基于粒子滤波方法的齿轮箱故障诊断技术

发布时间：2017-09-19 02:00

  本文关键词：基于粒子滤波方法的齿轮箱故障诊断技术

  更多相关文章： 齿轮箱 故障诊断 UPF粒子滤波 状态估计 支持向量机

【摘要】：齿轮箱在机械传动的各个领域中应用十分广泛，，因此对齿轮箱进行故障状态监测和故障诊断具有重大的现实意义。齿轮箱的状态是通过测量齿轮箱振动加速度信号来反映的，然而实际采集到的齿轮箱振动信号往往是非平稳的，而且大量的故障信息往往被背景噪声所淹没，因此对齿轮箱故障诊断时进行滤波降噪处理就很有必要。 粒子滤波凭借其对非线性、非高斯信号的处理能力，在齿轮箱故障诊断的信号降噪处理上得到了广泛应用。UPF粒子滤波由于其由UKF产生的重要性密度函数与真实状态的概率密度函数的支集重叠部分更大，估计的精度更高、更准确，因此文中运用UPF粒子滤波降噪。 文中提出了一种对采集的振动信号平稳化的方法，该方法不仅可以使时间序列符合建模平稳性的要求，还可以达到信号初降噪的目的。首先对振动信号进行EMD分解，然后将高频IMF分量采用小波阈值降噪预处理，最后选择高频小波阈值降噪后的IMF与部分低频的IMF进行重构。 文中选择建立信号的AR模型，并依据时间序列的自相关函数和偏相关函数的统计特性验证了AR模型的合理性。运用FPE准则、BIC准则和AIC准则进行AR模型阶数辨识，同时采用三种定阶准则可以使阶数确定更加合理准确。应用最小二乘法对AR模型的参数进行估计计算，确定AR模型相应参数。 最后利用所建立的信号AR模型转化为系统内部空间模型，并确定模型的相应参数，运用UPF对实验数据进行降噪处理。 结合上述理论分析，运用UPF粒子滤波技术对实验室采集的齿轮箱振动加速度信号进行降噪，通过对滤波前后时域曲线以及信号特征参量的对比，可以发现滤波后的信号效果比较理想。文中分别提取齿轮箱滤波前后的特征值，然后将特征值分别输入到支持向量机（SVM）中进行齿轮箱的故障识别，结果表明经过UPF滤波后的测试样本准确率较高，UPF具有很好的滤波效果。
【关键词】：齿轮箱 故障诊断 UPF粒子滤波 状态估计 支持向量机
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3;TH132.4
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-16
• 1.1 课题研究背景及意义概述10-11
• 1.1.1 课题来源10
• 1.1.2 选题背景及意义10-11
• 1.2 齿轮箱故障诊断技术及其发展现状11-13
• 1.2.1 故障诊断起源和发展现状概述11
• 1.2.2 齿轮箱故障诊断技术11-13
• 1.3 粒子滤波理论及其发展应用13-14
• 1.3.1 粒子滤波理论及其发展13-14
• 1.3.2 粒子滤波及其在故障诊断中的应用14
• 1.4 本论文主要的工作安排如下14-16
• 2 齿轮箱故障原理和特征信号分析16-26
• 2.1 齿轮典型故障及其原因分析16-17
• 2.1.1 齿轮典型故障16-17
• 2.1.2 齿轮典型故障原因分析17
• 2.2 轴承常见故障类型及其原因分析17-18
• 2.3 齿轮振动原理分析及其信号特征18-20
• 2.3.1 齿轮振动原理分析18-19
• 2.3.2 齿轮故障信号的特征19-20
• 2.4. 滚动轴承的振动原理及其信号特征20-22
• 2.4.1 滚动轴承的结构20
• 2.4.2 滚动轴承的振动原理20-21
• 2.4.3 滚动轴承的信号特点21-22
• 2.5 齿轮箱故障诊断的信号处理方法22-25
• 2.5.1 信号的时域分析22-24
• 2.5.2 信号的频域分析24-25
• 2.5.3 信号的时频分析25
• 2.6 本章小结25-26
• 3 粒子滤波原理26-37
• 3.1 粒子滤波基础26-28
• 3.1.1 贝叶斯估计应用到动态空间模型26-27
• 3.1.2 蒙特卡罗积分方法27-28
• 3.2 重要性采样和序列重要性采样28-29
• 3.3 粒子匮乏与重采样算法29-30
• 3.4 不敏粒子滤波算法（UPF）30-31
• 3.5 改进粒子滤波算法状态估计仿真例证31-34
• 3.6 粒子滤波降噪实验仿真34-36
• 3.7 本章小结36-37
• 4. 粒子滤波在齿轮箱故障诊断中的应用37-62
• 4.1 实验装置和仪器37-39
• 4.1.1 实验装置的组成37-38
• 4.1.2 实验仪器设备的规格38-39
• 4.2 实验总体规划39-42
• 4.2.1 测点的位置的布置39-40
• 4.2.2 齿轮箱故障类型的设置40-42
• 4.3 实验振动信号的采集分析42-43
• 4.4 实验数据的平稳化与初降噪43-47
• 4.4.1 实验数据的 EMD 分解43-44
• 4.4.2 小波阈值降噪与 IMF 的选择性重构44-47
• 4.5 齿轮箱信号 UPF 降噪处理47-60
• 4.5.1 齿轮箱信号模型的判定47-49
• 4.5.2 AR 信号模型阶数的确定49-54
• 4.5.3 AR 信号模型参数辨识54-55
• 4.5.4 运用 UPF 粒子滤波降噪55-60
• 4.6 本章小结60-62
• 5 基于支持向量机的故障识别62-75
• 5.1 支持向量机概述62-65
• 5.1.1 VC 维62
• 5.1.2 推广性的界62-63
• 5.1.3 结构化风险最小化原则63
• 5.1.4 最优分类超平面63-64
• 5.1.5 支持向量机的分类64-65
• 5.2 支持向量机多分类的应用65
• 5.3 支持向量机齿轮箱故障识别65-70
• 5.3.1 数据的预处理65-69
• 5.3.2 支持向量机分类器的构建和故障识别69-70
• 5.4 滤波前后 SVM 故障识别对比分析70-72
• 5.5 滤波效果的对比72-74
• 5.5.1 SVM 对滤波效果的对比72-73
• 5.5.2 BP 神经网络对滤波效果的对比73-74
• 5.6 本章小结74-75
• 6 总结与展望75-77
• 6.1 总结75-76
• 6.2 展望76-77
• 参考文献77-82
• 攻读硕士期间发表的论文及所取得的研究成果82-83
• 致谢83

