基于EMD的齒輪箱故障特征提取方法研究.pdf

1、隨著工業(yè)技術(shù)的高速發(fā)展，齒輪箱越來越受到人們的普遍關(guān)注。汽車、機(jī)車及船舶的運(yùn)轉(zhuǎn)都離不開它。齒輪箱通常由軸、齒輪、軸承以及箱體等零部件組成。齒輪、軸、軸承的健康狀態(tài)對(duì)機(jī)械設(shè)備的正常運(yùn)轉(zhuǎn)起到了關(guān)鍵的作用。
　　文章由傳統(tǒng)的測(cè)振方法引出本文的工作重點(diǎn)。先對(duì)一般的時(shí)頻分析法進(jìn)行了介紹，在此基礎(chǔ)上將小波分解法應(yīng)用到信號(hào)的消噪中，相比傅利葉消噪具有明顯優(yōu)勢(shì)。針對(duì)機(jī)械故障數(shù)據(jù)的信息量大等特點(diǎn)，引入基于EMD特征提取思想。本文第4章和第5章分別將

2、PCA和流形LPP方法應(yīng)用到實(shí)際故障診斷中。
　　本文的主要工作包括:
　　(1)本文分析了傳統(tǒng)時(shí)頻分析法在振動(dòng)信號(hào)中的應(yīng)用，并指出了不能處理非平穩(wěn)、非線性信號(hào)的關(guān)鍵問題。在此基礎(chǔ)上介紹了新的方法——Hilbert-Huang變換，對(duì)模擬信號(hào)進(jìn)行了經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，簡(jiǎn)稱EMD），同時(shí)經(jīng)過Hilbert-Huang變換得到了Hilbert邊際譜和HHT譜。
　　(2)

3、將支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱SVM）引入齒輪箱的故障診斷中，構(gòu)建SVM網(wǎng)絡(luò)模型。介紹了EMD分解中內(nèi)稟能量熵的定義，當(dāng)齒輪箱發(fā)生故障時(shí)，其振動(dòng)信號(hào)的能量也會(huì)發(fā)生變化。不同頻率成分的能量改變構(gòu)成了不同的故障形式，因此可根據(jù)能量熵的不同來進(jìn)行構(gòu)架SVM網(wǎng)絡(luò)，從而進(jìn)行分類。
　　(3)針對(duì)故障數(shù)據(jù)處理難，引入一種基于EMD的時(shí)域特征提取方法——主分量分析法(principal components a

4、nalysis，簡(jiǎn)稱PCA)，它的基本思想是尋找方差最小方向，以此來進(jìn)行數(shù)據(jù)的約簡(jiǎn)和降維。針對(duì)工程中需要對(duì)系統(tǒng)進(jìn)行故障監(jiān)測(cè)和跟蹤的研究，本文引入智能分析理論——神經(jīng)網(wǎng)絡(luò)系統(tǒng)。用主分量分析法進(jìn)行分析并結(jié)合譜圖進(jìn)行故障診斷。經(jīng)過處理，得12組分量。以前4組主分量數(shù)據(jù)（1-4振動(dòng)數(shù)據(jù)）為測(cè)試樣本子集，以其余的8組數(shù)據(jù)為訓(xùn)練樣本子集，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)。結(jié)果為目標(biāo)輸出與實(shí)際輸出的相關(guān)系數(shù)R=0.913，預(yù)測(cè)點(diǎn)基本符合實(shí)際點(diǎn)。