基于经验模态分解技术的齿轮早期故障诊断研究开题报告

 2020-02-10 10:02
1.目的及意义(含国内外的研究现状分析)

1.1目的及意义

随着现代工业的发展及机械自动化程度的提高,一些大型旋转机械设备应用越开越广泛,制造业面临着巨大的压力,需要不断减少或消除意外停机和昂贵的故障检修费用。所以故障诊断技术越来越受到各个国家的重视。早在1967年美国国家宇航局就创立了美国机械故障预防小组。致力于设备诊断技术的开发应用工作。由于此项技术的应用产生了巨大的经济效益,从而得到快速的发展[1]

在传统信号处理分析中,根据工程实际需要,我们将信号表达为时间变量和频率变量的二元复合函数,即为信号的时频表示[2]。1998年,美籍华人Norden E.Huang等在深入研究瞬时频率概念的基础上,提出了一种不同于传统信号分析处理的方法—经验模态分解(Empirical Mode Decomposition,简称EMD)[1]方法是信号处理的一种有效的时频处理手段,是进行希尔伯特变换(Hilbert Transform)的基础,它可以把复杂的非平稳、非线性信号分解为窄带的内禀模态函数(IMF Intrinsic Mode Function,简称IMF)之和,每一个IMF所包含的频率成分不仅与分析频率有关,而且随信号本身的变化而变化,具有自适应的特点,具有很高的信噪比。Hilbert谱表示信号完整的时频分布,使得信号的瞬时频率具有了物理意义,因此广泛应用于地球物理学、生物医学、结构分析、设备故障诊断等多个科学研究领域[3]

本文正是在这个行业背景下对经验模态分解技术在齿轮故障检测的应用中展开研究。

1.2 EMD国内外研究现状

经验模态分解作为一种重要的信号时频分析方法之一,自被提出以来,它为信号处理领域开辟了一个新途径,在短短的几年内得到了广泛应用。

国内中北大学张安安等人提出了EMD-SVD与概率神经网络相结合的故障诊断方法[4]。中国计量大学的王强等人提出了一种经验模态以近似熵相结合的观览车轴承故障诊断方法[5]。西安航空职业技术学院的刘强提出了一种将经验模态分解技术与隐马尔可夫相互之间进行联系的故障问题进行诊断的方法[6]。浙江大学的胡劲松博士将该方法应用于旋转机械的故障诊断中,取得了较好的效果[3]。同时也出现了EMD方法与其它信号处理方法相结合的发展趋势,例如,西安交通大学何正嘉等人将EMD和神经网络相结合,提出了一种新的机械故障诊断模型,并采用轴承试验进行了验证;贾嵘等人提出基于最小二乘支持向量机回归的HHT,并成功应用在水轮发电机组故障诊断中[7,8]

您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;