数据驱动的滚动轴承故障诊断与健康状态评估
发布时间：2021-05-06 03:08
滚动轴承是旋转机械设备的关键部件,其健康状态直接影响到设备的整体性能。轴承的失效不仅会导致工程应用中的机械故障,还会导致致命事故。而且,轴承在实际生产中通常会经历从正常状态到最终故障的退化过程。因此,安装传感器来监测轴承运行状态,从这些监测信号中提取故障特征,对轴承进行健康状态评估和故障识别,在过去几十年中得到了广泛的研究。本文以振动信号分析为基础,采用数据驱动的方法对轴承展开研究。首先,针对轴承振动信号的特征提取方法展开研究。考虑到振动信号中普遍含有噪声成分,论文首先引入小波包分解方法,对振动信号起到一定的降噪作用,然后采用AR谱分析方法实现特征提取功能,最后通过三维可视化散点图验证了本文方法比传统时域特征提取方法具有更好的优越性。其次,针对轴承故障诊断识别方法展开研究。考虑到浅层模型很难有效地表征振动信号的高维特征与轴承故障类型之间复杂的映射关系,本文提出基于小波包-AR谱和DBN的滚动轴承故障诊断方法。基于凯斯西储大学轴承数据,讨论了变负载和不同样本规模对本文方法的影响。同时,通过和其它几种常用的故障诊断方法进行实验对比,证明了本文方法具有更好的诊断精度。然后,基于辛辛那提大学轴...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景与意义
1.2 国内外研究现状
1.2.1 特征提取
1.2.2 故障诊断
1.2.3 健康状态评估
1.3 论文研究内容与结构安排
1.3.1 论文研究内容
1.3.2 论文结构安排
第二章 滚动轴承故障诊断理论基础
2.1 滚动轴承基本结构及振动机理
2.1.1 滚动轴承基本结构
2.1.2 滚动轴承振动机理
2.2 滚动轴承失效形式
2.3 滚动轴承的故障特征频率
2.4 本章小结
第三章 基于小波包-AR谱和DBN的滚动轴承故障诊断
3.1 小波包-AR谱特征提取方法
3.1.1 小波包分解原理
3.1.2 AR谱分析
3.1.3 小波包-AR谱特征提取过程
3.2 深度置信网络
3.2.1 RBM
3.2.2 DBN
3.3 基于小波包-AR谱和DBN的故障识别框架
3.4 实验验证和结果分析
3.4.1 试验装置及数据描述
3.4.2 数据预处理
3.4.3 特征提取结果及分析
3.4.4 基于小波包-AR谱和DBN的故障诊断模型训练
3.4.5 实验结果分析
3.5 本章小结
第四章 基于余弦相似度的滚动轴承健康状态评估
4.1 滚动轴承健康状态评估原理
4.2 基于余弦相似度的滚动轴承健康状态评估流程
4.2.1 振动信号特征提取
4.2.2 计算余弦相似度
4.2.3 健康指标平滑
4.3 实验验证和结果分析
4.3.1 试验装置及数据描述
4.3.2 数据预处理
4.3.3 基于传统时域特征的轴承振动信号分析
4.3.4 不同健康状态的轴承振动信号对比分析
4.3.5 基于余弦相似度的滚动轴承健康状态评估结果分析
4.4 本章小结
第五章 滚动轴承故障诊断系统设计与实现
5.1 软件开发工具
5.1.1 WPF简介
5.1.2 MySQL概要
5.2 C#与MATLAB混合编程
5.2.1 .NET组件技术
5.2.2 MATLAB引擎技术
5.2.3 C#与MATLAB数据类型转换
5.3 系统总体方案设计
5.4 用户界面设计
5.4.1 用户登录界面
5.4.2 数据处理界面
5.4.3 故障诊断界面
5.4.4 数据库管理界面
5.5 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
参考文献
致谢
攻读硕士学位期间的主要研究成果
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于C#和Matlab混合编程的轴承故障诊断系统[J]. 刘亚,王静,田新诚. 计算机应用. 2018(S2)
[2]发动机声信号与振动信号故障特征提取对比分析[J]. 曾荣,曾锐利,丁雷. 军事交通学院学报. 2018(08)
[3]基于小波包-AR谱和深度学习的轴承故障诊断研究[J]. 贺思艳,刘亚,田新诚. 计算机应用研究. 2019(06)
[4]数据驱动的滚动轴承性能衰退状态监测方法[J]. 吴军,黎国强,吴超勇,程一伟,邓超. 上海交通大学学报. 2018(05)
