基于全矢主成分分析的故障预测方法研究
发布时间：2022-02-25 05:48
滚动轴承作为旋转机械的重要部件,其运行状况是否良好关系着整个机组的运行状况。工业水平不断进步,机械设备的故障诊断也越来越引起人们的关注。作为故障诊断的重要内容,故障预测可以对故障发展趋势进行跟踪和预测。传统的预测模型大多在单通道的基础上进行分析,因此存在数据信息片面、不准确的缺点,而运用全矢谱技术对同源双通道信号进行信息融合,可以全面地表征转子的运行状态。本文首先采用全矢VMD方法融合多个特征主振矢,提取互不相关的特征主成分,并建立KPCA模型对过程数据进行实时监控,利用AR预测模型对监控指标的趋势进行预测,预测设备是否发生故障,并进一步追踪故障发展趋势,最后采用全矢Hilbert包络分析提取故障数据的特征频率以进行故障诊断。主要工作如下:（1）提出了一种全矢变分模态分解（FV-VMD）的特征提取方法。首先利用VMD对同源双通道信号进行自适应分解,得到若干IMF分量,再利用全矢谱提取重构信号的特征频率。实验表明,该方法既能提取信号的特征频率,同时又可以克服模态混叠,在特征提取方面具有很好的应用性。（2）提出了一种全矢变分模态分解（FV-VMD）算法和核主元分析（KPCA）相结合的方法进...
【文章来源】：郑州大学河南省211工程院校
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题来源
1.2 课题研究目的及意义
1.3 国内外研究现状
1.3.1 设备故障预测方法研究现状
1.3.2 主成分分析研究现状
1.3.3 同源信息融合技术研究现状
1.4 本文主要内容与结构安排
2 全矢VMD滚动轴承故障特征提取方法研究
2.1 引言
2.2 VMD理论及仿真分析
2.2.1 VMD基本原理
2.2.2 VMD算法
2.2.3 VMD仿真信号分析
2.3 全矢谱算法
2.3.1 基本理论
2.3.2 数值算法
2.3.3 应用实例
2.4 全矢VMD方法流程及实例分析
2.4.1 方法流程
2.4.2 仿真分析
2.5 本章小结
3 全矢KPCA滚动轴承故障监测模型研究
3.1 引言
3.2 基于核主成分分析(KPCA)的过程监控方法
3.2.1 主成分分析(PCA)
3.2.2 核主成分分析(KPCA)
3.2.3 KPCA故障监测原理
3.3 全矢VMD-KPCA故障诊断方法流程
3.4 全矢KPCA滚动轴承故障监测实验及结果分析
3.5 本章小结
4 全矢KPCA-AR滚动轴承故障预测模型研究
4.1 引言
4.2 AR模型的构建
4.2.1 AR(n)模型
4.2.2 数据的预处理
4.2.3 模型的定阶
4.2.4 模型参数估计
4.2.5 评价指标
4.2.6 构建AR预测模型
4.3 全矢-AR滚动轴承故障预测方法流程
4.4 实验及结果分析
4.4.1 全矢KPCA监控模型的建立
4.4.2 AR预测模型的建立
4.4.3 故障预测
4.4.4 全矢Hilbert故障诊断
4.5 本章小结
5 结论与展望
5.1 本文工作总结
5.2 课题研究的创新点
5.3 展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]基于全矢支持向量回归的设备频谱成分预测研究[J]. 李凌均,白鋆,韩捷,金兵. 机械设计与制造. 2017(12)
[2]电子系统故障预测方法综述[J]. 刘琦,李耀芳,彭慧卿,崔军,刘宏伟. 天津城建大学学报. 2016(04)
[3]复局部均值分解全矢包络技术及其在转子故障特征提取中的应用[J]. 黄传金,孟雅俊,雷文平,韩捷. 机械工程学报. 2016(07)
