基于深度卷积神经网络的旋转机械复合故障诊断方法研究

发布时间：2022-11-04 01:32

　　旋转机械轴承-转子系统故障频发,单一故障存在很有可能诱发其它故障产生。旋转机械中轴承和转子故障占比较大,而轴承-转子复合故障也时有发生。如果任由其故障发展将会造成不可挽救的重大生命财产损失,因此旋转机械故障诊断方法研究具有非常重要的意义。设备的状态监测可以为设备维修保养制定合理的计划,避免了“维修不足”和“维修过剩”情况发生,同时为维修提供参考决策。基于信号处理的旋转机械故障诊断方法常以振动加速度作为重要的研究载体,而收集到的信号成分十分复杂,往往存在干扰成分较多。如若不对信号进行预处理很难从原始信号中获取有用信息。针对上述问题,本文提出了一种瞬时频率均值曲线和VMD-EES结合的故障特征提取方法。首先使用轴承振动模型模拟了一组故障信号,通过Hilbert包络谱分析VMD分解得到的分量发现,分量中依然含有较多的噪声成分,故障特征依然不够明显。增强包络谱中的自相关函数和扩展Shannon熵操作不仅可以有效降低无法剔除的噪声,还可以增强故障特征。通过仿真信号和SKF6203滚动体微弱故障分析,证实了所提方法的有效性。同时将EMD-EES方法对比发现,VMD分解得到的分量其中心频率和带宽较为... 

【文章页数】：91 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景及意义
    1.2 本文的主要研究内容和结构安排
    1.3 本章小结
2 文献综述
    2.1 旋转机械故障诊断发展历程和研究现状
    2.2 旋转机械复合故障诊断研究现状
    2.3 旋转机械复合故障诊断发展趋势
    2.4 本章小结
3 滚动轴承故障和转子故障的特征探究
    3.1 滚动轴承故障机理及特征
    3.2 转子故障机理及特征
    3.3 滚动轴承-转子复合故障特征
    3.4 滚动轴承-转子复合故障实验
    3.5 本章小结
4 基于VMD和增强包络谱结合的信号处理
    4.1 轴承-转子复合故障振动信号模型
    4.2 VMD-EES故障诊断方法
    4.3 仿真信号故障特征提取
    4.4 滚动体故障实测信号特征提取
    4.5 本章小结
5 基于深度卷积神经网络的旋转机械复合故障诊断
    5.1 DCNN概述
    5.2 ES-DCNN故障诊断方法
    5.3 Semi-DCNN故障诊断方法
    5.4 本章小结
6 总结与展望
    6.1 结论
    6.2 展望
参考文献
作者简历
学位论文数据集



本文编号：3700998