旋轉(zhuǎn)機(jī)械故障識(shí)別與智能診斷研究.pdf

1、旋轉(zhuǎn)機(jī)械內(nèi)部結(jié)構(gòu)復(fù)雜，涉及到較多零部件。其中最容易發(fā)生故障的旋轉(zhuǎn)類機(jī)械部件故障占設(shè)備總體故障比例的70％，而其中齒輪工況問(wèn)題引起的旋轉(zhuǎn)機(jī)械故障占六成。運(yùn)行中的旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)有非周期、非平穩(wěn)特性，傳統(tǒng)的分析方法有較低故障提取和故障診斷的效率。如何有效提取信息并且進(jìn)行故障診斷變得尤為重要，因此，文中的主要研究?jī)?nèi)容如下：
　　首先，以旋轉(zhuǎn)機(jī)械常見故障類型為例介紹故障診斷產(chǎn)生的原因，介紹了齒輪振動(dòng)機(jī)理。并介紹了搭建變速器故障試驗(yàn)臺(tái)和減

2、速機(jī)故障試驗(yàn)臺(tái)的所需設(shè)備。介紹了振動(dòng)信號(hào)常用的分析方法。
　　其次，介紹了經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）算法，并介紹了平均經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法與EMD算法的關(guān)聯(lián)性，以及在模糊熵情況下提取故障特征向量，并進(jìn)行變速器故障診斷研究。
　　然后，介紹了EMD算法中產(chǎn)生端點(diǎn)效應(yīng)原因，在端點(diǎn)問(wèn)題下形成IM

3、F分量造成不正常的情況。研究了廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）算法以及GRNN在端點(diǎn)預(yù)測(cè)中的應(yīng)用，又研究了邊界局部特征尺度延拓法（Boundary Local Characteristic-scale Continuation，BLCC）以及優(yōu)化方法并融合于EMD算法。并對(duì)比未采用優(yōu)化算法情況下，對(duì)優(yōu)化變速器故障數(shù)據(jù)的優(yōu)勢(shì)。
　　再次，介紹了小波分析理論和第二

4、代小波理論，研究了相鄰系數(shù)降噪法原理，以及融合于第二代小波分解。將研究的方法應(yīng)用于減速機(jī)故障實(shí)驗(yàn)數(shù)據(jù)，在減速機(jī)中的故障特征頻率容易提取。
　　最后，介紹了支持向量機(jī)（Support Vector Machine，SVM）原理、線性支持向量機(jī)原理和非線性支持向量機(jī)原理。介紹支持向量機(jī)核函數(shù)的選擇，并采用遺傳算法獲取核函數(shù)參數(shù)的優(yōu)勢(shì)，研究結(jié)合 SVM在小樣本上分類的不錯(cuò)效果。將本文中討論的算法應(yīng)用于變速器和減速機(jī)為對(duì)象的旋轉(zhuǎn)機(jī)械故障實(shí)