基于时频特征的旋转装备故障诊断技术研究

发布时间：2020-11-01 23:02

　　 旋转装备是制造业中应用最广泛的制造装备,其可靠性对制造行业的生产和发展具有深远的影响。随着装备结构的复杂化和精密化程度不断提高,其故障带来的直接或间接损失愈发难以承受,因此故障诊断技术对于提高装备的可靠性和维护效率具有重要的现实意义。鉴于此,本文对旋转装备故障诊断中的时频特征提取技术、运行状态异常检测技术、装备故障诊断技术以及跨工况下的自适应故障诊断技术进行研究,采用滚动轴承及铣刀振动数据验证所提方法的有效性。本文提出基于多分辨率和时频域分析的信号特征提取方法,采用孤立森林算法对状态信号进行异常检测。该方法利用离散小波变换将信号分解为不同频段的信号分量,抽取主导分量进行信号重构。采用连续小波变换对重构信号进行时频变换,获得信号时频域内的特征矩阵。通过孤立森林算法对时频特征进行异常检测并获得异常信号样本,完成装备的状态异常检测。采用滚动轴承振动信号对本文方法的有效性进行验证。对基于卷积神经网络的装备振动信号故障诊断技术进行研究用于解决复杂装备故障源定位困难问题。本文选择典型故障振动信号时频特征矩阵作为卷积神经网络模型的输入,分析对比模型结构参数对诊断性能的影响,建立合理故障诊断模型。在模型训练中,利用数据增强和正则化方法对诊断模型进行优化,提高其鲁棒性和泛化性。采用滚动轴承和铣刀振动信号对本文所提方法进行有效性验证,并进一步与传统方法进行对比,证明所提方法的优越性。本文研究基于迁移学习的变工况故障诊断技术用以解决小样本故障诊断问题。将卷积神经网络模型作为基础诊断模型,利用已知工况下的大量样本作为迁移学习的源数据集完成模型预训练,然后将模型迁移到新工况小样本故障诊断任务中。采用新工况小样本数据集对迁移诊断模型进行微小调整,实现跨工况诊断模型的迁移。最后,利用多种载荷状态下的滚动轴承故障信号验证本文迁移模型诊断效果。本文的研究对丰富复杂旋转装备的故障诊断方法具有理论意义,对提高装备故障诊断准确率、提高装备可靠性和运维效率具有工程实用价值。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH17
【部分图文】：

图 2-1 振动信号频谱图辨率分解方法的对比分析率分解（MRA）是指将信号分解到不同的尺度上，然后的特性进行局部化分析。多分辨率分解方法有很多，其D）、变模态分解（VWD）和离散小波分解（ DWT）是方法。模态分解（ ）ang 提出的经验模态分解（ Empirical Mode Decomposition据驱动的非线性时变信号分析方法。该方法通过分析信号分解成具有物理意义的有限阶本征模态函数（IMF），所含了不同时间尺度的局部特征。在计算本征模态函数时法获得信号的极大、极小包络曲线，在原始序列基础上到新的数据序列，进一步采用递归“筛分”方法求得 1初始信号基础上剥离，并循环执行上述过程，求得高阶

图 2-2 Mallet 算法流程综上所述，通过对 EMD、VMD和DWT三种常用方法的分析和比较，由于的模态混淆问题和端点效应难以避免， 的模型参数选取又要求对目标信号的特性具有丰富的先验知识，而 小波基函数的选择问题可以通过对比实验分析的方式来解决，而且 对细节信号的敏感性和良好的局部化特性使得其在非平稳时变信号的分解和重构中得到了良好的效果和广泛的应用，所以本文选择离散小波变换作为振动信号的分解和重构方法，并在后续的研究中通过实验来验证 相较于 、 的优越性。2.2.2 DWT 小波基函数分析选择离散小波变换（ ）的信号分解效果主要取决于小波基函数选择的合理性，因此选择适合目标信号特性的小波基函数对 至关重要。在选择小波基函数时，主要从紧支性、正交性和对称性三个方面进行对小波函数进行考量。紧支性主要影响小波函数的时域分辨率，紧支性越好则时域分辨率越高，但与此同时也会对频域分辨率有所削弱；正交性为小波函数提供

