基于波谱模式的齿轮箱故障智能诊断

发布时间：2017-08-20 13:35

  本文关键词：基于波谱模式的齿轮箱故障智能诊断

  更多相关文章： 齿轮箱 故障诊断 振动信号 特征提取 主元分析 神经网络

【摘要】：本文采用齿轮箱振动信号的量化特征进行齿轮箱的状态分析,提取了常用的时域波形的统计特征、频谱分布的统计特征和小波包频带能量分布特征。齿轮箱的振动信号是由于多种因素的影响,具有高度的非线性,因而显得复杂和不规则的。时域、频域特征参数由于计算方法比较简单直接,物理意义十分明确,但对于齿轮箱的非线性振动信号仍有不足之处。分形分析可通过对非线性的信号进行分析,从中寻求可以揭示其不规则性的复杂现象所蕴含的规律；以整体与局部的自相似性为手段,通过认识局部来映像整体,或通过认识整体进而深化对局部的了解。本文在分析振动信号的去波动趋势多重分形方法的实现过程的基础上,针对多重分形参数的分布特征,构造了基于多重分形参数的振动信号特征指标,使得信号的非线性特征更加充分有效的利用。 特征数据集多个维度的指标参数反映振动信号所包含的信息。同一个特征集内的特征指标间不可避免的会出现对振动信号所包含信息敏感度、显著性的差异,而且不同指标之间还存在一定的相关性。对此本文在介绍主元分析和核主元分析的基本原理和实现过程的基础上,对比研究了两种分析方法在振动信号特征数据分析方面的性能。为了综合利用时域频域统计特征、频带能量特征和多重分形特征,本文还利用主元分析与核主元分析将三种特征集进行融合,提取综合三种特征的振动信号特征主元,相对与单方面的特征主元,包含更多的信息,有利于提高齿轮箱运行状态分析的准确率。 本文采用BP神经网络对特征数据分布模式和齿轮箱的运行状态进行学习。对比研究了单一特征数据和融合特征数据训练得到神经网络的性能差异。同时针对BP神经网络固有的收敛慢、易陷入局部最优的缺陷,对比研究多种改进方法来提升单个神经网络的性能,并采用多个神经网络集成的方法,进一步提高神经网络在齿轮箱故障诊断中性能的稳定性和准确率。
【关键词】：齿轮箱 故障诊断 振动信号 特征提取 主元分析 神经网络
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-13
• 1.1 课题的研究背景及意义9
• 1.2 齿轮箱故障诊断研究现状9-11
• 1.2.1 齿轮箱振动信号处理9-10
• 1.2.2 齿轮箱振动信号处理特征提取10
• 1.2.3 特征数据处理10-11
• 1.2.4 特征数据的分类与识别11
• 1.3 本论文的主要研究内容和总体结构11-13
• 第2章 齿轮箱振动信号特征提取13-26
• 2.1 齿轮箱振动信号数据预处理13-15
• 2.1.1 齿轮箱数据介绍13
• 2.1.2 振动信号的消除多项式趋势项和平滑处理13-15
• 2.2 振动信号的特征提取15-24
• 2.2.1 振动信号的时域和频域统计指标15-17
• 2.2.1.1 时域特征参数16-17
• 2.2.1.2 频域特征参数17
• 2.2.2 基于小波包分解的振动信号特征提取17-20
• 2.2.2.1 小波包频带分解原理17-18
• 2.2.2.2 频带能量特征提取原理18-19
• 2.2.2.3 小波包分解提取频带能量19-20
• 2.2.3 振动信号的多重分形特征20-24
• 2.2.3.1 多重分形定义20
• 2.2.3.2 多重分形过程20-21
• 2.2.3.3 广义Hurst指数的估计21-23
• 2.2.3.4 振动信号的多重分形分析23-24
• 2.3 小结24-26
• 第3章 振动信号的特征数据分析26-41
• 3.1 主元分析26-28
• 3.1.1 主元分析的基本原理26-27
• 3.1.2 主元分析的实现步骤27-28
• 3.2 核主元分析28-30
• 3.2.1 基于核主元分析的基本原理28-29
• 3.2.2 基于核主元分析的实现步骤29-30
• 3.3 齿轮箱振动信号特征主元分析与核主元分析30-36
• 3.4 基于主元分析和核主元分析的特征融合36-40
• 3.5 本章小结40-41
• 第4章 BP神经网络的改进及其在齿轮箱故障诊断中的应用41-51
• 4.1 BP神经网络原理41-43
• 4.1.1 BP网络的前馈计算42-43
• 4.1.2 BP网络的权系数调整规则43
• 4.1.3 隐含层节点数43
• 4.2 基于BP神经网络的齿轮箱振动信号特征数据评价与分析43-45
• 4.3 BP神经网络改进方法在齿轮箱故障诊断中的对比研究45-50
• 4.3.1 启发式学习技术及其应用46
• 4.3.2 数字优化计算技术及其应用46-47
• 4.3.3 智能搜索技术及其应用47-49
• 4.3.4 神经网络集成技术及其应用49-50
• 4.4 本章小结50-51
• 第5章 总结与展望51-53
• 参考文献53-58
• 攻读硕士学位期间发表的论文58-59
• 致谢59

【参考文献】

中国期刊全文数据库 前10条

1 李志农;王心怡;张新广;;基于核函数主元分析的滚动轴承故障模式识别方法[J];轴承;2008年06期

2 费成巍;柏树生;白广忱;艾延廷;;转子振动故障的过程功率谱熵特征分析与定量诊断[J];航空发动机;2011年01期

3 蒋宇;曹磊;;基于小波包分析的齿轮箱故障诊断研究[J];黄山学院学报;2012年03期

4 周志华,陈世福;神经网络集成[J];计算机学报;2002年01期

5 艾永冠;朱卫东;闫冬;;基于PSO-BP神经网络的股市预测模型[J];计算机应用;2008年S2期

6 骆江锋;龙江启;范进桢;;小波包和BP神经网络在齿轮箱故障诊断中的应用[J];机械传动;2007年03期

7 程加堂;熊伟;艾莉;;齿轮箱故障诊断灰色神经网络模型的研究[J];机械传动;2010年10期

8 明廷锋;姚晓山;张永祥;;齿轮裂纹声发射检测模拟实验研究[J];煤矿机械;2009年06期

9 张军;陆森林;和卫星;王以顺;李天博;;基于小波包能量法的滚动轴承故障诊断[J];农业机械学报;2007年10期

10 张明慧;金凤;;基于GA优化BP神经网络变压器故障诊断的研究[J];煤矿机械;2012年08期

，

本文编号：706948