強(qiáng)噪聲背景下行星齒輪故障診斷研究.pdf

1、行星齒輪傳動作為礦山機(jī)械設(shè)備中的常用傳動方式之一，在整個(gè)生產(chǎn)過程中擔(dān)負(fù)重要的使命。行星齒輪傳動與普通齒輪傳動相比較具有很多優(yōu)點(diǎn)，比如體積小，承載能力大，工作平穩(wěn)，但大功率高速行星齒輪傳動結(jié)構(gòu)較復(fù)雜、制造精度高。
　　由于機(jī)械設(shè)備所處的惡劣環(huán)境、變化的工況以及自身的非線性等特點(diǎn)，使得所測得的振動信號往往具有強(qiáng)噪聲背景、非線性和非穩(wěn)定性等特點(diǎn)，這些問題的存在嚴(yán)重影響了設(shè)備狀態(tài)信息的準(zhǔn)確獲取。因此，本文以強(qiáng)噪聲背景下的行星齒輪振動信號為

2、研究對象，研究基于局部均值分解(Local Mean Decomposition, LMD)和離散隱馬爾科夫模型(Discrete Hidden Markov Models, DHMM)的行星齒輪故障診斷算法，包括 LMD，奇異值能量差分譜，多尺度樣本熵(Multiscale Sample Entropy, MSE)和DHMM識別模型。
　　介紹了LMD算法這一種新的時(shí)頻分析方法，當(dāng)齒輪發(fā)生故障時(shí)，振動信號通常伴隨著沖擊信號，并且

3、出現(xiàn)不同程度的調(diào)制現(xiàn)象，故障振動信號的調(diào)制信息可以通過LMD進(jìn)行解調(diào)。并與經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)方法進(jìn)行了比較，得到了兩者之間的異同點(diǎn)，分析了LMD算法的優(yōu)點(diǎn)及存在的不足，然后利用基于支持向量回歸(Support Vector Regression, SVR)延拓和加余弦窗函數(shù)處理的端點(diǎn)延拓技術(shù)對端點(diǎn)效應(yīng)進(jìn)行改進(jìn)。
　　介紹了奇異值分解(Singular Value De

4、composition, SVD)方法基本原理，利用奇異值能量差分譜改善SVD在信號降噪上重構(gòu)階次難以確認(rèn)的問題，有效區(qū)別了信號中有用成分和噪聲成分，較好地保護(hù)了原始信號中有用信息的完整性，然后利用SVD逆變換重構(gòu)信號頻譜，實(shí)現(xiàn)了對信號的降噪處理；然后研究了基于LMD和奇異值能量差分譜的信號降噪方法，以及基于MSE的特征提取算法。
　　介紹了隱馬爾科夫模型(Hidden Markov Models, HMM)的基本理論，探討并改進(jìn)

5、了在實(shí)際應(yīng)用過程中發(fā)現(xiàn)的多觀察樣本訓(xùn)練問題和算法下溢現(xiàn)象，分析了DHMM理論在故障狀態(tài)識別中的應(yīng)用方法；進(jìn)行了強(qiáng)噪聲背景下的實(shí)驗(yàn)數(shù)據(jù)分析，分析了基于LMD和DHMM的行星齒輪故障診斷算法，包括改進(jìn)LMD算法、奇異值能量差分譜、MSE和DHMM，并以不同類型的實(shí)驗(yàn)信號驗(yàn)證了該方法的有效性。
　　研發(fā)了基于LabVIEW和Matlab聯(lián)合仿真行星齒輪故障智能診斷系統(tǒng)，實(shí)現(xiàn)了對行星輪振動信號的在線監(jiān)測與數(shù)據(jù)分析處理，完成了數(shù)據(jù)監(jiān)測和診斷