旋转机械故障分析方法与诊断系统研究

发布时间：2017-09-03 12:22

  本文关键词：旋转机械故障分析方法与诊断系统研究

  更多相关文章： 轴承 特征值 LMD 机械故障 智能诊断

【摘要】：在现代化生产生活中,机械设备的应用范围广阔,若某一零部件出现问题而没有及时发现,必然会造成一定的损失。而随着机械设备故障智能诊断技术的发展,将其应用于生产实践,不仅可以避免巨大的经济损失,而且可以减少较大事故造成的伤亡。因此,对故障诊断技术进行研究,具有一定的现实意义。本文首先对一些机械故障机理进行介绍,然后结合时域特征值和神经网络方法实现了轴承是否出现故障的检测方法研究,接着研究了一种基于提取包络极值的局部均值分解改进算法,最后开发了一种能够快速有效地应用于减速机故障检测的智能诊断系统。论文主要研究内容如下:首先,以常见的轴承和齿轮为例介绍了机械故障的相关理论,具体包含有轴承和齿轮故障机理和故障类型,然后对研究期间用到的时域统计分析方法、频谱分析法和时域分析法进行了具体介绍。其次,基于时域统计方法和神经网络理论,实现了基于Lab VIEW的轴承是否出现故障的诊断方法研究。对已有不同工况下的轴承振动信号进行特征值提取,建立轴承正常状态下的大样本库,作为神经网络的训练样本,通过阈值设定判断经过网络训练的轴承信号是否为正常状态。再次,研究了局部均值分解(LMD)算法,通过对仿真信号和实测信号的反复验证,发现LMD算法有对高频噪声敏感的缺点。为了弥补这一缺点,提出了一种基于提取包络极值点的局部均值改进算法,然后通过对比普通滤波、小波降噪和提升小波分析法这3种不同的去噪方法对LMD分解的结果影响,证实了该改进算法良好的复现性和有效性。最后,基于Lab VIEW的开发平台,设计了应用于减速机工业现场的故障检测分析系统,该系统的主要功能包括:振动加速度信号的实时显示和保存;信号特征值提取与保存,以建立不同型号的正常减速机的样本库;减速机故障的智能诊断及结果显示。
【关键词】：轴承 特征值 LMD 机械故障 智能诊断
【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
• abstract7-14
• 1 绪论14-21
• 1.1 机械故障研究背景及意义14-15
• 1.2 国内外研究方法简介15-19
• 1.2.1 时域分析方法16-17
• 1.2.2 频域分析方法17
• 1.2.3 时频分析方法17-18
• 1.2.4 智能诊断方法18-19
• 1.3 主要研究内容19-21
• 2 故障机理和类型及诊断方法21-32
• 2.1 故障机理简介21-24
• 2.1.1 轴承故障机理21-22
• 2.1.2 齿轮故障机理22-24
• 2.2 故障类型简介24-26
• 2.2.1 轴承故障类型24-25
• 2.2.2 齿轮故障类型25-26
• 2.3 振动分析方法简介26-31
• 2.3.1 振动信号统计分析法26-28
• 2.3.2 振动信号频域分析法28-29
• 2.3.3 振动信号时频域分析法29-31
• 2.4 本章小结31-32
• 3 基于神经网络的轴承故障诊断32-48
• 3.1 轴承实验台简介32-33
• 3.2 轴承振动信号特征值提取33-36
• 3.2.1 时域统计特征值33-34
• 3.2.2 特征值结果展示34-36
• 3.3 神经网络理论36-40
• 3.3.1 BP神经网络理论37-38
• 3.3.2 BP神经网络模型38-39
• 3.3.3 BP神经网络学习函数39
• 3.3.4 BP神经网络参数设置39-40
• 3.4 轴承故障诊断系统研究40-47
• 3.4.1 诊断系统总体设计40-42
• 3.4.2 数据分析子模块42-43
• 3.4.3 智能诊断子模块43-47
• 3.5 本章小结47-48
• 4 基于改进LMD算法的轴承故障研究48-68
• 4.1 传统LMD算法简介48-50
• 4.2 传统LMD算法仿真结果50-53
• 4.2.1 未加噪声信号的LMD分解50-51
• 4.2.2 加噪信号的LMD分解51-53
• 4.3 消噪方法介绍和LMD仿真结果53-63
• 4.3.1 普通带通滤波方法53-55
• 4.3.2 小波去噪方法55-60
• 4.3.3 提升小波的去噪方法60-63
• 4.4 改进的LMD算法63-67
• 4.4.1 改进LMD算法的仿真结果64-65
• 4.4.2 改进LMD算法的实验结果65-67
• 4.5 本章小结67-68
• 5 减速机故障在线诊断系统设计68-82
• 5.1 系统硬件设计68-72
• 5.1.1 试验台搭建68-70
• 5.1.2 硬件构成与连接70-72
• 5.2 系统软件设计72-79
• 5.2.1 数据采集模块74-75
• 5.2.2 特征值提取模块75-77
• 5.2.3 智能诊断77-79
• 5.3 系统诊断结果79-81
• 5.3.1 数据采集结果79-80
• 5.3.2 智能检测结果80-81
• 5.4 本章小结81-82
• 6 总结与展望82-84
• 6.1 总结82
• 6.2 展望82-84
• 参考文献84-89
• 附录A 7 种工态下的特征值89-92
• 作者简介92

