基于粒子滤波和小波神经网络的齿轮箱智能检测方法

摘要

齿轮作为齿轮箱中的重要组成零件，它的作用在于改变转速和传输动力。通常由于齿轮箱中的齿轮及其轴承在长期负载运转下遭受疲劳磨损的原因，从而导致齿轮箱在机械设备中是最容易发生故障的机械设备。因此，对齿轮箱采取故障诊断与状态监测的手段，在机械设备正常运转中具有举足轻重的地位。齿轮箱的故障诊断分为两个部分：故障特征信号的提取和故障信号的诊断分类。故障特征信号的提取是指通过信号处理技术将齿轮箱振动信号的故障特征提取出来。故障信号的诊断分类是指通过信号分析技术，识别齿轮箱的故障特征，以达到齿轮箱故障诊断的目的。
　　在信号的降噪滤波方面，小波变换或者小波包变换有着广泛的应用。在提取到的齿轮箱振动信号中，含有大量非高斯、非线性的噪声信号。采用小波变换设定阀值消噪可能会过滤掉有用信号，导致后续的故障诊断结果出现较大的误差。粒子滤波作为一种信号处理技术在滤波降噪方面也具有良好的表现，尤其是在处理非高斯非线性系统问题时该算法的优势更为突出。但由于粒子滤波算法需采用大量的样本粒子数才能很好地近似估计状态系统，而过多的样本粒子数会产生预测误差积累效应，从而导致系统发散。单一采用上述一种信号处理技术可能会产生滤波效果不明显或者有用信号的丢失现象。
　　本文针对齿轮箱振动信号的非线性、信噪比低等特点，首先采用了粒子滤波技术对信号进行预处理。得到了带有少量噪声信号且不失有用信号的一次滤波信号。然后将一次滤波信号通过小波变换并设定软阀值进行二次消噪，得到最终较为理想的消噪信号。通过分析最终滤波信号的信噪比，结果表明结合了两种信号处理技术得到的齿轮振动信号即保留了较多的有用信号又过滤了大量的噪声信号，减小了消噪误差，提高了后处理中神经网络故障分类的成功率。
　　小波神经网络是一种基于小波变换理论的信号分析方法。它的时频局部化特性和多分辨率特性对于提取齿轮振动信号的特征信息具有卓越的优势。本文用小波变换提取了滤波信号中的能量特征值，这些能量特征值能很好的反应出齿轮振动信号的特性，然后建立小波神经网络模型，进行故障状态的分类。训练分类后的结果表明了结合粒子滤波和小波消噪并利用小波变换提取能量特征值的方法，能够完成神经网络的故障分类，达到了课题研究的目的。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究的背景及意义

1.2 齿轮箱的故障诊断

1.3 齿轮箱振动信号的提取及其信号分析

1.4 本文研究的内容及主要思想

第2章 采集齿轮箱振动信号的实验设计

2.1 实验台的搭建

2.2 实验用齿轮箱齿轮的介绍

2.3 缺陷齿轮的设定

2.4 设定齿轮缺陷的等级

2.5 齿轮箱载荷和转速的选取

2.6 设置实验采样频率和采样时间

2.7 实验设计步骤

2.8 本章小结

第3章 粒子滤波去噪算法的研究

3.1 粒子滤波基本原理

3.2 粒子滤波算法

3.3 粒子滤波算法在信号处理中的运用

3.4 粒子滤波算法的相关缺陷

3.5 本章小结

第4章 小波变换理论及其在振动信号中的运用

4.1 小波变换基本理论

4.2 小波消噪基础理论

4.3 小波消噪在齿轮箱振动信号中的应用

4.4 振动信号的特征提取

4.5 本章小结

第5章 小波神经网络的故障状态分类

5.1 小波神经网络基本理论

5.2 特征能量归一化

5.3 故障状态分类

5.4 本章小结

第6章 总结与展望

6.1 本文研究工作总结

6.2 对本研究工作的展望

参考文献

攻读硕士期间已发表的论文

致谢