基于混合智能的齿轮传动系统集成故障诊断方法研究

摘要

随着科学技术的发展,机械设备朝着高效率、高强度、高性能、大型化和自动化的方向发展。作为传递运动和动力的齿轮传动系统在许多大型设备中都发挥着重要的作用。但由于具有载荷条件复杂,工作环境恶劣等原因,齿轮传动系统容易受到损害而出现故障,这些故障的发生则极有可能诱发机器瘫痪,从而造成难以估计的经济损失和社会影响。因此,研究齿轮传动系统故障诊断的理论与技术具有重要的理论和实际意义。尽管现有的特征提取方法及故障识别技术取得了许多成果,但仍然存在诸多缺陷:功率谱分析适用于平稳信号分析,齿轮传动系统拾取的振动信号由于存在非平稳性导致这种分析方法无法有效使用;短时傅立叶变换、小波变换、EMD分解等非平稳信号处理算法能够适应齿轮故障诊断信号的非平稳特性,但在特征提取方面却存在太多的频段特征,导致故障诊断难度增加;如何实现减少特征维数,保证故障诊断效果是迫切需要解决的问题。基于特征提取的模式识别方法是故障诊断中的重要内容,BP等神经网络以其极强的自学习、非线性识别能力在故障识别中获得了广泛的研究,但其容易陷入局部最优一直是该种方法的诟病;同时针对如何更好的应用各种特征提取算法的成果来提高故障识别率也是故障诊断研究中急需解决的重要课题。
　　论文采用物理模拟、实验测试、理论分析和仿真相结合的研究方法,从信号预处理、特征提取到故障模式识别和故障信息融合,将粗糙集理论、生物进化和神经网络等智能方法有机结合,发挥算法各自的优势,从而形成了齿轮系统的粗糙集-免疫遗传-改进BP神经网络的集成故障诊断技术路线。针对特征提取技术的优、缺点,提出功率谱分析、短时傅立叶变换、小波包分解和改进EMD分解算法的特征约简方法;在故障模式识别研究中,针对BP算法的特性,应用4次函数值比较进行多层前向神经网络的免疫遗传算法-BP算法权值混合搜索并改变其误差计算等方法提高故障识别率;采用故障决策信息融合后所获得的品质因数参数、故障识别率和不确定性三个参数作为判别齿轮故障的依据,从而提高齿轮故障诊断识别的精度。分析了齿轮传动系统滚动轴承内圈故障、外圈故障、齿轮磨损、断齿四种故障的成因、机理以及各自的特征,设计了物理模拟系统,优化了传感器配置,为本技术方案的实施奠定了基础。对故障数据采用了小波分析进行信号去噪预处理,结果显示,采用小波分析可以很好的解决齿轮故障信号的消噪问题,为后续的分析提供了便利。针对EMD存在的边缘效应,提出以灰色预测的包络延拓方法解决经验模态分解中的边缘效应问题。应用改进EMD获得了几种典型齿轮故障特征,仿真和实测数据分析结果表明该方法有效解决了边缘效应。对去噪后的齿轮传动系统故障振动信号进行谱分析、短时傅立叶变换、小波包分解、改进智能EMD分解,得到了各种故障的四种提取方法的故障特征。研究分析表明:谱分析适用于平稳信号,而齿轮传动振动信号复杂,含有非平稳信号,因此依据频谱图上的特征参数来判断,有可能导致错误结论;短时傅立叶变换对于断齿故障特征提取具有不确定性;小波包分析在齿轮磨损和断齿故障时得到了明显的故障特征,但在内圈和外圈故障时能量分布区别不是很大,容易导致错误的故障识别结果;智能EMD特征提取方法在齿轮磨损、断齿、轴承内圈故障的特征提取上得到了正确的结论,但在进行轴承外圈故障特征提取中,特征并不明显,难以得到准确的故障结论。研究表明,单一的故障特征提取方法针对某些故障有效,而针对另一些故障则难以提供准确的故障特征,进而影响故障诊断结论的准确性。采用粗糙集-免疫遗传-改进BP神经网络算法进行了齿轮传动系统故障诊断研究,首先应用粗糙集的后删除属性约简算法进行齿轮传动系统的故障特征约简,去除频域特征冗余,以减小故障识别的计算工作量。采用4次函数值作为故障诊断神经网络的判别条件,依据不同的判别条件,分别采用免疫遗传算法和改进BP算法进行故障诊断神经网络权值的优化,从而有效提高故障诊断网络的全局识别能力,对于谱分析、短时傅立叶变换、小波包分解、改进EMD分解得到的故障特征,分别应用上述算法进行齿轮故障识别,识别结果表明了该算法的优良性。从采用混合智能集成算法的故障诊断效果来看,四种齿轮故障基本上可以实现分离,但不同故障类型判别的可信度差别并不明显,如果依据本算法的可信度指标值进行故障诊断,一旦系统中存在噪声干扰,极有可能导致故障的误判。将D-S证据理论应用于故障特征提取的方法集成,并提出品质因数参数,与故障识别率、不确定度参数一起提高衡量故障集成诊断的精度。应用该技术进行实测数据分析,结果表明,每进行一次故障特征提取技术的集成,就提高了故障识别率,使得品质因数增大,降低了故障识别的不确定度,有效提高了故障诊断结论的准确度及可靠性,克服了单一故障特征提取方法的缺陷与不足。

