基于变分模态分解的船用齿轮箱故障诊断研究

摘要

近几年随着我国海洋发展战略——走向深蓝的提出，船舶作为海上重要的交通工具，其重要性日益突出。因此，船舶行业对船舶设备的安全稳定性提出了更高的要求。齿轮箱作为船舶机械设备的重要传动装置，其运行状态已经成为整个机械设备运行良好程度的重要指标。如果能及时掌握齿轮箱的运行状态并且判断齿轮箱的故障类型就能有效的减少事故的发生，并为后期维护与检修提供一定的理论指导。因此，船用齿轮箱的故障诊断已经成为船舶发展中的重要研究方向之一。 本文以齿轮箱为研究对象，采用变分模态分解（VMD）和深度置信网络的方法对齿轮故障进行诊断。本文的主要内容如下： 1）介绍了齿轮的常见故障及产生的原因，研究了齿轮的振动机理。针对经验模态分解（EMD）和集合经验模态分解（EEMD）存在的问题，引入变分模态分解的方法。根据VMD分解的原理和步骤，总结了VMD分解的特点。并通过对仿真信号的分解研究，结果表明VMD分解效果优于EMD和EEMD。 2）设计了基于LABVIEW的振动数据采集系统。在齿轮箱实验台上进行了齿轮故障模拟实验，采集了大量的状态数据，为后续的研究提供数据支持。 3）通过对VMD分解参数（模态个数、二次惩罚因子）对分解结果影响的分析，提出了一种比较合理的VMD参数选择方法。使用VMD对齿轮故障信号进行了分解，得到了齿轮在不同故障下被分解后所得模态的特征，并分析了模态特征的实际物理意义。 4）提出一种基于深度置信网络（DBN）和变分模态分解（VMD）的齿轮故障诊断方法。经研究证明，VMD能有效的对原始振动信号去噪，提取频谱特征，使频谱特征明显化，使数据特征更容易被DBN所学习；而DBN能自学习处理后的频谱特征，较好的把齿轮各状态数据进行分类。两种方法的结合不仅能自动识别齿轮的故障类型，还提升了齿轮故障的识别率。

目录

声明

第1章 绪 论

1.1 研究背景

1.2 研究目的和意义

1.3 国内外研究现状与分析

1.4 本文组织和结构

第2章 齿轮常见故障及VMD分析方法

2.1 齿轮常见故障与振动机理

2.2 VMD分析方法

2.3 VMD与EMD、EEMD分解效果对比

2.4 本章小结

第3章 齿轮故障实验数据采集

3.1 实验台架构成与主要参数

3.2 故障模拟与测点布置

3.3 实验数据采集系统设计

3.4 实验数据采集及整理

3.5 本章小结

第4章 基于VMD的齿轮故障数据分析

4.1 VMD参数对分解结果的影响

4.2 VMD参数选择方法研究

4.3 实验数据分析

4.4 本章小结

第5章 基于VMD和DBN的齿轮故障识别

5.1 深度学习理论

5.2 受限玻尔兹曼机与深度置信网络

5.3 基于DBN故障数据分类

5.4 本章小结

第6章 总结和展望

6.1 总结

6.2 展望

致谢

参考文献

攻读学位期间获得与学位论文相关的科研成果