基于LMD和HSMM的旋转机械故障诊断方法研究

发布时间：2017-04-28 14:07

  本文关键词：基于LMD和HSMM的旋转机械故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：随着科学技术的不断提高,旋转机械工作强度不断增大,为保证设备系统能够安全、可靠、高效地运行,避免造成巨大的经济损失和重大事故的发生,以旋转机械为研究对象,进行状态监测和故障诊断研究,具有非常重要而现实的意义。针对传统的时频分析方法(如短时傅立叶变换、小波与小波包变换)存在时间和频率的分辨率互相牵制、信号分解缺乏自适应性的不足,和传统的模式识别方法(如人工神经网络)局限于静态模式识别上的问题,本文引入最新的时频分析方法局部均值分解(Local Mean Decomposition, LMD)和发展较快的动态模式识别方法隐半马尔科夫模型(Hidden Semi-Markov Model, HSMM)。LMD能够基于信号本身,自适应地将一个多分量信号分解成一系列单分量的乘积函数(Product Function, PF)之和,每个乘积函数由一个纯调频函数和一个包络函数相乘而得,将所有乘积函数的瞬时频率和幅值相组合,便能够完整地呈现出原始信号的时频分布。HSMM基于时间跨度上的动态信息进行建模分类,非常适用于分析一些信息量较大、非平稳、特征重复再现性较差的信号,且具有训练样本少、训练速度快、分类识别能力强的特点。因此,本文利用LMD和HSMM相结合的方法对旋转机械进行状态监测与故障诊断。首先,本文论述了旋转机械故障诊断技术的发展概况,介绍了LMD方法相关概念、基本理论和算法,并将其与EMD (Empirical Mode Decomposition, EMD)方法进行对比,通过仿真分析验证了LMD处理非平稳信号的优越性。在此基础上,提出了一种基于小波包降噪与LMD分解相结合的特征提取方法,先采用小波包降低噪声的影响,再进行LMD分解,并对分解得到的PF分量进行相关性分析,选取有效PF分量进行时、频域特征参数提取。通过仿真分析和对实际信号的处理,验证了该方法的有效性。然后,本文研究了基于HSMM的机械设备状态监测与故障诊断方法,并针对基本算法中存在的部分问题进行了改进。提出了基于LMD和HSMM相结合的旋转机械状态监测与故障诊断方法,并将其成功应用于滚动轴承故障诊断中。实验结果表明,HSMM模型训练速度快,识别精度高,利用LMD和HSMM相结合的方法能够有效地识别出滚动轴承的运行状态,且能够保证故障诊断的实时性和准确性。最后,本文进一步采用LMD和HSMM相结合的方法对机械密封端面膜厚状态进行模式识别,识别效果较为理想,验证了该方法应用于旋转机械状态监测与故障诊断的有效性和适用性。为了验证HSMM模型用于状态监测与故障诊断的优势,本文又利用同样的信号特征,将HSMM模型和应用广泛的BP神经网络的识别效果进行了对比分析,分析结果表明,HSMM训练速度比BP神经网络更快,且识别精度更高,将HSMM应用于旋转机械的状态监测与故障诊断中更具优势,具有更广泛的应用前景。
【关键词】：旋转机械 状态监测 故障诊断 小波包降噪 LMD HSMM
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17
【目录】：

