学位论文 > 优秀研究生学位论文题录展示

基于SVM的齿轮箱故障智能诊断技术研究

作　者: 于宪军
导　师: 郭瑜
学　校: 昆明理工大学
专　业: 机械工程
关键词: 齿轮箱特征提取谱峭度遗传算法支持向量机
分类号: TH165.3
类　型: 硕士论文
年　份: 2013年
下　载: 5次
引　用: 0次
阅　读: 论文下载

内容摘要

旋转机械在机械设备中占很大比重,而齿轮箱又为旋转机械的重要变速传动部件之一,其运行正常与否关系到整台机器的工作状况。由于齿轮箱特殊的工作环境,其部件容易受到损坏而出现故障。因此以齿轮箱作为机械设备故障诊断与状态监测的研究对象具有较好的现实意义。故障智能诊断是一门涉及多个领域技术,并且正在发展的新兴综合学科,虽然许多方法和理论已被研究多年,但完整的故障智能诊断的理论还并未成熟,许多问题尚有待于进一步探索和研究。本论文结合企业需求,围绕齿轮箱故障诊断展开,研究齿轮箱典型故障,如齿轮故障、轴承故障的产生机理以及诊断方法,对故障特征提取进行研究,最后通过支持向量机(Support Vector Machine, SVM)实现齿轮箱的故障智能诊断。在故障特征提取技术方面,论文研究了能有效提取故障特征信息的谱峭度包络分析技术,利用AR模型对齿轮箱故障信号进行预白化处理,得到冲击故障增强信号。然后使用基于复平移Morlet小波和谱峭度的改进包络分析方法对故障增强信号进行特征提取。最后以故障特征频率为中心频率,对带宽50Hz内的各频带进行包括能量、峰值、峭度值等的故障特征值提取,将提取的特征值形成矩阵,作为SVM的特征矩阵。在故障智能诊断技术方面,论文研究了遗传算法(Genetic Algorithm, GA)参数寻优方法以及SVM的分类原理。结合交叉验证(Cross Validation, CV)方法,将CV意义下的准确率作为GA中的适应度函数值,利用GA对SVM中的参数进行优化,有效地避免了过学习和欠学习状态的发生,最终对于测试集的预测得到较理想的准确率。仿真和实际测试试验结果验证了该方法的有效性。

全文目录

摘要  5-6
Abstract  6-11
第一章绪论  11-17
  1.1 课题研究背景及意义  11-13
    1.1.1 课题来源  11
    1.1.2 课题研究背景  11-12
    1.1.3 课题研究意义  12-13
  1.2 故障诊断技术国内外研究概况  13-15
  1.3 论文主要研究内容与结构安排  15-17
    1.3.1 主要研究内容  15
    1.3.2 论文结构安排  15-17
第二章齿轮箱故障诊断基础  17-29
  2.1 齿轮故障诊断基础  17-23
    2.1.1 齿轮常见失效形式及原因  18-19
    2.1.2 齿轮振动机理及振动特征频率  19-23
  2.2 滚动轴承故障诊断基础  23-27
    2.2.1 滚动轴承常见失效形式及原因  23-25
    2.2.2 滚动轴承振动机理及振动特征频率  25-27
  2.3 齿轮箱故障诊断方法  27-28
    2.3.1 齿轮故障振动诊断方法  27-28
    2.3.2 滚动轴承故障振动诊断方法  28
  2.4 本章小结  28-29
第三章基于谱峭度的包络特征提取  29-45
  3.1 谱峭度理论与定义  29-30
  3.2 基于小波变换的谱峭度计算  30-32
    3.2.1 小波变换  30-31
    3.2.2 复平移Morlet小波  31
    3.2.3 基于复平移Morlet小波的谱峭度计算  31-32
  3.3 谱峭度快速计算方法  32-34
  3.4 基于谱峭度的包络分析  34-39
    3.4.1 基于AR模型的冲击振动增强  35
    3.4.2 包络分析  35-36
    3.4.3 基于谱峭度的包络分析算法  36-39
  3.5 故障特征参数的提取  39
  3.6 仿真实验验证  39-44
  3.7 本章小结  44-45
第四章基于SVM的故障智能诊断技术研究  45-61
  4.1 机器学习问题的描述  46-49
    4.1.1 机器学习模型  46-47
    4.1.2 主要的学习问题  47
    4.1.3 经验风险最小化原则  47-48
    4.1.4 复杂性与推广能力  48-49
  4.2 统计学习理论  49-53
    4.2.1 学习过程的一致性理论  49-50
    4.2.2 VC维  50-51
    4.2.3 推广性的界  51-52
    4.2.4 结构风险最小化原则  52-53
  4.3 支持向量机  53-57
    4.3.1 SVM的基本原理  53-54
    4.3.2 最优超平面  54-55
    4.3.3 SVM的几何解释  55-56
    4.3.4 核函数  56-57
  4.4 遗传算法  57-58
  4.5 基于GA的改进SVM算法  58-60
  4.6 本章小结  60-61
第五章试验研究及结果分析  61-83
  5.1 仿真试验  61-68
  5.2 实测试验方案设计  68-69
  5.3 实测试验过程  69-82
    5.3.1 试验设备  69-70
    5.3.2 传感器标定  70-72
    5.3.3 传感器安装  72-73
    5.3.4 数据采集  73
    5.3.5 试验数据分析  73-79
    5.3.6 与PSO参数寻优方法的比较  79-82
  5.4 本章小结  82-83
第六章结论与展望  83-85
  6.1 研究结论  83-84
  6.2 存在的不足与展望  84-85
    6.2.1 存在的主要问题  84
    6.2.2 展望  84-85
致谢  85-87
参考文献  87-91

基于SVM的齿轮箱故障智能诊断技术研究

内容摘要

全文目录

相似论文