[4]全矢AR-Kalman滤波的机械故障趋势预测方法研究[J]. 李永耀,韩捷,管腾飞,陈磊. 机械设计与制造. 2015(01)
[5]基于PCA和多变量极限学习机的轴承剩余寿命预测[J]. 何群,李磊,江国乾,谢平. 中国机械工程. 2014(07)
[6]基于LCD降噪和VPMCD的滚动轴承故障诊断方法[J]. 杨宇,潘海洋,程军圣. 中国机械工程. 2013(24)
[7]滚动轴承故障诊断的阶比多尺度形态学解调方法[J]. 徐亚军,于德介,孙云嵩,赵丹. 振动工程学报. 2013(02)
[8]基于极限学习机的汽轮机故障诊断[J]. 陈立军,孙凯,侯媛媛,海冉冉. 化工自动化及仪表. 2013(04)
[9]基于数据驱动的故障预测模型框架研究[J]. 韩东,杨震,许葆华. 计算机工程与设计. 2013(03)
[10]故障预测技术发展与分类[J]. 马硕,焦现炜,田柯文,吕世乐,赵阳,郑善军. 四川兵工学报. 2013(02)
博士论文
[1]基于非线性信号分析的滚动轴承状态监测诊断研究[D]. 刘永斌.中国科学技术大学 2011
[2]基于PCA的统计过程监控研究[D]. 李荣雨.浙江大学 2007
硕士论文
[1]基于灰色-AR模型的电动汽车锂离子电池寿命预测研究[D]. 陈文帅.长春工业大学 2017
[2]基于变分模态分解的共振解调方法及其在滚动轴承早期故障检测中的应用[D]. 何凯.安徽工业大学 2017
[3]基于VMD的滚动轴承故障诊断方法研究[D]. 李亚超.石家庄铁道大学 2016
[4]基于ITD-矢Teager能量算子的滚动轴承故障诊断方法研究[D]. 王洪明.郑州大学 2016
[5]基于VMD的风机传动系统故障诊断研究[D]. 苏航.华北电力大学 2016
[6]基于变分模态分解的故障诊断方法研究[D]. 王振威.燕山大学 2015
[7]基于全矢-AR模型的旋转机械故障趋势预测方法研究[D]. 李永耀.郑州大学 2015
[8]基于RKGM-AR模型的船舶柴油机热力参数趋势预测研究[D]. 邹永久.大连海事大学 2014
[9]旋转机械故障诊断中微弱信号特征提取方法研究[D]. 林鑫.北京化工大学 2013
[10]基于灰色系统理论和神经网络的机械故障预测模型及其应用[D]. 叶晓斌.重庆大学 2012
本文编号：3643812
【文章来源】：郑州大学河南省211工程院校
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题来源
1.2 课题研究目的及意义
1.3 国内外研究现状
1.3.1 设备故障预测方法研究现状
1.3.2 主成分分析研究现状
1.3.3 同源信息融合技术研究现状
1.4 本文主要内容与结构安排
2 全矢VMD滚动轴承故障特征提取方法研究
2.1 引言
2.2 VMD理论及仿真分析
2.2.1 VMD基本原理
2.2.2 VMD算法
2.2.3 VMD仿真信号分析
2.3 全矢谱算法
2.3.1 基本理论
2.3.2 数值算法
2.3.3 应用实例
2.4 全矢VMD方法流程及实例分析
2.4.1 方法流程
2.4.2 仿真分析
2.5 本章小结
3 全矢KPCA滚动轴承故障监测模型研究
3.1 引言
3.2 基于核主成分分析(KPCA)的过程监控方法
3.2.1 主成分分析(PCA)
3.2.2 核主成分分析(KPCA)
3.2.3 KPCA故障监测原理
3.3 全矢VMD-KPCA故障诊断方法流程
3.4 全矢KPCA滚动轴承故障监测实验及结果分析
3.5 本章小结
4 全矢KPCA-AR滚动轴承故障预测模型研究
