基于振动噪声信息融合的齿轮箱齿轮故障诊断研究

摘要

齿轮及齿轮箱作为机械设备中一种必不可少的连接和传递动力的通用零部件，在航空、航海、电力系统、数控设备、农业机械、运输机械、冶金机械等现在工业设备中得到了广泛的应用。对齿轮及齿轮箱进行状态监测与故障诊断，可实现齿轮箱由事后维修、定期维修到视情维修的根本转变，减少监测成本，避免事故发生，从而创造更大的经济效益和社会效益，具有重大的意义。
　　 对国内外齿轮箱故障诊断的研究现状进行分析可以发现，已有的研究成果主要是通过单一传感器检测设备故障状态下的某一类状态信息，并采用智能信息处理方法进行信号特征提取与故障识别。考虑到任何一故障的产生都可能导致不同类状态信息（振动、声音、温度、电流等）发生变化，以及单一传感器检测存在易受外界干扰或自身故障等多原因影响等缺点，本文采用振动与噪声相结合的方法对齿轮的磨损、裂纹、断齿、点蚀、点蚀裂纹、磨损断齿故障进行定性识别。
　　 首先，分析了齿轮的常见失效形式，确定了本课题研究的故障类型，在对齿轮的振动信号产生机理、噪声信号产生机理分析基础上，对齿轮故障的振动特征进行了分析;设计了齿轮箱故障模拟试验台，选择传感器，对传感器的安装方式及测点选择进行分析，并以LabVIEW为软件开发平台，以NI-PXI系统为数据采集系统的硬件平台，设计了实验测试系统。
　　 其次，研究了频谱分析、小波分析、小波包分析、基于EMD的Hilbert-Huang变换这几种信号处理方法，并进行仿真;进行信号采集，对采集的振动信号进行了频谱、功率谱、基于小波变换的Hilbert包络谱、基于EMD的Hilbert边际谱分析。
　　 再次，对齿轮箱故障特征提取及选择技术进行了深入研究。利用二进制小波包分析方法对振动信号进行分解与重构，按照理论依据对特征变化明显的重构信号进行频谱分析并提取特征能量;利用经验模态分解法对振动信号分解与重构，对重构的各频段信号进行频谱分析并提取特征能量，在考虑同一特征值在不同故障情况下的区分度及不同特征值在同一故障情况下的区分度的基础上，对提取的EMD能量进行选择;利用BP神经网络对小波包能量和EMD能量的识别效果进行比较;提取振动信号的时域指标并进行选择;对噪声信号进行EMD特征能量提取与选择。
　　 最后，针对BP神经网络不能控制连接权值的正负、在学习过程中易陷入局部最优、网络结构不稳定等缺点，引入遗传算法来优化BP网络的权值、阈值，以达到全局寻找和快速高效的目的;建立遗传BP网络模型，以提取的振动信号的时域指标及EMD特征能量、噪声信号的EMD特征能量作为遗传BP网络的特征输入，进行信息融合;选择与遗传BP网络相同的参数设置建立BP网络，对提取的特征数据进行训练与测试;比较遗传BP网络与BP网络的测试结果。

目录

声明

摘要

第1章 绪论

1．1 课题概述

1．1．1 课题来源

1．1．2 课题研究的目的及意义

1．2 齿轮及齿轮箱诊断技术的发展与现状

1．1．1 故障诊断技术概述

1．2．2 齿轮箱信息处理技术国内外发展概况

1．2．3 智能诊断技术国内外发展概况

1．3 本文研究的主要内容

第2章 齿轮箱故障机理分析

2．1 齿轮常见失效形式及故障原因

2．2 齿轮的简化振动模型及振动机理分析

2．3 齿轮振动信号频率组成

2．3．1 各轴转频及其高次谐波

2．3．2 齿轮啮合频率及其高次谐波

2．3．3 齿轮的固有振动频率

2．3．4 齿轮产生故障时的调制现象和边频带分布特点

2．3．5 齿轮振动信号中的其他频率成分

2．4 齿轮典型故障的振动信号特征

2．4．1 断齿振动特征分析

2．4．2 齿面点蚀振动特征分析

2．4．3 齿面磨损振动特征分析

2．4．4 齿根裂纹振动特征分析

2．5 齿轮箱噪声产生机理分析

2．6 本章小结

第3章 实验方案设计

3．1 实验测试系统方案设计

3．2 齿轮箱故障模拟试验台的设计

3．2．1 试验台的设计

3．2．2 齿轮故障模拟

3．3 传感器的选择及安装

3．3．1 传感器的选择

3．3．2 传感嚣的安装

3．4 本章小结

第4章 齿轮箱故障诊断数据采集系统设计

4．1 数据采集的软件架构

4．2 数据采集的硬件选择

4．2．1 数据采集系统平台的选择

4．2．2 数据采集卡的选择

4．2．3 数据采集卡的安装及其参数设置

4．3 数据采集系统软件设计

4．3．1 数据采集

4．3．2 数据存储

4．3．3 数据读取

4．3．4 数据库的访问

4．4 本章小结

第5章 信号分析处理方法及其仿真

5．1 机械振动的基础

5．1．1 振动信号的分类

5．1．2 振动信号的描述

5．2 信号特征的时域分析方法

5．3 信号特征的频域分析方法

5．4 信号特征的时频分析方法

5．4．1 小波分析

5．4．2 小波包分析

5．4．3 经验模态分解法

5．5 信号处理方法的MATLAB仿真

5．6 本章小结

第6章 实验及数据分析

6．1 实验数据采集

6．2 振动信号时域特征提取

6．3 振动信号谱分析

6．3．1 频谱功率谱分析

6．3．2 基于小波变换的Hilbert包络谱分析

6．3．3 基于经验模态分解的Hilbert边际谱分析

6．4 振动信号特征能量提取

6．4．1 小波包能量提取

6．4．2 EMD能量提取与选择

6．5 噪声信号特征能量提取与选择

6．5．1 噪声信号特征能量提取

6．5．2 噪声信号特征能量选择

6．6 本章小结

第7章 基于遗传BP神经网络的齿轮故障类型识别

7．1 神经网络概述

7．2 BP神经网络原理及实现

7．2．1 BP网络概述

7．2．2 BP算法

7．3 遗传BP神经网络学习算法

7．3．1 遗传算法简介

7．3．2 遗传算法优化BP网络过程

7．3．3 遗传BP神经网络算法的MATLAB实现

7．4 遗传BP神经网络模型的建立与应用

7．4．1 基于BP网络的小波包能量法与EMD能量法的比较

7．4．2 遗传BP神经网络结构的确定

7．4．3 遗传BP神经网络训练集与测试集的确定

7．4．4 遗传BP神经网络算法选择及参数设计

7．4．5 遗传BP神经网络的训练与测试

7．4．6 与一般BP网络比较

7．5 本章小结

第8章 结论与展望

8．1 工作总结

8．2 工作展望

参考文献

攻读硕士学位期间发表的学术论文

致谢