數(shù)學(xué)形態(tài)學(xué)在齒輪故障診斷中的應(yīng)用研究.pdf

1、在機(jī)械設(shè)備中,齒輪是一種必不可少的常用部件,廣泛應(yīng)用于現(xiàn)代工業(yè)設(shè)備領(lǐng)域中,據(jù)顯示,在機(jī)械設(shè)備故障中由于齒輪的失效而引起的故障占了很大比例,故對齒輪進(jìn)行故障診斷意義重大。
　　對于齒輪故障診斷的核心和關(guān)鍵是齒輪故障特征信號(hào)的提取,從提取的特征信號(hào)中可以識(shí)別出齒輪故障的類型和損傷部位。本文在學(xué)習(xí)了齒輪故障的類型和特征的基礎(chǔ)上,針對齒輪故障振動(dòng)信號(hào)的非線性非平穩(wěn)性和多分量的調(diào)制特征,將數(shù)學(xué)形態(tài)學(xué)引入到齒輪故障特征提取中,并結(jié)合了集合經(jīng)驗(yàn)

2、模式分解(EEMD)和局部均值分解(LMD)方法,有效地提取出了齒輪的故障特征信息。本文的主要研究內(nèi)容:
　　1、將數(shù)學(xué)形態(tài)學(xué)應(yīng)用到齒輪故障特征提取中,并用仿真信號(hào)和齒輪模擬故障實(shí)驗(yàn)數(shù)據(jù)證明了該方法的有效性,采用形態(tài)平均濾波器實(shí)現(xiàn)信號(hào)的降噪,形態(tài)差值濾波器實(shí)現(xiàn)信號(hào)特征的提取。
　　2、在數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)上,提出了基于EEMD形態(tài)學(xué)的齒輪故障特征提取算法。通過仿真信號(hào)和齒輪模擬故障實(shí)驗(yàn)信號(hào)證明了該方法是有效的。
　　3、

3、針對EEMD分解速度慢的問題,本文將LMD引入到齒輪振動(dòng)信號(hào)的降噪中,并與數(shù)學(xué)形態(tài)學(xué)相結(jié)合,提出了一種基于LMD形態(tài)學(xué)的齒輪故障特征提取算法。
　　4、比較三種方法在齒輪故障特征提取中的優(yōu)劣,綜合分析,結(jié)果表明:基于LMD形態(tài)學(xué)的特征提取算法更適合齒輪故障的特征提取。
　　本課題主要研究了一些基于形態(tài)學(xué)的故障特征提取算法,從計(jì)算效率和處理效果上對比分析,表明基于 LMD形態(tài)學(xué)算法更適合應(yīng)用于大型設(shè)備的實(shí)時(shí)在線監(jiān)測系統(tǒng)中,但是