基于CEEMD和纹理特征的旋转机械智能故障诊断方法

发布时间：2020-04-24 01:40

【摘要】：基于数据驱动的旋转机械智能故障诊断方法不需要大量的先验知识和专家经验,相对于传统的设备故障诊断方法具有很大优势,也是未来设备故障诊断研究领域的主要发展方向。针对旋转机械智能故障诊断方法中振动信号降噪方法损害信号完整性、故障特征敏感性差、模式分类器参数寻优算法收敛速度慢等问题,进行深入研究并提出相应的改进,进而提升旋转机械智能故障诊断方法的诊断性能和精度。具体研究内容如下:首先,研究了旋转机械故障振动信号的降噪方法。绝大多数旋转机械处于复杂的工作环境下,要对包含噪声的信号进行有效的降噪处理,同时还要避免信号有效信息受到损害。为此提出一种新的旋转机械降噪方法,将CEEMD同小波阈值降噪方法结合在一起进行故障振动信号降噪,在保证信号完整性的同时很好地完成了信号的降噪处理。其次,研究了旋转机械故障特征提取方法。从降噪后振动信号中提取SPWVD时频图,从时频分布图中提取图像纹理特征参量,组成故障特征集,准确挖掘信号中的各个阶段程度故障模式信息。通过实验验证比较几种不同时频分析方法提取故障特征的性能优劣。再次,基于SVM机器学习方法建立旋转机械智能故障模式分类器,采用改进的自适应粒子群算法对模式分类器参数进行优化,提高故障诊断过程的准确性。以训练故障特征集训练SVM得到最优模式分类器,再将测试故障特征集输入到最优模式分类器中,输出智能模式识别结果,实现旋转机械智能故障诊断。最后,对该方法的实际应用进行模拟验证。用旋转机械振动数据作为输入,分别进行四组模拟应用实验,对旋转机械所处的故障状态以及某一故障状态下的不同故障程度进行识别,实验结果表明方法是正确和有效的。本文提供了一种旋转机械智能故障诊断方法,改进了振动信号降噪处理、故障特征提取以及故障模式分类器参数寻优方法,对旋转机械智能故障诊断的后续研究具有重要意义。
【图文】：

哈尔滨理工大学工程硕士学位论文极大的影响信号分析处理的最终效果。为了解决这一问题经验模态分解系列方法有两种重要的发展，包EEMD 与 EEMD 两种后续发展出来的分解方法，两者都是通过对原始信行添加噪声辅助的方式来解决模式混叠问题，而 CEEMD 方法相对于 EEM法迭代次数大为减少运算速度增快。EEMD 这种处理方法将添加了根据具况所选择的噪声的信号进行经验模态分解相关方法后，用加总平均进行处以极大的减弱模式混叠现象的干扰，但是新问题随之而来，由于噪声的加代次数过大等问题会引起运算压力的大幅增加。另一方面最终重构的信号是完美的重构信号。CEEMD 在 EEMD 方法原理上进一步作出了改进，同样采用噪声辅助法，但是辅助噪声的形式改进为正负对的具体输入形式，极大地减轻了迭数和运算压力。采用公式(2-2)所示的滚动轴承故障振动仿真信号进行几种经验模态分解方法进行信号分解，比较验证几种方法的效果。f rs(t) = sin(2πf t)(1 + ksin(2πf t))(2-

哈尔滨理工大学工程硕士学位论文别进行不同方式分解模拟信号，分解示意图如图 2-3、图 2-4、图 2-5 所示，分别在几种分解示意图中对发生模式混叠的部分进行了标注，可以很清楚的发现，CEEMD 分解方式模式混叠的现象最轻。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17