目录

摘要

ABSTRACT

第一章 绪论

1.1 选题背景与意义

1.2 故障诊断的进展与现状

1.3 齿轮传动系统的混合智能故障诊断

1.4 论文内容和组织结构

第二章 齿轮传动系统故障物理模拟与数据预处理

2.1 齿轮传动系统故障分析

2.1.1 齿轮磨损及断齿故障振动分析

2.1.2 轴承故障振动分析

2.2 典型齿轮传动系统故障的物理模拟

2.2.1 实验系统

2.2.2 振动数据采集系统

2.2.3 测点位置的选择

2.2.4 齿轮传动系统故障模拟

2.3 基于小波分析的齿轮传动系统数据预处理

2.3.1 理论基础

2.3.2 小波消噪原理

2.3.3 小波消噪仿真分析

2.3.4 齿轮传动系统数据的小波消噪分析

2.4 本章小结

第三章 齿轮传动系统故障数据分析

3.1 齿轮传动实验数据的频域分析

3.2 齿轮传动实验数据的STFT 分析

3.3 基于小波分析的齿轮传动系统特征提取技术

3.3.1 适于齿轮传动系统信号分析的小波函数选择

3.3.2 齿轮传动实验数据的小波包分析

3.4 齿轮传动系统故障智能EMD 分解

3.4.1 瞬时频率

3.4.2 本征模函数(IMF)

3.4.3 EMD 方法实现过程

3.4.4 Hilbert 边际谱

3.4.5 实现EMD 方法的技术难点

3.4.6 智能EMD 分解

3.5 实测故障信号的智能EMD 分析

3.5.1 正常信号的智能EMD 分析

3.5.2 齿面磨损和断齿故障信号的智能EMD 分析

3.5.3 轴承外圈故障和内圈故障信号的智能EMD 分解

3.6 齿轮传动系统故障特征提取结果分析

3.7 本章小结

第四章 基于混合智能的齿轮传动系统故障识别技术

4.1 混合智能系统模式

4.2 粗糙-免疫遗传-BP 神经网络混合智能系统总体框架

4.3 粗糙集子系统

4.3.1 粗糙集在故障诊断中的应用

4.3.2 粗糙集

4.3.3 粗糙集属性约简

4.3.4 齿轮传动系统故障特征约简

4.4 免疫遗传-改进BP 神经网络子系统

4.4.1 应用神经网络的故障诊断技术

4.4.2 改变误差信号的BP 神经网络

4.4.3 免疫遗传混合神经网络

4.4.4 免疫遗传混合神经网络的仿真实验

4.5 粗糙-免疫遗传-BP 神经网络混合智能故障识别过程

4.6 本章小结

第五章 齿轮传动系统集成故障诊断技术

5.1 信息融合的概念

5.2 D-S 证据理论

5.2.1 D-S 证据理论的基本概念

5.2.2 D-S 证据理论的组合规则

5.2.3 目标模式判定规则

5.3 多特征提取方法的集成

5.4 本章小结

第六章 主要结论与展望

6.1 本文主要研究工作

6.2 主要创新点

6.3 有待继续研究的课题

致谢

参考文献

攻读博士学位期间发表的学术论文

攻读博士学位期间的科研情况