基于滤波技术和粒子群优化的齿轮箱故障诊断研究

论文摘要

由于齿轮箱在运转过程中箱体产生振动或复杂环境噪声等因素的影响,使传感器采集到的振动信号中除了含有有用的故障信息外还有噪声的干扰,不利于对故障信号进行分析和诊断。本文从这点出发,首先介绍了齿轮箱故障诊断的背景、意义以及目前诊断方法的现状,之后提出分别将自适应滤波技术和粒子滤波技术应用于齿轮箱振动信号的预处理上,提取故障特征信息,最后用经过粒子群优化算法优化的BP神经网络对齿轮箱的故障作出诊断,并通过在实验室搭建一套完整的齿轮箱故障诊断系统证明了此方法可以很好的对齿轮箱的故障作出正确诊断。本文在研究了几种主要的自适应滤波算法后,提出了一种基于相关双曲正切函数的LMS算法（CTanh-LMS算法）,在仿真的基础上将此算法应用于齿轮箱故障特征的提取中,结果证明通过此方法可以得到明显的故障特征,并且算法十分简单、收敛速度快,完全可以满足齿轮箱振动信号的消噪要求。另外,针对齿轮箱系统的非线性非高斯特性,提出了用粒子滤波算法对信号进行消噪的基本实现步骤,并通过仿真实验说明粒子滤波算法可以大幅提高信号的信噪比,对含噪信号起到了很好的消噪作用。本文还对粒子群优化（PSO）算法进行了研究,并将此算法和BP神经网络相结合,利用粒子群优化算法调节和优化全局性网络参数,用神经网络学习方法优化具有局部性的参数,将二者结合来用于齿轮箱的故障诊断。试验的结果表明,本文提出的将自适应滤波消噪技术、粒子滤波消噪技术这两种用于信号预处理的方法分别和粒子群优化神经网络技术相结合,运用在齿轮箱的故障诊断上,能够得到较理想的故障诊断结果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的意义和背景
• 1.2 齿轮箱故障诊断技术的研究现状
• 1.3 滤波技术的研究现状
• 1.4 粒子群优化技术的研究现状
• 1.5 本论文的主要研究内容
• 2 自适应滤波消噪技术
• 2.1 自适应滤波器
• 2.1.1 自适应滤波器的组成
• 2.1.2 自适应滤波器的原理
• 2.1.3 性能参数分析
• 2.1.4 自适应滤波器的典型应用
• 2.2 自适应滤波算法
• 2.2.1 自适应滤波算法种类
• 2.2.2 LMS自适应算法分析
• 2.2.3 基于双曲正切函数的LMS算法
• 2.3 仿真与结果分析
• 2.4 小结
• 3 粒子滤波技术
• 3.1 贝叶斯滤波原理
• 3.2 卡尔曼滤波理论
• 3.3 扩展卡尔曼滤波理论
• 3.4 无迹卡尔曼滤波理论
• 3.5 粒子滤波理论
• 3.5.1 贝叶斯重要性采样
• 3.5.2 序贯重要性采样
• 3.5.3 重采样
• 3.5.4 粒子滤波的收敛性
• 3.5.5 粒子滤波算法步骤
• 3.7 仿真与结果分析
• 3.8 小结
• 4 粒子群优化算法
• 4.1 粒子群算法简介
• 4.1.1 基本粒子群算法
• 4.1.2 标准粒子群算法
• 4.1.3 离散粒子群算法
• 4.2 粒子群算法拓扑结构
• 4.3 算法的收敛性分析
• 4.4 参数设置
• 4.5 基于粒子群优化的BP神经网络
• 4.5.1 神经网络的结构和基本特征
• 4.5.2 BP神经网络故障诊断系统
• 4.5.3 仿真与结果分析
• 4.6 小结
• 5 齿轮箱故障诊断实验
• 5.1 齿轮箱故障诊断机理及特征信号分析
• 5.1.1 齿轮振动机理及失效
• 5.1.2 轴承振动机理及失效
• 5.1.3 齿轮箱振动信号特征分析及方法
• 5.2 载荷识别在故障诊断中的应用
• 5.2.1 齿轮箱载荷识别原理
• 5.2.2 频响函数求逆载荷识别方法
• 5.2.3 载荷识别中系统的建模与识别
• 5.2.4 理论验证与实验分析
• 5.3 齿轮箱故障诊断实验安排
• 5.3.1 实验设备
• 5.3.2 实验设计方案
• 5.3.3 信号采集
• 5.4 自适应滤波在故障诊断中的应用
• 5.5 粒子滤波在故障诊断中的应用
• 5.6 粒子群优化神经网络对齿轮箱进行故障诊断
• 5.7 小结
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读博士学位期间发表的论文及所取得的研究成果
• 致谢