【参考文献】

中国期刊全文数据库 前10条

1 赵梅;张三同;朱刚;;辅助粒子滤波算法及仿真举例[J];北京交通大学学报;2006年02期

2 刘卫兵;李志农;蒋静;;基于局域均值分解的滚动轴承故障诊断方法[J];轴承;2009年09期

3 郑小霞,钱锋;动态系统故障诊断技术的研究与发展[J];化工自动化及仪表;2005年04期

4 董言治,刘松涛,尉志苹,沈同圣,周晓东;基于Matlab的时间序列分析和动态数据建模[J];计算机工程;2003年12期

5 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

6 胡士强,敬忠良;粒子滤波算法综述[J];控制与决策;2005年04期

7 莫以为,萧德云;基于粒子滤波算法的混合系统监测与诊断(英文)[J];自动化学报;2003年05期

8 成棣;刘金朝;王成国;;基于Kalman滤波器的故障诊断方法及其在铁道车辆中的应用[J];铁道机车车辆;2007年01期

9 安妮;徐建民;;齿轮箱振动的故障诊断与分析[J];武汉工程大学学报;2011年12期

10 薛涛;和卫星;;小波阈值去噪技术在ECG信号处理中的应用[J];微计算机信息;2007年04期

中国博士学位论文全文数据库 前3条

1 许昕;基于滤波技术和粒子群优化的齿轮箱故障诊断研究[D];中北大学;2011年

2 胡劲松;面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D];浙江大学;2003年

3 魏秀业;基于粒子群优化的齿轮箱智能故障诊断研究[D];中北大学;2009年

中国硕士学位论文全文数据库 前7条

1 王晓斌;基于粒子滤波的齿轮箱故障诊断研究[D];中北大学;2011年

2 刘晓娟;基于希尔伯特—黄变换和支持向量机的齿轮箱故障诊断研究[D];中北大学;2011年

3 孟浩东;基于神经网络和灰色理论的传动箱故障诊断研究[D];中北大学;2005年

4 周梅;虚拟仪器技术在齿轮箱振动分析中的应用研究[D];新疆大学;2006年

5 门吉芳;基于粒子滤波降噪技术的齿轮箱故障诊断研究[D];中北大学;2010年

6 王敏;基于蚁群优化算法的齿轮箱故障诊断研究[D];中北大学;2010年

7 张盈盈;自适应滤波器的研究及其在齿轮箱特征提取中的应用[D];中北大学;2010年

本文编号：878818