a）db5 小波 b）coif2 小波 c）sym5 小波图 2-3 三种小波基函数的时频特性图2-3为上述三种小波的特性图像，当三种小波函数具备一样的消失矩时，coif2 小波在对称性上的性能最佳。同时不难发现，时域对称性较差的 db5小波和sym5小波在频域内的尺度函数和小波函数的响应交叉面积最小，这一特点会使得信号分解过程中的能量泄露现象得到很好的抑制，提高信号分解过程中的时频分辨率。为了验证上述各种小波基函数对信号分解效果的影响，通过一组仿真信号进行离散小波分解实验。根据表 2-2 生成一组模拟振动序列，该模拟序列由3部分组成，分别是低频模拟序列、高频细微模拟序列和一个高斯噪声成分，其中低频模拟序列和微弱模拟序列的频率分别为50Hz和300Hz
【相似文献】

相关期刊论文 前10条

1 薄洪健;刘新磊;马琳;丰上;李海峰;;猜拳博弈过程脑电的时频特征分析及基于优选特征的博弈决策预测[J];信号处理;2017年03期

2 林大超,施惠基,白春华,张奇;基于小波变换的爆破振动时频特征分析[J];岩石力学与工程学报;2004年01期

3 宦飞,王志中,郑崇勋;一种分析睡眠脑电图的时频特征图[J];上海交通大学学报;2001年05期

4 吴长水,张小兵,袁亚雄;膛内压力联合时频特征分析[J];弹道学报;2005年03期

5 徐强;小尺度火焰温度波动联合时频特征初探[J];仪器仪表学报;2003年S2期

6 郭涛;方向;谢全民;严中红;范磊;;频率切片小波变换在爆破振动信号时频特征精确提取中应用[J];振动与冲击;2013年22期

7 宋炜;邹少峰;欧阳永林;曾庆才;黄家强;常鑫;;快速匹配追踪三参数时频特征滤波[J];石油地球物理勘探;2013年04期

8 刘彩云;郭爱煌;崔炳胜;;高速铁路轨道不平顺的时频特征分析[J];电子测量技术;2009年07期

9 孟庆筱;吕健;李进武;王丽丽;李浩;;基于S变换的唐山四分量钻孔应力时频特征分析[J];大地测量与地球动力学;2018年11期

10 龚海健;黄伟国;赵凯;李双;朱忠奎;;基于Wigner-Ville分布与小波尺度谱融合的时频特征提取方法[J];振动与冲击;2011年12期

相关博士学位论文 前3条

1 张引红;非线性鼾音信号时频特征分析研究[D];陕西师范大学;2014年

2 林圣;基于暂态量的高压输电线路故障分类与定位方法研究[D];西南交通大学;2011年

3 郭苗苗;语言任务下脑电时频网络特征提取及在脑机接口中的应用[D];河北工业大学;2016年

相关硕士学位论文 前10条

1 胡晓扬;基于时频特征的旋转装备故障诊断技术研究[D];哈尔滨工业大学;2019年

2 赵莹;基于时频特征分形理论的非线性结构损伤识别方法研究[D];长沙理工大学;2018年

3 杨弘;基于非负矩阵分解的信号时频特征提取方法研究[D];哈尔滨工程大学;2015年

4 文竞成;基于时频特征参数的P2P流分类研究[D];电子科技大学;2013年

5 夏峙;水下目标特征的压缩与融合技术研究[D];哈尔滨工程大学;2011年

6 陶韬;基于分数域时频特征的SAR图像地物目标检测方法研究[D];电子科技大学;2012年

7 徐铁鹏;钢板腐蚀声发射信号时频特征提取研究[D];沈阳工业大学;2016年

8 李阳;内河航道船只流量检测方法研究[D];上海交通大学;2014年

9 齐淑敏;脉搏信号时频特征提取方法研究及信息处理系统设计[D];山东建筑大学;2010年

10 郭睿婷;再入机动导弹的多普勒时频特征分析[D];西安电子科技大学;2007年

本文编号：2866224