基于DSP和分层时序记忆的齿轮箱故障诊断系统

论文摘要

齿轮箱是机械设备中广泛使用的关键部件,对齿轮箱进行实时监测和故障诊断对于工业生产具有重大的经济和安全意义。本文以齿轮箱为研究对象,使用DSP处理器开发了一种在线监测诊断系统,并将分层时序记忆算法应用于齿轮箱常见故障的诊断识别中,旨在检测该方法在齿轮箱故障诊断上的使用效果。嵌入式故障诊断系统基于嵌入式硬件平台,将信号采集、数据处理与特征提取、故障分类识别集成于一体在嵌入式硬件平台上执行,可以实现自动故障诊断和多种通信方式。本系统以TI公司的DSP—TMS320F2812为核心处理器,并集成了采集和通信模块电路。该系统可以实现模拟量采集、数字量输入输出和转速测量功能,同时也具有以太网通信、GSM网络通信和CAN总线通信功能。为了实现在线数据处理,系统嵌入了基于DSP的FIR数字滤波、FFT功率谱、细化谱分析、希尔伯特包络和小波分析处理算法。最后,故障诊断的特征提取函数也被嵌入到了DSP上以实现齿轮箱故障特征量自动提取。本文介绍了分层时序记忆(HTM)算法的原理和结构,并以齿轮箱故障诊断为实验基础进行了算法测试。实验首先将齿轮箱多个测点所提取出来的特征量进行了融合,并转化为位图格式以满足HTM的输入要求,然后设计了一个HTM区域来进行各工况下的输入位图模式学习。当HTM区域能够对各工况的输入位图产生稳定的稀疏分布表征后,就计算区域的条件概率矩阵来实现故障诊断工作。系统使用VC编写了分层时序记忆的算法程序,结合前端DSP诊断模块成为一个完整的故障诊断系统。实验结果表明本系统能够准确的诊断出故障,而且采用分层时序记忆算法使系统具备在线学习、多传感器融合和实时预测的优点。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究齿轮箱故障诊断系统的意义
• 1.2 国内外研究现状
• 1.2.1 硬件平台构建与驱动
• 1.2.2 数据处理与特征提取
• 1.2.3 HTM 理论发展与应用
• 1.3 本文研究的主要内容
• 第二章 齿轮箱常见故障及信号特征
• 2.1 齿轮的故障机理和信号特征
• 2.1.1 齿轮传动的动态激励模型
• 2.1.2 齿轮常见故障
• 2.1.3 齿轮故障振动信号特征
• 2.2 轴承的故障类型和信号特征
• 2.2.1 滚动轴承常见故障
• 2.2.2 滚动轴承振动机理与信号特征
• 2.3 齿轮箱振动信号的时频域特征值
• 2.3.1 时域分析及常用特征值
• 2.3.2 频域分析及常用特征值
• 第三章 HTM的皮层学习算法
• 3.1 HTM 原理
• 3.1.1 层级结构
• 3.1.2 区域结构
• 3.1.3 稀疏分布式表征
• 3.1.4 HTM 的学习功能
• 3.1.5 HTM 的感知功能
• 3.1.6 HTM 的预测功能
• 3.2 HTM 神经元结构
• 3.2.1 近端树突
• 3.2.2 远端树突
• 3.2.3 突触
• 3.2.4 神经元
• 第四章 DSP系统的设计
• 4.1 系统总体结构设计
• 4.1.1 模拟量采集
• 4.1.2 转速测量
• 4.1.3 SD 卡存储与文件系统
• 4.1.4 以太网接口和 GSM 无线网络通信
• 4.1.5 CAN 总线通信
• 4.2 基于DSP 的数据处理和特征提取算法
• 4.2.1 FIR 数字滤波
• 4.2.2 FFT 功率谱
• 4.2.3 基于复解析带通滤波的细化谱分析
• 4.2.4 希尔伯特包络解调谱
• 4.2.5 在线小波分解与重构
• 4.3 DSP 系统程序执行流程
• 第五章 基于 HTM的故障分类识别
• 5.1 实验设备与故障类型
• 5.2 特征提取和转化
• 5.2.1 特征量选取
• 5.2.2 特征量转化
• 5.3 HTM 结构设计和运行机理
• 5.3.1 HTM 运行关键部件
• 5.3.2 HTM 学习机理
• 5.3.3 空间分类器详解
• 5.3.4 时间分类器简介
• 5.4 空间分类器在齿轮箱故障诊断中的实例应用
• 5.4.1 初始化
• 5.4.2 计算各神经柱激活值
• 5.4.3 抑制
• 5.4.4 学习
• 5.4.5 基于条件概率的故障诊断
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 攻读硕士学位期间发表的学术论文及所取得的研究成果
• 致谢