多转子轴承层次化智能诊断及故障早期预示方法研究

发布时间：2017-11-14 00:28

  本文关键词：多转子轴承层次化智能诊断及故障早期预示方法研究

  更多相关文章： 多转子轴承 滤波去噪 特征提取及选择 最优特征参数集 模式识别 故障预测 智能故障诊断系统

【摘要】：随着机械化的发展,现代机械设备之间联系紧密,发动机作为现代设备的动力装置,有着复杂的系统结构,其发展趋势向着高转速方向发展,作为航空发动机重要部分的多转子轴承和齿轮等部分常会出现损坏,其中转子轴承系统会产生各种故障,这会影响整体的机械运转状况。在实际生产中通常采用故障诊断技术,故障诊断技术融合了传感器应用,信号处理方法,人工智能和计算机等多方面技术。通过对轴承和转子各部分的检测可以监控多转子轴承系统的工作状态。当不同部件产生故障时,所引起的故障信号频率和幅值与各部件结构参数相关,不同结构出现故障时,对应的故障信号会呈现特定的形式,通过分析故障信号可以得到多转子轴承系统的故障类型和故障特性。针对航空发动机中多转子轴承故障,采取适合特定故障信号的方法,并实现模块化应用,达到较高的处理效率。本文首先针对多转子轴承的系统中的多种故障,采用了最初的小波去噪方法,针对其去噪结果的不足,采用了基于自适应阈值的改进后的去噪法方法,该改进后的小波去噪方法,相对于最初的小波去噪和基于传统阈值的小波去噪方法去噪效果更明显,可以提取噪声背景中的微弱信号,能有效解决噪声模态混叠的情况,达到有效去噪的效果。其次分别对提取出的故障信号进行特征提取,提取出时域、频域、解调域、小波包能量谱域特征参数,构成能反映多转子轴承系统的参数集,采用KPCA法对参数集进行压缩降维处理,大幅度的降低了冗余度进而提升效率。KPCA可以有效解决非线性空间参数集的维数,可以用于故障的动态识别,可以实时有效的降低参数集的维数针对压缩后的数据进行模式识别。文中最后采用了改进型神经网络算法、改进型概率神经网络、改进型蚁群遗传算法,进而有效识别并基本预测故障的类型和发展。在改进型神经网络方法中,采用遗传算法中的交叉优化算子优化网络的权值,提升避免网络得到局部最优解的可能性。本文对蚁群算法进行改进,能够改进蚂蚁解中的转移概率,同时在公式中增加了均匀两点交叉算子,有利于提升最优解的搜索进程,比传统的蚁群算法有较高的运行速度。本文对概率神经网络方法进行改进,使其可以识别故障类型,相对于上面两种方法有更高的训练速度和准确率,稳定性也相对提高,可以有效的识别多转子轴承系统的多种故障类型,利用GRNN神经网络和小波神经网络方法对故障模式进行预测。最终将改进故障诊断方法集合成模块嵌入故障诊断系统框架中,有针对性地对多转子轴承的复杂信息进行层次化的分析,达到准确识别、智能诊断的目的。
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3

【参考文献】

中国期刊全文数据库 前3条

1 吴洪艳;黄道平;;基于特征向量提取的核主元分析法[J];计算机科学;2009年07期

2 杨先勇;周晓军;张文斌;杨富春;;基于局域波法和KPCA-LSSVM的滚动轴承故障诊断[J];浙江大学学报(工学版);2010年08期

3 梁胜杰;张志华;崔立林;;主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较[J];中国机械工程;2011年01期

中国博士学位论文全文数据库 前1条

1 张家凡;振动信号的包络解调分析方法研究及应用[D];武汉理工大学;2008年

中国硕士学位论文全文数据库 前1条

1 熊健;基于振动信号分析和神经网络的齿轮箱故障诊断技术研究[D];中北大学;2008年

，

本文编号：1183097