变工况下的齿轮箱归一化特征参数提取及其故障诊断

《变工况下的齿轮箱归一化特征参数提取及其故障诊断》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、学校代号10532学号S150200247分类号TH165.3密级公开硕士学位论文变工况下的齿轮箱归一化特征参数提取及其故障诊断学位申请人姓名王健培养单位机械与运载工程学院导师姓名及职称程军圣教授学科专业机械工程研究方向设备状态监测与故障诊断论文提交日期2018年4月20日学校代号：10532学号：S150200247密级：公开湖南大学硕士学位论文变工况下的齿轮箱归一化特征参数提取及其故障诊断（国家自然科学基金项目,项目号:51575168）学位申请人姓名：王健导师姓名及职称：程军圣教授培养单位：机械与运载工程学院专业名称：机械工程论文提交日期：2

2、018年4月20日论文答辩日期：2018年5月27日答辩委员会主席：于德介教授NormalizedCharacteristicParametersExtractionandFaultDiagnosisofGearboxunderVariableOperatingConditionsbyWangJianB.E.(HunanUniversityatChangsha)2015AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineeringinMe

3、chanicalEngineeringintheGraduateSchoolofHunanUniversitySupervisorProfessorCHENGJunshengMay,2018湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解

4、学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密□，在______年解密后适用本授权书。2、不保密□√。(请在以上相应方框内打“√”)作者签名：日期：年月日导师签名：日期：年月日I变工况下的齿轮箱归一化特征参数提取及其故障诊断摘要齿轮箱作为主要的传动部件广泛应用于各类旋转机械。随着自动化，智能化水平的提高，对齿轮箱的智能故障诊断提出了

5、更高的要求。变工况故障诊断的关键是提取到的特征值不随工况发生变化，只与故障类型和程度相关，而常用的特征值都很难取得满意的效果。冗余属性投影（NuisanceAttributeProjection，NAP）作为一种通道补偿技术最早应用于语音处理。NAP能够最大程度的消除工况对特征值的影响，将常用的特征值投影之后便能够进行有效的故障识别。因此，本文在研究总体经验模态分解方法（EnsembleEmpiricalModeDecomposition，EEMD）的基本理论与应用的基础上，提出了改进的EEMD方法，并将改进的EEMD、NAP、迁移学习等方法相结合

6、应用于变工况下的齿轮箱故障诊断。论文主要的研究内容有：（1）提出了改进的EEMD方法。针对EEMD方法的参数选取缺乏自适应性的问题提出了改进的EEMD方法。首先分析了白噪声的最大频率对信号包络的影响，把白噪声幅值和最大频率作为改进EEMD方法的参数。该方法将总体平均次数固定为2，然后确定噪声幅值和最大频率的分析范围和步长，遍历之后得到不同噪声幅值和最大频率下的分解结果，最后计算分解结果的正交性指标得到最优参数和最终分解结果。通过仿真和实验信号证明该方法能更好的抑制模态混淆。（2）提出了基于NAP的变工况故障诊断方法。该方法首先通过改进的EEMD方法

7、分解信号之后提取多个特征值组成特征矩阵，然后将特征矩阵通过NAP进行投影之后去除与工况相关的部分，最后把投影之后的特征值训练神经网络进行故障识别。通过仿真和实验信号验证了该方法在变工况故障诊断中的有效性。（3）提出了基于工况特征的变工况故障诊断方法。该方法将工况当成特征值与其余常用的特征值一起训练，建立工况、特征值、故障三者之间的关系模型之后用于故障识别。通过齿轮箱振动信号验证了该方法的有效性。（4）提出了基于迁移学习的小样本故障诊断方法。该方法将多个相近工况下的样本作为辅助样本，与少量目标工况下的样本一起训练，然后将训练之后的模型用于故障识别。进

8、一步针对迁移学习的负迁移问题提出了改进的迁移学习方法。通过计算辅助样本的可迁移度进行样本筛选之后用于迁移学习能取得更好的预