基于压缩采样的电机轴承故障诊断技术研究

发布时间：2021-02-25 07:50

　　随着科技的不断发展,机电设备如电动缸等机构在车辆装备、智能制造等领域中应用的越来越广泛,电机作为机电设备中常用的执行机构,其轴承发生故障会对设备整体造成重大的损失。为了进行实时的状态监测,采集设备关键位置的振动信号,对于需要采集很多位置信息的大型设备,会对数据传输和储存造成巨大压力。通过基于压缩感知原理的压缩采样技术能够在采集信号的同时进行压缩,本文以电机轴承为研究对象,提出了一种基于压缩采样模型和移不变字典的故障诊断方法,并对故障辨识的精度进行了仿真验证。本文首先对电机轴承的主要故障形式和故障振动机理进行了分析,说明了轴承的振动信号在压缩感知理论中的适用性,建立了基于压缩感知理论的实际采样仿真模型,对其数学理论模型进行了推导,提取出用于信号重构的投影矩阵。接着,针对含有背景噪声信号的重构问题,结合了移不变字典学习算法和小波包阈值降噪方法,对训练数据进行降噪预处理,再通过字典学习得到了含有纯净故障冲击特征的基函数,将基函数进行时移扩展得到用于信号重构的过完备字典。通过仿真分析对不同压缩采样率下的重构信号进行对比,结果表明只需要采集少量的数据就能够对原始信号中的故障特征波形进行较为精确的... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 电机轴承故障特征提取方法国内外研究现状
    1.3 电机轴承故障智能诊断算法国内外研究现状
    1.4 压缩感知及其在轴承故障诊断的应用国内外研究现状
    1.5 本文主要研究内容
第2章 电机轴承故障机理及压缩采样原理
    2.1 电机轴承故障机理
    2.2 压缩感知基本理论
    2.3 压缩采样模型
    2.4 故障诊断总体方案
    2.5 本章小结
第3章 基于移不变K-SVD字典学习的信号重构
    3.1 移不变字典的基本结构
    3.2 移不变K-SVD字典学习算法
        3.2.1 稀疏系数更新阶段
        3.2.2 基函数更新阶段
    3.3 小波包阈值降噪
    3.4 仿真分析
        3.4.1 实验数据来源
        3.4.2 字典学习仿真
        3.4.3 重构信号仿真分析
    3.5 本章小结
第4章 重构信号的特征提取
    4.1 基于CEEMDAN的特征提取方法
        4.1.1 经验模态分解基本原理
        4.1.2 CEEMDAN改进算法原理
        4.1.3 模态分量特征提取
        4.1.4 仿真分析
    4.2 基于基函数能量特征指标的特征提取方法
        4.2.1 基函数能量特征
        4.2.2 Relief F特征选择算法
        4.2.3 仿真分析
    4.3 本章小结
第5章 故障诊断模型的建立及系统整体测试
    5.1 支持向量机分类模型
        5.1.1 基础理论
        5.1.2 核函数类型及其影响
    5.2 粒子群优化方法
    5.3 实验验证
        5.3.1 故障诊断模型仿真实验方案
        5.3.2 单一故障类型仿真实验
        5.3.3 不同负载诊断仿真实验
        5.3.4 复合故障诊断仿真实验
    5.4 本章小结
结论及展望
参考文献
攻读硕士期间发表的论文及其他成果
致谢



本文编号：3050672