论文部分内容阅读
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(Nuisance Attribute Projection,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(Ensemble Empirical Mode Decomposition,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测效果。通过齿轮箱振动信号证明了该方法在小样本故障诊断中的有效性。