旋转机械故障识别与智能诊断研究

发布时间：2017-08-17 08:19

  本文关键词：旋转机械故障识别与智能诊断研究

  更多相关文章： 旋转机械 经验模式分解 端点效应 第二代小波分解 支持向量机

【摘要】：旋转机械内部结构复杂,涉及到较多零部件。其中最容易发生故障的旋转类机械部件故障占设备总体故障比例的70%,而其中齿轮工况问题引起的旋转机械故障占六成。运行中的旋转机械的振动信号有非周期、非平稳特性,传统的分析方法有较低故障提取和故障诊断的效率。如何有效提取信息并且进行故障诊断变得尤为重要,因此,文中的主要研究内容如下:首先,以旋转机械常见故障类型为例介绍故障诊断产生的原因,介绍了齿轮振动机理。并介绍了搭建变速器故障试验台和减速机故障试验台的所需设备。介绍了振动信号常用的分析方法。其次,介绍了经验模态分解(Empirical Mode Decomposition,EMD)算法,并介绍了平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法与EMD算法的关联性,以及在模糊熵情况下提取故障特征向量,并进行变速器故障诊断研究。然后,介绍了EMD算法中产生端点效应原因,在端点问题下形成IMF分量造成不正常的情况。研究了广义回归神经网络(Generalized Regression Neural Network,GRNN)算法以及GRNN在端点预测中的应用,又研究了边界局部特征尺度延拓法(Boundary Local Characteristic-scale Continuation,BLCC)以及优化方法并融合于EMD算法。并对比未采用优化算法情况下,对优化变速器故障数据的优势。再次,介绍了小波分析理论和第二代小波理论,研究了相邻系数降噪法原理,以及融合于第二代小波分解。将研究的方法应用于减速机故障实验数据,在减速机中的故障特征频率容易提取。最后,介绍了支持向量机(Support Vector Machine,SVM)原理、线性支持向量机原理和非线性支持向量机原理。介绍支持向量机核函数的选择,并采用遗传算法获取核函数参数的优势,研究结合SVM在小样本上分类的不错效果。将本文中讨论的算法应用于变速器和减速机为对象的旋转机械故障实验,并进行智能诊断。
【关键词】：旋转机械 经验模式分解 端点效应 第二代小波分解 支持向量机
【学位授予单位】：中国计量学院
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH17
【目录】：

• 致谢5-6
• 摘要6-7
• Abstract7-15
• 1 绪论15-20
• 1.1 研究背景及意义15
• 1.2 国内外研究现状15-17
• 1.3 旋转机械故障诊断技术17-19
• 1.3.1 故障提取方法17-18
• 1.3.2 模式识别方法18-19
• 1.4 本文主要研究内容19-20
• 2 旋转机械常见故障及分析方法20-36
• 2.1 故障诊断与产生原因20-21
• 2.2 齿轮的振动产生机理21-22
• 2.3 实验平台搭建22-29
• 2.3.1 共用实验设备22-23
• 2.3.2 变速器试验台23-27
• 2.3.3 减速机试验台27-29
• 2.4 振动信号分析方法29-35
• 2.4.1 时域统计参数29-32
• 2.4.2 时频分析32-35
• 2.5 本章小结35-36
• 3 经验模式分解（EMD）在变速器试验台的应用36-50
• 3.1 EMD基本概念36-39
• 3.1.1 解析信号36-37
• 3.1.2 瞬时频率37-38
• 3.1.3 本征模态函数38-39
• 3.2 EMD原理39-42
• 3.3 EEMD原理42-44
• 3.3.1 模糊熵概念43-44
• 3.4 基于EEMD算法的变速器故障实验44-49
• 3.5 本章小结49-50
• 4 EMD端点效应的优化及其在变速器中的应用50-65
• 4.1 EMD端点效应现象50-51
• 4.2 端点效应的优化51-57
• 4.2.1 GRNN延拓法51-54
• 4.2.2 BLCC延拓算法54-56
• 4.2.3 拼接入EMD优化端点效应56-57
• 4.3 基于优化后的EMD的变速器故障实验57-64
• 4.3.1 仿真实验57-61
• 4.3.2 实测实验61-64
• 4.4 本章小结64-65
• 5 提升小波的优化及其在减速机试验台的应用65-83
• 5.1 小波分析理论65-69
• 5.1.1 傅里叶变换65-66
• 5.1.2 小波变换基础66-67
• 5.1.3 连续小波变换67-69
• 5.2 第二代小波理论69-71
• 5.2.1 第二代小波原理69-70
• 5.2.2 预测器与更新器70-71
• 5.3 相邻系数方法降噪71-72
• 5.4 基于优化后的提升小波在减速机中故障特征提取72-82
• 5.4.1 仿真实验72-76
• 5.4.2 实测实验76-82
• 5.5 本章小结82-83
• 6 基于支持向量机的旋转机械智能诊断研究83-97
• 6.1 支持向量机理论83-89
• 6.1.1 线性支持向量机83-86
• 6.1.2 非线性支持向量机86-88
• 6.1.3 核函数与支持向量机参数88-89
• 6.2 基于遗传算法的支持向量机89-91
• 6.3 GA-SVM应用旋转机械故障诊断91-96
• 6.4 本章小结96-97
• 7 总结与展望97-99
• 7.1 全文总结97-98
• 7.2 展望98-99
• 参考文献99-103
• 作者简历103

