基于独立分量分析的齿轮箱故障诊断研究
齿轮箱论文 故障诊断论文 独立分量分析论文 特征提取论文 小波分析论文 支持向量机论文
论文详情
对齿轮箱进行故障诊断具有特别重要的意义,因为它是机械设备中一个重要的组成部分。本文通过在实验室状态对齿轮箱常见故障进行模拟,以基于动态因子和线性递减惯性权重的粒子群算法优化的独立分量分析(ICA)方法对测取的故障信号进行预处理,再利用小波包分析获取能量特征值,最后利用支持向量机(SVM)的方法对齿轮箱故障状态进行识别,收到了较好的效果。近年来迅速发展起来的基于盲信号处理的独立分量分析技术提供了一种全新的信号分离与特征提取思路,在故障诊断领域已有了相关的初步研究。本文介绍了独立分量分析的基本原理和理论,在研究ICA算法的基础上,提出了一种基于动态因子和线性递减惯性权重的粒子群算法(WCPSO)与非线性ICA结合进行信号分离的算法。通过三类仿真信号验证了该算法在信号分析中的有效性。在实践部分将ICA方法应用于实验室提取的齿轮箱故障信号,利用基于WCPSO算法的非线性ICA分析方法对实验室测取的齿轮箱故障信号进行了分离,分离结果表明,经ICA分解后故障信息明显增强,实现了齿轮箱故障信号的初步诊断。然后对分离后的信号利用小波包进行四层分解,获取了十六个频段的能量特征,将特征值输入到支持向量机(SVM)中对齿轮箱故障状态进行识别,结果表明,本文的方法使故障诊断的精度是比较理想的。本文还将不同特征提取和分类方法的诊断结果进行了比对,分析表明,本文所采用的方法的故障诊断精度得到较大提高。
摘要 | 第4-5页 |
Abstract | 第5页 |
1 绪论 | 第9-17页 |
1.1 齿轮箱故障诊断的重要意义 | 第9-10页 |
1.2 齿轮箱诊断技术概述 | 第10-11页 |
1.3 小波分析方法在齿轮箱故障诊断中的应用现状 | 第11-12页 |
1.4 独立分量分析方法在故障诊断中的应用现状 | 第12-14页 |
1.5 论文研究的主要内容 | 第14-16页 |
1.5.1 本文的研究内容及采用的技术路线 | 第14-15页 |
1.5.2 本文结构 | 第15-16页 |
1.6 本章小结 | 第16-17页 |
2 齿轮箱故障振动源及特征分析 | 第17-27页 |
2.1 齿轮的故障机理和信号特征 | 第17-22页 |
2.1.1 齿轮振动模型 | 第17-19页 |
2.1.2 齿轮常见故障 | 第19-20页 |
2.1.3 齿轮故障振动信号特征 | 第20-22页 |
2.2 滚动轴承的故障类型和信号特征 | 第22-24页 |
2.2.1 滚动轴承的故障类型 | 第22页 |
2.2.2 滚动轴承振动信号模型 | 第22-24页 |
2.3 轴的故障类型和振动信号特征 | 第24-25页 |
2.4 本章小结 | 第25-27页 |
3 小波变换和独立分量分析的理论和方法 | 第27-46页 |
3.1 小波变换分析方法 | 第27-34页 |
3.1.1 连续小波变换 | 第27-29页 |
3.1.2 离散小波变换和多分辨率分析 | 第29-31页 |
3.1.3 小波包分析 | 第31-33页 |
3.1.4 小波分析应用举例——小波消噪分析 | 第33-34页 |
3.2 独立分量分析的基础理论 | 第34-45页 |
3.2.1 ICA 的基本模型 | 第34-35页 |
3.2.2 ICA 问题的假设条件和不确定性 | 第35-38页 |
3.2.3 性能评价标准 | 第38-39页 |
3.2.4 预处理过程 | 第39-40页 |
3.2.5 独立分量分析的算法 | 第40-42页 |
3.2.6 独立性判据 | 第42-45页 |
3.3 本章小结 | 第45-46页 |
4 基于一种改进粒子群的非线性盲分离算法 | 第46-61页 |
4.1 非线性信号盲分离模型 | 第46-47页 |
4.2 粒子群算法 | 第47-51页 |
4.2.1 算法的背景 | 第47-48页 |
4.2.2 算法原理 | 第48-50页 |
4.2.3 基于动态因子和线性递减惯性权重的粒子群算法 | 第50-51页 |
4.3 基于改进粒子群的独立分量分析算法 | 第51-54页 |
4.3.1 算法改进的依据 | 第51-52页 |
4.3.2 算法改进的原理和过程 | 第52-54页 |
4.4 仿真实验研究 | 第54-60页 |
4.4.1 基于 ICA 的简单信号混叠的仿真分析 | 第54-56页 |
4.4.2 基于 ICA 的齿轮箱典型故障信号仿真分析 | 第56-58页 |
4.4.3 结合小波包的齿轮箱信号 ICA 仿真分析的一些研究 | 第58-60页 |
4.5 本章小结 | 第60-61页 |
5 齿轮箱实验数据采集及数据分析 | 第61-79页 |
5.1 实验设备与故障类型 | 第61-63页 |
5.2 齿轮箱振动信号的数据分析 | 第63-78页 |
5.2.1 齿轮箱振动信号的盲源分离 | 第63-72页 |
5.2.2 小波包故障特征提取 | 第72-73页 |
5.2.3 基于支持向量机的故障分类 | 第73-78页 |
5.2.4 算法效果比较 | 第78页 |
5.3 本章小结 | 第78-79页 |
6 总结与展望 | 第79-81页 |
6.1 全文总结 | 第79-80页 |
6.2 未来展望 | 第80-81页 |
参考文献 | 第81-86页 |
攻读硕士期间发表的论文及所取得的研究成果 | 第86-87页 |
致谢 | 第87页 |
论文购买
论文编号
ABS554270,这篇论文共87页
会员购买按0.30元/页下载,共需支付
26.1。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
43.5。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文