104
• 附表104-105

【参考文献】

中国期刊全文数据库 前10条

1 潘泉;孟晋丽;张磊;程咏梅;张洪才;;小波滤波方法及应用[J];电子与信息学报;2007年01期

2 张承彪,罗运柏,文习山;主成分分析在变压器故障诊断中的应用研究[J];高电压技术;2005年08期

3 金鑫;任献彬;周亮;;智能故障诊断技术研究综述[J];国外电子测量技术;2009年07期

4 苑津莎;张冬雪;李中;;基于改进阈值法的小波去噪算法研究[J];华北电力大学学报(自然科学版);2010年05期

5 唐亮;段建国;许洪波;梁玲;;基于互信息最大化的特征选择算法及应用[J];计算机工程与应用;2008年13期

6 吕世聘;王秀坤;孙岩;唐一源;;改进的支持向量机特征选择算法[J];计算机工程;2009年01期

7 柳新民,邱静,刘冠军;基于连续高斯密度混合HMM的滚动轴承故障诊断研究[J];机械传动;2005年01期

8 吴军彪,陈进,伍星;基于盲源分离技术的故障特征信号分离方法[J];机械强度;2002年04期

9 何树波,丁启全,李志农,吴昭同;基于Wavelet-HMM的旋转机械故障诊断方法研究[J];机械强度;2003年05期

10 葛小凯;胡剑波;宁江涛;周红建;王世甲;;基于EMD-HMM的故障诊断模型及应用[J];数学的实践与认识;2012年06期

中国博士学位论文全文数据库 前5条

1 鞠萍华;旋转机械早期故障特征提取的时频分析方法研究[D];重庆大学;2010年

2 雷亚国;混合智能技术及其在故障诊断中的应用研究[D];西安交通大学;2007年

3 张家凡;振动信号的包络解调分析方法研究及应用[D];武汉理工大学;2008年

4 李宁;旋转机械的测试信号分析及隐马尔科夫模型应用研究[D];重庆大学;2010年

5 岳夏;基于HMM的复杂条件故障诊断技术研究[D];华南理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 李全;基于HMM的轴承故障诊断方法[D];昆明理工大学;2010年

2 李明;遗传算法的改进及其在优化问题中的应用研究[D];吉林大学;2004年

3 洪文;基于隐Markov模型的步态识别研究[D];哈尔滨工程大学;2005年

4 熊健;基于振动信号分析和神经网络的齿轮箱故障诊断技术研究[D];中北大学;2008年

5 张成;基于图像序列的运动目标识别与跟踪方法研究[D];天津理工大学;2008年

6 殷震;基于BP神经网络的电力变压器内部故障诊断方法研究[D];天津大学;2007年

7 王照阳;基于BP神经网络的炼钢转炉轴承故障诊断系统[D];重庆大学;2008年

8 李宝庆;广义解调时频分析方法及其在齿轮故障诊断中的应用研究[D];湖南大学;2010年

9 石磊;8000kW海洋救助船主动力装置综合监测方法研究[D];武汉理工大学;2012年

10 杨戈;PACS系统医学图像数据压缩的研究[D];西安电子科技大学;2012年

，

本文编号：613474