【相似文献】

相关期刊论文 前10条

1 王耀才;智能故障诊断技术的现状与展望[J];徐州建筑职业技术学院学报;2003年01期

2 王庆,巴德纯,王晓冬;智能故障诊断的粗糙决策模型[J];东北大学学报;2005年01期

3 潘兵;熊静琪;;多传感器信息融合在液压系统智能故障诊断中的应用[J];机床与液压;2006年05期

4 曹守启;韩彦岭;;智能故障诊断决策模型与评价方法研究[J];机床与液压;2008年08期

5 陆胜;刘锬;;基于知识的智能故障诊断方法和过程实现[J];机床与液压;2009年01期

6 雷亚国;何正嘉;;混合智能故障诊断与预示技术的应用进展[J];振动与冲击;2011年09期

7 赵廷弟,常文兵;基于可靠性方法的智能故障诊断模型[J];航空学报;1995年S1期

8 张培先,董泽,刘吉臻;智能故障诊断技术的发展及应用[J];山西电力;2001年03期

9 吴吉平,郝喜海,胡京明;包装机械智能故障诊断技术[J];中国包装工业;2002年06期

10 姜万录;程晓盛;陈东宁;;远程智能故障诊断技术的现状与展望[J];机床与液压;2006年03期

相关会议论文 前10条

1 李广峰;张伏龙;;装甲装备智能故障诊断技术研究[A];2010中国仪器仪表与测控技术大会论文集[C];2010年

2 马哲一;赵静一;李鹏飞;王庆新;;高速铁路运架提设备远程智能故障诊断技术研究[A];第五届全国流体传动与控制学术会议暨2008年中国航空学会液压与气动学术会议论文集[C];2008年

3 赵荣珍;李超;张力;;知识技术向旋转机械智能故障诊断研究提出的一项新任务[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

4 徐冬芳;邓飞其;;基于多传感器数据融合的智能故障诊断系统[A];第二届全国信息获取与处理学术会议论文集[C];2004年

5 罗贺;付超;季星;;基于DS证据理论的智能故障诊断方法[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

6 崔民;杜志江;路同浚;;机器人化遥控铲掘机现场CAN总线智能故障诊断技术研究[A];2001系统仿真技术及其应用学术会议论文集[C];2001年

7 吕蓬;柳亦兵;马强;魏于凡;;支持向量机在齿轮智能故障诊断中的应用研究[A];第二十六届中国控制会议论文集[C];2007年

8 曹波伟;薛青;牛金涛;龚长虹;刘磊;;基于神经网络和专家系统的装备智能故障诊断的研究[A];中国自动化学会控制理论专业委员会C卷[C];2011年

9 张周锁;侯照文;孙闯;何正嘉;;基于粒计算的混合智能故障诊断技术及应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 夏飞;权亚蕾;彭道刚;;基于数据融合的电厂凝汽器智能故障诊断研究[A];智能化电站技术发展研讨暨电站自动化2013年会论文集[C];2013年

相关博士学位论文 前8条

1 刘晓颖;复杂过程的智能故障诊断技术及其在大型工业窑炉中的应用研究[D];中南大学;2003年

2 武和雷;集成智能故障诊断策略及其应用研究[D];浙江大学;2003年

3 马笑潇;智能故障诊断中的机器学习新理论及其应用研究[D];重庆大学;2002年

4 彭强;复杂系统远程智能故障诊断技术研究[D];南京理工大学;2004年

5 熊伟;基于Petri网的远程智能故障诊断方法研究[D];华北电力大学;2014年

6 张铮;不完备不协调信息条件下的设备智能故障诊断[D];华中科技大学;2007年

7 许瑞华;高功率激光装置参数测量系统智能故障诊断技术研究[D];中国科学院研究生院（西安光学精密机械研究所）;2014年

8 秦大力;基于知识管理的设备故障智能诊断模型研究[D];湖南大学;2014年

相关硕士学位论文 前10条

1 宋胜博;基于敏感部件检测的APU智能故障诊断方法研究[D];中国民航大学;2016年

2 王纬宇;基于CEEMD和纹理特征的旋转机械智能故障诊断方法[D];哈尔滨理工大学;2016年

3 郧刚;基于异常数据的智能故障诊断探究[D];厦门大学;2007年

4 花伟;锅炉混合智能故障诊断技术的研究[D];南京工业大学;2006年

5 高洪波;智能故障诊断中综合信号处理的研究[D];西北工业大学;2004年

6 夏博;选煤厂设备智能故障诊断方法的研究与应用[D];华中科技大学;2012年

7 沈维兵;远程智能故障诊断技术与系统研究[D];南京理工大学;2003年

8 李中伟;智能故障诊断技术在遥测装备中的应用研究[D];哈尔滨工程大学;2013年

9 陈励华;智能故障诊断技术的应用与研究[D];西北工业大学;2005年

10 刘一;智能故障诊断方法研究及应用[D];昆明理工大学;2003年

，

本文编号：2638381