基于改進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部件在機械設(shè)備長期運轉(zhuǎn)的過程中會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，對齒輪箱進行定期的故障診斷與狀態(tài)分類是保證設(shè)備正常運行的必要措施。然而，在實際操作過程中無法直接獲取齒輪箱的振動信號，需要通過信號處理技術(shù)將被各種噪聲覆蓋的真實信號提取出來。所以，在對齒輪箱進行故障診斷和分類之前振動信號的降噪預(yù)處理過程是非常關(guān)鍵的。
　　粒子濾波作為一種信號處理方法在信號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)問題時該算法的優(yōu)勢更為突出。粒子濾波算法是一種建立在蒙特卡羅模擬基礎(chǔ)上使貝葉斯估計達到最優(yōu)的濾波方法，其基本原理是利用樣本粒子來模擬給定系統(tǒng)的當(dāng)前狀態(tài)并隨時間的推移確定各時刻不同狀態(tài)下系統(tǒng)對應(yīng)的粒子樣本，從而得到近似于系統(tǒng)狀態(tài)的后驗概率分布。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)測誤差積累效應(yīng)導(dǎo)致系統(tǒng)發(fā)散等問題，對處理含有噪聲的信號產(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)對粒子濾波的采樣過程進行訓(xùn)練和優(yōu)化。該改進算法更新了各粒子狀態(tài)，提高先驗概率密度分布估計精度，消除過程噪聲引起的估計誤差，同時也避免了粒子匱乏，使粒子濾波的性能得到了提升。
　　針對齒輪箱振動信號表現(xiàn)出的非線性特點，在其故障診斷中本文采用了粒子濾波技術(shù)對信號進行預(yù)處理。通過建立振動信號概率模型，對粒子濾波算法中的相