基于EMD近似熵和LS-SVM的齒輪箱故障診斷研究.pdf

1、齒輪箱是機(jī)械設(shè)備中重要的傳動(dòng)部件，對(duì)齒輪箱進(jìn)行故障診斷研究有著非常現(xiàn)實(shí)的意義。本文將EMD(EmpiricalModeDecomposition)近似熵和LSSVM(LeastSquareSupportVectorMachine)相結(jié)合來(lái)實(shí)現(xiàn)對(duì)齒輪箱的故障診斷。
　　EMD方法對(duì)信號(hào)處理具有良好的局域化特性，同時(shí)針對(duì)非線性、非平穩(wěn)的信號(hào)有著非常好的分解效果。近似熵在表征信號(hào)動(dòng)力學(xué)特性方面能包含更多的信息，對(duì)提取信號(hào)的故障特征有著先

2、天的優(yōu)勢(shì)。LSSVM是針對(duì)SVM(SupportVectorMachine)作為分類算法中存在著運(yùn)行時(shí)間過(guò)長(zhǎng)和計(jì)算量過(guò)大的弊端做出的改進(jìn)和變形，實(shí)驗(yàn)證明LSSVM在齒輪箱故障診斷中能準(zhǔn)確而快速的實(shí)現(xiàn)故障識(shí)別。
　　本文首先闡述了齒輪箱故障診斷的意義、目的及國(guó)內(nèi)外研究現(xiàn)狀，同時(shí)對(duì)目前的故障診斷技術(shù)進(jìn)行了概述。其次介紹了齒輪箱振動(dòng)機(jī)理和故障類型，接著重點(diǎn)研究了EMD方法在分解信號(hào)中存在著端點(diǎn)效應(yīng)這樣的弊端，提出了鏡像延拓以及在信號(hào)序列

3、上進(jìn)行了加窗函數(shù)相結(jié)合的辦法對(duì)EMD方法的改進(jìn)。實(shí)驗(yàn)證明經(jīng)過(guò)改進(jìn)之后的EMD方法在信號(hào)分解上取得了非常好的效果。然后應(yīng)用EMD和近似熵相結(jié)合的方法完成了對(duì)齒輪箱故障特征的提取，分別從理論上和具體實(shí)驗(yàn)中對(duì)SVM和LSSVM進(jìn)行了對(duì)比，突出LSSVM在故障識(shí)別上的優(yōu)勢(shì)。最后利用改進(jìn)后的EMD方法結(jié)合近似熵完成對(duì)故障特征的提取，利用LSSVM對(duì)提取的故障特征進(jìn)行識(shí)別，然后通過(guò)對(duì)比其他幾種不同的故障診斷方法，表明EMD近似熵和LSSVM能夠提高