行星齿轮退化状态识别方法研究

摘要

制造业是国民经济的主体，是立国之本。在我国经济发展进入新常态之际，制造业发展面临新挑战，其未来发展方向是信息技术与制造技术的深度融合，这就意味着机电设备未来将向智能化发展。而行星齿轮作为机电装备传动系统中重要组成部分，是机电装备主要保养维护的部件之一。为防止齿轮从正常状态退化至严重状态，造成严重的后果，因此研究行星齿轮退化状态识别方法就具有重要的现实意义。 行星齿轮传动是一种较为复杂的齿轮传动，且常处在较为恶劣，复杂的工作环境中，所以行星齿轮振动信号分析相比定轴齿轮信号分析更为复杂。由于行星齿轮啮合所产生的振动信号一般具有非平稳非线性的特点，且同种故障发生退化时经历的各种退化状态特征差异较小，导致行星齿轮退化状态识别准确率不高。因此，本文以行星齿轮太阳轮为研究对象，研究一种可以准确识别行星齿轮退化状态的方法，主要研究内容如下： (1)首先介绍了传统的离散小波分析(DiscreteWaveletTransform,DWT)信号处理方法，进而引出了小波分析依赖小波基的选择，不具有自适应性的缺点。然后介绍了一种具有自适应时频分析的经验模态分解(Empirical Mode Decomposition,EMD)方法，且EMD可对非线性非平稳振动信号的做信号分析。但是EMD在分解过程中存在模态混叠和端点效应问题。进一步，针对模态混叠问题，在EMD基础上的改进算法总体经验模态分解(EnsembleEmpirical Mode Decomposition,EEMD)被提出；针对端点效应问题，局部均值分解(Local Mean Decomposition,LMD)被提出。虽然EEMD和LMD都继承了EMD的自适应性，但是两种算法本质上仍然是递归模式分解。为避免递归分解所导致的分解误差，本文引入了变分模态分解(Variational Mode Decomposition,VMD)分析方法，该方法不但具备良好的自适应性，且能够精确分析出信号中相近频率成分，相比较DWT，EMD，EEMD和LMD等分解方法，更适合处理非线性非平稳的齿轮振动信号。 (2)针对行星齿轮在同一种故障模式不同退化状态之间特征差异较小问题，本文提出一种基于VMD-多角度特征融合的行星齿轮退化状态的特征提取方法。基于行星齿轮综合模拟实验台采集不同退化状太阳轮振动信号，通过VMD对不同退化状态的太阳轮振动信号进行信号分析，然后采用多尺度模糊熵，能量熵和边际谱频带能量特征提取方法，提取不同退化状态齿轮在时频域、时域和频域的特征信息，三个角度的特征中都包含特征差异较大特征信息。最后，将这三个角度所提取的特征向量融合成一个从多角度反映退化行星齿轮的高维特征向量，实现退化齿轮特征的全面提取。 (3)针对高维特征向量的可能造成分类器识别在训练过程中可能出现过度拟合问题，引入局部降维算法对高维特征数据集进行维数约简。本文分别采用局部保持投影(Locality Preserving Projections,LPP)，Hessian局部线性嵌入算法(Hessian Locally Linear Embedding,HLLE)和线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)三种局部降维方法，对基于VMD-多角度特征融合所提取的高维特征进行降维处理得到低维特征。通过ANFIS对低维行星轮退化特征进行模式识别，通过定量分析选择识别精度最高所对应的降维方法应用于行星齿轮退化状态识别。 (4)为了提高行星齿轮退化状态的识别效果，采用粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)的惩罚因子和核参数进行优化，将其作为分类器对所选的局部降维方法降维得到的行星齿轮低维特征进行模态识别。同时，采用通过核极限学习机(KernelExtreme Learning Machine,KELM)对降维后的行星齿轮退化特征向量进行状态识别。并对比两种识别算法的识别率，寻求识别效果更优的分类器用于行星齿轮退化状态识别。最终，通过分析发现基于VMD-多角度特征融合-LLTSA和PSO-SVM的行星齿轮退化状态识别方法能够更准确的识别太阳轮不同退化状态。 本文最后对所研究内容做了总结，并对相关技术研究进行了展望。

目录

声明

致谢

变量注释表

1 绪论

1.1.1 课题来源

1.1.2 课题研究目的与意义

1.2.1 振动信号特征提取研究现状

1.2.2 高维数据维数约简方法研究现状

1.2.2退化状态识别技术研究现状

1.3 论文研究内容与章节安排

2 振动信号的分析方法研究

2.1 引言

2.2.1 DWT的基本原理

2.2.2 常用小波基及其性质分析

2.3 经验模态分解、总体经验模态分解和局部均值分解

2.3.1 EMD基本原理及其问题

2.3.2 EEMD的基本原理

2.3.3 LMD的基本原理

2.4 变分模态分解

2.4.1 VMD基本原理

2.4.2 VMD算法参数设定

2.5 DWT、EMD、EEMD、LMD、和 VMD 的对比分析

2.6 本章小结

3退化行星齿轮振动信号的特征提取

3.1 引言

3.2.1 多尺度模糊熵基本原理

3.2.2 能量熵基本原理

3.2.3 边际谱频带能量基本原理

3.3 行星齿轮故障综合模拟试验台及退化实验

3.4 基于 VMD-多角度特征融合的退化行星齿轮特征提取

3.5 本章小结

4 退化行星齿轮高维特征的局部降维

4.1 引言

4.2.1 LPP降维方法

4.2.2 HLLE降维方法

4.2.3 LLTSA降维方法

4.3 本征维数估计和邻域参数的选 择

4.4 基于局部降维的对比分析

4.5 本章小结

5 行星齿轮退化状态模式识别研究

5.1 引言

5.2 粒子群优化的支持向量机的模式识别测试

5.2.1 SVM的模式识别基本原理

5.2.2 粒子群优化的支持向量机

5.2.3 基于VMD-多角度特征融合-LLTSA和PSO-SVM的行星齿轮退化状态识别

5.3核极限学习机的模式识别测试

5.3.1 KELM的基本原理

5.3.2基于VMD-多角度特征融合-LLTSA和KELM的行星齿轮退化状态识别

5.5 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集