基于EMD的齒輪箱故障特征提取方法研究.pdf

1、隨著工業(yè)技術的高速發(fā)展，齒輪箱越來越受到人們的普遍關注。汽車、機車及船舶的運轉都離不開它。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)對機械設備的正常運轉起到了關鍵的作用。
　　文章由傳統(tǒng)的測振方法引出本文的工作重點。先對一般的時頻分析法進行了介紹，在此基礎上將小波分解法應用到信號的消噪中，相比傅利葉消噪具有明顯優(yōu)勢。針對機械故障數據的信息量大等特點，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方法應用到實際故障診斷中。
　　本文的主要工作包括:
　　(1)本文分析了傳統(tǒng)時頻分析法在振動信號中的應用，并指出了不能處理非平穩(wěn)、非線性信號的關鍵問題。在此基礎上介紹了新的方法——Hilbert-Huang變換，對模擬信號進行了經驗模態(tài)分解（Empirical Mode Decomposition，簡稱EMD），同時經過Hilbert-Huang變換得到了Hilbert邊際譜和HHT譜。
　　(2)

3、將支持向量機（Support Vector Machine，簡稱SVM）引入齒輪箱的故障診斷中，構建SVM網絡模型。介紹了EMD分解中內稟能量熵的定義，當齒輪箱發(fā)生故障時，其振動信號的能量也會發(fā)生變化。不同頻率成分的能量改變構成了不同的故障形式，因此可根據能量熵的不同來進行構架SVM網絡，從而進行分類。
　　(3)針對故障數據處理難，引入一種基于EMD的時域特征提取方法——主分量分析法(principal components a

4、nalysis，簡稱PCA)，它的基本思想是尋找方差最小方向，以此來進行數據的約簡和降維。針對工程中需要對系統(tǒng)進行故障監(jiān)測和跟蹤的研究，本文引入智能分析理論——神經網絡系統(tǒng)。用主分量分析法進行分析并結合譜圖進行故障診斷。經過處理，得12組分量。以前4組主分量數據（1-4振動數據）為測試樣本子集，以其余的8組數據為訓練樣本子集，進行BP神經網絡的訓練和預測。結果為目標輸出與實際輸出的相關系數R=0.913，預測點基本符合實際點。