盲源分离在齿轮变速箱故障诊断中的应用研究

摘要

齿轮箱作为最常见的机械设备，在工业、农业、交通、石油等各行业都有着广泛的应用。齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。当齿轮箱工作状态发生改变时，其振动信号也会随之发生改变。研究齿轮箱的振动特性，从中提取有效的信号并准确的分析出来，可以适时的对齿轮箱进行状态监测和故障诊断，并采取有效措施排除故障，这样可以增加齿轮箱工作时的安全性和可靠性，降低齿轮箱的维修费用，减少不必要的损失，对防止突发事故和维持设备正常运行具有重大的意义。盲源分离（BSS）是近年来迅速发展起来一种信号处理新方法，和传统的信号处理方法不一样，盲源分离是在对源信号和传输通道几乎没有可利用信息的情况下，仅从观测到的混合信号中提取或恢复出源信号的信号处理方法。本文通过在实验室状态对齿轮箱常见故障进行模拟，采用盲源分离方法对测取的齿轮箱故障信号进行处理，提取特征向量之后利用支持向量机（SVM）分类器对齿轮箱故障状态进行识别，并取得了较好的效果。
　　齿轮箱故障诊断主要包括诊断信息的获取，故障特征值的提取和智能识别故障三个部分。其中故障特征的提取和状态识别是齿轮箱故障诊断的关键。齿轮箱发生故障时，虽然其振动信号也随之发生改变，但齿轮箱的故障信号特征与齿轮箱自身振动信号、齿轮正常啮合信号特征比较来说是非常弱小的，在信号的时频域曲线上，很难表现出来。本文提及的信号源盲分离技术可以较好的对故障齿轮箱测试信号进行分离，从未知源信号中分离出故障源信号，并根据理论计算判断齿轮箱故障类型。
　　支持向量机（SVM）是建立在统计学习理论和结构风险最小化原则之上的一种新型机器学习方法。它具有高度的理论严密性和很强的适应性等特点，已经被广泛的应用到模式识别中。本文最后采用支持向量机方法对齿轮箱故障进行智能识别，故障识别率高达85％以上，证明SVM应用与齿轮箱故障智能识别的可行性。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题背景

1.2 齿轮箱故障诊断技术研究现状

1.3 盲源分离技术在故障诊断中的应用现状

1.4 论文的主要研究内容

1.5 本章小结

2 齿轮箱故障类型及故障特征分析

2.1 齿轮箱的结构组成及故障分类

2.2 齿轮的振动机理和故障特征分析

2.3 轴承的振动机理和故障特征

2.4 旋转轴的故障类型和故障特征

2.5 本章小结

3 盲源分离的ICA方法

3.1 ICA的基本模型描述

3.2 ICA算法分析

3.3 盲源分离效果评价指标

3.4 基于固定点算法的盲源分离实验仿真

3.5 本章小结

4 盲源分离在齿轮变速箱故障实验中的应用

4.1 齿轮箱故障实验台搭建和实验数据采集

4.2齿轮箱故障实验数据分析

4.3 本章小结

5 基于支持向量机的齿轮箱故障智能分类

5.1支持向量机算法描述

5.2 支持向量机分类原理

5.3 基于支持向量机的故障分类

5.4 本章小结

6 总结与展望

6.1全文总结

6.2未来展望

参考文献

攻读硕士期间发表的论文及所取得的研究成果

致谢