基于D-S證據理論的多模型融合齒輪早期故障智能診斷方法研究.pdf

1、齒輪箱是一種量大面廣的機械設備關鍵性基礎部件，也是最易損壞的零部件之一，其運行狀況直接影響到整個機器或機組設備的安全運行，因此，如何能盡早發(fā)現齒輪系統的早期故障，做到合理組織安排設備的維修，避免發(fā)生重大安全事故，造成重大的經濟損失具有重大意義。機械設備的振動信號蘊含著系統（正常、故障）狀態(tài)的信息，各種類型故障也有一定的規(guī)律可循，因此，采用振動信號對大型、關鍵機組運行狀態(tài)監(jiān)測和故障診斷是目前設備管理維護的主要手段。由于受齒輪傳動振動響應和

2、環(huán)境噪聲的影響，齒輪早期故障的微弱信號往往被其他成分或環(huán)境噪聲淹沒，故障信號具有復雜的非線性、非平穩(wěn)特性，采用傳統的基于平穩(wěn)信號假設的信號處理方法很難對其取得準確診斷，因此，研究有效去噪、消噪信號預處理技術和非平穩(wěn)信號處理方法對設備故障診斷具有非常大的意義。小波分析和經驗模態(tài)分解（EMD）是近年來發(fā)展起來的兩種處理非平穩(wěn)信號的時頻方法，小波閾值去噪，形態(tài)濾波，奇異值分解技術是幾種應用較多的去噪方法，兩種時頻方法與幾種去噪方法相融合，被廣

3、泛應用于信號檢測，機械故障診斷等工程領域。同時，隨著設備向著高速度、高功率、高可靠性、大型化/微型、智能化、集成化的方向發(fā)展，使得傳統的設備故障診斷方法和單一智能診斷方法已不能完全滿足設備狀態(tài)復雜性的需求，將多種智能診斷方法相融合的智能診斷技術是目前研究的熱點方向。因此，本文對齒輪系統動力學和故障形成機理、小波分析理論、小波閾值去噪和重分配小波譜奇異值去噪、Hilbert-Huang變換理論、D-S證據理論、遺傳算法-BP神經網絡，模糊

4、優(yōu)化理論研究的基礎上，提出了基于D-S證據理論的多模型融合齒輪早期故障智能診斷方法，分析齒輪典型故障信號的結果驗證了該方法的有效性。對齒輪故障診斷提供了依據。
　　本研究主要內容包括：⑴建立了考慮摩擦、時變剛度、齒側間隙的具有偏心直齒輪摩擦-間隙齒輪振動模型，分析考慮摩擦、齒側間隙、偏心質量時的齒輪動力學行為以及它們的頻譜特征。⑵提出了基于shannon熵優(yōu)化TBP參數的重分配小波尺度譜進行SVD降噪方法，通過仿真信號分析發(fā)現該方

5、法具有比小波尺度譜、重分配小波尺度譜更好的時頻聚集性，且其時頻分辨率能夠同時實現最佳，具有更高的時頻分布可讀性。因此，該方法能夠識別出強噪聲背景下的機械早期故障微弱信號成分，為強噪聲背景下機械早期故障微弱信號的去噪、消噪以及特征提取和故障診斷奠定了一定的理論基礎。⑶將經驗模式分解（EMD）方法和分形維數融合，提出了基于小波閾值去噪和EMD分形融合故障診斷方法，列出了基于EMD的分形維數的具體步驟。并將該方法應用于齒輪傳動齒面磨損、斷齒故