【相似文献】

中国期刊全文数据库 前10条

1 芮延年,刘文杰,郭旭红,刘海兰;基于压电阻抗的设备结构健康智能诊断[J];中国制造业信息化;2003年08期

2 ;什么是智能诊断与智能维修[J];江苏电机工程;2013年05期

3 焦建新，李宗耀，赵振英，，查建中;复杂机械设备智能诊断集成策略及其实现[J];机械工程学报;1995年06期

4 张健;芮延年;陈洁;;基于压电阻抗设备结构健康状态智能诊断方法的研究[J];机械设计与制造;2007年09期

5 李云松;任艳君;;智能诊断技术发展综述[J];四川兵工学报;2010年04期

6 王太勇;蒋永翔;刘路;蒋大勇;;复杂制造系统动态测控与智能诊断技术[J];航空制造技术;2010年13期

7 阎明印，史铁林，杨叔子;机械设备智能诊断的研究[J];沈阳工业学院学报;1994年02期

8 钱苏翔;机器状态智能诊断与管理系统[J];机械设计与制造;2000年02期

9 黄志坚,裘丽华;液压故障智能诊断技术探讨[J];机床与液压;2001年03期

10 陈珊,王太勇,王国锋,秦旭达;机械设备智能诊断与预测维修系统[J];西南交通大学学报;2003年05期

中国重要会议论文全文数据库 前3条

1 王太勇;胥永刚;冷永刚;王国锋;秦旭达;;智能诊断与动态测控技术及其工程应用[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

2 王庆;巴德纯;刘坤;;大型真空冶金系统故障分析及智能诊断[A];2004’全国真空冶金与表面工程学术研讨会会议论文集[C];2004年

3 张周锁;周晓宁;成玮;;基于蚁群算法的机械故障智能诊断技术研究[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

中国重要报纸全文数据库 前3条

1 记者 陈黎明 通讯员 钱王平 杜亚董;沙钢高炉智能诊断决策系统获冶金科技奖[N];中国冶金报;2007年

2 张善斌 徐秀娇 李文;山东济宁能源运河煤矿 智能诊断钢丝绳缺陷[N];中国安全生产报;2010年

3 本报记者 陈丽容;中兴发布汽车智能诊断软件 差异化路线再次凸显[N];通信信息报;2011年

中国博士学位论文全文数据库 前4条

1 李书明;制造设备智能诊断与状态预测技术的研究[D];天津大学;1998年

2 郑伟;基于混合推理的骨折智能诊断与治疗系统的研究[D];哈尔滨理工大学;2005年

3 孙红岩;大型旋转机械智能诊断多Agent系统的研究[D];重庆大学;2007年

4 杨虞微;现代航空燃气涡轮发动机故障分析与智能诊断关键技术研究[D];南京航空航天大学;2007年

中国硕士学位论文全文数据库 前10条

1 邱伟东;冲压机床的远程智能诊断、维护系统研究[D];南京理工大学;2007年

2 罗志高;基于参数化模型的非平稳特征提取及其智能诊断研究[D];天津大学;2008年

3 朱传聪;智能诊断报告系统[D];华中科技大学;2011年

4 潘玉娜;基于全信息的智能诊断方法及其应用研究[D];郑州大学;2006年

5 雷丝雨;支持向量机模型优化方法及其在旋转机械智能诊断中的应用[D];电子科技大学;2015年

6 张利明;基于虚拟仪器的旋转水洗头智能诊断策略与试验研究[D];华东理工大学;2010年

7 朱珊娜;葡萄病害智能诊断模型与系统研究[D];西北农林科技大学;2007年

8 李平;基于信息融合与智能诊断的锅炉汽包水位保护系统[D];东华大学;2009年

9 龙亘;基于Agent智能理论的故障诊断体系模型的研究与建立[D];东北石油大学;2014年

10 李世锦;传导电磁干扰智能诊断分析系统关键问题研究[D];南京师范大学;2013年

本文编号：784976