• 摘要6-7
• Abstract7-12
• 第1章 绪论12-22
• 1.1 课题研究的背景和意义12
• 1.2 旋转机械故障诊断技术概况12-19
• 1.2.1 旋转机械故障诊断的实现12-13
• 1.2.2 旋转机械故障诊断方法13-15
• 1.2.3 特征提取分析15-18
• 1.2.4 模式识别分析18-19
• 1.3 国内外研究现状19-21
• 1.4 主要研究内容及总体结构21-22
• 1.4.1 主要研究内容21
• 1.4.2 具体内容安排21-22
• 第2章 LMD的基本理论与算法22-36
• 2.1 LMD相关基本概念22-26
• 2.1.1 信号的频率和瞬时频率22-23
• 2.1.2 单分量信号和多分量信号23-24
• 2.1.3 调幅信号和调频信号24-26
• 2.2 LMD分解原理和算法26-30
• 2.2.1 局部均值函数和包络估计函数26-27
• 2.2.2 LMD分解具体算法27-30
• 2.3 LMD与EMD方法比较30-35
• 2.3.1 EMD方法简介30-31
• 2.3.2 LMD和EMD理论对比31-32
• 2.3.3 仿真信号分析32-35
• 2.4 本章小结35-36
• 第3章 基于小波包降噪与LMD分解的信号特征提取36-49
• 3.1 信号零均值化36-37
• 3.2 小波包降噪37-42
• 3.2.1 小波分析基本原理37-39
• 3.2.2 小波包分析基本原理39-40
• 3.2.3 小波包降噪过程及性能分析40-42
• 3.3 小波包降噪与LMD分解相结合的分析方法42-44
• 3.3.1 噪声对LMD分解性能的影响42-43
• 3.3.2 小波包降噪与LMD分解相结合性能分析43-44
• 3.4 基于小波包降噪与LMD分解的特征参数提取44-48
• 3.4.1 实际信号小波包降噪及LMD分解44-45
• 3.4.2 伪PF分量的判定与剔除45-46
• 3.4.3 特征参数提取46-48
• 3.5 本章小结48-49
• 第4章 HSMM基本理论及其在状态识别中的应用49-64
• 4.1 HSMM理论基础49-53
• 4.1.1 MARKOV模型49-50
• 4.1.2 隐MARKOV模型50-53
• 4.2 HSMM基本理论与算法53-59
• 4.2.1 HSMM的定义53-55
• 4.2.2 HSMM的算法55-59
• 4.3 HSMM算法实现中的部分问题与改进59-62
• 4.3.1 初始模型参数的选择59-60
• 4.3.2 多组观测序列的训练60-62
• 4.4 基于HSMM的故障诊断与状态识别方法62-63
• 4.5 本章小结63-64
• 第5章 基于LMD和HSMM的滚动轴承故障诊断64-72
• 5.1 滚动轴承故障诊断实验系统64-65
• 5.1.1 实验对象64
• 5.1.2 实验装置和系统64-65
• 5.2 实验验证65-71
• 5.2.1 滚动轴承振动信号特征提取65-68
• 5.2.2 HSMM模型建立与训练68-70
• 5.2.3 HSMM故障诊断结果70-71
• 5.3 本章小结71-72
• 第6章 基于LMD和HSMM的机械密封状态监测72-80
• 6.1 机械密封状态监测实验系统72-73
• 6.1.1 实验装置及监测方案72-73
• 6.1.2 实验信号观察与分析73
• 6.2 实验验证73-78
• 6.2.1 机械密封声发射信号特征提取73-75
• 6.2.2 HSMM模型建立与训练75-76
• 6.2.3 HSMM状态识别结果76-78
• 6.3 HSMM和神经网络方法的对比78-79
• 6.4 本章小结79-80
• 结论和展望80-82
• 致谢82-83
• 参考文献83-88
• 攻读硕士研究生期间发表的论文88

【相似文献】

中国期刊全文数据库 前10条

1 张立众;孙志勇;;“逐项排除法”在故障诊断中的应用[J];矿山机械;1990年09期

2 贾民平;机械故障诊断学的理论及其应用 第一讲 故障诊断的意义及研究发展概况[J];江苏机械制造与自动化;1999年01期

3 杨晓磊;;浅谈我国铁路机车故障诊断[J];科技风;2014年06期

4 田少民;工程机械的状态监测与故障诊断技术[J];工程机械;2001年01期

5 王敏,王万俊,熊春山,黄心汉;基于多传感器数据融合的故障诊断技术[J];华中科技大学学报;2001年02期

6 潘松海;介绍一种故障诊断方法[J];组合机床与自动化加工技术;2001年06期

7 李德跃;发动机突然熄火的故障诊断[J];城市车辆;2001年02期

8 王小虎;机械式风速表检定中的故障诊断及维修方法[J];中国计量;2002年03期

9 王清照,肖卫杰,王加璇;运用热经济学结构理论进行故障诊断的探讨[J];中国电机工程学报;2003年09期

10 陈东林;烟草设备的故障诊断技术应用与展望[J];中国设备工程;2003年06期

中国重要会议论文全文数据库 前10条

1 杨其校;刘昭度;齐志权;马岳峰;;汽车ABS电机故障诊断[A];第三届全国信息获取与处理学术会议论文集[C];2005年

2 黎清海;高庆;;基于系统分层的故障诊断方法[A];第三届全国信息获取与处理学术会议论文集[C];2005年

3 闻竞竞;黄道;;故障诊断方法综述[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 李t，

本文编号：332950