4.1 引言
4.2 AR模型的构建
4.2.1 AR(n)模型
4.2.2 数据的预处理
4.2.3 模型的定阶
4.2.4 模型参数估计
4.2.5 评价指标
4.2.6 构建AR预测模型
4.3 全矢-AR滚动轴承故障预测方法流程
4.4 实验及结果分析
4.4.1 全矢KPCA监控模型的建立
4.4.2 AR预测模型的建立
4.4.3 故障预测
4.4.4 全矢Hilbert故障诊断
4.5 本章小结
5 结论与展望
5.1 本文工作总结
5.2 课题研究的创新点
5.3 展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]基于全矢支持向量回归的设备频谱成分预测研究[J]. 李凌均,白鋆,韩捷,金兵. 机械设计与制造. 2017(12)
[2]电子系统故障预测方法综述[J]. 刘琦,李耀芳,彭慧卿,崔军,刘宏伟. 天津城建大学学报. 2016(04)
[3]复局部均值分解全矢包络技术及其在转子故障特征提取中的应用[J]. 黄传金,孟雅俊,雷文平,韩捷. 机械工程学报. 2016(07)
[4]全矢AR-Kalman滤波的机械故障趋势预测方法研究[J]. 李永耀,韩捷,管腾飞,陈磊. 机械设计与制造. 2015(01)
[5]基于PCA和多变量极限学习机的轴承剩余寿命预测[J]. 何群,李磊,江国乾,谢平. 中国机械工程. 2014(07)
[6]基于LCD降噪和VPMCD的滚动轴承故障诊断方法[J]. 杨宇,潘海洋,程军圣. 中国机械工程. 2013(24)
[7]滚动轴承故障诊断的阶比多尺度形态学解调方法[J]. 徐亚军,于德介,孙云嵩,赵丹. 振动工程学报. 2013(02)
[8]基于极限学习机的汽轮机故障诊断[J]. 陈立军,孙凯,侯媛媛,海冉冉. 化工自动化及仪表. 2013(04)
[9]基于数据驱动的故障预测模型框架研究[J]. 韩东,杨震,许葆华. 计算机工程与设计. 2013(03)
[10]故障预测技术发展与分类[J]. 马硕,焦现炜,田柯文,吕世乐,赵阳,郑善军. 四川兵工学报. 2013(02)
博士论文
[1]基于非线性信号分析的滚动轴承状态监测诊断研究[D]. 刘永斌.中国科学技术大学 2011
[2]基于PCA的统计过程监控研究[D]. 李荣雨.浙江大学 2007
硕士论文
[1]基于灰色-AR模型的电动汽车锂离子电池寿命预测研究[D]. 陈文帅.长春工业大学 2017
[2]基于变分模态分解的共振解调方法及其在滚动轴承早期故障检测中的应用[D]. 何凯.安徽工业大学 2017
[3]基于VMD的滚动轴承故障诊断方法研究[D]. 李亚超.石家庄铁道大学 2016
[4]基于ITD-矢Teager能量算子的滚动轴承故障诊断方法研究[D]. 王洪明.郑州大学 2016
[5]基于VMD的风机传动系统故障诊断研究[D]. 苏航.华北电力大学 2016
[6]基于变分模态分解的故障诊断方法研究[D]. 王振威.燕山大学 2015
[7]基于全矢-AR模型的旋转机械故障趋势预测方法研究[D]. 李永耀.郑州大学 2015
[8]基于RKGM-AR模型的船舶柴油机热力参数趋势预测研究[D]. 邹永久.大连海事大学 2014
[9]旋转机械故障诊断中微弱信号特征提取方法研究[D]. 林鑫.北京化工大学 2013
[10]基于灰色系统理论和神经网络的机械故障预测模型及其应用[D]. 叶晓斌.重庆大学 2012
本文编号：3643812
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3643812.html