【相似文献】

中国期刊全文数据库 前10条

1 陈先利;韩捷;李志农;;全矢谱及其新方法在旋转机械故障中的应用[J];现代制造技术与装备;2007年04期

2 于海蛟;;旋转机械故障产生的原因分析[J];湖南造纸;2011年02期

3 覃爱淞;张清华;李铁鹰;胡勤;;复合无量纲指标在旋转机械故障分类中的应用[J];现代制造工程;2013年04期

4 李贵三,张正松,唐锡宽;旋转机械故障模糊诊断模型新探[J];振动、测试与诊断;1991年02期

5 汪家铭;多通道旋转机械故障诊断仪[J];机械与电子;1994年06期

6 陈春天;旋转机械故障监测诊断系统的研究[J];机械工程师;1997年05期

7 孙颖;;旋转机械故障的研究及常见故障[J];知识经济;2010年16期

8 顾超华，汪希萱，，童水光;实现旋转机械故障在线闭环消除的探讨[J];动力工程;1996年03期

9 罗跃纲,陈长征;旋转机械故障的灰色网络诊断分析[J];风机技术;2001年04期

10 路连;葛安华;;旋转机械故障监测试验系统开发与应用的研究[J];机械工程师;2009年10期

中国重要会议论文全文数据库 前3条

1 朱春梅;徐小力;;基于小波理论的旋转机械故障信号降噪技术研究[A];北京机械工程学会2012年优秀论文评选论文集[C];2012年

2 莫琦;陈立定;;小波包在旋转机械故障振动信号处理中的应用[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

3 段晓钢;殷u&;刘德武;;旋转机械故障在线监测与诊断的研究与应用[A];1993中国控制与决策学术年会论文集[C];1993年

中国博士学位论文全文数据库 前6条

1 许同乐;基于多路传感器信息融合的旋转机械故障诊断方法研究[D];北京邮电大学;2012年

2 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

3 任达千;基于局域均值分解的旋转机械故障特征提取方法及系统研究[D];浙江大学;2008年

4 吕蓬;旋转机械故障模式识别方法研究[D];华北电力大学（北京）;2010年

5 蒋玲莉;基于核方法的旋转机械故障诊断技术与模式分析方法研究[D];中南大学;2010年

6 焦卫东;基于独立分量分析的旋转机械故障诊断方法研究[D];浙江大学;2003年

本文编号：687979