行星齿轮早期故障诊断及退化状态识别方法研究

摘要

大型复杂机电装备是我国制造业和国防装备发展的重要基础，也是支撑国家综合国力的重要基石之一，随着现代工业技术的飞速发展，大型机电装备日趋向复杂、精密、高效、智能化方向发展。然而，大型机电装备的传动系统时常发生故障，行星齿轮作为传动系统的重要组成部分，是重要的故障源之一。因此，研究行星齿轮早期故障诊断及其退化状态识别技术具有非常重要的理论和现实意义。行星齿轮传动是典型的复杂系统，其振动响应也因此而比传统的定轴齿轮传动变得更为复杂，致使相应的早期故障诊断及退化状态识别问题具有其自身的特点和难点，存在诸如信号具有强非线性、非平稳性的特点和故障响应微弱、特征提取困难以及频率成分复杂等问题。
　　本研究主要内容包括：⑴介绍了经验模态分解(Empirical Mode Decomposition, EMD)方法的基本原理与性质，针对该方法存在模态混叠和端点效应的问题，随后对其改进算法总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)进行了原理的阐述并介绍了其参数的选取原则，EEMD在一定程度上能够克服EMD方法中存在的模态混叠问题，但是由于该算法是一种噪声辅助分析方法，分解得到的本征模态函数(Intrinsic Mode Function, IMF)均存在一定的残余噪声，致使算法具有较大的重构误差。为此，进一步引入了自适应噪声的完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)方法，该方法继承了EMD良好的重构性，并克服了模态混叠的问题，通过对比三种方法发现CEEMDAN更加适用于非线性、非平稳信号的分析处理。⑵针对行星齿轮早期故障比较微弱、不易发现的问题，提出了基于CEEMDAN和排列熵以及基于CEEMDAN和盒维数的行星齿轮早期故障特征提取方法。然后，对支持向量机(Support Vector Machine, SVM)理论进行了研究，发现SVM特别适合处理小样本非线性问题，但其参数对识别结果影响较大、不易确定，而遗传算法具有实现复杂系统优化计算的能力，可以解决SVM参数选取困难的问题，因此，构建了基于遗传算法的SVM参数优选模型。最后，在对振动信号进行CEEMDAN处理的基础上进行特征提取并通过优选参数的SVM实现了行星齿轮早期故障的有效识别。⑶针对行星齿轮不同退化状态的信号之间差异性更小、识别难度更大的问题，提出了基于改进 CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)和线性局部切空间排列(Linear Local Tangent Space Alignment, LLTSA)的退化状态识别方法。尽管CEEMDAN已能很好的处理非线性、非平稳信号，但其分解结果中仍存在一定噪声并含有虚假分量，考虑到退化状态识别不同于故障诊断，故进一步对CEEMDAN方法进行改进，并根据其分解结果提取包括能量、AR参数均值等在内的细节特征，同时联合时域特征共同构建了原始高维特征集合；针对提取的高维特征存在信息冗余、干扰特征等问题，利用LLTSA算法进行维数约简，实现特征融合，进一步区分出行星齿轮不同的退化状态。⑷针对在实际应用中，上述分析过程存在处理不方便、人机交互性差等问题，开发了基于 LabVIEW和MATLAB的行星齿轮早期故障诊断及退化状态识别软件系统。实现了振动信号实时采集与保存、基本分析、早期故障诊断、退化状态识别以及诊断结果存储、查询等功能，该软件平台界面友好、操作方便。

目录

声明

致谢

变量注释表

1 绪论

1.1 课题来源和意义(Project Origin and Significance)

1.2 研究背景与现状(Research Background and Research Status)

1.3 论文研究内容和章节安排（Research Contents and Structures）

2 自适应噪声完备总体经验模态分解方法的研究

2.1 引言(Introduction)

2.2 经验模态分解(Empirical Mode Decomposition)

2.3 总体经验模态分解(Ensemble Empirical Mode Decomposition)

2.4 自适应噪声完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)

2.5 CEEMDAN 与 EMD、EEMD 对比分析（The Comparative Analysis of CEEMDAN and EMD and EEMD）

2.6 本章小结(Chapter Summary)

3 基于CEEMDAN和优化SVM的行星齿轮早期故障诊断方法研究

3.1 引言(Introduction)

3.2 优化的支持向量机(Optimized Support Vector Machine)

3.3 行星齿轮故障综合模拟实验台及早期故障实验(Planetary Gear Fault Comprehensive Simulation Test Bench and Early Fault Test)

3.4 基于CEEMDAN排列熵和优化SVM的行星齿轮早期故障诊断方法 (Early Fault Diagnosis Method of Planetary Gear Based on CEEMDAN Permutation Entropy and Optimized Support Vector Machine)

3.5 基于CEEMDAN盒维数和优化SVM的行星齿轮早期故障诊断方法 (Early Fault Diagnosis Method of Planetary Gear Based on CEEMDAN Box Dimension and Optimized Support Vector Machine)

3.6 本章小结(Chapter Summary)

4 基于ICEEMDAN和LLTSA算法的行星齿轮退化状态识别方法研究

4.1 引言(Introduction)

4.2 原始高维特征集合的构建(Construct the Original High Dimensional Feature Set)

4.3 维数约简方法的介绍(Introduction of Dimension Reduction Method)

4.4 基于ICEEMDAN和LLTSA算法的行星齿轮退化状态识别方法(Degradation State Recognition Method of Planetary Gear Based on ICEEMDAN and LLTSA)

4.5本章小结(Chapter Summary)

5 行星齿轮故障诊断与退化状态识别软件系统开发

5.1 引言(Introduction)

5.2 系统开发平台简介(Introduction of System Development Platform)

5.3 系统总体方案设计(Overall Plan Design of The System)

5.4 软件各模块的编程实现(Programming of Each Module)

5.5 本章小结(Chapter Summary)

6 总结与展望

6.1 总结(Conclusion)

6.2 展望(Prospect)

参考文献

作者简历

学位论文数据集