強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械設備中的常用傳動方式之一，在整個生產過程中擔負重要的使命。行星齒輪傳動與普通齒輪傳動相比較具有很多優(yōu)點，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構較復雜、制造精度高。
　　由于機械設備所處的惡劣環(huán)境、變化的工況以及自身的非線性等特點，使得所測得的振動信號往往具有強噪聲背景、非線性和非穩(wěn)定性等特點，這些問題的存在嚴重影響了設備狀態(tài)信息的準確獲取。因此，本文以強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算法這一種新的時頻分析方法，當齒輪發(fā)生故障時，振動信號通常伴隨著沖擊信號，并且

3、出現(xiàn)不同程度的調制現(xiàn)象，故障振動信號的調制信息可以通過LMD進行解調。并與經驗模態(tài)分解(Empirical Mode Decomposition, EMD)方法進行了比較，得到了兩者之間的異同點，分析了LMD算法的優(yōu)點及存在的不足，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處理的端點延拓技術對端點效應進行改進。
　　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在信號降噪上重構階次難以確認的問題，有效區(qū)別了信號中有用成分和噪聲成分，較好地保護了原始信號中有用信息的完整性，然后利用SVD逆變換重構信號頻譜，實現(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

5、了在實際應用過程中發(fā)現(xiàn)的多觀察樣本訓練問題和算法下溢現(xiàn)象，分析了DHMM理論在故障狀態(tài)識別中的應用方法；進行了強噪聲背景下的實驗數據分析，分析了基于LMD和DHMM的行星齒輪故障診斷算法，包括改進LMD算法、奇異值能量差分譜、MSE和DHMM，并以不同類型的實驗信號驗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)，實現(xiàn)了對行星輪振動信號的在線監(jiān)測與數據分析處理，完成了數據監(jiān)測和診斷