基于数据驱动的行星齿轮箱故障诊断方法研究.pdf

《基于数据驱动的行星齿轮箱故障诊断方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、论文题目基于数据驱动的行星齿轮箱故障诊断方法研究学科专业检测技术与自动化装置学号200810702011作者姓名刘志亮指导教师徐红兵教授万方数据分类号密级注1UDC学位论文基于数据驱动的行星齿轮箱故障诊断方法研究（题名和副题名）刘志亮（作者姓名）指导教师徐红兵教授电子科技大学成都（姓名、职称、单位名称）申请学位级别博士学科专业检测技术与自动化装置提交论文日期2013.3.18论文答辩日期2013年5月31日学位授予单位和日期电子科技大学2013年6月日答辩委员会主席黄洪钟评阅人林建辉、苗强、刘宇、褚福磊、邵毅敏注1：注明《国际十进分类法UDC》的

2、类号。万方数据DATA-DRIVENFAULTDIAGNOSISFORPLANETARYGEARBOXESADoctorDissertationSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:DetectionTechnologyandAutomationEngineeringAuthor:ZhiliangLiuAdvisor:Prof.HongbingXuSchool:SchoolofAutomationEngineering万方数据独创性声明本人声明所呈交的学

3、位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名：日期：年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影

4、印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名：导师签名：日期：年月日万方数据摘要摘要行星齿轮箱能够在一个紧凑的空间结构中获得高扭矩比，它广泛应用于工程机械、风力发电和直升机等领域。行星齿轮箱通常由多个行星轮、太阳轮、齿圈和行星架组成。行星轮不但需要自转，而且围绕太阳轮公转，这种特殊物理结构决定了其故障诊断存在自身的特点和难点。具体来说，行星齿轮箱振动传输路径复杂，多齿啮合导致振动响应时而增强时而抑制，振动响应成分复杂且具有非平稳性，故障信号极易淹没在噪声等不相干信号中。因此，针对定轴齿轮箱的故障诊断技

5、术在行星齿轮箱上往往难以奏效。鉴于其在机械传动系统中的重要地位，开展行星齿轮箱故障诊断方法研究对于保障机械传动系统的可靠运行和降低维护及停机造成的经济成本具有积极意义。由于行星齿轮箱自身的复杂结构，对其精确建模困难重重。已有模型通常建立在诸多假设条件之上，无法描述所有细节，进而一些未知未建模动态使得简化模型难以精确反映行星齿轮箱在真实工况中的动态响应。数据驱动方法无需物理建模，根据故障实验和历史数据寻找并发现故障规律，进而判别系统的健康状态。基于数据驱动故障诊断方法通常包括故障实验设计、数据采集、数据清理、特征提取、特征集降维和模型建立。本文研究

6、了基于数据驱动的行星齿轮箱故障诊断技术，主要工作和贡献包括：1.深入研究了基于数据驱动的故障诊断方法中的降维技术，从不同角度提出了三种降维算法，同时指出了降维技术的重要性和必要性。（1）从核化分类算法的需求出发，提出了一种核空间上的特征排序准则。通过测量核空间的余弦相似度，采用类分离度评估特征在故障诊断中的有效性。对比研究结果表明，该算法能够合理地评价故障特征，快速为核化分类算法（例如SVM）实现特征选择。（2）从单一特征有效性准则的局限性出发，提出了一种基于多准则融合的特征选择算法。该算法能够从有效性、相关性和分类能力三个方面更加全面地评价特征

7、。有效性准则用来评估特征的推广性，相关性准则用来降低特征子集的冗余度，而分类能力准则用来保证特征子集获得的分类准确率高。研究结果表明，与单一准则相比，这种多准则融合算法能够更加全面和准确地评估故障特征，因此获得的分类准确率高。I万方数据摘要（3）特征选择和特征变换是两种主流的降维技术。针对两种降维技术的优缺点，根据“扬长避短”的思想，提出了一种结合特征选择和特征变换的混合降维算法。特征选择能够减少整个模型输入特征的维度，而特征变换能够降低分类器输入特征的维度。同时，该算法基于核化法，因此能够辨识和利用非线性特征。研究结果表明，与单独使用特征选择或

8、特征变换算法相比，这种混合降维算法能够结合两种技术的优点，实现更大的特征压缩比，获得具有更大单位信息量的故障特征。2.深入研究了SVM中