论文部分内容阅读
随着物联网与互联网的快速发展,机械设备也逐渐向集成化、智能化和大型化的方向转变。开展机械设备的故障诊断是避免机械发生重大事故、保证机械设备正常运行的关键步骤。在机械设备中,齿轮箱是改变机械转速和传递动力的关键零部件,统计显示齿轮箱的故障分别占旋转机械故障和传动机械故障的10%和80%。一旦齿轮箱出现问题,会影响整个传动系统,进而导致设备无法正常运行。因此,诊断和监测齿轮箱的健康状况对于保证机械正常运行至关重要。在实际的机械设备的运行中,无论机械设备的故障来势多凶猛、故障规模多大,这些故障都是由微小故障演变而来。故而对齿轮箱的微小故障的诊断进行研究可以提早发现问题,防患于未然,非常有必要。本文以齿轮箱的微小故障为研究对象、基于数据驱动思想,对齿轮箱微小故障的特征提取、齿轮箱微小故障的故障分类两个关键问题进行了研究,实现了齿轮箱微小故障的诊断。主要研究工作如下:首先,在微小故障振动机理的研究基础上,针对齿轮箱微小故障振动信号的幅值低、易被系统扰动和噪声掩盖的特点,基于振动信号是具有多标度行为的非平稳信号这一特性导致的常见故障特征提取方法无法提取到有用的齿轮箱微小故障特征的问题,本文提出最小熵解卷积联合多重分形的齿轮箱微小故障的特征提取方法。同时为了使齿轮箱的微小故障的特征表征更加的全面,在多重分形特征的基础上引入了时域特征与频域特征共同作为齿轮微小故障的特征,实现了齿轮箱的微小故障特征的多方面表征,使齿轮箱微小故障特征更加全面、有效。其次,为了实现齿轮箱微小故障的分类,进而实现齿轮箱微小故障的诊断,针对齿轮箱微小故障样本小存在使用神经网络训练分类模型会导致模型泛化能力不足的问题,提出利用支持向量机实现对齿轮箱微小故障进行分类的模型。同时,针对齿轮箱微小故障特征的冗余会导致分类器的训练开销大且分类精度低的问题,提出用F-score对提取的齿轮箱微小故障的特征进行选择,筛选出最优特征组合剔除冗余特征,避免特征冗余。最后,针对支持向量机的参数设置固定化、经验化导致的模型分类精度不高和普适性低的问题,提出利用粒子群算法优化支持向量机的惩罚系数和不敏感因子,解决了支持向量机参数设置固定导致的模型分类精度低的问题。文章最后对本文的研究工作进行了总结并对齿轮箱微小故障诊断技术的研究进行了展望。