基于圖像識別的齒輪故障診斷方法研究.pdf

1、齒輪作為機械系統(tǒng)最重要的部件之一，其運行狀態(tài)的良好與否將直接決定整個機械系統(tǒng)的健康狀況，最不利的情況是可能導(dǎo)致整個生產(chǎn)線的停頓，造成巨大的經(jīng)濟(jì)損失。因此齒輪一旦發(fā)生故障，及時發(fā)現(xiàn)并排除掉這些故障就顯得尤為重要。此前的齒輪故障診斷都是通過分析振動信號的頻譜特征來完成的，本文提出了一種基于圖像識別的齒輪故障診斷方法，該方法將先進(jìn)的圖像識別技術(shù)與成熟的信號頻譜分析技術(shù)相結(jié)合，通過分析齒輪故障信號雙譜圖的紋理特征，進(jìn)而使用SVM分類算法識別出齒

2、輪的故障類型。最后通過在可模擬風(fēng)力渦輪機動力傳動故障診斷實驗平臺(WTDS)上的實驗，證明了該方法的可行性。主要研究內(nèi)容如下:
　　1.基于小波包多分辨分解技術(shù)的消噪能力已被廣泛的認(rèn)可，此外雙譜分析在處理具有非高斯信號，非平穩(wěn)信號具有很好的優(yōu)勢，將這兩點結(jié)合的小波包雙譜分析方法具有極好的濾除噪聲的能力。通過小波包雙譜分析濾除齒輪故障信號的背景噪聲，從而獲得具有穩(wěn)定紋理特征的小波包雙譜圖。
　　2.通過融合不同通道的雙譜圖可以

3、綜合不同通道的故障信息，這將更加有利于齒輪的故障診斷。本文采用基于小波變換的圖像融合技術(shù)，將多通道故障信息在圖像層面上實現(xiàn)了融合。
　　3.本文通過從小波包雙譜圖提取出四個方向上的GLCM矩陣，然后利用基于加權(quán)平均的融合方法將四個方向上的GLCM矩陣進(jìn)行了融合，最后通過 GLCM矩陣的12個二階統(tǒng)計量生成圖像的特征向量。
　　4.支持向量機(SVM)是解決小樣本學(xué)習(xí)最佳的算法之一，并且具有很好的泛化能力。以GLCM生成的特征