[5]改进的经验小波变换在滚动轴承故障诊断中的应用[J]. 朱艳萍,包文杰,涂晓彤,胡越,李富才. 噪声与振动控制. 2018(01)
[6]利用深度卷积神经网络提高未知噪声下的语音增强性能[J]. 袁文浩,孙文珠,夏斌,欧世峰. 自动化学报. 2018(04)
[7]C#和MATLAB混合编程在连铸坯裂纹检测中的应用[J]. 孙洁,欧阳亚丽,薛亮. 华北理工大学学报(自然科学版). 2017(03)
[8]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报. 2016(09)
[9]针对滚动轴承故障诊断的新时频特征提取方法[J]. 陈俊杰,王晓峰,刘飞,周文晶. 机械传动. 2016(07)
[10]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
博士论文
[1]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[2]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[3]受限玻尔兹曼机学习算法研究[D]. 马学思.北京邮电大学 2016
[4]滚动轴承故障特征提取与诊断方法研究[D]. 邓飞跃.华北电力大学(北京) 2016
[5]基于耦合隐马尔可夫模型的滚动轴承故障诊断与性能退化评估研究[D]. 肖文斌.上海交通大学 2011
硕士论文
[1]基于振动信号降噪与分解的轴承故障诊断研究[D]. 黄阳.西安理工大学 2018
[2]多轴联动运动控制与仿真技术研究[D]. 李伯钊.山东大学 2018
[3]深度学习在滚动轴承故障诊断中的应用研究[D]. 陈伟.西南交通大学 2018
[4]基于深度学习的航空发动机可靠性分析[D]. 洪骥宇.南京航空航天大学 2018
[5]滚动轴承的性能退化评估与剩余使用寿命预测方法的研究[D]. 周裕华.华南理工大学 2018
[6]基于EMD和逻辑回归的轴承性能退化评估与剩余寿命预测[D]. 黎慧.华东交通大学 2017
[7]滚动轴承冲击类故障特征增强的非局部均值算法研究[D]. 胡俊锋.华东交通大学 2017
[8]基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究[D]. 俞昆.青岛理工大学 2016
[9]关联支持向量回归方法及其在核电蒸汽发生器部件失效中的小样本预测[D]. 徐贤兴.浙江工业大学 2016
[10]基于深度置信网络的数据驱动故障诊断方法研究[D]. 葛强强.哈尔滨工业大学 2016
本文编号：3171117
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景与意义
1.2 国内外研究现状
1.2.1 特征提取
1.2.2 故障诊断
1.2.3 健康状态评估
1.3 论文研究内容与结构安排
1.3.1 论文研究内容
1.3.2 论文结构安排
第二章 滚动轴承故障诊断理论基础
2.1 滚动轴承基本结构及振动机理
2.1.1 滚动轴承基本结构
2.1.2 滚动轴承振动机理
2.2 滚动轴承失效形式
2.3 滚动轴承的故障特征频率
2.4 本章小结
第三章 基于小波包-AR谱和DBN的滚动轴承故障诊断
3.1 小波包-AR谱特征提取方法
3.1.1 小波包分解原理
3.1.2 AR谱分析
3.1.3 小波包-AR谱特征提取过程
3.2 深度置信网络
3.2.1 RBM
3.2.2 DBN
3.3 基于小波包-AR谱和DBN的故障识别框架
3.4 实验验证和结果分析
3.4.1 试验装置及数据描述
3.4.2 数据预处理
3.4.3 特征提取结果及分析
3.4.4 基于小波包-AR谱和DBN的故障诊断模型训练
3.4.5 实验结果分析
3.5 本章小结
第四章 基于余弦相似度的滚动轴承健康状态评估
4.1 滚动轴承健康状态评估原理
4.2 基于余弦相似度的滚动轴承健康状态评估流程
4.2.1 振动信号特征提取
4.2.2 计算余弦相似度
4.2.3 健康指标平滑
4.3 实验验证和结果分析
4.3.1 试验装置及数据描述
4.3.2 数据预处理
4.3.3 基于传统时域特征的轴承振动信号分析
