基于分形理论和支持向量机的齿轮箱故障诊断研究

发布时间：2017-08-17 05:07

  本文关键词：基于分形理论和支持向量机的齿轮箱故障诊断研究

  更多相关文章： 分形理论 多重分形 分形维数 支持向量机 多核支持向量机 故障诊断 齿轮箱

【摘要】：齿轮箱作为传动系统不可或缺的部件，它的运行状态的好坏关乎重大。但是齿轮箱在工作过程中会受到环境因素的干扰，从而使传感器采集的数据含有不需要的噪声。基于此本文在充分分析了分齿轮箱故障诊断的意义以及诊断方法的现状的前提下，提出了用短时分维作为模糊控制参数的短时分形滤波器对实采数据进行滤波后，再用多重分形谱算法获得故障特征参量，最后采用支持向量机进行故障诊断与识别的方法。通过搭建齿轮箱故障实验平台，验证了这种方法能够完成齿轮箱故障诊断任务。 本文在详细介绍了分形理论和几种分形维数之后，提出了将短时网格维数作为模糊控制的自适应参数，把两者结合起来实现信号降噪的办法。在充分介绍多重分形谱算法之后，采用a (q)和f (a (q))max以及盒子维数作为故障信号的特征参量的思路，并用支持向量机进行验证，，故障识别效果很好。对支持向量机主要的核参数和惩罚因子采用粒子群优化算法进行优化，通过对比证明优化后的支持向量机故障识别效果更好。针对支持向量机的泛化能力提升问题，引入多核学习支持向量机，采用线性组合的方式将具有全局性和局部性能的核函数进行整合。通过对比证明多核支持向量机不仅能够更出色的完成诊断任务，而且比单核情况下有更高的推广能力。
【关键词】：分形理论 多重分形 分形维数 支持向量机 多核支持向量机 故障诊断 齿轮箱
【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】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-10
• 1. 绪论10-16
• 1.1 齿轮箱故障诊断的意义及研究现状10-13
• 1.1.1 齿轮箱故障诊断的研究意义10-11
• 1.1.2 齿轮箱故障诊断的国内外研究现状11-13
• 1.2 分形理论和支持向量机在齿轮箱故障诊断中的应用现状13-15
• 1.2.1 分形理论在齿轮箱故障诊断中的应用现状13-14
• 1.2.2 支持向量机在齿轮箱故障诊断中的应用现状14-15
• 1.3 本文主要工作内容15-16
• 2. 齿轮箱故障机理研究与实验设计16-30
• 2.1 齿轮振动机理16-19
• 2.1.1 齿轮啮合简化振动模型16-17
• 2.1.2 齿轮啮合刚度17-19
• 2.2 齿轮箱主要故障形式19-23
• 2.2.1 齿轮箱失效的原因19-21
• 2.2.2 齿轮箱主要的失效形式21-23
• 2.3 齿轮箱故障实验23-28
• 2.3.1 实验平台介绍24-26
• 2.3.2 齿轮箱故障实验故障设置26-28
• 2.4 齿轮箱故障数据采集28-29
• 2.5 本章小结29-30
• 3. 分形理论的研究及应用30-45
• 3.1 分形理论概述30-31
• 3.2 分形理论的性质31-33
• 3.2.1 分形自相似性31
• 3.2.2 分形的无标度性31-33
• 3.3 分形维数33-38
• 3.3.1 盒维数35
• 3.3.2 信息维数35-36
• 3.3.3 Hausdorff 维数36-37
• 3.3.4 关联维数37-38
• 3.3.5 网格维数38
• 3.4 分形滤波38-42
• 3.4.1 模糊控制滤波原理39-40
• 3.4.2 短时分维的计算方法40-41
• 3.4.3 分形滤波参数的确定41-42
• 3.5 分形理论在滤波中的应用42-44
• 3.6 本章小结44-45
• 4. 多重分形的齿轮箱故障特征提取45-53
• 4.1 多重分形的模型和计算方法45-47
• 4.2 齿轮箱故障的多重分形特征提取47-52
• 4.2.1 多重分形谱的计算流程47-48
• 4.2.2 计算多重分形谱时的参数优选48-49
• 4.2.3 齿轮箱故障的多重分形特征提取49-52
• 4.3 本章小结52-53
• 5. 基于支持向量机的齿轮箱智能故障识别53-77
• 5.1 支持向量机原理53-55
• 5.2 支持向量机55-59
• 5.2.1 最优化分类超平面55-57
• 5.2.2 核函数以及核函数参数选择57-59
• 5.3 支持向量机在齿轮箱故障诊断中的应用59-76
• 5.3.1 基本支持向量机齿轮箱故障识别59-61
• 5.3.2 基于粒子群参数优化的支持向量机故障识别61-65
• 5.3.3 基于多核学习的支持向量机故障诊断65-76
• 5.4 本章小结76-77
• 6. 总结与展望77-79
• 6.1 总结77
• 6.2 展望77-79
• 参考文献79-86
• 攻读硕士学位期间发表的论文86-87
• 致谢87-88

【参考文献】

中国期刊全文数据库 前10条

1 潘明清,周晓军,杨辰龙,庞茂;基于信息谱熵的支持向量机机械状态识别[J];传感技术学报;2005年02期

2 孙博玲;分形维数(Fractal dimension)及其测量方法[J];东北林业大学学报;2004年03期

3 潘宏侠;马清峰;;Research on Gear-box Fault Diagnosis Method Based on Adjusting-learning-rate PSO Neural Network[J];Journal of DongHua University;2006年06期

4 方科;黄元亮;刘新东;;基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型[J];电力自动化设备;2011年03期

5 张朝晖,黄惟一;振动波形的分形判别及特征提取[J];东南大学学报;1999年04期

6 石志标;宋全刚;马明钊;李祺;;基于改进粒子群优化支持向量机的汽轮机组故障诊断[J];动力工程学报;2012年06期

7 费胜巍;苗玉彬;刘成良;张晓斌;;基于粒子群优化支持向量机的变压器故障诊断[J];高电压技术;2009年03期

8 刘占生,刘成敏,刘树春,范显峰,唐炳照;小波分析和分形几何在转子动静碰摩故障诊断中的应用[J];哈尔滨工业大学学报;1999年01期

9 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

10 潘宏侠;黄晋英;毛鸿伟;魏秀业;;粒子群优化技术用于故障诊断中的测点优化配置研究[J];火炮发射与控制学报;2008年02期

中国博士学位论文全文数据库 前2条

1 彭富强;多尺度线调频基稀疏信号分解及其在齿轮箱故障诊断中的应用[D];湖南大学;2010年

2 邹明清;分形理论的若干应用[D];华中科技大学;2007年

本文编号：687219