基于小波包分析和支持向量机的齿轮箱故障诊断方法研究

摘要

随着科学技术的不断进步，机械设备向着高性能、高效率、高自动化和高可靠性的方向发展。齿轮箱由于具有传动比固定、传动转矩大、结构紧凑等优点，被用于改变转速和传递动力的传动部件中，它是机械设备的一个重要组成部分，也是易于发生故障的一个部件，其运行状态对整机的工作性能有很大的影响。因此，对齿轮箱进行实时故障诊断意义重大，不仅可以缩短维修时间、降低维修成本，还可提高诊断准确性和维修质量，创造可观的经济效益。
　　 齿轮箱的振动信号相当复杂，除反映有关齿轮和轴承本身工作情况的信息外，也包含了大量机械中其它运动部件和结构的信息，因此如果仅仅单从时、频域或快速傅里叶变换对齿轮箱的振动信号进行分析，则很难准确诊断出齿轮箱各类故障。本文提出并研究了一种新的齿轮箱故障诊断技术——基于小波包分析和支持向量机的齿轮箱故障诊断法，该方法针对齿轮箱的故障诊断问题，分为以下两个步骤进行:
　　 (1)故障特征向量的提取。首先基于小波包变换方法，在去噪方面有良好的表现，进行其特征向量提取，对于以非平稳信号为主的齿轮箱的不同工况，应用小波包分解、重构方法，将提取到的能量特征值作为齿轮箱的特征向量。
　　 (2)数据辨识方法的研究。把提取到的齿轮箱特征向量样本代入到由多个2分类器支持向量机构建的多分类器支持向量机中训练、建模，再结合2叉决策数理论和投票理论，将余下的样本代入测试，得出7种故障的分类结果。
　　 实验结果表面，该方法在分类时间和精度方面拥有着不俗的表现，辨识能力很强，使用数理统计知识计算，正确率达到(95.2±0.88)％，可以推广到应用实践。

目录

声明

摘要

第一章 绪论

1．1 课题的提出和目的

1．2 齿轮箱故障诊断技术综述

1．2．1 齿轮箱故障诊断技术综述及国内外发展现状

1．2．2 齿轮箱故障诊断技术研究动态

1．2．3 齿轮箱故障诊断技术发展趋势

1．2．4 齿轮箱故障诊断的流程

1．3 小波理论的发展及基于小波分析的齿轮箱故障诊断现状

1．3．1 小波分析及小波包分析理论的发展

1．3．2 小波包故障提取技术研究现状

1．4 支持向量机理论的发展及研究方向

1．4．1 支持向量机的国内外发展概括

1．4．2 支持向量机的研究发展动态

1．5 本文的主要研究内容及结构安排

1．5．1 主要研究内容

1．5．2 论文结构安排

第二章 齿轮箱的故障类型及振动机理

2．1 齿轮箱故障的主要形式

2．2 齿轮的故障类型和振动机理

2．2．1 齿轮的故障类型

2．2．2 齿轮的振动机理

2．3 滚动轴承的故障类型及振动机理

2．3．1 滚动轴承的振动机理

2．3．2 滚动轴承的主要故障模式

2．3．3 滚动轴承的故障特征信息

2．4 本章小结

第三章 齿轮箱模拟故障试验

3．1 数据采集系统的构成

3．1．1 齿轮箱模拟故障试验台装置

3．1．2 振动信号采集装置

3．2 测点布置

3．3 齿轮箱故障模拟

3．4 本章小结

第四章 小波包分析理论及对特征向量的提取

4．1 小波分析

4．1．1 连续小波变换(CWT)

4．1．2 离散小波变换(DWT)

4．1．3 多分辨率分析

4．1．4 正交小波变换

4．2 小波包分析

4．2．1 小波包的定义

4．2．2 小波包的子空间分解

4．2．3 小波包的重构

4．2．4 使用小波包对振动信号画出最优小波包树

4．3 小波包降噪

4．3．1 小波降噪方法

4．3．2 应用小波方法进行信号去噪的仿真分析

4．3．3 故障齿轮箱的小波包去噪分析

4．4 齿轮箱信号能量特征向量的提取

4．4．1 基于小波包的齿轮箱信号提取能量特征向量方法

4．4．2 小波包对齿轮箱故障能量特征向量的提取

4．5 小结

第五章 支持向量机识别方法研究

5．1 支持向量机理论基础

5．1．1 概述

5．1．2 统计学习理论

5．2 支持向量机的基本原理

5．2．1 线性分类问题

5．2．2 近似线性分类问题

5．2．3 非线性分类问题

5．2．4 核函数

5．3 本课题惩罚函数C及核函数的选择

5．3．1 惩罚函数C的选取

5．3．2 核函数的选取

5．4 本章小结

第六章 支持向量机多类故障分类器构建及应用

6．1 多分类支持向量机分类方法

6．1．1 “一对多”算法(One-against-the rest)

6．1．2 “一对一”算法(One-agaisnt-one)

6．1．3 有向无环图支持向量机(Directed Acyclic Graph)

6．1．4 SVM决策树支持向量机(Multi-clalss SVM)

6．2 基于SVM决策树的多类算法的建立

6．2．1 SVM决策树支持向量机的分析

6．2．2 投票理论简介

6．2．3 基于SVM决策树的多分类算法

6．3 基于SVM决策树的多分类算法对齿轮箱能量特征向量的识别

6．4 小结

第七章 结论

7．1 结论

7．2 展望

参考文献

致谢

攻读硕士学位期间发表的论文