4.3.4 不同健康状态的轴承振动信号对比分析
4.3.5 基于余弦相似度的滚动轴承健康状态评估结果分析
4.4 本章小结
第五章 滚动轴承故障诊断系统设计与实现
5.1 软件开发工具
5.1.1 WPF简介
5.1.2 MySQL概要
5.2 C#与MATLAB混合编程
5.2.1 .NET组件技术
5.2.2 MATLAB引擎技术
5.2.3 C#与MATLAB数据类型转换
5.3 系统总体方案设计
5.4 用户界面设计
5.4.1 用户登录界面
5.4.2 数据处理界面
5.4.3 故障诊断界面
5.4.4 数据库管理界面
5.5 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
参考文献
致谢
攻读硕士学位期间的主要研究成果
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于C#和Matlab混合编程的轴承故障诊断系统[J]. 刘亚,王静,田新诚. 计算机应用. 2018(S2)
[2]发动机声信号与振动信号故障特征提取对比分析[J]. 曾荣,曾锐利,丁雷. 军事交通学院学报. 2018(08)
[3]基于小波包-AR谱和深度学习的轴承故障诊断研究[J]. 贺思艳,刘亚,田新诚. 计算机应用研究. 2019(06)
[4]数据驱动的滚动轴承性能衰退状态监测方法[J]. 吴军,黎国强,吴超勇,程一伟,邓超. 上海交通大学学报. 2018(05)
[5]改进的经验小波变换在滚动轴承故障诊断中的应用[J]. 朱艳萍,包文杰,涂晓彤,胡越,李富才. 噪声与振动控制. 2018(01)
[6]利用深度卷积神经网络提高未知噪声下的语音增强性能[J]. 袁文浩,孙文珠,夏斌,欧世峰. 自动化学报. 2018(04)
[7]C#和MATLAB混合编程在连铸坯裂纹检测中的应用[J]. 孙洁,欧阳亚丽,薛亮. 华北理工大学学报(自然科学版). 2017(03)
[8]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报. 2016(09)
[9]针对滚动轴承故障诊断的新时频特征提取方法[J]. 陈俊杰,王晓峰,刘飞,周文晶. 机械传动. 2016(07)
[10]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
博士论文
[1]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[2]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[3]受限玻尔兹曼机学习算法研究[D]. 马学思.北京邮电大学 2016
[4]滚动轴承故障特征提取与诊断方法研究[D]. 邓飞跃.华北电力大学(北京) 2016
[5]基于耦合隐马尔可夫模型的滚动轴承故障诊断与性能退化评估研究[D]. 肖文斌.上海交通大学 2011
硕士论文
[1]基于振动信号降噪与分解的轴承故障诊断研究[D]. 黄阳.西安理工大学 2018
[2]多轴联动运动控制与仿真技术研究[D]. 李伯钊.山东大学 2018
[3]深度学习在滚动轴承故障诊断中的应用研究[D]. 陈伟.西南交通大学 2018
[4]基于深度学习的航空发动机可靠性分析[D]. 洪骥宇.南京航空航天大学 2018
[5]滚动轴承的性能退化评估与剩余使用寿命预测方法的研究[D]. 周裕华.华南理工大学 2018
[6]基于EMD和逻辑回归的轴承性能退化评估与剩余寿命预测[D]. 黎慧.华东交通大学 2017
[7]滚动轴承冲击类故障特征增强的非局部均值算法研究[D]. 胡俊锋.华东交通大学 2017
[8]基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究[D]. 俞昆.青岛理工大学 2016
[9]关联支持向量回归方法及其在核电蒸汽发生器部件失效中的小样本预测[D]. 徐贤兴.浙江工业大学 2016
[10]基于深度置信网络的数据驱动故障诊断方法研究[D]. 葛强强.哈尔滨工业大学 2016
本文编号：3171117
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3171117.html
