基于振动信号的齿轮箱智能故障诊断方法研究

摘要

大型旋转机械设备中，齿轮箱作为传递动力、改变转速的重要零部件，有着不可替代的作用。齿轮箱一般由多对啮合在一起的齿轮、转轴、轴承、固定基座、箱体等部件构成，这就决定了其结构复杂、装配精度要求高、加工工艺复杂的特点。因此，在复杂、恶劣的工况环境下，齿轮箱易出现故障并影响整个生产线甚至带来大量经济损失，据统计，旋转机械故障中齿轮故障占80％，因此对齿轮箱的运行过程进行状态监测和故障诊断具有极其重要的意义。
　　 20世纪60年代以来齿轮箱故障诊断技术有了很大的发展，目前关于齿轮箱的故障诊断研究主要集中在以下几个方面:故障模型机理研究、检测仪器的开发、特征参数提取及选择、现代信号处理方法、智能模式识别等。传统的基于信号处理与分析的诊断技术主要提取与故障有关的特征频率或者参数，并根据以往经验，通过分析特定的故障频率或者预先设定好的参数阈值对故障进行诊断。利用上述诊断技术，在诊断单一故障类型时是有效的，然而当面对齿轮箱多种故障类型时诊断准确率比较低。因此，基于多种信息融合的智能故障诊断方法，在复杂的多故障类型齿轮箱诊断中受到越来越多的重视。
　　 本文主要从齿轮箱状态信号预处理、最优特征参数集的构建和评价、智能故障诊断方法等三个方面开展研究。
　　 在原始信号预处理方面，本文采用基于Birge-Massart策略的自适应阈值降噪方法，本文提出一种基于主频率能量的相关系数法，该方法通过比较小波分解系数和信号之间相关系数的大小选择出与齿轮故障信号最佳匹配的小波基，从而提高了降噪的效果。
　　 在最优特征参数集的构建和评价方面，本文应用信息熵理论、小波变换多分辨率分析理论构建了功率谱熵特征参数、小波能谱特征参数;并根据“类间距离大、类内距离小”原则，提出了一种改进的距离测度法用于最优特征参数的选择，选择出冗余度低相关性高的最优特征参数集。
　　 在智能故障诊断方法方面，本文首先利用遗传算法对传统BP神经网络的权值、阈值进行了优化，以减小网络陷入局部最优的可能性;其次，在原有蚁群算法的基础上加入了局部搜索操作，提高了算法中蚂蚁找到最优解的效率，并能够及时发现更好的解，提高了蚁群算法的识别效率;最后本文应用概率和统计理论，将隐马尔科夫模型(Hidden MarkovModel，HMM)应用到齿轮箱多故障类型的静态模式识别中，实验验证了HMM在齿轮箱故障识别方面具有算法稳定、训练速度快、识别准确率高的优点。
　　 最后，本文应用三个方面的理论研究成果，开发了一套简易的齿轮箱智能故障诊断系统，系统中各个模块的调试工作已经完成，经过测试系统初步达到了实际工程应用的要求。

目录

声明

学位论文数据集

摘要

第一章 绪论

1．1 课题来源及意义

1．2 齿轮箱故障诊断的研究现状和发展趋势

1．3 论文主要内容及创新点

1．4 论文的结构安排

第二章 齿轮箱振动机理及主要故障形式

2．1 齿轮简化振动模型

2．2 齿轮箱故障主要形式

2．3 齿轮产生故障时的调制现象和边频带特点

2．3．1 齿轮信号边频带特点

2．3．2 齿轮啮合幅值、频率调制现象

2．4 本章小结

第三章 齿轮箱振动信号预处理

3．1 小波变换理论

3．1．1 连续小波变换

3．1．2 离散小波变换

3．1．3 小波变换在故障诊断中的应用

3．2 最佳小波基的选择

3．2．1 主频率能量相关系数法

3．2．2 主频率能量相关系数法的有效性验证

3．3 齿轮信号预处理：小波降噪

3．3．1 小波降噪技术的发展

3．3．2 小波阈值降噪理论

3．3．3 自适应小波阈值降噪

3．4 实验验证和分析

3．4．1 小波降噪性能评价

3．4．2 实验结果分析

3．5 本章小结

第四章 齿轮状态最优特征参数集的构建及评价

4．1 齿轮状态特征参数集的构建

4．1．1 时域统计参数

4．1．2 频域特征参数

4．1．3 功率谱熵特征参数

4．1．4 包络谱特征参数

4．1．5 小波能谱特征参数

4．2 最优特征参数集合的评价

4．2．1 特征参数选择方法概述

4．2．2 改进的距离测度参数评价方法

4．3 实验验证和分析

4．4 本章小结

第五章 智能故障诊断方法

5．1 基于遗传算法优化神经网络的模式识别

5．1．1 BP神经网络

5．1．2 遗传算法优化神经网络

5．1．3 实验验证和分析

5．2 基于蚁群算法的智能模式识别

5．2．1 蚁群算法基本原理

5．2．2 蚁群算法模式识别流程

5．2．3 实验验证和分析

5．3 HMM智能故障模式识别

5．3．1 HMM原理及基本算法

5．3．2 HMM在故障诊断中的应用

5．3．3 标量量化及码级的确定

5．3．4 实验验证及分析

5．4 三种方法故障识别性能比较

5．5 本章小结

第六章 齿轮箱智能诊断系统模块化实现

6．1 系统的总体设计

6．2 各个模块的调试结果

6．3 本章小结

第七章 总结与展望

7．1 研究成果总结

7．2 后续工作展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介