基于EMD谱峭度和支持向量机的齿轮箱故障诊断

发布时间：2017-09-30 14:14

  本文关键词：基于EMD谱峭度和支持向量机的齿轮箱故障诊断

  更多相关文章： 齿轮箱 经验模态分解(EMD) 端点效应 谱峭度 支持向量机

【摘要】：现在齿轮箱已经被广泛地应用于工程实际中，在传递动力和改变速度方面表现出了优越的性能。但其也是一种容易经常出现故障的机械设备，一旦齿轮箱上的某个零部件出现异常而没有得到及时的维修，将可能导致整个生产线的不能正常运行进而影响最终产品的质量，所以对齿轮箱故障进行诊断分析研究是非常有必要的。 本文首先对ZS-65型齿轮箱的基本结构及其振动机理进行了详细介绍，其中包括外圈、内圈、保持架、滚动体和轮齿的常见失效形式以及对应的信号分析诊断方法。在去噪方面采用了小波包分解的方法有效地对信号进行了去噪处理。 其次，对经验模式分解(EMD)进行了深入的研究，并就其分解过程中出现的端点效应问题提出了一种新的抑制方法，即采用AR模型预测对数据进行延拓和窗函数法结合的办法对信号的端点效应进行了有效的抑制，，进而为后续信号的处理提高了精度。为了能够找到含有故障信息的IMF分量，引入了谱峭度这个参数，并且将EMD和谱峭度有效的结合起来提取出了齿轮箱各种工况的特征频率，取得了理想的效果。 最后，运用支持向量机对重构信号经过提取特征向量并且归一化处理后的信号进行了模式识别并分类，取得了不错的效果，充分验证了采用EMD和谱峭度二者结合起来提取故障特征向量的实效性，很好的对齿轮箱的各种工况进行了分类。
【关键词】：齿轮箱 经验模态分解(EMD) 端点效应 谱峭度 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】：2014
【分类号】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-6
• 目录6-9
• 1 绪论9-16
• 1.1 齿轮箱故障诊断研究的背景意义、主要目的和相关内容9-12
• 1.1.1 齿轮箱故障诊断研究的背景和意义9-10
• 1.1.2 齿轮箱故障诊断研究的主要目的10
• 1.1.3 齿轮箱故障诊断研究的主要相关内容10-12
• 1.2 齿轮箱故障诊断研究的主要相关技术12-15
• 1.2.1 数字信号的时频域处理技术12-13
• 1.2.2 数字信号的经验模式分解（EMD）13
• 1.2.3 谱峭度概念及由来13-14
• 1.2.4 齿轮箱故障诊断的模式识别14-15
• 1.3 本论文的的主要研究内容及结构15-16
• 2 齿轮箱故障特点分析16-27
• 2.1 引言16
• 2.2 齿轮箱中的各种部件及其失效形式16-19
• 2.2.1 齿轮箱中齿轮的失效形式17-18
• 2.2.2 齿轮箱中滚动轴承的失效形式18-19
• 2.3 齿轮箱中齿轮的振动机理19-21
• 2.3.1 齿轮箱中齿轮的基本参数19-20
• 2.3.2 齿轮箱中齿轮的振动模型20-21
• 2.4 齿轮箱中滚动轴承的振动机理21-24
• 2.4.1 齿轮箱中滚动轴承的基本参数21-23
• 2.4.2 齿轮箱中滚动轴承的振动特征23-24
• 2.5 齿轮箱中故障信号的分析方法24-26
• 2.5.1 齿轮箱中轮齿故障信号的分析方法25
• 2.5.2 齿轮箱中滚动轴承故障信号的分析方法25-26
• 2.6 本章小结26-27
• 3 经验模式分解（EMD）方法的研究27-48
• 3.1 引言27
• 3.2 经验模式分解（EMD）方法的基本内容27-33
• 3.2.1 瞬时频率的概念28-29
• 3.2.2 本征模态函数（IMF）29
• 3.2.3 经验模式分解（EMD）方法信号处理过程29-31
• 3.2.4 经验模式分解（EMD）的主要性质31-32
• 3.2.5 经验模式分解（EMD）的仿真模拟32-33
• 3.3 （EMD）方法分解过程中的端点效应问题33-43
• 3.3.1 端点效应的产生机理33-35
• 3.3.2 端点效应的抑制方法35-36
• 3.3.3 基于 AR 模型预测的数据延拓和窗函数相结合的端点效应抑制法36-43
• 3.4 端点效应现象的实例分析43-45
• 3.5 模态混合现象45-47
• 3.6 本章小结47-48
• 4 基于 EMD 和谱峭度的齿轮箱故障分析48-71
• 4.1 引言48
• 4.2 谱峭度概念48-49
• 4.2.1 谱峭度的定义及数学表达式49
• 4.3 数据预处理49-53
• 4.3.1 异常点和趋势项的去除50-51
• 4.3.2 信号的小波包去噪51-53
• 4.4 齿轮箱故障诊断实验步骤53-58
• 4.4.1 齿轮箱故障诊断实验设备及系统53-54
• 4.4.2 实验设备54-55
• 4.4.3 齿轮箱上传感器的安装位置及各种故障设置55-56
• 4.4.4 齿轮箱各个部件的参数56-58
• 4.5 EMD 和谱峭度相结合的齿轮箱故障诊断58-70
• 4.5.1 正常信号的的分析59-60
• 4.5.2 齿面磨损的信号分析60-62
• 4.5.3 滚动体磨损故障的信号分析62-65
• 4.5.4 外圈凹坑故障的信号分析65-67
• 4.5.5 保持架断裂故障的信号分析67-70
• 4.6 本章小结70-71
• 5 基于支持向量机的故障模式识别验证71-82
• 5.1 概述71
• 5.2 统计学习理论71-74
• 5.2.1 机器学习问题71-72
• 5.2.2 VC 维72
• 5.2.3 推广性的界72-73
• 5.2.4 结构风险最小化原则73-74
• 5.3 支持向量机74-77
• 5.3.1 最优分类超平面74-76
• 5.3.2 核函数76-77
• 5.4 实例分析77-81
• 5.5 本章小结81-82
• 6 总结与展望82-84
• 6.1 总结82
• 6.2 展望82-84
• 参考文献84-89
• 攻读硕士期间发表的论文及所取得的研究成果89-90
• 致谢90-91

【参考文献】

中国期刊全文数据库 前10条

1 魏秀业;潘宏侠;;齿轮箱故障诊断技术现状及展望[J];测试技术学报;2006年04期

2 刘晓娟;潘宏侠;;基于EMD分解和支持向量机的齿轮箱故障诊断与研究[J];柴油机设计与制造;2011年03期

3 程军圣,于德介,杨宇;基于EMD的信号瞬时特征的小波分析方法[J];地震工程与工程振动;2004年02期

4 樊长博;张来斌;王朝晖;冀树德;;基于EMD与功率谱分析的滚动轴承故障诊断方法研究[J];机械强度;2006年04期

5 祝晓燕;张金会;何政军;朱霄s

本文编号：948647