基于压缩感知的旋转机械故障分类与识别方法研究

发布时间：2017-06-29 16:15

  本文关键词：基于压缩感知的旋转机械故障分类与识别方法研究，，由笔耕文化传播整理发布。

【摘要】：随着工业自动化和装备制造水平的不断提高,作为现代工业中重要的生产设备,旋转机械的结构和功能也日益复杂,其在工业生产中往往承担着关键作用,一旦发生故障,将有可能导致巨大的停机损失。因此,利用现代信息技术和信号处理方法监测旋转机械运行状态,及时发现故障并采取响应措施是有重要意义的。然而,现有故障诊断技术往往面临着监测数据量大、故障特征提取困难等问题。本论文基于压缩感知理论,以旋转机械重要的零部件——轴承和齿轮为研究对象,分别从在线监测、离线分析和压缩存储三个方面开展研究工作,建立故障分类与识别方法。在基于振动信号的在线监测方面,本论文研究了基于冗余字典的轴承故障压缩感知分类方法。针对旋转机械振动信号在传统正交变换基下的变换系数稀疏性较差的问题,提出了基于冗余字典的振动信号稀疏表示方法,通过随机降维和稀疏求解,实现了轴承故障的稀疏分类。同时,研究了轴承转速对该方法故障分类正确率的影响,分析了该方法对轴承早期微弱故障的识别性能,并探讨了稀疏分类方法与传统模式识别方法在分类效果上的差异。在振动信号的离线分析方面,本论文建立了基于稀疏降维和小波能量特征的压缩感知故障分类方法。基于小波模极大值的信号稀疏表示方法能够克服离线分析面临的数据存储和传输难题,通过稀疏降维和优化求解,利用重构后的小波能量特征实现故障的分类,无需恢复原始振动信号,并利用不同工况下的轴承和齿轮振动信号,分析了该方法对机械故障的分类正确率。在振动信号的压缩存储方面,本论文开展了旋转机械振动信号的压缩采样方法研究,提出了一种基于块稀疏贝叶斯学习的压缩感知方法,实现了振动信号的有效压缩。通过贝叶斯概率估计,无需考虑振动信号的稀疏性,该方法就能实现压缩信号的精确重构。用不同工况下的轴承信号讨论了该方法的数据压缩和重构效果,并通过对重构后的信号进行特征提取,验证了该方法在数据压缩和重构中的有效性。基于压缩感知理论,本论文建立的方法能够实现旋转机械的故障分类识别与振动信号压缩,为旋转机械的在线监测、离线分析和信号压缩采样提供有效的支持。
【关键词】：压缩感知 故障诊断 冗余字典 小波模极大值 块稀疏贝叶斯学习
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17
【目录】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 绪论15-25
• 1.1 课题研究背景及意义15-16
• 1.2 课题来源16
• 1.3 国内外研究现状16-22
• 1.3.1 机械故障特征提取和模式识别方法研究现状17-19
• 1.3.2 压缩感知方法研究现状19-21
• 1.3.3 压缩感知在机械故障诊断中的应用21-22
• 1.4 主要研究内容及论文结构22-25
• 1.4.1 主要研究内容22-23
• 1.4.2 论文结构安排23-25
• 第二章 压缩感知理论基础25-31
• 2.1 信号的稀疏表示25-26
• 2.2 测量矩阵选择26-28
• 2.3 特征提取与信号重构算法28-29
• 2.4 小结29-31
• 第三章 基于冗余字典的轴承故障压缩感知分类方法31-47
• 3.1 基于冗余字典的轴承信号稀疏表示31-32
• 3.2 基于冗余字典的轴承故障稀疏分类算法32-35
• 3.2.1 随机压缩降维32-33
• 3.2.2 稀疏求解策略33-34
• 3.2.3 稀疏分类算法步骤34-35
• 3.3 仿真与实验研究35-42
• 3.3.1 仿真模拟35-38
• 3.3.2 实验验证38-39
• 3.3.3 轴承故障分类结果39-42
• 3.4 故障分类影响因素的讨论42-45
• 3.4.1 稀疏分类算法与传统分类算法的对比42-43
• 3.4.2 随机压缩降维的维度的选取对分类结果的影响43-44
• 3.4.3 信号长度对分类结果的影响44-45
• 3.5 小结45-47
• 第四章 基于稀疏降维和小波能量的故障压缩感知分类方法47-63
• 4.1 基于小波模极大值的振动信号稀疏表示48-51
• 4.2 稀疏降维及小波模极大值重构方法51-53
• 4.3 基于小波变换能量特征的故障分类方法53-54
• 4.4 实验验证54-60
• 4.4.1 轴承故障分类实验研究54-55
• 4.4.2 齿轮故障分类实验研究55-60
• 4.5 故障分类影响因素的讨论60-62
• 4.5.1 信号长度对分类结果的影响61
• 4.5.2 压缩降维维度的选取对分类结果的影响61-62
• 4.6 小结62-63
• 第五章 基于块稀疏贝叶斯学习的振动信号压缩采样方法63-87
• 5.1 基于正交小波变换基的振动信号压缩采样方法64-66
• 5.1.1 振动信号稀疏性分析64-65
• 5.1.2 稀疏采样与重构方法65-66
• 5.2 基于块稀疏贝叶斯学习的振动信号压缩采样方法66-68
• 5.2.1 基本原理介绍66-67
• 5.2.2 参数估计方法67-68
• 5.3 实验验证68-84
• 5.3.1 基于正交小波变换基下的振动信号压缩方法68-74
• 5.3.2 基于BSBL方法的振动信号压缩方法74-84
• 5.4 小结84-87
• 第六章 结论与展望87-89
• 6.1 研究成果总结87-88
• 6.2 展望88-89
• 参考文献89-93
• 致谢93-95
• 已发表的学术论文95-97
• 作者和导师简介97-98
• 附件98-99

【参考文献】

中国期刊全文数据库 前10条

1 王康;叶伟;劳国超;胡楷钰;;基于稀疏系数特征的压缩感知信号检测算法[J];电子信息对抗技术;2015年02期

2 孙美玲;朱春吉;岳晓峰;谷文超;;时域同步平均在振动信号分析中的应用[J];长春工业大学学报(自然科学版);2014年04期

3 严保康;周凤星;;基于相干累积量分段正交匹配追踪方法的轴承早期故障稀疏特征提取[J];机械工程学报;2014年13期

4 高强;段晨东;赵艳青;宋伟志;;基于最大相关波形延拓的经验模式分解端点效应抑制方法[J];振动与冲击;2013年02期

5 崔永良;李见伟;;基于改进粗糙集的滚动轴承故障诊断的计算机仿真研究[J];煤矿机械;2012年11期

6 郑近德;程军圣;杨宇;;基于改进的ITD和模糊熵的滚动轴承故障诊断方法[J];中国机械工程;2012年19期

7 程军圣;杨怡;杨宇;;基于LMD的谱峭度方法在齿轮故障诊断中的应用[J];振动与冲击;2012年18期

8 杨俊;谢勤岚;;基于DCT过完备字典和MOD算法的图像去噪方法[J];计算机与数字工程;2012年05期

9 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

10 林近山;;基于本征时间尺度分解算法的齿轮箱故障诊断[J];机械传动;2011年09期

  本文关键词：基于压缩感知的旋转机械故障分类与识别方法研究，由笔耕文化传播整理发布。

本文编号：498508