基于改進(jìn)粒子濾波的齒輪箱故障診斷與狀態(tài)分類的研究.pdf

1、齒輪箱作為一種傳動(dòng)部件在機(jī)械設(shè)備長(zhǎng)期運(yùn)轉(zhuǎn)的過(guò)程中會(huì)遭受一系列因素的影響，從而導(dǎo)致其經(jīng)常發(fā)生故障。因此，對(duì)齒輪箱進(jìn)行定期的故障診斷與狀態(tài)分類是保證設(shè)備正常運(yùn)行的必要措施。然而，在實(shí)際操作過(guò)程中無(wú)法直接獲取齒輪箱的振動(dòng)信號(hào)，需要通過(guò)信號(hào)處理技術(shù)將被各種噪聲覆蓋的真實(shí)信號(hào)提取出來(lái)。所以，在對(duì)齒輪箱進(jìn)行故障診斷和分類之前振動(dòng)信號(hào)的降噪預(yù)處理過(guò)程是非常關(guān)鍵的。
　　粒子濾波作為一種信號(hào)處理方法在信號(hào)的濾波降噪方面具有良好的效果，尤其是在處理

2、非高斯非線性系統(tǒng)問(wèn)題時(shí)該算法的優(yōu)勢(shì)更為突出。粒子濾波算法是一種建立在蒙特卡羅模擬基礎(chǔ)上使貝葉斯估計(jì)達(dá)到最優(yōu)的濾波方法，其基本原理是利用樣本粒子來(lái)模擬給定系統(tǒng)的當(dāng)前狀態(tài)并隨時(shí)間的推移確定各時(shí)刻不同狀態(tài)下系統(tǒng)對(duì)應(yīng)的粒子樣本，從而得到近似于系統(tǒng)狀態(tài)的后驗(yàn)概率分布。該算法可用于分析不受限制的狀態(tài)空間模型系統(tǒng)。由于傳統(tǒng)的粒子濾波算法存在粒子貧乏以及預(yù)測(cè)誤差積累效應(yīng)導(dǎo)致系統(tǒng)發(fā)散等問(wèn)題，對(duì)處理含有噪聲的信號(hào)產(chǎn)生了一定的影響，故本文將徑向基函數(shù)網(wǎng)絡(luò)(R

3、adial Basis Function Network，簡(jiǎn)稱RBFN)學(xué)習(xí)算法引入粒子濾波方法中，利用徑向基函數(shù)網(wǎng)絡(luò)對(duì)粒子濾波的采樣過(guò)程進(jìn)行訓(xùn)練和優(yōu)化。該改進(jìn)算法更新了各粒子狀態(tài)，提高先驗(yàn)概率密度分布估計(jì)精度，消除過(guò)程噪聲引起的估計(jì)誤差，同時(shí)也避免了粒子匱乏，使粒子濾波的性能得到了提升。
　　針對(duì)齒輪箱振動(dòng)信號(hào)表現(xiàn)出的非線性特點(diǎn)，在其故障診斷中本文采用了粒子濾波技術(shù)對(duì)信號(hào)進(jìn)行預(yù)處理。通過(guò)建立振動(dòng)信號(hào)概率模型，對(duì)粒子濾波算法中的相