基于EMD近似熵和LS-SVM的齿轮箱故障诊断研究

摘要

齿轮箱是机械设备中重要的传动部件，对齿轮箱进行故障诊断研究有着非常现实的意义。本文将EMD(EmpiricalModeDecomposition)近似熵和LSSVM(LeastSquareSupportVectorMachine)相结合来实现对齿轮箱的故障诊断。
　　EMD方法对信号处理具有良好的局域化特性，同时针对非线性、非平稳的信号有着非常好的分解效果。近似熵在表征信号动力学特性方面能包含更多的信息，对提取信号的故障特征有着先天的优势。LSSVM是针对SVM(SupportVectorMachine)作为分类算法中存在着运行时间过长和计算量过大的弊端做出的改进和变形，实验证明LSSVM在齿轮箱故障诊断中能准确而快速的实现故障识别。
　　本文首先阐述了齿轮箱故障诊断的意义、目的及国内外研究现状，同时对目前的故障诊断技术进行了概述。其次介绍了齿轮箱振动机理和故障类型，接着重点研究了EMD方法在分解信号中存在着端点效应这样的弊端，提出了镜像延拓以及在信号序列上进行了加窗函数相结合的办法对EMD方法的改进。实验证明经过改进之后的EMD方法在信号分解上取得了非常好的效果。然后应用EMD和近似熵相结合的方法完成了对齿轮箱故障特征的提取，分别从理论上和具体实验中对SVM和LSSVM进行了对比，突出LSSVM在故障识别上的优势。最后利用改进后的EMD方法结合近似熵完成对故障特征的提取，利用LSSVM对提取的故障特征进行识别，然后通过对比其他几种不同的故障诊断方法，表明EMD近似熵和LSSVM能够提高齿轮箱故障诊断的准确率和效率。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 齿轮箱故障诊断的意义、目的和主要内容

1.2 齿轮箱故障诊断技术的国内外研究现状

1.3 齿轮箱故障诊断技术

1.4 本论文的主要内容

1.5 本章小结

2 齿轮箱故障及振动机理

2.1 概述

2.2 齿轮箱中的零部件常见的失效形式

2.3 齿轮箱振动机理的研究

2.4 本章小结

3 EMD方法研究

3.1 概述

3.2 EMD算法

3.3 EMD算法的主要性质

3.4 实例分析

3.5 EMD端点效应的研究

3.6 基于EMD近似熵特征提取方法的研究

3.7 本章小结

4 SVM理论介绍和LSSVM方法研究

4.1 SVM理论介绍

4.3 SVM的多分类问题

4.4 LSSVM算法

4.5 LSSVM和SVM进行比较

4.6 本章小结

5 基于EMD近似熵和LSSVM齿轮箱故障诊断

5.1 齿轮箱故障诊断试验方案

5.2 基于EMD近似熵和LSSVM齿轮箱故障诊断

5.3 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

攻读硕士学位期间发表的论文

致谢